Gender and Age-Based Violations in Motorcycle Behaviours: A Case Study in Marrakesh
Este artigo apresenta um sistema baseado em aprendizagem profunda utilizando modelos YOLOv11 e CNN para detetar infrações de trânsito específicas de motociclos em Marraquexe, analisando simultaneamente a sua correlação com a idade e o género do condutor para melhorar a segurança rodoviária urbana e a aplicação da lei.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Nas ruas movimentadas de cidades em todo o mundo em desenvolvimento, uma revolução silenciosa no transporte está remodelando a forma como as pessoas se deslocam. As motocicletas tiveram um aumento de popularidade, oferecendo uma alternativa ágil e acessível aos carros, especialmente em locais onde o congestionamento de tráfego é uma realidade diária. Em Marraquexe, Marrocos, esses veículos de duas rodas agora representam mais de sessenta por cento de todos os usuários das vias. Embora essa mudança traga eficiência, ela também introduz uma complexa teia de desafios de segurança. A maneira única como os condutores serpenteiam por espaços estreitos e navegam em cruzamentos lotados cria perigos não apenas para eles mesmos, mas também para pedestres e motoristas de veículos maiores. Para compreender e melhorar a segurança, pesquisadores estão recorrendo a um campo da ciência que permite às máquinas ver e interpretar o mundo de forma muito semelhante aos humanos. Ao usar câmeras e softwares avançados, os cientistas podem agora observar os fluxos de tráfego, identificar comportamentos específicos e até reconhecer as pessoas por trás dos guidões. Essa abordagem vai além da simples contagem; busca compreender o elemento humano do trânsito, procurando padrões na forma como diferentes grupos de pessoas interagem com as regras da estrada.
Uma equipe de pesquisadores da Universidade Cadi Ayyad, em Marraquexe, levou esse conceito um passo adiante ao construir um sistema projetado para detectar hábitos perigosos entre motociclistas. O trabalho deles foca em quatro infrações específicas que frequentemente levam a acidentes: conduzir sem capacete, usar um telefone celular enquanto dirige, avançar o sinal vermelho e fazer zigue-zague errático entre outros veículos. Para estudar esses comportos, a equipe instalou uma câmera de alta resolução em um cruzamento movimentado conhecido pelo seu intenso tráfego de motocicletas. Ao longo de vários dias, eles gravaram mais de sete horas de filmagens de vídeo, capturando o ritmo diário da cidade durante as horas da manhã, tarde e noite. Esses dados visuais brutos tornaram-se a base para sua investigação, permitindo que observassem hábitos de condução do mundo real conforme aconteciam.
O núcleo de seu método baseia-se em um tipo sofisticado de inteligência artificial conhecido como aprendizado profundo (deep learning). Os pesquisadores primeiro usaram uma poderosa ferramenta de detecção para escanear os quadros de vídeo e localizar cada motocicleta e condutor. Uma vez encontrado um veículo, o sistema dava um zoom para identificar o rosto do condutor. A partir daí, o software analisava características faciais específicas para estimar a idade do condutor e determinar seu gênero. Essa informação demográfica era então ligada diretamente às ações que o condutor estava realizando. O sistema foi treinado para reconhecer quando um capacete estava ausente, quando uma mão segurava um telefone perto do rosto, quando um veículo cruzava uma linha de parada contra um sinal vermelho ou quando uma motocicleta se movia em um caminho irregular e imprevisível entre carros. Ao conectar quem era o condutor com o que ele estava fazendo, os pesquisadores puderam ir além de estatísticas gerais para ver se certos tipos de pessoas eram mais propensas a quebrar regras específicas.
Os resultados desta análise revelaram padrões claros e distintos no comportamento dos condutores. Os dados mostraram que a idade é um fator significativo na probabilidade de uma pessoa cometer uma violação. Condutores entre dezoito e vinte e cinco anos foram os mais propensos a usar telefones celulares enquanto dirigiam, com este grupo apresentando as taxas mais altas de distração em ambos os gêneros. Em contraste, o grupo de vinte e seis a trinta e cinco anos apareceu com mais frequência nos dados por não usar capacete. No que diz respeito ao gênero, o estudo descobriu que os condutores do sexo masculino geralmente cometiam violações em taxas mais altas do que as condutoras do sexo feminino em todas as categorias. Isso foi particularmente evidente na prática perigosa de fazer zigue-zague entre veículos, onde homens jovens de dezoito a vinte e cinco anos representaram quase um terço de todos esses incidentes. As condutoras, especialmente as de faixas etárias mais elevadas, foram observadas quebrando as regras com muito menos frequência.
Para dar sentido a essas descobertas, os pesquisadores construíram um modelo de decisão que mapeou como a idade, o comportamento passado e o gênero interagem para influenciar as escolhas de um condutor. A análise sugeriu que a idade é o preditor mais poderoso de comportamento de risco. Condutores mais jovens eram mais propensos a assumir riscos, enquanto condutores mais velhos tendiam a ser mais cumpridores das regras. O modelo também indicou que o histórico de um condutor importa; aqueles que haviam quebrado regras no passado eram mais propensos a fazê-lo novamente, sugerindo que a condução insegura é frequentemente um hábito consistente e não um erro isolado. Embora o gênero desempenhasse um papel, sua influência não era tão forte quanto a da idade e era frequentemente dependente do contexto específico da violação. Por exemplo, embora os homens jovens fossem os infratores mais frequentes no geral, houve situações específicas onde a diferença entre o comportamento masculino e feminino era menos pronunciada.
O estudo conclui que esses sistemas inteligentes oferecem uma maneira promissora de aumentar a segurança no trânsito sem depender exclusivamente da observação humana. Ao detectar violações automaticamente e vinculá-las à demografia dos condutores, as autoridades podem avançar em direção a estratégias de fiscalização e educação mais direcionadas. Em vez de aplicar uma abordagem genérica a todos os motoristas, as campanhas de segurança poderiam ser adaptadas para abordar os riscos específicos enfrentados por homens jovens ou as distrações particulares que afetam a faixa etária de dezoito a vinte e cinco anos. Os pesquisadores observam que, embora seu sistema tenha funcionado bem com os dados coletados, melhorias futuras poderiam incluir fatores como condições climáticas e densidade de tráfego para tornar as previsões ainda mais precisas. Em última análise, este trabalho demonstra que, ao compreender os padrões humanos por trás das violações de trânsito, as cidades podem desenvolver formas mais inteligentes e eficazes de proteger a todos nas estradas.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.