Détection monulaire de cyclistes avec des réseaux neuronaux convolutifs

Le vélo est de plus en plus utilisé comme moyen de transport en raison de ses avantages pour la durabilité et la santé. Cependant, les cyclistes sont confrontés à des risques croissants, en particulier lorsqu'ils rencontrent des véhicules lourds sur la route. Cette étude vise à réduire le nombre de collisions entre véhicules et cyclistes, qui sont souvent causées par une mauvaise attention des conducteurs aux angles morts. Pour atteindre cet objectif, nous avons conçu un système avancé de détection en temps réel de cyclistes à partir d'une seule caméra (monoculaire) utilisant des réseaux neuronaux convolutifs pour la détection d'objets, tels que EfficientDet Lite et SSD MobileNetV2. Premièrement, nos modèles proposés de détection de cyclistes ont atteint une précision moyenne (mAP) supérieure à 0,900 (IoU : 0,5), après avoir été affinés sur un nouveau jeu de données d'images de cyclistes comprenant plus de 20 000 images. Ensuite, ces modèles ont été déployés sur une mini-ordinateur Google Coral Dev Board équipée d'un module caméra et analysés en termes de vitesse, atteignant des temps d'inférence aussi bas que 15 millisecondes. Enfin, le dispositif complet de détection de cyclistes a été testé en temps réel pour modéliser des scénarios de circulation et a fait l'objet d'une analyse approfondie en termes de performance et de faisabilité. Nous avons conclu que ce dispositif peut détecter les cyclistes avec précision et rapidité, et qu'il a le potentiel d'améliorer considérablement la sécurité des cyclistes. Des études futures pourraient évaluer la faisabilité du dispositif proposé dans l'industrie automobile ainsi que les améliorations apportées à la sécurité des cyclistes au fil du temps.