Detection of Dangerous Driving Behaviors

Abstract

في مذكرة التخرج هذه بعنوان "اكتشاف سلوكيات القيادة الخطرة" تتناول التحدي الحرج لتعزيز سلامة الطرق من خلال تحديد وتخفيف السلوكيات القيادية الخطرة بعد تقديم مقدمة حول تصاعد قضية السلوكيات القيادية غير الآمنة التي تؤدي إلى حوادث ووفيات، يستقصى هذا العمل النهج الحالية المستخدمة لمعالجة هذه المشكلة. تم اقتراح حلا متقدما يشمل تطوير نظام يستخدم الرؤية الحاسوبية والگوريتمات التعلم العميق، وبشكل خاص شبكات العصب الاصطناعي بالتبادل تدريب هذا النموذج على مجموعات بيانات متنوعة تحتوي على صور التقطت بواسطة كاميرات السيارات يمكنه التعرف على الأنماط المرتبطة بأفعال القيادة الخطرة، مثل القيادة المشتلة، واستخدام الهاتف أثناء القيادة، والقيادة في حالة السكر، وغيرها.

النتائج التي تم الحصول عليها من خلال الاختبار والتقييم الشامل للنظام واعدة، حيث بلغ معدل الدقة %91.0368، ونقطة الدقة 914692، ونقطة F1 المثيرة 90.8515% تؤكد هذه النتائج فعالية النظام المقترح في اكتشاف وتصنيف السلوكيات القيادية الخطرة.

تنفيذ هذا الحلا يمثل خطوة كبيرة في مجال سلامة الطرق، حيث يظهر الإمكانية بشكل كبير للحد من عدد الحوادث وإنفاذ الأرواح بالإضافة إلى ذلك، يسهم هذا العمل في فتح الباب أمام بحوث وتطورات إضافية في ميدان أنظمة النقل الذكية، مما يساهم في جعل الطرق أكثر أمانا وأكثر حماية. This graduation thesis, ”Detection of Dangerous Driving Behaviors,” addresses the critical challenge of enhancing road safety by identifying and mitigating risky driving conduct. With an introduction to the escalating issue of unsafe driving behaviors leading to accidents and fatalities, this work delves into the existing approaches employed for tackling this problem. Various solutions have been proposed in recent years, including traditional computer vision techniques and machine learning algorithms for behavior recognition. However, these solutions often fall short in terms of accuracy and robustness. The proposed solution involves developing an advanced system utilizing computer vision and deep learning algorithms, particularly Convolutional Neural Networks (CNNs). Training this model on diverse datasets containing images captured by in-car cameras can recognize patterns associated with hazardous driving actions, such as distracted driving, phone usage, drunk driving, and more. The results obtained through extensive testing and evaluation of the system are promising, with an accuracy rate of 91.0368%, a precision score of 91.4692%, and an impressive F1 score of 90.8515%. These outcomes underline the effectiveness of the proposed system in detecting and categorizing dangerous driving behaviors. The successful implementation of this solution offers a considerable leap forward in road safety, demonstrating the potential to reduce the number of accidents and save lives significantly. Additionally, the work paves the way for further research and advancements in the field of intelligent transportation systems, contributing to safer and more secure roadways.