Welke voertuigen zijn het gevaarlijkst voor fietsers? Nu kunt u het weten.

Uw stad wil de straten veiliger maken voor fietsers. U weet dat SUV's en vrachtwagens ernstigere verwondingen veroorzaken dan gewone auto's. Maar uw verkeerscamera's kunnen ze niet uit elkaar houden. U bent overgelaten met het raden welke voertuigtypen het echte probleem op uw wegen zijn.

U zit vast met generieke gegevens. U kunt "3-voet passeer" -wetten niet effectief handhaven. U kunt niet bewijzen welke buurten het meest beschermde fietspaden nodig hebben. En verzekeringsmaatschappijen kunnen geen accurate risico's berekenen omdat ze niet weten wat er echt op straat is.

Wat onderzoekers ontdekten

Onderzoekers hebben een AI-systeem gebouwd dat dit exacte probleem oplost. Het identificeert automatisch zes specifieke voertuigtypen uit gewone verkeerscamera-beelden: personenauto's, SUV's, pick-up trucks, minivans, grote bestelwagens en commerciële trucks. Het bereikt 94% nauwkeurigheid op de thuismarkt en 89% op nieuwe, ongeziene locaties.

Denk eraan als het upgraden van een beveiligingscamera die alleen "persoon" van "dier" kan onderscheiden naar een die specifiek "hond", "kat", "hert" en "wasbeer" kan identificeren. Dit niveau van detail laat u toe om exact te meten welke voertuigen te dicht langs fietsers rijden.

Het systeem bevat een kritische functie: een betrouwbaarheidscontrole. Wanneer het onzeker is over een classificatie, markeert het de voorspelling als "onbekend" in plaats van verkeerd te gokken. Dit voorkomt dat misleidende gegevens uw analyse verstoren. Het is alsof een kwaliteitscontroleur zegt "Ik weet het niet zeker over deze" in plaats van een slechte beslissing te nemen.

Het beste van alles is dat de onderzoekers alles vrij beschikbaar hebben gemaakt - code, trainingsgegevens en getrainde modellen. U kunt dit onmiddellijk implementeren zonder licentiekosten. De volledige details zijn in hun paper: An Open-Source Two-Stage Computer Vision Pipeline for Fine-Grained Vehicle Classification using Vision Transformers.

Hoe u dit vandaag kunt toepassen

U hoeft niet te wachten. U kunt dit systeem nu meteen gebruiken. Hier zijn drie concrete stappen om het deze week te implementeren.

Stap 1: Installeer uw testomgeving

Eerst, krijg de code draaiende op een monster-video. De onderzoekers bieden alles aan op GitHub.

1. Kloon de repository. U vindt installatie-instructies en afhankelijkheden vermeld. Het systeem vereist Python en gebruikelijke machine learning-bibliotheken zoals PyTorch.
2. Voer het uit op een testvideo. Gebruik 30-60 seconden verkeersbeelden van een van uw bestaande camera's. Het systeem zal de video verwerken en een CSV-bestand uitvoeren met een lijst van elk gedetecteerd voertuig en het voorspelde type.
3. Controleer de betrouwbaarheidsscores. Bekijk de "onbekend" -vlaggen. Voor uw eerste test, concentreer u op voorspellingen met hoge betrouwbaarheid (boven 90%). Dit valideert dat het systeem werkt met uw beelden.

Voorbeeld: Het transportdepartement in Austin, Texas, kon een uur beelden nemen van een bekende fietsconflictzone. Zij zouden de AI draaien en onmiddellijk een opsplitsing zien: "45 personenauto's, 28 SUV's, 12 pick-up trucks, 3 minivans."

Stap 2: Integreer met uw cameranetwerk

Zodra het testen succesvol is, plan een pilot-implementatie.

1. Selecteer 3-5 hoogprioritaire cameraposities. Kies kruispunten of wegsegmenten met een hoge fietsvolume en een geschiedenis van bijna-ongelukken.
2. Stel batch-verwerking in. Het systeem werkt momenteel met opgenomen video, niet met live-streams. Configureer het om automatisch beelden van uw geselecteerde camera's elke nacht te verwerken.
3. Automatiseer gegevensverzameling. Schrijf een eenvoudig script om de dagelijkse CSV-uitvoer naar een centrale database of dashboard te verzamelen. Dit creëert een continue stroom van voertuigsamenstellinggegevens.

Geschatte inspanning: Een team van twee personen (één met basis-Python-vaardigheden) kan stappen 1 en 2 in 3-5 werkdagen voltooien.

Stap 3: Maak gegevens om tot actie

Gebruik nu de specifieke voertuiggegevens om beslissingen te nemen.

1. Handhaaf passeerwetten. Correleer voertuigtypegegevens met fietspasseer-evenementen. Als de gegevens aantonen dat SUV's 40% vaker binnen 2 voet van een fietser passeren dan personenauto's, kunt u de handhaving dienovereenkomstig richten.
2. Prioriteer infrastructuur. Identificeer routes met hoge volumes trucks en SUV's. Dit zijn uw topkandidaten voor de installatie van beschermde fietspaden.
3. Verfijn risicomodellen. Deel anonieme voertuigsamenstellinggegevens met verzekeringspartners. Een buurt met 60% SUV's/trucks presenteert een ander risicoprofiel dan een met 80% personenauto's.

Waar u op moet letten

Dit hulpmiddel is krachtig, maar wees zich bewust van de beperkingen.

1. Minivan-prestaties dalen op nieuwe locaties. Toen het naar een ongeziene camera werd verplaatst, daalde de nauwkeurigheid voor minivans van 91% tot 72% in de studie. Overweeg voorlopig om minivans te groeperen met "personenauto's" in uw analyse als uw pilot soortgelijke resultaten laat zien.
2. Het is niet in real-time (nog niet). Het systeem verwerkt opgenomen video. U kunt het niet gebruiken voor instant-verkeerswaarschuwingen of live-handhaving. Het is voor analyse en planning.
3. Weer en verlichting zijn van belang. Het systeem werd getest in heldere dagomstandigheden. De prestaties in zware regen, sneeuw of 's nachts zijn onbewezen. Begin met beelden van optimale omstandigheden.

Uw volgende stap

Begin met één test. Deze week, neem 60 seconden verkeersbeelden van elke camera. Download de gratis code en zie wat de AI identificeert.

Het doel is niet perfectie. Het is actiegerichte inzichten. Wetend dat "SUV's 35% van het verkeer uitmaken, maar 60% van de dichtbij-passeerders" verandert alles. Het verandert gokwerk in een meetbaar probleem dat u kunt oplossen.

Wat is de eerste vraag over voertuigrisico in uw stad die deze gegevens kunnen beantwoorden?