جاده

جاده

ارزیابی خودکار ویژگی‌های ایمنی عابر پیاده از تصاویر نمای خیابان با استفاده از بخش‌بندی معنایی و یادگیری بازنمایی خودنظارتی: مطالعه‌ای در مقیاس شهری در اصفهان

نوع مقاله : مقاله پژوهشی

نویسندگان
1 گروه مهندسی عمران، واحد بین المللی کیش، دانشگاه آزاد اسلامی، کیش،ایران
2 دانشیار، پژوهشکده حمل‌ونقل، مرکز تحقیقات راه، مسکن و شهرسازی
3 استادیار، گروه مهندسی عمران، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران
چکیده
ویژگی‌های مقیاس خرد محیط ساخته‌شده به‌طور قابل‌توجهی بر ایمنی عابر پیاده تأثیر می‌گذارد؛ با این حال، ممیزی‌های میدانی متعارف پرهزینه، ذهنی و در مقیاس شهری دشوار اجرا هستند. این پژوهش یک چارچوب بینایی رایانه‌ای ترکیبی را برای ارزیابی خودکار ایمنی عابر پیاده با استفاده از تصاویر نمای خیابان توسعه و اعتبارسنجی می‌کند. این چارچوب بخش‌بندی معنایی را برای استخراج ویژگی‌های صریح و قابل‌تفسیر محیطی با یادگیری بازنمایی خودنظارتی برای ثبت ویژگی‌های بصری نهفته — از جمله وضعیت روسازی، محصوریت فضایی، کیفیت مصالح و بی‌نظمی بصری — یکپارچه می‌سازد. تحلیل تجربی ۳۶۸٬۵۰۰ تصویر نمای خیابان گردآوری‌شده از ۹۲٬۱۲۵ موقعیت زمین‌مرجع در اصفهان، ایران را در برمی‌گیرد. یک مدل SegFormer-B4 تنظیم‌شده دقیق برای کمّی‌سازی هشت ویژگی مرتبط با ایمنی به کار رفت، در حالی که یک ترانسفورمر بینایی آموزش‌دیده با DINO بازنمایی‌های بصری زمینه‌ای تولید کرد. این جریان‌های ویژگی در یک مدل رگرسیون XGBoost برای ساخت شاخص خودکار ایمنی عابر پیاده و محیط (APSEI) ادغام شدند و از نمرات ممیزی میدانی متخصصان از ۵۰۰ موقعیت لایه‌بندی‌شده به‌عنوان مرجع حقیقت استفاده شد. اعتبار بیرونی در برابر ۳٬۲۱۲ تصادف عابر پیاده-وسیله نقلیه زمین‌کدشده از طریق رگرسیون پواسون وزن‌دار جغرافیایی ارزیابی شد
کلیدواژه‌ها

 Arellana J, Saltarin M, Larranaga AM, et al. (2020). Walkability indicators and their association with pedestrian crashes. Transp Res Part C. 111:156-175.
-­Bugs G, Granell C, Fonts O, et al. (2010). An assessment of Public Participation GIS. Cities. 27(3):172-181.
- Caron M, Touvron H, Misra I, et al. (2021). Emerging properties in self-supervised vision transformers. IEEE ICCV; 9630-9640.
- Chen S, Kuhn M, Prettner K, Bloom DE. (2019). The global economic burden of road traffic injuries. Lancet Glob Health. 7(12):e1663-e1674.
-­Hadjidemetriou GM, Vela PA, (2020). Christodoulou SE. Vision-based deep learning for automated detection of pedestrian-vehicle conflicts. Accid Anal Prev. 135:105355.
- Hall CM, Ram Y. (2018). Walk Score and its potential contribution. Transp Res Part D. 61:310-324.
- Jacobsen PL. (2003). Safety in numbers. Inj Prev. 9(3):205-209.
- Millington C, Ward Thompson C, Rowe DA, et al. (2009). Development of the Scottish Walkability Assessment Tool. Health Place. 15(2):474-481.
-­Nasar JL. (2008). Assessing perceptions of environments for active living. Am J Prev Med. 34(4):357-363.
- Yin L, Cheng Q. Wang Z, Shao Z. (2015). 'Big data' for pedestrian volume. Comput Environ Urban Syst. 53:96-108.
- Yin L, Wang Z. (2016). Measuring visual enclosure for street walkability. Comput Environ Urban Syst. 59:164-175.
- Zhang F, Zhou B, Liu L, et al. (2018). Measuring human perceptions. Landsc Urban Plan. 180:148-160.
-Aghaabbasi M, Moeinaddini M, Zaly Shah M, Asadi-Shekari Z. (2020). A new assessment model. Accid Anal Prev. 134:105336.
-Ayush K, Uzkent B, Meng C, et al. (2021). Geography-aware self-supervised learning. IEEE ICCV; 10181-10190.
-Biljecki F, Ito K. (2021). Street view imagery in urban analytics and GIS: A review. Landsc Urban Plan. 215:104217.
-Brownson RC, Hoehner CM, Day K, et al. (2009). Measuring the built environment for physical activity. Am J Prev Med. 36(4 Suppl):S99-S123.
-Carr LJ, Dunsiger SI, Marcus BH. (2010). Walk Score™ as a global estimate. Am J Prev Med. 39(5):460-463.
-Chen LC, Zhu Y, Papandreou G, et al. (2018). Encoder-decoder with atrous separable convolution. ECCV, 801-818.
-Chen T, Kornblith S, Norouzi M, Hinton G. A (2020). simple framework for contrastive learning. ICML, 1597-1607.
-Day K, Boarnet M, Alfonzo M, Forsyth A. (2006). The Irvine-Minnesota inventory. Am J Prev Med. 30(2):144-152.
-Ewing R, Cervero R. (2010). Travel and the built environment: A meta-analysis. J Am Plann Assoc. 76(3):265-294.
-Harvey C, Aultman-Hall L. (2016). Measuring urban streetscapes for livability. Prof Geogr. 68(1):149-158.
 -He K, Fan H, Wu Y, et al. (2020). Momentum contrast for unsupervised visual representation learning. IEEE CVPR, 9729-9738.
-Ibrahim MR, Haworth J, Cheng T. (2020). Understanding cities with machine eyes. Cities. 96:102481.
-Koo B, Guhathakurta S, Botchwey N. (2022). Development and validation of a street-level pedestrian safety index. J Transp Geogr. 99:103300.
-Koo TK, Li MY. (2016). A guideline of selecting and reporting intraclass correlation coefficients. J Chiropr Med. 15(2):155-163.
-Li X, Ratti C, Seiferling I. (2018). Assessing street-level urban greenery. Urban For Urban Green. 34:52-59.
-Mooney SJ, DiMaggio CJ, Lovasi GS, et al. (2016). Use of Google Street View. Am J Public Health. 106(5):876-82.
-Naci H, Chisholm D, Baker TD. (2009). Distribution of road traffic deaths by road user group. Inj Prev. 15(1):55-9.
-Naik N, Philipoom J, Raskar R, Hidalgo C. (2014). Streetscore. IEEE CVPR Workshops, 779-786.
-Rundle AG, Bader MDM, Richards CA, et al. (2011). Using Google Street View to audit neighborhood environments. Am J Prev Med. 40(1):94-100.
-Sleet DA, Pollack Porter KM, Ewing R, et al. (2020). Transportation and Public Health. Elsevier.
-Stoker P, Garfinkel-Castro A, Khayesi M, et al. (2015). Pedestrian safety and the built environment. J Transp Land Use. 8(2):81-105.
-World Health Organization (2018). Global status report on road safety Geneva.
-Zhao H, Shi J, Qi X, et al. (2017). Pyramid scene parsing network. IEEE CVPR, 2881-2890.
-Zuniga-Teran AA, Orr BJ, Gimblett RH, et al. (2017). Designing healthy communities. Front Archit Res. 6(1):63-73.