การตรวจจับการสวมหมวกนิรภัยของผู้ขับขี่รถจักรยานยนต์ภายในพื้นที่โรงพยาบาลศิริราช ด้วยวิธีการเรียนรู้เชิงลึก

Abstract

Siriraj Hospital has a large number of patients, who use motorcycles without helmets, leading to serious injuries when accidents occur. To address this issue, the hospital implemented a policy in 2020 requiring everyone at Siriraj Faculty of Medicine to wear a helmet. However, visual inspection by staff has limitations and is prone to errors, making it difficult to enforce the policy. This research presents a system for detecting helmet use by riders and passengers within Siriraj Hospital. The system uses the YOLOv8 deep learning model for object detection, trained on a custom dataset collected from CCTV cameras. This approach outperforms manual observation and achieves high accuracy, with a precision of 0.868, recall of 0.790, mAP50 of 0.859, and F1-Score of 0.827 for YOLOv8l and a precision of 0.842, recall of 0.811, mAP50 of 0.858, and F1-Score of 0.826 for YOLOv8x The system has the potential to improve helmet compliance and reduce motorcycle-related injuries at Siriraj Hospital.

ปัจจุบันการสัญจรภายในพื้นที่โรงพยาบาลศิริราชด้วยรถจักรยานยนต์ ยังคงพบการไม่สวมใส่หมวกนิรภัย ซึ่งอาจจะนำมาสู่การบาดเจ็บรุนแรงบริเวณศรีษะของผู้ขับขี่และผู้ซ้อนในกรณีที่เกิดอุบัติเหตุ ในอดีตการตรวจจับการสวมใส่หมวกนิรภัยนั้นจะทำด้วยวิธีการสังเกตการณ์ด้วยตัวบุคคล (Manual system) ทำให้เกิดความผิดพลาดขึ้นได้ (Human error) อันเนื่องมาจากสายตาและสมองของมนุษย์มีข้อจำกัดในการมองเห็นและการจดจำ ความผิดพลาดของการตรวจจับจะส่งผลให้ไม่เป็นไปตามนโยบายเรื่องกำหนดมาตรการให้คณะแพทยศาสตร์ศิริราชพยาบาล เป็นเขตสวมหมวกนิรภัย พ.ศ. 2563 งานนี้วิจัยนี้จึงได้นำเสนอการตรวจจับการสวมใส่หมวกนิรภัยของผู้ขับขี่และผู้นั่งซ้อนท้ายที่สัญจรภายในโรงพยาบาลศิริราช ด้วยการเรียนรู้จากชุดข้อมูลที่เก็บรวบรวมจากกล้องวงจรปิด (Custom data) ร่วมกับโมเดลการเรียนรู้เชิงลึก YOLOv8 ซึ่งเป็นโมเดลที่ใช้สำหรับงานตรวจจับวัตถุ (Objective Detection) เพื่อมาทดแทนวิธีการสังเกตการณ์ด้วยตัวบุคคล ทำให้ได้ผลลัพธ์คือโมเดล YOLOv8l และ YOLOv8x มีประสิทธิภาพสูงที่สุดจากทุกโมเดลโดย YOLOv8l มีค่าเฉลี่ยความแม่นยำ (Precision) อยู่ที่ 0.868, ค่าเฉลี่ยความถูกต้อง (Recall) อยู่ที่ 0.790, ค่าเฉลี่ย mAP50 อยู่ที่ 0.859 และค่าเฉลี่ย F1-Score อยู่ที่ 0.827 ส่วน YOLOv8x มีค่าเฉลี่ยความแม่นยำ (Precision) อยู่ที่ 0.842, ค่าเฉลี่ยความถูกต้อง (Recall) อยู่ที่ 0.811, ค่าเฉลี่ย mAP50 อยู่ที่ 0.858 และค่าเฉลี่ย F1-Score อยู่ที่ 0.826