RADS-Tech/RADS

# 🚨 RADS - 路边事故检测系统 [](https://www.python.org/downloads/) [](https://github.com/ultralytics/ultralytics) [](https://www.php.net/) [](LICENSE) **基于 AI 驱动的 YOLOv8 实时事故检测及自动化短信报警系统** RADS 是一个端到端的事故检测系统，结合了深度学习 (YOLOv8n)、多规则分析和基于 Web 的监控平台，可自动检测视频片段中的交通事故，并通过 SMS 立即向有关部门报警。 ## ✨ 功能特性 ### ⚡ 核心能力 - **YOLOv8n 微调**: 基于 6,424 帧标注图像（4 种车辆类别：汽车、自行车、公交车、卡车）进行定制化模型训练 - **5 规则事故检测系统**: 结合速度下降、IoU 重叠、面积变化、异常停车和轨迹偏移的多启发式方法 - **Web 仪表盘**: 为操作员提供实时监控界面，支持视频上传与分析 - **自动化 SMS 报警**: 集成 Fast2SMS 实现即时紧急通知 - **置信度评分**: 设置 65% 阈值并进行时间平滑处理，以最大限度地减少误报 ### 🛡️ 优化 - **处理速度**: 3 fps 采样结合模型融合（比基线快 40-50%） - **减少误报**: 严格的阈值、4 帧时间持续性以及需要触发 3 条以上的多规则 - **时间平滑**: 跨多帧的持续事件检测 ## 🏗️ 系统架构 ``` ┌─────────────────────────────────────────────────────────────┐ │ PRESENTATION LAYER │ │ (HTML/CSS/JS Dashboard - User Interface) │ └──────────────────────┬──────────────────────────────────────┘ │ ┌──────────────────────▼──────────────────────────────────────┐ │ APPLICATION LAYER │ │ (PHP Backend - Auth, Upload, Analysis Trigger) │ └──────────────────────┬──────────────────────────────────────┘ │ ┌──────────────────────▼──────────────────────────────────────┐ │ AI DETECTION ENGINE │ │ (Python + YOLOv8n + 5-Rule System + BoT-SORT Tracker) │ └──────────────────────┬──────────────────────────────────────┘ │ ┌──────────────────────▼──────────────────────────────────────┐ │ DATA LAYER │ │ (MySQL - operators, detection_logs, alert_logs) │ └─────────────────────────────────────────────────────────────┘ │ ┌──────────────────────▼──────────────────────────────────────┐ │ EXTERNAL SERVICES │ │ (Fast2SMS API - SMS Gateway) │ └─────────────────────────────────────────────────────────────┘ ``` ## 🎬 演示 ### 🔐 登录界面  ### 📊 仪表盘界面  ### 🔄 事故检测处理  ### 🎯 检测结果  ### 🚨 事故警报（系统生成）  ### 📢 已通知有关部门  ### 📩 短信警报（实际消息）  ## 📖 使用说明 ### 启动系统 1. **启动 XAMPP 服务** - 打开 XAMPP 控制面板 - 启动 Apache 和 MySQL 2. **访问仪表盘** http://localhost/RADS/roadside_accident_website/ 3. **注册操作员账户** - 点击 "Register" - 填写详细信息（位置信息将嵌入到 SMS 警报中） - 使用凭据登录 4. **上传并分析视频** - 点击 "Import New Video" 或将视频拖拽至上传区域 - 支持的格式：MP4, AVI, MOV, MKV - 等待分析（通常 30 秒的视频需要 20-30 秒处理时间） 5. **处理检测结果** - 如果检测到事故：点击 "YES — Alert Authorities" 发送 SMS - 如果是误报：点击 "NO — False Alarm" 取消 ## 🧠 工作原理 ### 1. 车辆检测 - **YOLOv8n** 检测每一帧中的车辆 - **BoT-SORT 跟踪器** 在帧间分配一致的 ID - 以 **3 fps** 处理，以达到最佳的速度/精度平衡 ### 2. 5 规则事故检测 每条规则独立评估事故发生的可能性： | 规则 | 描述 | 权重 | 阈值 | |------|-------------|--------|-----------| | **速度下降** | 速度降至滚动平均值的 60% 以下 | 35% | 60% 减速 | | **IoU 重叠** | 边界框重叠连续 3 帧大于 0.18 | 30% | 0.18 IoU | | **面积变化** | 边界框面积连续 3 帧变化超过 50% | 10% | 50% 变化 | | **异常停车** | 从快速（大于 25 像素/帧）到停止（小于 2.5 像素/帧） | 20% | 在 8 帧内 | | **轨迹偏移** | 方向变化大于 125° | 5% | 125° 角度 | ### 3. 置信度计算 ``` frame_score = weighted_sum(rule_scores) # 多规则奖励：如果 3+ 规则同时触发，提升 20% if num_rules_triggered >= 3: frame_score *= 1.20 # Temporal smoothing：仅将持续 >0.35 的峰值计入 4+ 帧 final_confidence = 0.65 * sustained_peak + 0.35 * mean_high_frames # Classification accident = (final_confidence >= 0.65) ``` ### 4. 警报工作流 ``` Accident Detected → Operator Confirmation → SMS via Fast2SMS → Database Log ``` ## ⚙️ 配置 ### 检测参数 编辑 `roadside_accident_website/detect.py`： ``` # Confidence thresholds CONF_THRESHOLD = 0.35 # YOLO detection confidence ACCIDENT_THRESHOLD = 0.65 # Final accident classification # Rule thresholds DECEL_RATIO_THRESH = 0.60 # Velocity drop ratio IOU_THRESH = 0.18 # Bounding box overlap AREA_CHANGE_THRESH = 0.50 # Area change percentage # Temporal parameters TEMPORAL_PERSIST = 4 # Frames to sustain event IOU_MIN_FRAMES = 3 # IoU persistence frames ``` ### 短信消息格式 编辑 `roadside_accident_website/php/send_alert.php`： ``` $message = "ACCIDENT ALERT! Location: {$location}. " . "Operator: {$operator}. Confidence: {$confidence}%. " . "Respond immediately."; ``` ## 📊 结果 ### 训练性能 | 指标 | 值 | |--------|-------| | **mAP50** | 81.2% | | **Precision** | 73.0% | | **Recall** | 73.0% | | **Training Epochs** | 50 (早停) | | **数据集大小** | 6,424 张训练图像 + 1,606 张验证图像 | ### 各类别性能 | 类别 | Precision | Recall | mAP50 | |-------|-----------|--------|-------| | 汽车 | 0.78 | 0.74 | 0.83 | | 摩托车 | 0.69 | 0.70 | 0.78 | | 公交车 | 0.74 | 0.72 | 0.81 | | 卡车 | 0.71 | 0.73 | 0.82 | ### 处理速度 - **30 秒视频**: 约 20-30 秒处理时间 - **采样率**: 3 fps（从 30 秒视频中提取 90 帧） - **GPU**: NVIDIA GTX 1660 Super (6GB VRAM) ## 📁 项目结构 ``` RADS/ ├── roadside_accident_website/ # Main web application │ ├── php/ │ │ ├── register.php # User registration │ │ ├── login.php # Authentication │ │ ├── analyze.php # Python script caller │ │ └── send_alert.php # SMS dispatch │ ├── model/ │ │ ├── best.pt (not included) # YOLOv8 trained weights │ │ └── detect.py # Accident detection script │ ├── dashboard.php # Operator interface │ ├── database_setup.sql # MySQL schema │ └── index.html # Landing page │ ├── training/ │ ├── train.py # YOLOv8 training script │ ├── data.yaml # Dataset configuration │ └── datasets/ │ ├── train/ # Training images │ └── val/ # Validation images │ ├── docs/ │ ├── RADS_Project_Report.pdf (pending upload) # Signed version will be added │ ├── RADS_Presentation.pdf # Project presentation │ └── images/ # Documentation images │ ├── requirements.txt # Python dependencies ├── README.md # This file └── LICENSE # MIT License ``` ## 🛠️ 使用的技术 ### AI/ML 技术栈 - **YOLOv8n** (Ultralytics) - 目标检测 - **PyTorch 2.7.1** - 深度学习框架 - **OpenCV** - 视频处理 - **NumPy** - 数值计算 - **BoT-SORT** - 多目标跟踪 ### Web 技术栈 - **PHP 8.0+** - 后端逻辑 - **MySQL** - 数据库 - **HTML5/CSS3/JavaScript** - 前端 - **XAMPP** - 本地开发服务器 ### 外部服务 - **Fast2SMS** - 短信网关 API ### 开发工具 - **Python 3.8+** - **CUDA 12.4** - GPU 加速 - **Git** - 版本控制 ## 🔮 未来增强计划 ### 计划功能 1. **实时 RTSP 流集成** - 对 CCTV 视频源进行实时处理，而非上传视频 - 支持 WebRTC 进行基于浏览器的流媒体传输 2. **专用事故分类器** - 专门针对事故片段训练的二元 CNN 模型 - 比基于规则的方法具有更高的准确性 3. **多摄像头仪表盘** - 同时监控多个位置 - 带有优先级队列的统一警报面板 4. **严重程度分类** - 将事故分类为轻微/中度/严重 - 根据严重程度优先处理响应 5. **边缘部署** - 部署在 NVIDIA Jetson 上进行现场处理 - 降低延迟和带宽需求 6. **移动应用** - 面向操作员的 iOS/Android 应用程序 - 推送通知代替 SMS ## 📄 许可证 本项目基于 **MIT License** 授权 - 详情请参见 [LICENSE](LICENSE) 文件。 ## 🙏 致谢 - **Ultralytics** 提供的 YOLOv8 框架 - **Fast2SMS** 提供的 SMS API 服务 - **OpenCV** 社区提供的计算机视觉工具 - 学术导师和审稿人的指导 ## 📞 联系方式 **项目负责人**: * Arnab Majhi * Bodhiswatwa Chowdhury **组织**: https://github.com/RADS-Tech **GitHub 主页**: * https://github.com/ArnabARDJ * https://github.com/DecodeTatai **项目链接**: https://github.com/RADS-Tech/RADS ## 📈 项目状态 **当前版本**: 1.0.0 **状态**: 稳定版 **最后更新**: 2026 年 3 月 ### 路线图 - [x] YOLOv8 微调 - [x] 5 规则检测系统 - [x] Web 仪表盘 - [x] SMS 报警 - [x] 性能优化 - [ ] 实时 RTSP 流传输 - [ ] 移动应用 - [ ] 严重程度分类 - [ ] 边缘部署

标签：Fast2SMS, ffuf, OpenVAS, PHP, Python, SMS报警, Ultralytics, Vectored Exception Handling, Web仪表盘, YOLOv8, 交通事故检测, 人工智能, 凭据扫描, 多规则算法, 应急响应系统, 异常检测, 数据可视化, 无后门, 智能交通系统, 机器视觉, 模型微调, 深度学习, 用户模式Hook绕过, 目标检测, 视频分析, 计算机视觉, 车辆识别, 逆向工具, 道路安全