事故严重性快速准确的分类在增强应急响应机制、优化资源分配和改善道路安全结果方面发挥着至关重要的作用。在本文中，我们提出了一种基于深度学习的事故分类系统，旨在使用图像数据自动评估和分类事故严重性。我们的系统利用了一个自定义卷积神经网络（CNN）架构，由多个卷积层和池化层组成，并结合批量归一化以增强特征提取和模型稳定性。该模型在一个结构化的道路事故图像数据集上进行了训练和验证，该数据集分为多个严重性类别，采用了一套优化良好的训练流程，包括数据增强、缓存和预取策略，以提高性能。我们使用将数据集划分为训练集、验证集和测试集进行严格实验，最终实现了超过90%的整体分类准确率。所提出的模型架构在不同事故类型和光照条件下展示了稳健的性能，显示了其普遍性和可靠性。与传统方法的比较分析突出了自动化在减少人为偏见和加速事件评估方面的好处。此外，研究还探讨了该系统在现实场景中的实际应用，如实时交通监控、自动紧急调度系统和保险索赔评估平台。本文还概述了部署考虑事项，包括模型序列化、为最佳性能而进行的检查点和训练统计的可视化，以便持续改进。尽管结果令人鼓舞，但该系统在极端天气场景或高度遮挡的场景下面临挑战，我们将其作为未来工作的路线图的一部分来解决。这项研究通过展示计算机视觉和深度学习在事故严重性评估中的潜力，为智能交通系统和公共安全领域做出了重要贡献。
Pathak等人（Sat，）研究了这个问题。