VERS UNE INTERVENTION D'URGENCE EFFICACE : UNE APPROCHE MULTI-CAPTEURS POUR LA DÉTECTION DES ACCIDENTS
DOI :
https://doi.org/10.59277/RRST-EE.2026.3.16Mots-clés :
Détection automatique des accidents, Réseau de capteurs, Intervention d'urgence, Détection de la gravité des accidentsRésumé
L'émergence des technologies de capteurs et des dispositifs embarqués offre un potentiel considérable pour les systèmes autonomes de détection d'accidents, susceptibles d'améliorer la réactivité des secours et la sécurité routière. Cet article propose un système automatisé de détection d'accidents qui notifie rapidement au centre d'appels d'urgence la localisation et la gravité de l'accident. Cinq capteurs, dont un gyroscope, un détecteur de flamme infrarouge, un détecteur de bris de glace, un détecteur de fumée et un capteur de vibrations, sont intégrés à une carte basée sur un microcontrôleur STM32. Un algorithme à trois niveaux de gravité est proposé, fondé sur l'activation d'un ou plusieurs capteurs. Les secouristes peuvent ainsi prioriser leurs interventions en catégorisant les accidents selon leur gravité, ce qui optimise l'allocation des ressources. La méthode proposée présente un fort potentiel pour renforcer la sécurité routière et améliorer la réactivité des secours en cas d'accident de la route.
Références
(1) ***World Health Organization, “8th UN Global Road Safety Week,” World Health Organization (2025).
(2) K.S.K. Veni, J.C.S. Thomas, J.P.P. Paul, J. Joyce, “IoT-based voltage control in smart grid with feed-forward control in automatic voltage regulator,” Rev. Roum. Sci. Techn. – Électrotech. et Énerg., 70, 1, pp. 75–80 (2025).
(3) D. Belega, D. Petri, “Real-valued damped sinusoid parameter estimation using a three-point interpolated discrete Fourier transform algorithm,” Rev. Roum. Sci. Techn. – Électrotech. et Énerg., 69, 4, pp. 373–376 (2024).
(4) D. Chouaibi, W. Chagra, “A new hybrid optimization method used in predictive control of a nonlinear fractional model based on fractional Hammerstein structure,” Rev. Roum. Sci. Techn. – Électrotech. et Énerg., 69, 4, pp. 437–448 (2024).
(5) M.S.K. Niya, “The effects of hybrid sliding mode learning control and feedforward angle droop controller with high droop gain in hybrid microgrid with load uncertainty and nonlinearity,” Rev. Roum. Sci. Techn. – Électrotech. et Énerg., 69, 3, pp. 277–282 (2024).
(6) A. Appathurai, A.S.I. Tinu, M. Narayanaperumal, “MEG and PET images-based brain tumor detection using Kapur’s Otsu segmentation and Sooty optimized MobileNet classification,” Rev. Roum. Sci. Techn. – Électrotech. et Énerg., 69, 3, pp. 359–364 (2024).
(7) S. Gatade, S.V. Kulkarni, S.N., “Automated vehicle accident detection and healthcare unit alerting using IoT,” Proc. IEEE 2nd Mysore Sub Section International Conference (MysuruCon), pp. 1–5 (2022).
(8) N. Pathik, R.K. Gupta, Y. Sahu, A. Sharma, M. Masud, M. Baz, “AI-enabled accident detection and alert system using IoT and deep learning for smart cities,” Sustainability, 14, 13, pp. 7701–7710 (2022).
(9) G.D. Krishnamoorthy, K. Balasubramanian, S. Chinnusamy, “Design of an IoT-based autonomous vehicle accident detection and rescue system,” AIP Conf. Proc., 2581, 1, pp. 1–10 (2023).
(10) S. Kayser, M. Siam, K. Sumaiya, R. Al-Amin, T. Turjo, A. Islam, A.H.M.A. Rahim, M.R. Hasan, “Real-time accident detection and physiological signal monitoring to enhance motorbike safety and emergency response,” arXiv preprint, pp. 1–10 (2024).
(11) A. More, M. Mahajan, H. Gholap, “AI and IoT-based road accident detection and reporting system,” Int. J. Res. Appl. Sci. Eng. Technol., 11, 13, pp. 1–10 (2023).
(12) R. Thommandru, B. Swaroopa Ran, “IoT-based automatic vehicle accident detection and rescue system,” Int. J. Mod. Trends Sci. Technol., 10, 3, pp. 94–99 (2024).
(13) S. Pujari, “Accident alerting system using GPS and GSM,” Int. J. Res. Appl. Sci. Eng. Technol., 12, 3, pp. 1055–1058 (2024).
(14) G.A.E. Satish Kumar, J. Swetha Priyanka, A.S. Deepthi, “Vehicle accident and alcohol detection system using IoT platform,” Indian J. Sci. Technol., 15, 39, pp. 2004–2010 (2022).
(15) J. Arthanareeswaran, B. Karunanidhi, S. Muruganantham, A. Dhamodharan, S.K.C. Swarnamma, “Automatic vehicle accident indication and reporting system for roadways using Internet of Things,” Int. J. Saf. Secur. Eng., 11, 3, pp. 269–277 (2021).
(16) Y. Chavan, S. Shelar, V. Bharambe, “Integrating IoT and GNSS for advanced accident detection and road safety enhancement,” Res. Rev. J. Space Sci. Technol., 14, 1, pp. 1–10 (2025).
(17) R. Javed, T. Mazhar, M. Aoun, T. Shahzad, H.A. Al-AlShaikh, Y.Y. Ghadi, A.K.J. Saudagar, M.A. Khan, “Deep learning and IoT-enabled accident detection and reporting for smart cities domain,” KSII Trans. Internet Inf. Syst., 19, 4, pp. 1140–1166 (2025).
(18) I. Song, J. Lee, “Real-time traffic accident anticipation with feature reuse,” arXiv preprint, arXiv:2505.17449 (2025).
(19) Z. Xi, X. Liu, Y. Liu, Y. Cai, Y. Zheng, “Integrating generative adversarial networks and convolutional neural networks for enhanced traffic accident detection and analysis,” arXiv preprint, arXiv:2506.16186 (2025).
(20) V.A. Adewopo, N. Elsayed, “Smart city transportation: deep learning ensemble approach for traffic accident detection,” IEEE Access, 12, pp. 59134–59147 (2024).
(21) V.S. Saravanarajan, R.C. Chen, C. Dewi, et al., “Car crash detection using ensemble deep learning,” Multimedia Tools Appl., 83, pp. 36719–36737 (2024).
(22) S. Banerjee, M.K. Mondal, M. Roy, W.S. Alnumay, U. Biswas, “A deep learning-based car accident detection framework using edge and cloud computing,” IEEE Access, 12, pp. 130107–130115 (2024).
(23) G.C. Seriţan et al., "Comparison study of top development boards in the context of IoT", Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 67, 4, pp. 483–486 (2022).
Téléchargements
Publiée
Numéro
Rubrique
Licence
(c) Copyright REVUE ROUMAINE DES SCIENCES TECHNIQUES — SÉRIE ÉLECTROTECHNIQUE ET ÉNERGÉTIQUE 2026
Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
