目前，我国电动自行车保有量已超过3.5亿辆。有限的充电场所难以满足日益增长的充电需求。许多人选择将电动车通过电梯带进家中充电。因此，火灾事故时有发生。数据显示，与电动车有关的起火事故占火灾总比35%。电梯空间狭小密闭，电动车一旦起火，将对人身安全带来巨大威胁。电梯内一般安装有监控摄像头，而通过人工巡检的方式费时费力，容易造成漏检。因此，许多企业开发了基于人工智能视觉分析的电动车进电梯识别系统。

电动车进电梯检测系统识别电动车入楼行为_召回率

在实际应用中，大部分电动车进电梯识别系统存在大量误报或漏报。因此，如何梯轿厢电动车识别的准确率是面临的一大难点。

难点解析

目前，电动车进电梯识别算法核心问题为召回率与准确率不足。AI视觉识别难点主要分为以下三个方面。


1、电动车进电梯后空间受限且目标遮挡


受到电梯空间、摄像头安装角度、人员密集等条件影响，电动车进电梯后目标被部分或严重遮挡，只有少部分数据可供神经网络学习。由于遮挡数据的多样性与复杂性，模型只能学习到局部特征，容易造成过拟合，从而引发漏报或误报问题。

电动车进电梯检测系统识别电动车入楼行为_过拟合_02


2、电动车外观形态差异多样


不同品牌型号电动车外观差异多样，如自行车式电动车、电摩。不同电动车装载配饰多样，如带挡风。多样化的外观与配饰差异使模型难以提取共性特征，给模型检测带来了困难。

电动车进电梯检测系统识别电动车入楼行为_数据_03

3、相似目标较难区分


电梯内目标复杂，存在多种与电动车相似物体，比如滑板车，自行车部分特征与电动车相似。由于遮挡问题训练处的过拟合模型，很容易将这些相似目标误报为电动车，导致电动车进电梯识别的不准确。

# 训练集和验证集的 labels 和 image 文件的位置
train: ./score/images/train
val: ./score/images/val

# number of classes
nc: 3

# class names
names: ['person', 'head', 'helmet']
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.


解决方案

为了解决电动车进电梯识别中出现的遮挡、形态多样、相似目标引起的模型漏报与误报问题。本方案采取了数据与模型增强方式，提升模型性能与泛化能力。


1、数据增强


（1）Random Erasing

# 训练集和验证集的 labels 和 image 文件的位置
train: ./score/images/train
val: ./score/images/val

# number of classes
nc: 3

# class names
names: ['person', 'head', 'helmet']
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.

采用Random Erasing数据增强方式，模拟目标被遮挡问题，获取多样性遮挡目标，使模型更加关注区分性特征。具体方法如下。


随机选图：首先设定图像被选中的概率pt，如果随机概率p>pt，则该图像需进行随机擦除

随机区域：在整幅图像中随机选择1个点pi，设置随机擦除的面积s以及目标宽高比t

随机像素：在随机擦除的位置，给每个像素随机赋值[0,255]


电动车进电梯检测系统识别电动车入楼行为_召回率_04

（2）CutMix


由于随机擦除的方式让网络接收的有效信息变少，能不能在擦除的同时，用别的特征补上？采用CutMix对电瓶车目标图像随机位置用新图遮盖。图像的特征为两图像的混合，图像的标签为两图像的one-hot编码的加权。这样做的目的：使网络更加关注被检目标的区分性特征，同时学习遮盖图像的有效特征。具体方法如下：

电动车进电梯检测系统识别电动车入楼行为_过拟合_05

参数设置：设置电瓶车目标图像与遮盖图像的融合率lamda

随机选图：选取遮盖图像，并根据随机区域进行裁剪

随机区域：随机裁剪区域为(rx,ry,rw,rh)，这四个值按照公式（2）计算

两图融合：将裁剪出的遮盖图像RegionB覆盖至图像A，在A中的位置与在B中的位置相同，标签为两one-hot标签的加权融合值