Verbesserte Methode zur Annotation von Chunked-Bildern für Elektrofahrräder in komplexen Aufzugsszenarien basierend auf lokalen Merkmalen

Jixing Yan; Allam Maalla; Zehong Hong; Zhiqiang Huang; Jiali Zhang

doi:10.3791/69226

Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Methodenartikel

Verbesserte Methode zur Annotation von Chunked-Bildern für Elektrofahrräder in komplexen Aufzugsszenarien basierend auf lokalen Merkmalen

216 Ansichten

⸱

DOI:

10.3791/69226

⸱

17. März 2026

Jixing Yan¹ , Allam Maalla¹ , Zehong Hong¹ , Zhiqiang Huang¹ , Jiali Zhang²

¹School of Engineering, Guangzhou College of Technology and Business, ²Guangdong Polytechnic of Water Resources and Electric Engineering

In diesem Artikel

Zusammenfassung

Eine auf lokalen Merkmalen basierende Methode zur Blockbildannotation wird vorgestellt, um die Erkennung von Elektrofahrrädern in komplexen Aufzugsszenarien mithilfe des EBike-DET-Datensatzes und gängiger Objekterkennungsmodelle zu verbessern.

Zusammenfassung

Der zunehmende Einsatz von Elektrofahrrädern (EBikes) in beengten Umgebungen wie Wohnaufzügen hat ernsthafte Sicherheitsbedenken aufgeworfen und erhebliche Herausforderungen für die automatisierte Objekterkennung mit sich gebracht, insbesondere aufgrund häufiger Verstopfungen. Traditionelle Detektionsmethoden, die hauptsächlich auf ganzheitlichen Annotationen basieren, erkennen teilweise verdeckte EBikes in visuell komplexen Szenen oft nicht genau. Um diese Einschränkungen zu überwinden, schlägt diese Studie eine neuartige Methode der gebrochenen Annotation auf Basis lokaler Merkmale vor und bietet eine interpretierbarere Annotationsstrategie. Durch die Zerlegung eines EBike in mehrere Schlüsselbereiche zur unabhängigen Markierung ermöglicht die vorgeschlagene Methode den Detektionsmodellen, feinkörnige strukturelle Informationen zu erlernen und so die Robustheit unter okklusionslastigen Bedingungen zu verbessern. Zusätzlich wurde ein spezieller Datensatz, EBike-DET, entwickelt, um Erkennungsaufgaben in realistischen Aufzugsszenarien zu unterstützen. Annotiert mit dem Chunked-Ansatz und ergänzt durch simulierte Umweltbedingungen, verbessert der Datensatz sowohl die Modellleistung als auch die Anpassungsfähigkeit. Die vorgeschlagene Methode fördert die Entwicklung erklärbarer künstlicher Intelligenz (XAI), indem sie die Objekterkennung transparenter und strukturell interpretierbarer macht, was besonders in sicherheitskritischen Anwendungen wertvoll ist. Umfangreiche Experimente werden mit drei Hauptmodellen durchgeführt (YOLOv5, YOLOv10 und SSD). Die Ergebnisse zeigen, dass YOLOv5, wenn es auf EBike-DET mit gebrochenen Annotationen trainiert wird, Verbesserungen von 3,7 % in der Präzision, 5,3 % im Recall, 4,5 % im F1-Score und 4,4 % im mAP erzielt. Im Vergleich zu öffentlichen Datensätzen zeigt EBike-DET eine größere Stabilität und Robustheit unter Okklusion. Diese Studie verbessert nicht nur die Erkennungsgenauigkeit, sondern bietet auch einen Schritt hin zu interpretierbareren und erklärbareren KI-Lösungen für den Einsatz in realen Sicherheitsüberwachungssystemen.

Einleitung

Mit der rasanten Verbreitung von Elektrofahrrädern (EBikes) weltweit, insbesondere in China, wo die Gesamtzahl bis 2022 über 350 Millionen Einheiten lag, sind EBikes zu einem dominierenden Mittel für Kurzstreckenverkehr geworden. Ihr häufiger Einsatz in beengten Räumen wie Wohnaufzügen birgt jedoch ernsthafte Sicherheitsrisiken, darunter abnormale Vibrationen, Geräteschäden, unangenehme Gerüche und Brandgefahren. Eine aktuelle Studie schätzt, dass EBike-bedingte Brandvorfälle mit einer Wahrscheinlichkeit von etwa 1,44 ^{% auftreten}. Diese Risiken verdeutlichen den dringenden Bedarf an effizienten und präzisen EBi....