Method Article

Metodo migliorato di annotazione delle immagini a blocchi per biciclette elettriche in scenari complessi con ascensori basato su caratteristiche locali

DOI:

10.3791/69226

⸱

March 17th, 2026

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

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Viene presentato un metodo di annotazione a blocchi basato su caratteristiche locali per migliorare la rilevazione delle biciclette elettriche in scenari complessi di ascensori utilizzando il dataset EBike-DET e i modelli di rilevamento degli oggetti mainstream.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

L'uso crescente delle biciclette elettriche (EBikes) in ambienti ristretti come gli ascensori residenziali ha sollevato serie preoccupazioni per la sicurezza e ha introdotto notevoli sfide per il rilevamento automatico degli oggetti, in particolare a causa delle frequenti occlusioni. Gli approcci tradizionali di rilevamento, che si basano principalmente su annotazioni olistiche, spesso non riescono a riconoscere con precisione le EBik parzialmente occlute in scene visivamente complesse. Per superare queste limitazioni, questo studio propone un nuovo metodo di annotazione a blocchi basato su caratteristiche locali, offrendo una strategia di annotazione più interpretabile. Scomponendo un EBike in più regioni chiave per l'etichettatura indipendente, il metodo proposto consente ai modelli di rilevamento di apprendere informazioni strutturali a grana fine, migliorando così la robustezza in condizioni con forte occlusione. Inoltre, è stato sviluppato un dataset dedicato, EBike-DET, per supportare compiti di rilevamento in scenari realistici di ascensore. Annotato utilizzando l'approccio a blocchi e arricchito con condizioni ambientali simulate, il dataset migliora sia le prestazioni del modello sia l'adattabilità. Il metodo proposto promuove lo sviluppo di intelligenza artificiale spiegabile (XAI) rendendo il rilevamento degli oggetti più trasparente e strutturalmente interpretabile, il che è particolarmente prezioso in applicazioni critiche per la sicurezza. Sono stati condotti esperimenti estesi utilizzando tre modelli principali (YOLOv5, YOLOv10 e SSD). I risultati mostrano che YOLOv5, quando addestrata su EBike-DET con annotazioni a blocchi, ottiene miglioramenti del 3,7% nella precisione, 5,3% nel richiamo, 4,5% nel punteggio F1 e 4,4% in mAP. Rispetto ai dataset pubblici, EBike-DET dimostra maggiore stabilità e robustezza sotto occlusione. Questo studio non solo migliora la precisione del rilevamento, ma offre anche un passo verso soluzioni di IA più interpretabili e spiegabili per l'impiego nei sistemi reali di monitoraggio della sicurezza.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Con la rapida proliferazione delle biciclette elettriche (EBikes) a livello mondiale, in particolare in Cina, dove il totale ha superato i 350 milioni di unità entro il 2022, EBikes è diventata una modalità dominante di trasporto a breve distanza. Tuttavia, il loro uso frequente in spazi ristretti come gli ascensori residenziali introduce gravi rischi per la sicurezza, tra cui vibrazioni anomale, danni alle apparecchiature, odori sgradevoli e rischi di incendio. Uno studio recente stima che gli incendi legati a EBike si verifichino con una probabilità di circa l'1,44%. Questi rischi evidenziano l'urgente necess....

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Il dataset EBike-DET utilizzato in questo studio consiste in immagini raccolte dagli autori tramite fotografie in loco in ambienti di ascensori, parcheggi e strade, oltre a immagini EBike pubblicamente disponibili ottenute da piattaforme web. Tutta la raccolta delle immagini in loco è stata condotta in ambienti non privati esclusivamente per la ricerca tecnica legata alla sicurezza sulla rilevazione EBike. Le immagini non mirano intenzionalmente agli individui, e qualsiasi persona catturata accidentalmente è non identificabile a causa di distanza, occlusione, viste da schienale o un'elaborazione appropriata che rimuove tratti facciali....

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Confronto tra annotazione olistica e annotazione a pezzi su dataset pubblico

La valutazione è stata condotta su un dataset pubblico comprendente 210 immagini EBike raccolte da scene di sorveglianza aperta e monitoraggio del traffico, con condizioni di illuminazione diverse, colori EBike e diversi gradi di occlusione. Ogni immagine veniva annotata utilizzando sia il metodo olistico (singola scatola delimitante) sia il metodo a blocchi proposto .......

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Passaggi critici

Un passaggio fondamentale in questo protocollo è il metodo di annotazione a pezzi basato su caratteristiche locali, dove gli EBikes sono suddivisi in aree ruota, anteriore e posteriore. Questa divisione garantisce che i modelli di rilevamento possano apprendere rappresentazioni a grana fine, che si sono rivelate essenziali in ambienti di elevatori con forte occlusione. Ad esempio, YOLOv5 addestrato con annotazioni a blocchi s.......

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Gli autori non hanno conflitti di interesse.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questo lavoro è stato supportato dal Fondo di Pianificazione della Ricerca nelle Discipline Umanistiche e Sociali 2025 del Ministero dell'Istruzione della Cina (Grant n.25YJAZH002), dal progetto di potenziamento della capacità di ricerca della Disciplina Chiave della Provincia del Guangdong 2024 (Grant No.2024ZDJS086), dal Programma Provinciale di Formazione Universitaria in Innovazione e Imprenditorialità del Guangdong nel 2024 (Grant No.S202413714017) e dal Programma Employment-Education Connection del Ministero dell'Istruzione: "Innovazione e Pratica del Meccanismo di Coltivazione del Talento per Studenti di Applicazioni Informati....

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
h5py (SSD)Gruppo HDF2.10.0
matplotlib (SSD)Comunità Matplotlib3.1.2
matplotlib (YOLOv10)Comunità Matplotlib3.9.0
matplotlib (YOLOv5)Comunità Matplotlib3.8.4
matplotlib (YOLOv5+SAHI)Comunità Matplotlib3.8.4
matplotlib (YOLOv8-Seg)Comunità Matplotlib3.9.0
numpy (SSD)Comunità NumPy1.17.0
numpy (YOLOv10)Comunità NumPy1.26.3
numpy (YOLOv5)Comunità NumPy1.26.4
numpy (YOLOv5+SAHI)Comunità NumPy1.26.4
numpy (YOLOv8-Seg)Comunità NumPy1.26.3
onnx (YOLOv10)ONNX1.14.0
onnx (YOLOv5)ONNX1.14.0
onnx (YOLOv5+SAHI)ONNX1.14.0
onnxruntime (YOLOv10)Microsoft1.15.1
onnxruntime (YOLOv5)Microsoft1.15.1
onnxruntime (YOLOv5+SAHI)Microsoft1.15.1
opencv-python (SSD)OpenCV4.1.2.30
opencv-python (YOLOv10)OpenCV4.9.0.80
opencv-python (YOLOv5)OpenCV4.9.0.80
opencv-python (YOLOv5+SAHI)OpenCV4.9.0.80
opencv-python (YOLOv8-Seg)OpenCV4.9.0.80
Panda (YOLOv10)Comunità Pandas2.2.2
Pandas (YOLOv5)Comunità Pandas2.2.2
pandas (YOLOv5+SAHI)Comunità Pandas2.2.2
Pandas (YOLOv8-Seg)Comunità Pandas2.2.2
Cuscino (SSD)Sviluppatori di cuscini8.2.0
Cuscino (YOLOv10)Sviluppatori di cuscini10.2.0
Cuscino (YOLOv5)Sviluppatori di cuscini8.5.0
Cuscino (YOLOv5+SAHI)Sviluppatori di cuscini8.5.0
Cuscino (YOLOv8-Seg)Sviluppatori di cuscini10.2.0
psutil (YOLOv10)Sviluppatori Psutil5.9.8
psutil (YOLOv5)Sviluppatori Psutil5.9.8
psutil (YOLOv5+SAHI)Sviluppatori Psutil5.9.8
pycocotools (YOLOv10)Consorzio COCO2.0.7
pycocotools (YOLOv5)Consorzio COCO2.0.7
pycocotools (YOLOv5+SAHI)Consorzio COCO2.0.7
pycocotools (YOLOv8-Seg)Consorzio COCO2.0.7
py-cpuinfo (YOLOv10)Sviluppatori Py-CPUInfo9.0.0
py-cpuinfo (YOLOv5)Sviluppatori Py-CPUInfo9.0.0
py-cpuinfo (YOLOv5+SAHI)Sviluppatori Py-CPUInfo9.0.0
PyYAML (YOLOv10)PyYAML6.0.1
PyYAML (YOLOv5)PyYAML6.0.1
PyYAML (YOLOv5+SAHI)PyYAML6.0.1
PyYAML (YOLOv8-Seg)PyYAML6.0.1
richieste (SSD)Richieste Python2.27.1
richieste (YOLOv10)Richieste Python2.32.3
richieste (YOLOv5)Richieste Python2.31.0
richieste (YOLOv5+SAHI)Richieste Python2.31.0
SAHISviluppatori SAHI0.3.4+
scipy (SSD)Comunità SciPy1.2.1
scipy (YOLOv10)Comunità SciPy1.13.0
scipy (YOLOv5)Comunità SciPy1.13.0
scipy (YOLOv5+SAHI)Comunità SciPy1.13.0
scipy (YOLOv8-Seg)Comunità SciPy1.13.0
seaborn (YOLOv10)Sviluppatori Seaborn0.13.2
Seaborn (YOLOv5)Sviluppatori Seaborn0.13.2
seaborn (YOLOv5+SAHI)Sviluppatori Seaborn0.13.2
seaborn (YOLOv8-Seg)Sviluppatori Seaborn0.13.2
Formosa (YOLOv5+SAHI)Sviluppatori Shapey2.0.4
SSDCaffe/Autori Originali SSDPython 3.6.13+; PyTorch 1.2.0+; CUDA 10.0; CUDNN 7.4.1
Tensorboard (SSD)Google2.10.1
Tensorboard (YOLOv5)Google2.16.2
Tensorboard (YOLOv5+SAHI)Google2.16.2
Torchvision (SSD)PyTorch0.4.0
Torchvision (YOLOv10)PyTorch0.15.2
Torchvision (YOLOv5)PyTorch0.17.2
torchvision (YOLOv5+SAHI)PyTorch0.17.2
torchvision (YOLOv8-Seg)PyTorch0.16.1+
tqdm (SSD)Sviluppatori TQDM4.60.0
tqdm (YOLOv10)Sviluppatori TQDM4.66.4
tqdm (YOLOv5)Sviluppatori TQDM4.66.2
tqdm (YOLOv5+SAHI)Sviluppatori TQDM4.66.2
Ultralitica (YOLOv8-Seg)Ultralitica8.2.99+
YOLOv10YOLOv10 TeamPython 3.8.0+; PyTorch 2.0.1+cu118; CUDA 11.8; CUDNN 8.7
YOLOv5UltraliticaPython 3.8.0+; PyTorch 2.2.2+; CUDA 11.2; CUDNN 8.1.2
YOLOv5 + SAHIUltralytics + SAHI SviluppatoriPython 3.8.0+; PyTorch 2.2.2+; CUDA 11.2; CUDNN 8.1.2
YOLOv8-SegUltraliticaPython 3.8.0+; PyTorch 2.0.1+cu118; CUDA 11.8; CUDNN 8.6.0+

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Li, Y., Han, L., Ning, X., Xu, Y. Fire risk of electric bicycle based on fuzzy Bayesian network. J Phys Conf Ser. 1578 (1), 012153-012160 (2020).
  2. Cao, F., Sheng, G., Feng, Y. Detection dataset of electric bicycles for lift control. Alexandria Eng J. 105 (1), 736-742 (2024).
  3. Zhang, J., Mohd Yunos, Z., Haron, H.

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Chunked Image AnnotationLocal Feature DetectionElectric Bike DetectionElevator Object DetectionOcclusion RobustnessEBike DET DatasetExplainable AIStructural AnnotationYOLOv5 DetectionSafety Monitoring
Video Coming Soon

Related Articles