Method Article

지역 특징을 기반으로 한 복잡한 엘리베이터 시나리오에서 전기자전거용 개선된 청크 이미지 주석 방법

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

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

EBike-DET 데이터셋과 주류 객체 검출 모델을 사용하여 복잡한 엘리베이터 시나리오에서 전기 자전거 탐지를 향상시키기 위해 지역 특징을 기반으로 한 청크된 이미지 주석 방법을 제시합니다.

Abstract

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

주거용 엘리베이터와 같은 밀폐 환경에서 전기 자전거(EBikes)의 사용이 증가하면서 심각한 안전 문제가 제기되었고, 특히 잦은 장애물로 인해 자동화된 물체 감지에 상당한 도전이 제기되고 있습니다. 전통적인 탐지 방식은 주로 전체론적 주석에 의존하지만, 시각적으로 복잡한 장면에서 부분적으로 가려진 EBike를 정확히 인식하지 못하는 경우가 많습니다. 이러한 한계를 극복하기 위해 본 연구는 국소적 특징을 기반으로 한 새로운 청크 주석 기법을 제안하여 보다 해석 가능한 주석 전략을 제공합니다. EBike를 여러 주요 영역으로 분해하여 독립적으로 라벨링함으로써, 제안된 방법은 검출 모델이 미세한 구조 정보를 학습할 수 있게 하여, 폐쇄가 강한 조건에서도 견고성을 향상시킵니다. 또한, 현실적인 엘리베이터 시나리오에서 탐지 작업을 지원하기 위해 전용 데이터셋인 EBike-DET가 개발되었습니다. 청크 접근법을 사용해 주석을 달고 시뮬레이션된 환경 조건으로 보완된 이 데이터셋은 모델 성능과 적응력을 모두 향상시킵니다. 제안된 방법은 객체 탐지를 더 투명하고 구조적으로 해석 가능하게 만들어 설명 가능한 인공지능(XAI) 개발을 촉진하며, 이는 특히 안전에 중요한 응용 분야에서 가치가 있습니다. 세 가지 주류 모델(YOLOv5, YOLOv10, SSD)을 사용하여 광범위한 실험이 진행되었습니다. 결과에 따르면, 청크 주석을 적용한 EBike-DET에서 YOLOv5를 학습했을 때 정밀도 3.7%, 기억 5.3%, F1 점수 4.5%, mAP 4.4%의 향상을 이룬다. 공개 데이터셋과 비교할 때, EBike-DET는 폐쇄 하에서도 더 높은 안정성과 견고성을 보입니다. 이 연구는 탐지 정확도를 향상시킬 뿐만 아니라 실제 안전 모니터링 시스템에 배치할 수 있는 보다 해석 가능하고 설명 가능한 AI 솔루션으로 나아가는 한 걸음을 제시합니다.

Introduction

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

특히 중국에서 2022년까지 3억 5천만 대를 넘는 전기자전거(EBikes)의 급속한 확산으로 인해 전기자전거(EBikes)는 단거리 교통수단의 주된 수단이 되었습니다. 하지만 주거용 엘리베이터와 같은 밀폐된 공간에서 자주 사용되면 비정상적인 진동, 장비 손상, 불쾌한 악취, 화재 위험 등 심각한 안전 위험이 발생합니다. 최근 연구에 따르면 EBike 관련 화재 사고는 약 1.44%의 확률로 발생한다고 추정합니다. 이러한 위험은 엘리베이터 환경에서 안전을 강화하기 위해 효율적이고 정확한 EBike 탐지 방법의 긴급한 필요성을 강조합니다.

컴퓨터 비전과 딥러닝이 발전했음에도 불구하고, 엘리베이터에서의 EBike 탐지는 여전히 도전적입니다. 공개된 데이터셋은 드물고, EBike 모델, 색상, 폐쇄 조건 등 다양성이 부족해 모델 일반화를 제한합니다. 더불어, 엘리베이터 시나리오에서는 복잡한 오클루즈가 자주 발생하는데, 이때 EBikes가 승객이나 구조 부품에 부분적으로 가려져 탐지 정밀도가 3,4,5....

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

Protocol

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

본 연구에 사용된 EBike-DET 데이터셋은 저자들이 엘리베이터, 주차장, 거리 환경에서 현장 촬영을 통해 수집한 이미지와 웹 기반 플랫폼에서 공개된 EBike 이미지로 구성되어 있습니다. 모든 현장 이미지 수집은 안전 관련 기술 연구를 위해 비사적 환경에서 수행되었습니다. 이미지는 의도적으로 개인을 겨냥하지 않으며, 우연히 포착된 인물은 거리, 가림, 뒤를 향한 시점, 또는 얼굴 특징 및 기타 개인 식별 요소를 제거하는 적절한 처리 때문에 식별이 불가능합니다. 웹 소스에서 수집된 이미지는 학술 연구를 위해 재사용이 허용되는 플랫폼이나 오픈 라이선스 하에 공개된 자료에서만 수집되었습니다. 모든 이미지는 비상업적 연구 및 교육 목적으로만 사용됩니다. 식별 가능한 개인 데이터가 수집되지 않았고 인간 피험자와의 직접적인 상호작용도 없었기 때문에, 저자의 기관 지침에 따라 기관 윤리 위원회의 승인이 필요하지 않았습니다.

1. 데이터셋 구성

  1. 이미지 해상도, 색 공간, 파일 형식
    1. 이미지의 기본 해상도를 1280 x 720 픽셀로 설정하면 다양한 장면에서 EBikes의 고화질 디테일을 포착할 수 있습니다.

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

Results

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

공개 데이터셋에서의 전체론적 주석과 청크 주석 비교

평가는 다양한 조명 조건, EBike 색상, 다양한 가림 정도를 가진 개방 감시 및 교통 모니터링 장면에서 수집된 210장의 EBike 이미지로 구성된 공개 데이터셋에서 수행되었습니다. 각 이미지는 전체론적 방법(단일 경계 상자)과 제안된 청크드 방법(EBikes를 바퀴, 앞부분, 뒤쪽 영역으로 나누는 방법)을 사용해 주석을 달았습니다.

정량적 결과는 표 1에 요약되어 있습니다. YOLOv5에서는 전체론적 주석이 0.81의 정밀도와 0.74의 회상률을 달성하여 F1 점수 0.77, mAP@0.5 0.78을 기록했습니다. 청크 주석으로 훈련된 YOLOv5는 정확도 0.86, 호출 0.79로 향상되어 F1 점수 0.82, mAP@0.5 0.84를 기록했습니다. 이.......

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

Discussion

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

중요한 단계

이 프로토콜에서 중요한 단계는 지역 특징에 기반한 청크 주석 방식으로, EBikes를 휠, 앞, 뒤 영역으로 분할합니다. 이 분할은 감지 모델이 세밀한 표현을 학습할 수 있도록 보장하며, 이는 폐쇄가 심한 엘리베이터 환경에서 필수적이었습니다. 예를 들어, EBike-DET 데이터셋에서 청크 주석으로 훈련된 YOLOv5는 mAP@0.5를 0.925에서 0.966으로 개선하여 견고한 성능을 위해 정확한 국소 특징 분할의 필요성을 강조했습니다. 또한, 해리스 코너 탐지 단계는 국소 특징 추출을 위한 중요한 전처리 단계입니다. 경험적 상수(k=0.05)의 선택은 코너 검출 결과 최적화에 특히 중요했는데, 편차(k=0.04 또는 k=0.06)는 거짓 양성을 증가시키거나 특징 민감도를 감소시켰기 때문입니다.

메서드의 수정 .......

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

Disclosures

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

저자들은 이해 상충이 없습니다.

Acknowledgements

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

이 연구는 2025년 중국 교육부 인문사회과학 연구 기금(보조금번호 25YJAZH002), 2024년 광둥성 중점학과 연구 역량 강화 프로젝트(보조금 번호 2024ZDJS086), 광둥성 학부 혁신 및 기업가 정신 훈련 프로그램(보조금 번호 S202413714017), 그리고 교육부 고용-교육 연결 프로그램의 지원을 받았습니다: "인공지능 기술 지향 컴퓨터 응용전공 인재 양성 메커니즘의 혁신과 실천" (연구비 번호 2025072869464).

....

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)HDF 그룹2.10.0
matplotlib (SSD)Matplotlib 커뮤니티3.1.2
matplotlib (YOLOv10)Matplotlib 커뮤니티3.9.0
matplotlib (YOLOv5)Matplotlib 커뮤니티3.8.4
matplotlib (YOLOv5+SAHI)Matplotlib 커뮤니티3.8.4
matplotlib (YOLOv8-Seg)Matplotlib 커뮤니티3.9.0
numpy (SSD)넘파이 커뮤니티1.17.0
넘피 (YOLOv10)넘파이 커뮤니티1.26.3
넘피 (YOLOv5)넘파이 커뮤니티1.26.4
numpy (YOLOv5+SAHI)넘파이 커뮤니티1.26.4
numpy (YOLOv8-Seg)넘파이 커뮤니티1.26.3
onnx (YOLOv10)온닉스1.14.0
onnx (YOLOv5)온닉스1.14.0
onnx (YOLOv5+SAHI)온닉스1.14.0
onnxruntime (YOLOv10)마이크로소프트1.15.1
onnxruntime (YOLOv5)마이크로소프트1.15.1
onnxruntime (YOLOv5+SAHI)마이크로소프트1.15.1
opencv-python (SSD)오픈CV4.1.2.30
opencv-python (YOLOv10)오픈CV4.9.0.80
opencv-python (YOLOv5)오픈CV4.9.0.80
opencv-python (YOLOv5+SAHI)오픈CV4.9.0.80
opencv-python (YOLOv8-Seg)오픈CV4.9.0.80
판다스 (YOLOv10)판다스 커뮤니티2.2.2
판다스 (YOLOv5)판다스 커뮤니티2.2.2
판다스 (YOLOv5+SAHI)판다스 커뮤니티2.2.2
판다스 (YOLOv8-Seg)판다스 커뮤니티2.2.2
필로우 (SSD)베개 개발자8.2.0
베개 (YOLOv10)베개 개발자10.2.0
베개 (YOLOv5)베개 개발자8.5.0
베개 (YOLOv5+SAHI)베개 개발자8.5.0
베개 (YOLOv8-Seg)베개 개발자10.2.0
psutil (YOLOv10)Psutil 개발자5.9.8
psutil (YOLOv5)Psutil 개발자5.9.8
psutil (YOLOv5+SAHI)Psutil 개발자5.9.8
pycocotools (YOLOv10)COCO 컨소시엄2.0.7
pycocotools (YOLOv5)COCO 컨소시엄2.0.7
pycocotools (YOLOv5+SAHI)COCO 컨소시엄2.0.7
pycocotools (YOLOv8-Seg)COCO 컨소시엄2.0.7
py-cpuinfo (YOLOv10)Py-CPUInfo 개발자9.0.0
py-cpuinfo (YOLOv5)Py-CPUInfo 개발자9.0.0
py-cpuinfo (YOLOv5+SAHI)Py-CPUInfo 개발자9.0.0
PyYAML (YOLOv10)PyYAML6.0.1
PyYAML (YOLOv5)PyYAML6.0.1
PyYAML (YOLOv5+SAHI)PyYAML6.0.1
PyYAML (YOLOv8-Seg)PyYAML6.0.1
요청 (SSD)파이썬 요청2.27.1
요청 (YOLOv10)파이썬 요청2.32.3
요청 (YOLOv5)파이썬 요청2.31.0
요청 (YOLOv5+SAHI)파이썬 요청2.31.0
사히SAHI 개발자0.3.4+
사이피 (SSD)SciPy 커뮤니티1.2.1
스키피 (YOLOv10)SciPy 커뮤니티1.13.0
스키피 (YOLOv5)SciPy 커뮤니티1.13.0
스키피 (YOLOv5+SAHI)SciPy 커뮤니티1.13.0
스키피 (YOLOv8-Seg)SciPy 커뮤니티1.13.0
바다본 (YOLOv10)시본 개발자0.13.2
seaborn (YOLOv5)시본 개발자0.13.2
씨본 (YOLOv5+SAHI)시본 개발자0.13.2
seaborn (YOLOv8-Seg)시본 개발자0.13.2
몸매매 (YOLOv5+SAHI)셰이플리 개발자2.0.4
SSD카페/오리지널 SSD 저자들Python 3.6.13+; 파이토치 1.2.0+; CUDA 10.0; CUDNN 7.4.1
텐서보드 (SSD)구글2.10.1
텐서보드 (YOLOv5)구글2.16.2
텐소보드 (YOLOv5+SAHI)구글2.16.2
토치비전 (SSD)파이토치0.4.0
토치비전 (YOLOv10)파이토치0.15.2
토치비전 (YOLOv5)파이토치0.17.2
토치비전 (YOLOv5+SAHI)파이토치0.17.2
토치비전 (YOLOv8-Seg)파이토치0.16.1+
tqdm (SSD)TQDM 개발자4.60.0
tqdm (YOLOv10)TQDM 개발자4.66.4
tqdm (YOLOv5)TQDM 개발자4.66.2
tqdm (YOLOv5+SAHI)TQDM 개발자4.66.2
울트라리틱스 (YOLOv8-Seg)울트라리틱스8.2.99+
YOLOv10YOLOv10 팀파이썬 3.8.0+; PyTorch 2.0.1+cu118; CUDA 11.8; CUDNN 8.7
YOLOv5울트라리틱스파이썬 3.8.0+; 파이토치 2.2.2+; CUDA 11.2; CUDNN 8.1.2
YOLOv5 + 사히울트라라이틱스 + SAHI 개발자파이썬 3.8.0+; 파이토치 2.2.2+; CUDA 11.2; CUDNN 8.1.2
YOLOv8-Seg울트라리틱스파이썬 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