Method Article

Ulepszona metoda anotacji obrazów w fragmentach dla rowerów elektrycznych w złożonych scenariuszach wind na podstawie lokalnych cech

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

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

Przedstawiono metodę anotacji obrazów na fragmenty opartą na lokalnych cechach, aby poprawić wykrywanie rowerów elektrycznych w złożonych scenariuszach wind, wykorzystując zbiór EBike-DET oraz powszechne modele detekcji obiektów.

Abstract

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

Rosnące użycie rowerów elektrycznych (EBikes) w zamkniętych warunkach, takich jak windy mieszkalne, budzi poważne obawy dotyczące bezpieczeństwa i wprowadza znaczne wyzwania w automatycznym wykrywaniu obiektów, szczególnie z powodu częstych zasłon. Tradycyjne metody wykrywania, które opierają się głównie na holistycznych adnotacjach, często nie są w stanie dokładnie rozpoznać częściowo zasłoniętych EBików w wizualnie złożonych scenach. Aby przezwyciężyć te ograniczenia, niniejsze badanie proponuje nowatorską metodę anotacji fragmentowanej opartą na lokalnych cechach, oferując bardziej interpretowalną strategię adnotacji. Poprzez rozkład EBike na wiele kluczowych obszarów dla niezależnego oznaczania, proponowana metoda umożliwia modelom detekcyjnym zdobywanie drobnoziarnistych informacji strukturalnych, co zwiększa odporność w warunkach intensywnych okluzji. Dodatkowo opracowano dedykowany zestaw danych EBike-DET wspierający zadania wykrywania w realistycznych scenariuszach windy. Z adnotacjami metodą chunked i wzbogaconymi o symulowane warunki środowiskowe, zbiór danych poprawia zarówno wydajność modelu, jak i elastyczność. Proponowana metoda promuje rozwój wyjaśnialnej sztucznej inteligencji (XAI) poprzez zwiększenie przejrzystości i strukturalnej interpretacji detekcji obiektów, co jest szczególnie cenne w zastosowaniach krytycznych dla bezpieczeństwa. Przeprowadzane są szeroko zakrojone eksperymenty z użyciem trzech popularnych modeli (YOLOv5, YOLOv10 i SSD). Wyniki pokazują, że YOLOv5, trenowany na EBike-DET z anotacjami fragmentami, osiąga poprawę o 3,7% w precyzji, 5,3% w pamięci, 4,5% w wyniku F1 oraz 4,4% w mAP. W porównaniu z publicznymi zbiorami danych, EBike-DET wykazuje większą stabilność i odporność pod względem okluzji. To badanie nie tylko zwiększa dokładność wykrywania, ale także stanowi krok w kierunku bardziej interpretowalnych i wyjaśnialnych rozwiązań AI do wdrażania w rzeczywistych systemach monitorowania bezpieczeństwa.

Introduction

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

Wraz z szybkim rozwojem rowerów elektrycznych (EBikes) na całym świecie, szczególnie w Chinach, gdzie łączna liczba rowerów przekroczyła 350 milionów sztuk do 2022 roku, EBike stały się dominującym środkiem transportu na krótkie dystanse. Jednak ich częste użycie w zamkniętych przestrzeniach, takich jak windy mieszkalne, niesie ze sobą poważne zagrożenia dla bezpieczeństwa, w tym nieprawidłowe wibracje, uszkodzenia sprzętu, nieprzyjemne zapachy oraz zagrożenie pożarowe. Niedawne badanie szacuje, że incydenty pożarowe związane z EBike mają prawdopodobieństwo około 1,44%1. Te ryzyka podkreślają pilną potrzebę efektywnych i precyzyjnych metod wykr....

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

Protocol

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

Zbiór danych EBike-DET używany w tym badaniu składa się z obrazów zebranych przez autorów za pomocą fotografii na miejscu w środowiskach wind, parkingów i ulic, a także publicznie dostępnych obrazów EBike uzyskanych z platform internetowych. Cała zbieracza obrazów na miejscu była prowadzona w środowiskach nieprywatnych wyłącznie w celu technicznych badań związanych z bezpieczeństwem nad wykrywaniem EBike. Zdjęcia nie są celowo skierowane do osób, a przypadkowo uchwycone osoby są nieidentyfikowalne ze względu na odległość, zasłonę, widok z tyłu lub odpowiednie przetwarzanie usuwające cechy twarzy i inne osobiste identyfikatory. Obrazy z internetu były pozyskiwane wyłąc....

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

Results

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

Comparison of holistic annotation and chunked annotation on public dataset

The evaluation was conducted on a public dataset comprising 210 EBike images collected from open surveillance and traffic monitoring scenes, with diverse lighting conditions, EBike colors, and varying degrees of occlusion. Each image was annotated using both the holistic method (single bounding box) and the proposed chunked method (dividing EBikes into wheels, front area, and rear areas).

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

Discussion

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

Kluczowe kroki

Kluczowym krokiem w tym protokole jest metoda anotacji w kawałkach oparta na lokalnych cechach, gdzie EBiki są podzielone na obszary kołowe, przednie i tylne. Ten podział zapewnia, że modele detekcyjne mogą uczyć się drobnoziarnistych reprezentacji, co okazało się kluczowe w środowiskach elewacji o dużej liczbie zasłon. Na przykład YOLOv5 trenowany z fragmentami adnotacji na zbiorze EBike-DET poprawił swój mAP@0,5 z 0,925 do 0,966, podkreślając konieczność dokł.......

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

Disclosures

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

Autorzy nie mają konfliktu interesów.

Acknowledgements

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

Prace te zostały wsparte przez Fundusz Planowania Badań Humanistycznych i Społecznych na 2025 rok Ministerstwa Edukacji Chin (Grant nr 25YJAZH002), Projekt Zwiększenia Potencjału Badawczego Kluczowej Dyscypliny Prowincji Guangdong 2024 (Grant nr 2024ZDJS086), Program Szkolenia Innowacyjnych i Przedsiębiorczości Prowincji Guangdong w 2024 roku (Grant nr S202413714017) oraz Program Współpracy Zatrudnienia z Edukacją Ministerstwa Edukacji: "Innowacje i praktyka mechanizmu kształcenia talentów dla studentów kierunku Computer Applications zorientowanych w technologii sztucznej inteligencji" (Grant nr 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)Grupa HDF2.10.0
matplotlib (SSD)Społeczność Matplotlib3.1.2
matplotlib (YOLOv10)Społeczność Matplotlib3.9.0
matplotlib (YOLOv5)Społeczność Matplotlib3.8.4
matplotlib (YOLOv5+SAHI)Społeczność Matplotlib3.8.4
matplotlib (YOLOv8-Seg)Społeczność Matplotlib3.9.0
numpy (SSD)Społeczność NumPy1.17.0
numpy (YOLOv10)Społeczność NumPy1.26.3
numpy (YOLOv5)Społeczność NumPy1.26.4
numpy (YOLOv5+SAHI)Społeczność NumPy1.26.4
numpy (YOLOv8-Seg)Społeczność 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
Pandas (YOLOv10)Społeczność Pandas2.2.2
Pandas (YOLOv5)Społeczność Pandas2.2.2
Pandas (YOLOv5+SAHI)Społeczność Pandas2.2.2
Pandas (YOLOv8-Seg)Społeczność Pandas2.2.2
Poduszka (SSD)Designerzy poduszek8.2.0
Poduszka (YOLOv10)Designerzy poduszek10.2.0
Poduszka (YOLOv5)Designerzy poduszek8.5.0
Poduszka (YOLOv5+SAHI)Designerzy poduszek8.5.0
Poduszka (YOLOv8-Seg)Designerzy poduszek10.2.0
psutil (YOLOv10)Programiści Psutil5.9.8
psutil (YOLOv5)Programiści Psutil5.9.8
psutil (YOLOv5+SAHI)Programiści Psutil5.9.8
pycocotools (YOLOv10)Konsorcjum COCO2.0.7
pycocotools (YOLOv5)Konsorcjum COCO2.0.7
pycocotools (YOLOv5+SAHI)Konsorcjum COCO2.0.7
pycocotools (YOLOv8-Seg)Konsorcjum COCO2.0.7
py-cpuinfo (YOLOv10)Programiści Py-CPUInfo9.0.0
py-cpuinfo (YOLOv5)Programiści Py-CPUInfo9.0.0
py-cpuinfo (YOLOv5+SAHI)Programiści 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
żądania (SSD)Żądania Pythona2.27.1
prośby (YOLOv10)Żądania Pythona2.32.3
żądania (YOLOv5)Żądania Pythona2.31.0
requests (YOLOv5+SAHI)Żądania Pythona2.31.0
SAHIDeweloperzy SAHI0.3.4+
scipy (SSD)Społeczność SciPy1.2.1
scipy (YOLOv10)Społeczność SciPy1.13.0
scipy (YOLOv5)Społeczność SciPy1.13.0
scipy (YOLOv5+SAHI)Społeczność SciPy1.13.0
scipy (YOLOv8-Seg)Społeczność SciPy1.13.0
seaborn (YOLOv10)Deweloperzy Seaborn0.13.2
seaborn (YOLOv5)Deweloperzy Seaborn0.13.2
seaborn (YOLOv5+SAHI)Deweloperzy Seaborn0.13.2
seaborn (YOLOv8-Seg)Deweloperzy Seaborn0.13.2
kształtny (YOLOv5+SAHI)Shapely Developers2.0.4
SSDCaffe/Original SSD AuthorsPython 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)Deweloperzy TQDM4.60.0
tqdm (YOLOv10)Deweloperzy TQDM4.66.4
tqdm (YOLOv5)Deweloperzy TQDM4.66.2
tqdm (YOLOv5+SAHI)Deweloperzy TQDM4.66.2
ultralityczne (YOLOv8-Seg)Ultralityki8.2.99+
YOLOv10Drużyna YOLOv10Python 3.8.0+; PyTorch 2.0.1+cu118; CUDA 11.8; CUDNN 8.7
YOLOv5UltralitykiPython 3.8.0+; PyTorch 2.2.2+; CUDA 11.2; CUDNN 8.1.2
YOLOv5 + SAHIUltralytics + deweloperzy SAHIPython 3.8.0+; PyTorch 2.2.2+; CUDA 11.2; CUDNN 8.1.2
YOLOv8-SegUltralitykiPython 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