使用百度 EasyDL 實現電動車進電梯自動預警

語言: CN / TW / HK

專案說明
業務背景
近年來,電動車進樓入戶發生火災的事故屢見不鮮,針對該問題,社群物業已明令禁止電動車入戶,但是依然有住戶忽視這個問題的嚴重性。

業務難點
由於小區電梯多,人工監控很難及時發現電瓶車入戶違規,最終造成嚴重的人員傷亡事故。 同時,電梯的最初設計是給人上下樓使用,電動車進入乘用電梯會增加電梯承載負擔,撞擊電梯後,會加速電梯的損壞和出現故障率,所以大部分社群物業也會明令禁止自行車進電梯。

解決思路
通過EasyDL物體檢測任務可最快在15分鐘內訓練出一個高精度的電動車進電梯智慧檢測模型,通過AI應用有效地預防此類問題,在電動車進入電梯的時候就可以採取報警,及時通知安保人員進行干預,從源頭上減少此類事件的發生。

資料準備
資料採集並匯入
由於AI應用場景是電梯間視訊監控,智慧發現電動車進電梯違規事件,所以需採集電梯間攝像頭拍攝的真實場景資料。

提示:由於電梯場景內物體多,遮擋情況常有發生,要保證準確率,需考慮不同角度、不同物體個數、不同遮擋比例的多樣資料採集。例如,可以在電梯間內頂部架設1個攝像頭,進電梯後用於俯拍;另一個一個架設在電梯間外對應頂部角度,用於進電梯間前預警。如此,可通過多路攝像頭、多角度保證結果精準。

image.png

由於攝像頭採集更多為視訊資料,而應用於模型訓練的為圖片資料集,建議採用EasyDL攝像頭採集本地軟體完成視訊資料採集、抽幀、並將抽幀後的違規圖片直接傳送到雲端資料集。

除通過EasyDL攝像頭採集本地軟體直接將資料傳送到雲端外,還可通過本地上傳或將資料儲存至百度bos或網盤後通過分享連結上傳。

資料標註
由於需訓練一個目標檢測模型,檢測出圖片中包含的電瓶車,所以標註時需選擇目標檢測模版進行標註,標註時注意所有圖片中出現的目標物體都需要被框出(框可以重疊),檢測框應包含整個物體,且儘可能不要包含多餘的背景。如下圖:

image.png

標註示例如下:

image.png

模型訓練
第一步,選擇物體檢測任務型別,點選建立模型,根據實際業務自定義命名。

第二步,您可以根據應用訴求,選擇公有云、本地伺服器、邊緣小型裝置等多種部署方式,詳情參見:https://ai.baidu.com/ai-doc/EASYDL/dk38n33k4。

第三步,選擇演算法時,可以根據實際場景中對精度和效能的偏重,選擇高精度或高效能演算法。

提示:如果在資料採集時,採集到較多目標主體物被遮擋情況,在發起訓練時,可以選擇對應的資料增強運算元,在訓練配置頁勾選對應的資料增強策略,可通過增強該部分的資料特徵,提高模型在目標主體物遮擋情況下的識別效果。

image.png

模型部署
通常,電動車的預警對實時性要求較高,且攝像頭部署位置相對集中(如同一個小區的監控),建議使用伺服器部署方式,可通過離線下載sdk手工部署或使用端雲協同功能直接將部署包下發到邊緣裝置中。後者,適用於多個攝像頭部署的場景,可以實現服務快速下發、更新,如下圖:

image.png

該方案的優勢包括兩個: 第一,在視覺化介面輕鬆實現模型部署包在邊緣裝置上的整合、版本更新。第二,斷網狀態下模型離線計算。

您也可以選擇釋出為線上API的方式,以http介面的形式呼叫服務,可以實現線上的預測。

效果優化
訓練一次無法得到良好的模型效果是常見業務問題,您可以通過以下方式持續優化您的模型效果: 第一,通過檢視模型評估報告,發現識別錯例或難例的分佈特徵,並針對性的擴充對應場景的資料集,如在本案例中發現識別錯誤的case更多集中在電梯間人員較多,目標物體遮擋嚴重的場景,您可以採集更多此場景的資料,或利用資料增強隨機遮擋的方式擴充資料集。 第二,如果您選擇釋出為線上服務,您可以使用資料迴流功能,可以採集更多真實場景資料,該部分資料為符合您設定的badcase,是模型優化的關鍵資料。如下圖:

image.png

image.png

常見問題:
問題1:我該採集多少資料? 在資料採集數量上,一是要保證每個標籤的資料量不低於50,理論上標籤量越多,模型效果更好;二是儘量保證各個標籤的資料量不要差異太大,也就是要具有一定的均衡性。

問題2:真實場景中違規事件不經常發生,如何採集更多違規資料? 為方便更快獲取豐富多樣的違規場景資料,可新增開源資料集(需保證開源資料集與真實場景匹配),或在真實場景中人工模擬多種違規型別資料。

問題3:電動車進電梯檢測模型部署完成後需進行視訊抽幀後才可呼叫模型獲取預測結果,有沒有簡單開發量較少的方式? 推薦使用IEC智慧邊緣控制檯,通過IEC,可以方便地在本地進行EasyDL SDK的部署,視覺化接入本地和遠端攝像頭,詳情參見:https://ai.baidu.com/ai-doc/EASYDL/Gktuwc59w。

本文同步分享在 部落格“飛槳PaddlePaddle”(CSDN)。
如有侵權,請聯絡 [email protected] 刪除。
本文參與“OSC源創計劃”,歡迎正在閱讀的你也加入,一起分享。