CN113421067A - 一种共享自行车品牌识别与数量管理方法及系统 - Google Patents
一种共享自行车品牌识别与数量管理方法及系统 Download PDFInfo
- Publication number
- CN113421067A CN113421067A CN202110806911.3A CN202110806911A CN113421067A CN 113421067 A CN113421067 A CN 113421067A CN 202110806911 A CN202110806911 A CN 202110806911A CN 113421067 A CN113421067 A CN 113421067A
- Authority
- CN
- China
- Prior art keywords
- shared bicycle
- shared
- brand
- information
- bicycles
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007726 management method Methods 0.000 title claims abstract description 72
- 238000001514 detection method Methods 0.000 claims abstract description 87
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 238000013500 data storage Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000002372 labelling Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 239000000523 sample Substances 0.000 description 36
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- OLBCVFGFOZPWHH-UHFFFAOYSA-N propofol Chemical compound CC(C)C1=CC=CC(C(C)C)=C1O OLBCVFGFOZPWHH-UHFFFAOYSA-N 0.000 description 1
- 229960004134 propofol Drugs 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Finance (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及共享自行车管理领域，具体涉及一种共享自行车品牌识别与数量管理方法及系统。所述方法包括：获取待测共享自行车的图像数据和位置数据；使用图像检测识别算法对待测共享自行车的图像数据进行检测识别，得到待测共享自行车的品牌信息和数量信息；所述图像检测识别算法是经过共享自行车样本图像集训练的目标检测模型，所述共享自行车样本图像集中的样本图像已标注其对应的共享自行车品牌；存储待测共享自行车的位置信息、品牌信息和数量信息并基于这些信息对共享自行车进行管理。本发明提供了集数据采集、图像检测、数据存储及应用于一体的系统，能够准确检测共享自行车的品牌、数量和位置，并实现共享自行车的精准管理。
Description
技术领域
本发明涉及共享自行车管理领域，特别涉及一种共享自行车品牌识别与数量管理方法及系统。
背景技术
随着城镇化进程加快，对城市管理提出科学化和智能化的要求。近些年，共享自行车解决了市民最后几公里的出行问题，给老百姓带了很多便利。但是个别共享自行车公司盲目投放自动车，大量的自行车被停放在城市交通要道，在提供便利的同时也会影响交通秩序和市容市貌，增加了政府的管理成本。为了便于对共享自行车的有序管理，城市管理部门迫切需要一种技术手段，来分析各类品牌共享自行车在城市的分布情况。因此，对于共享自行车的品牌与数量的管理十分必要。
现有的管理系统通常采用蓝牙检测技术对共享自行车的停放及运营状态进行管理。例如，申请号为2019102937882，名称为“共享单车管理方法及系统”的发明专利申请公开了一种共享单车管理方法，利用单车治理位点内设置的蓝牙探测模块采集其探测范围内的各共享单车的蓝牙信号并发送给单车治理软件平台，通过单车治理软件平台管理共享单车的位置、品牌或车况。蓝牙检测仅限于安装有蓝牙探测装置的区域，因此检测的范围十分有限。图像检测能够很好地扩大检测范围。现有的图像检测方法缺乏对于共享自行车品牌的训练，不能端到端地检测出共享自行车及其品牌。此外，共享自行车停放时往往间隔紧密，所以使用摄像头采集到的共享自行车的图像往往会有重叠，这就严重影响了对共享自行车的检测精度。目前还没有一个集数据采集、图像检测、数据存储及应用于一体的系统，能够较好地检测出共享自行车的品牌与数量，并将这些信息进行存储，从而为共享自行车的进一步管理提供帮助。
发明内容
为弥补上述领域存在的不足，本发明提供一种共享自行车品牌识别与数量管理方法及系统，使用经过训练的图像检测算法对共享自行车进行品牌识别与计数，通过整合共享自行车的品牌、数量及位置等信息，实现对共享自行车的精准管理。
一方面，本发明提供一种共享自行车品牌识别与数量管理方法，其特征在于，包括：
获取待测共享自行车的图像数据和位置数据；
使用图像检测识别算法对待测共享自行车的图像数据进行检测识别，得到待测共享自行车的品牌信息和数量信息；所述图像检测识别算法是经过共享自行车样本图像集训练的目标检测模型，所述共享自行车样本图像集中的样本图像已标注其对应的共享自行车品牌；
存储待测共享自行车的位置信息、品牌信息和数量信息并基于这些信息对共享自行车进行管理。
在本发明的一些实施例中，采用固定摄像模块和移动摄像模块获取待测共享自行车的图像数据；所述固定摄像模块和所述移动摄像模块上分别设有定位模块，在获取图像数据的同时通过所述定位模块获取待测共享自行车的位置数据。
在本发明的一些实施例中，所述对共享自行车进行管理包括：对共享自行车的位置信息、品牌信息和数量信息进行统计，根据统计结果对共享自行车进行数量管理和/或品牌管理。
在本发明的一些实施例中，所述数量管理包括对不同时间段、停放在不同地点的共享自行车的数量进行统计，根据统计结果分配相应的资源进行共享自行车的维护；所述品牌管理包括对不同时间段、不同品牌的共享自行车的数量进行统计，根据统计结果对共享自行车品牌的发展进行评估。
另一方面，本发明提供一种共享自行车品牌识别与数量管理系统，其特征在于，包括一体化装置和数据存储与应用系统；
所述一体化装置包括：
数据采集单元，用于采集待测共享自行车的图像数据与位置数据；
数据处理单元，其使用图像检测识别算法对待测共享自行车的图像数据进行检测识别，得到待测共享自行车的品牌信息和数量信息；所述图像检测识别算法是经过共享自行车样本图像集训练的目标检测模型，所述共享自行车样本图像集中的样本图像已标注其对应的共享自行车品牌；以及
数据传输单元，用于将待测共享自行车的位置信息、品牌信息和数量信息传输至所述数据存储与应用系统；
所述数据存储与应用系统包括：整合与存储模块，用于整合和存储待测共享自行车的位置信息、品牌信息和数量信息。
在本发明的一些实施例中，所述数据采集单元包括固定摄像模块和移动摄像模块；所述固定摄像模块和移动摄像模块分别集成了定位模块；所述数据处理单元包括图像检测模块，用于识别待测共享自行车的品牌并计数。
在本发明的一些实施例中，所述数据存储与应用系统还包括：
共享自行车数量管理模块，用于对不同时间段、停放在不同地点的共享自行车的数量进行统计，根据统计结果分配相应的资源进行共享自行车的维护；和
共享自行车品牌评价模块，用于对不同时间段、不同品牌的共享自行车的数量进行统计，根据统计结果对共享自行车品牌的发展进行评估。
在本发明的一些实施例中，所述共享自行车品牌识别与数量管理系统还包括标注与模型生成系统；
所述标注与模型生成系统包括：
数据标注模块，用于对共享自行车样本图像集中的样本图像进行标注；以及
模型设计与训练模块，用于设计目标检测模型并使用标注后的共享自行车样本图像集对所述目标检测模型进行训练，得到训练好的图像检测识别算法。
在本发明的一些实施例中，所述图像检测识别算法包括由带注意力机制的密集连接的深度可分离卷积构成的浅层特征提取模块、特征图金字塔网络(FPN)模块、区域生成网络(RPN)模块和分类模块。采用两阶段的目标检测模型，并应用Soft-NMS模块，提升了在拥挤场景中共享自行车相互重叠时的检测效果，从而提高了共享自行车品牌识别与计数的准确率。
本发明还提供一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机可执行指令，所述计算机可执行指令被执行后能够实现本发明任一所述的共享自行车品牌识别与数量管理方法。
本发明还提供一种计算机设备，其特征在于，包括存储器和处理器；所述存储器上存储有计算机可执行指令；所述处理器运行所述计算机可执行指令时能够实现本发明任一所述的共享自行车品牌识别与数量管理方法。
综上，本发明提供了一种共享自行车品牌识别与数量管理方法，通过人工标记的方法对历史存储的共享单车样本图像数据进行品牌的标注，利用标注后的共享自行车样本图像集训练共享自行车检测算法，并使用经过训练的共享自行车检测算法对待测共享自行车的图像数据进行品牌识别与计数，提高了共享自行车的检测精度，进而提升了共享自行车管理的准确度。共享自行车的品牌信息、数量信息以及位置信息通过数据存储与应用系统进行存储与利用，实现了对共享自行车的数量控制与管理以及品牌评价，为共享自行车的全面管理提供帮助。
基于所述共享自行车品牌识别与数量管理方法，本发明开发了一套完整的共享自行车品牌识别与数量管理系统，通过数据采集单元同时采集待测共享自行车的图像数据与位置数据，通过数据处理单元对共享自行车进行品牌识别与计数，通过数据传输单元将获得的共享自行车的位置信息、品牌信息和数量信息传输给数据存储与应用系统，最后通过数据存储与应用系统对这些信息进行整合、存储与分析，实现了对共享自行车从数据采集、数据处理到数据存储与应用的完整流程，使管理者能够更加方便地获取城市中共享自行车的数量信息和品牌信息，从而有助于共享自行车的数量管理和品牌管理。
附图说明
图1.本发明示范性实施例中的共享自行车品牌识别与数量管理方法的流程图。
图2.本发明示范性实施例中的一体化装置的结构示意图。
图3.本发明示范性实施例中的数据存储与应用系统的结构示意图。
图4.本发明示范性实施例中的共享自行车品牌识别与数量管理系统的结构示意图。
图5.通道注意力机制(Squeeze-and-Excitation，SE)的示意图。
图6.DenseBlock结合注意力机制(Attention Mechanism)(DBAM)的示意图；其中SE表示注意力机制(Squeeze-and-Excitation)，Conv表示卷积层(深度可分离卷积)，Pooling表示池化层。
图7.特征图金字塔网络(FPN)的示意图；其中P2，P3，P4，P5表示生成的featuremap结果，C2，C3，C4，C5，C6表示自底向上的卷积结果，1×1Conv和3×3Conv分别表示1×1卷积和3×3卷积，UpSample表示上采样。
图8.针对共享自行车重叠问题改进的Soft NMS算法流程图。
图9.本发明示范性实施例中的高精度两阶段目标检测算法的示意图。
图10.本发明示范性实施例中的共享自行车信息存储示意图。
具体实施方式
下面结合附图，通过具体实施例对本发明的技术方案进行清楚、完整的描述。需要理解的是，下述实施例仅仅是本发明的部分实施例，而非全部实施例。本领域的普通技术人员基于本发明的实施例所获得的其他实施例均落入本发明的保护范围。
本发明提供一种共享自行车品牌识别与数量管理方法，包括：
获取待测共享自行车的图像数据和位置数据；
使用图像检测识别算法对待测共享自行车的图像数据进行检测识别，得到待测共享自行车的品牌信息和数量信息；所述图像检测识别算法是经过共享自行车样本图像集训练的目标检测模型，所述共享自行车样本图像集中的样本图像已标注其对应的共享自行车品牌；
存储待测共享自行车的位置信息、品牌信息和数量信息并基于这些信息对共享自行车进行管理。
在一些实施例中，所述共享自行车样本图像集由历史存储的共享自行车图像数据组成；所述历史存储的共享自行车图像数据由下位机采集，传输至上位机并存储到数据库中。
在一些实施例中，采用固定摄像模块和移动摄像模块获取待测共享自行车的图像数据；所述固定摄像模块和所述移动摄像模块上分别设有定位模块，在获取图像数据的同时通过所述定位模块获取待测共享自行车的位置数据。
在一些实施例中，共享自行车的图像数据由下位机的摄像设备产生，共享自行车的位置数据由下位机的定位模块产生；下位机将共享自行车的品牌信息、数量信息与位置信息一起传输到上位机；上位机对下位机传输过来的共享自行车的位置信息、品牌信息和数量信息进行存储与应用。所述应用包括数量管理和/或品牌管理。
在一些实施例中，所述对共享自行车进行管理包括：对共享自行车的位置信息、品牌信息和数量信息进行统计，根据统计结果对共享自行车进行数量管理和/或品牌管理。
在一些实施例中，所述数量管理包括对不同时间段、停放在不同地点的共享自行车的数量进行统计，根据统计结果分配相应的资源(人力资源、物力资源等)进行共享自行车的维护。
在一些实施例中，所述品牌管理包括对不同时间段、不同品牌的共享自行车的数量进行统计，根据统计结果对共享自行车品牌的发展进行评估。
在一些实施例中，本发明提供的共享自行车品牌识别与数量管理方法包括：
使用标注与模型生成系统对共享自行车样本图像集中的样本图像进行标注，标注其对应的共享自行车品牌；设计目标检测模型并使用标注后的共享自行车样本图像集对所述目标检测模型进行训练，得到训练好的图像检测识别算法；
使用一体化装置获取待测共享自行车的图像数据和位置数据；使用图像检测识别算法对待测共享自行车的图像数据进行检测识别，得到待测共享自行车的品牌信息和数量信息；并将待测共享自行车的位置信息、品牌信息和数量信息传输至数据存储与应用系统；
使用数据存储与应用系统存储共享自行车的位置信息、品牌信息和数量信息并基于这些信息对共享自行车进行管理。
在一些实施例中，本发明提供的共享自行车品牌识别与数量管理方法，包括如下步骤101-108。
步骤101：通过标注与模型生成系统使用人工标记的方法对历史存储的共享自行车图像数据进行标注，生成标注了共享自行车品牌的共享自行车样本图像集。
例如，选取某市共享自行车管理图像共30000张作为图像数据集，使用labelme标注软件对所述训练集图像进行人工标注，生成30000对带标注的共享自行车图像，并划分为训练集和测试集，其中训练集27284对，测试集2716对。需要理解的是，labelme标注软件只是实现数据标注的一种常用工具而非限制性要求，本领域技术人员完全可以使用其他的数据标注软件，如labelimg、cvat进行数据标注。
步骤102：通过标注与模型生成系统设计一种用于共享自行车品牌识别与数量管理的高精度目标检测模型，并使用步骤101标注好的共享自行车图像数据对所述高精度目标检测模型进行训练，生成高精度的共享自行车品牌识别与计数模型(人工智能图像检测识别算法)。
目标检测模型的构建方法如下：
1)搭建深度学习目标检测网络模型
参考图5至图8，本发明的典型实施例中用于共享自行车品牌识别与数量管理的高精度目标检测模型包括由带注意力机制的密集连接的深度可分离卷积构成的浅层特征提取模块、特征图金字塔网络(FPN，feature pyramid networks)模块、区域生成网络(RPN)模块和分类模块。我们对NMS(Non Maximum Suppression，非极大值抑制)模块进行了改进，提升了拥挤场景中目标检测的效果。
1a)浅层特征提取模块的建立
参见图5和图6，使用参数较少的Dense block作为网络的基本框架，从而减少了网络的参数，并且在保证网络中层与层之间最大程度的信息传输的前提下，直接将所有层连接起来。同时还将网络中的卷积层替换成深度可分离卷积(depthwise separableconvolution)从而进一步减少了计算量，提升了模型的轻量化度。为了提高网络对特征的提取能力，引入了注意力机制(Squeeze-and-Excitation，SE)，显式地建模特征通道之间的相互依赖关系，通过学习的方式来自动获取到每个特征通道的重要程度，然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征，从而提升模型的准确度。
1b)特征图金字塔网络(FPN)的建立
参见图7，在进行特征提取时，低层的特征语义信息比较少，但是目标位置准确；高层的特征语义信息比较丰富，但是目标位置比较粗略。同时利用低层特征高分辨率和高层特征的高语义信息，能够得到不同尺度的信息，从而提升检测的效果。
1c)区域生成网络(RPN)模块的建立
参见图9，本发明抛弃了传统的滑动窗口方法和Selective Search方法，选择使用RPN生成检测框，这使得检测框的生成速度大大提升。RPN网络实际分为2条线，上面一条通过softmax分类anchors获得positive和negative分类，下面一条用于计算对于anchors的bounding box regression偏移量，以获得精确的proposal。而最后的Proposal层则负责综合positive anchors和对应bounding box regression偏移量获取proposals，同时剔除太小和超出边界的proposals。
1d)分类模块的建立
参见图9，Classification部分利用已经获得的proposal feature maps，通过full connect层与softmax计算每个proposal具体属于哪个类别(如人，车，电视等)，输出cls_prob概率向量；同时再次利用bounding box regression获得每个proposal的位置偏移量bbox_pred，用于回归更加精确的目标检测框。
1e)改进NMS模块
参见图8，传统的NMS算法会选中分数最高的检测框M，消除与被选中建议框有明显重叠的其他框，这就使得如果一个物体处于预设的重叠阈值之内，可能会导致检测不到该待检测物体，即当两个目标框接近时，分数更低的框就会因为与之重叠面积过大而被删掉。Soft NMS对这种算法进行改进，将去重叠过大且得分更低的候选框改为降低重叠过大且得分更低的候选框的得分，最后设定一个阈值，将小于该阈值的所有候选框都去除。其中降低候选框得分的公式如下：
sif(iou(M,bi))→si (1)
其中f(iou(M,bi))是一个权重函数，该函数会衰减与检测框M有重叠的相邻检测框的检测分数。越是与M高度重叠的检测框，它的分数衰减越严重。
2)训练共享自行车检测模型
2a)损失函数主要分为RPN的损失和Fast RCNN的损失，计算公式如下，并且两部分损失都包括分类损失(cls loss)和回归损失(bbox regression loss)，公式如下：
其中pi为Anchor[i]的预测分类概率，Anchor[i]为正样本时，
Anchor[i]为负样本时
ti为Anchor[i]预测的Bounding Box的参数化坐标，
为Anchor[i]的Ground Truth的Bounding Box的参数化坐标。Ncls为每个batch size的大小，Nreg为AnchorLocation的数量。
表示分类损失，RPN中产生的anchor只分为前景和背景，前景的标签为1，背景的标签为0，是一个二分类交叉熵损失，公式如下：
而在Fast RCNN中分类损失则是一个多分类交叉熵损失，公式如下:
λ是权重平衡参数，在本发明中设置为10。
2b)使用SGD优化器，初始学习率设置为0.02，动量设置为0.9，权重衰减设置为0.0001，共训练150个epoch。
2c)使用步骤101中标注好共享自行车品牌的共享自行车样本图像集对上述目标检测网络模型进行训练，其中训练过程采用2a)中的损失函数和2b)中的优化器对网络中的参数进行优化，直至网络损失下降至浮动不大为止，得到高精度的人工智能图像检测识别算法。
步骤103：通过一体化装置中的数据采集单元对待测共享自行车的图像数据和位置数据进行采集。其中，所述共享自行车的图像数据由摄像设备产生，所述共享自行车的位置数据由定位设备产生。
步骤104：通过一体化装置中的数据处理单元使用步骤102中生成的高精度的人工智能图像检测识别算法对步骤103中采集到的待测共享自行车的图像数据进行处理，得到图像中所有共享自行车的位置及其品牌(类别)，应用一个计数函数(Count函数)对图像中每个品牌共享自行车的数量进行统计，生成图像中所有共享自行车品牌的数量，并使用三个变量：Location、Brand和Count分别存储共享自行车的位置、品牌和数量。
步骤105：通过一体化装置中的数据传输单元使用通信协议将Location、Brand和Count传输到数据存储与应用系统(上位机)中。
步骤106：数据存储与应用系统中的整合与存储模块用于将步骤105中传输过来的Location、Brand和Count进行整合与存储。
具体的，所述整合与存储模块在对数据进行整合时，先构建一个数据接收函数(Data Receive函数)和共享自行车类(Bicycle Sharing)。其中所述Bicycle Sharing类共有三个属性，Bicycke Location、Bicycle Brand、Bicycle Count和Time，分别表示共享自行车的位置、品牌、数量和时间，通过这四个属性，一个Bicycle Sharing类的对象就可以表示不同时间、不同位置每个品牌自行车的数量。所述Data Receive函数用于接收步骤105中传输过来的Location、Brand和Count这三个参数，并加上当前时间Time，使用这四个变量构建为一个Bicycle Sharing对象。应用一个数据库存储函数(DataBase Saving)将BicycleSharing进行存储。
步骤107：使用数据存储与应用系统中的共享自行车数量管理模块对不同时间段、不同位置的共享自行车数量进行统计与分析，可应用于共享自行车数量的管理。
例如，需要在城市中分配人力物力进行共享自行车的管理时，首先对最近一天、最近一周、最近一月和最近一年的城市中各个位置的共享自行车的数量进行统计，并绘制不同位置共享自行车的数量变化曲线，分析并预测当前各个位置共享自行车的预期数量，为预期共享自行车数量更多的地方分配更多的人力和物力。
步骤108：使用数据存储与应用系统中的共享自行车品牌评价模块对不同时间段、不同位置的共享自行车的品牌进行统计与分析，可应用于共享自行车品牌的管理与评价。
例如，需要对各个共享自行车的品牌进行管理与评价时，首先对最近一天、最近一周、最近一月和最近一年的城市中各个品牌的共享自行车的数量进行统计，并绘制不同品牌的共享自行车的数量变化曲线，统计各个品牌共享自行车的数量变化，根据自行车数量的变化对品牌的发展进行评估。如果自行车数量上升说明品牌正逐步发展，反之，如果自行车数量下降说明品牌正在逐步衰弱。同时根据自行车的数量对城市共享自行车的市场占比做出估计，数量占比大的品牌市场占比也大。市政府可以对市场占比大的品牌进行更加严格的监管，从而防止垄断的发生，为共享自行车市场的发展营造一个良好的环境。
如图4所示，本发明提供一种共享自行车品牌识别与数量管理的系统，包括一体化装置和数据存储与应用系统；
所述一体化装置包括：
数据采集单元，用于采集待测共享自行车的图像数据与位置数据；
数据处理单元，用于使用图像检测识别算法对待测共享自行车的图像数据进行检测识别，得到待测共享自行车的品牌信息和数量信息；所述图像检测识别算法是经过共享自行车样本图像集训练的目标检测模型，所述共享自行车样本图像集中的样本图像已标注其对应的共享自行车品牌；以及
数据传输单元，用于将待测共享自行车的位置信息、品牌信息和数量信息传输至所述数据存储与应用系统；
所述数据存储与应用系统包括：整合与存储模块，用于整合和存储待测共享自行车的位置信息、品牌信息和数量信息。
所述一体化装置，用于对共享自行车的图像数据和位置数据进行采集，并使用人工智能图像检测识别算法对共享自行车图像数据进行检测识别，并将检测识别结果和位置数据传输至所述数据存储与应用系统，从而实现了对共享自行车的图像信息与位置信息的一体化采集、处理和传输。所述数据存储与应用系统，用于在接收到所述一体化装置传输的共享自行车位置信息、数量信息和品牌信息后，对数据进行整合与存储，并将数据应用于共享自行车的各种管理场景之中。
在一些实施例中，所述数据采集单元包括固定摄像模块和移动摄像模块；所述固定摄像模块和移动摄像模块分别集成了定位模块。所述数据采集单元的具体实现方法参照上述步骤103。
在一些实施例中，所述固定摄像模块安放在城市关键地点(例如大型商场、学校、景点等)，对关键地点的共享自行车的图像数据进行采集；所述移动摄像模块安放在交通工具(例如汽车)上，当交通工具在城市中移动时，移动摄像模块对城市中不同地点的共享自行车的图像数据进行采集；所述固定摄像模块和所述移动摄像模块都集成了定位模块，在采集共享自行车的图像数据的同时对其位置数据进行采集。
在一些实施例中，所述数据处理单元包括图像检测模块，用于识别待测共享自行车的品牌并计数。
在一些实施例中，所述图像检测模块使用训练后的人工智能图像检测识别算法对待测共享自行车的图像数据进行一体化的品牌识别与计数，具体实现方法参照上述步骤104。
在一些实施例中，所述数据传输单元的具体实现方法参照上述步骤105。
在一些实施例中，所述整合与存储模块将下位机传输来的共享自行车的品牌信息、数量信息和位置信息进行整合，统计不同时间点、不同位置、不同品牌的共享自行车的数量(如图10所示)，并将统计结果存储在数据库中，具体实现方法参照上述步骤106。
在一些实施例中，所述数据存储与应用系统还包括：
共享自行车数量管理模块，用于对不同时间段、停放在不同地点的共享自行车的数量进行统计，根据统计结果分配相应的资源进行共享自行车的维护；
共享自行车品牌评价模块，用于对不同时间段、不同品牌的共享自行车的数量进行统计，根据统计结果对共享自行车品牌的发展进行评估。
在一些实施例中，所述共享自行车数量管理模块用于对数据库中各个地点的共享自行车的总数量进行统计，对不同时间段、不同地点的共享自行车数量进行分析，根据数量指派与该数量相对应的资源进行处理，具体实现方法参照上述步骤107。
在一些实施例中，所述共享自行车品牌评价模块用于对数据库中每日各个品牌共享自行车的数量进行统计，根据不同时间各个品牌共享自行车的数量对共享自行车品牌的发展进行评估，具体实现方法参照上述步骤108。
在一些实施例中，本发明提供的共享自行车品牌识别与数量管理系统还包括标注与模型生成系统；
所述标注与模型生成系统包括：
数据标注模块，用于对共享自行车样本图像集中的样本图像进行标注；以及
模型设计与训练模块，用于设计目标检测模型并使用标注后的共享自行车样本图像集对所述目标检测模型进行训练，得到训练好的图像检测识别算法。
在一些实施例中，所述数据标注模块用于对历史存储的共享自行车样本图像进行人工标注，标注其对应的共享自行车品牌，得到标注后的共享自行车样本图像集，具体实现方法参照上述步骤101。
在一些实施例中，所述模型设计与训练模块用于设计高精度的目标检测模型，并使用标注后的共享自行车样本图像集通过深度学习技术对所述高精度的目标检测模型进行训练，从而获得人工智能图像检测识别算法。所述人工智能图像检测识别算法的输入为共享自行车的图像数据，输出为共享自行车的品牌与每个品牌的共享自行车的数量。具体实现方法参照上述步骤102。
本发明提供了高精度的共享自行车品牌识别与数量管理方法及系统，通过对历史存储的共享自行车的样本图像进行人工标注，生成已标注品牌的共享自行车样本图像集，并构建两阶段目标检测算法，进行算法改进，提升了对共享自行车检测的精确度，并改善了拥挤场景中的检测效果，实现了对共享自行车的高精度检测。本发明构建了集数据采集、数据处理和数据传输于一体的一体化装置，实现了对共享自行车图像信息以及位置信息的一体化处理；并设计了一套数据存储与应用系统，对所述一体化装置处理得到的信息进行存储与应用。本发明的方法和系统解决了现有技术不能对城市中共享自行车的数量进行有效管理而造成人力与物力资源浪费的问题，以及不能对共享自行车的各种品牌进行有效的评估与管理的问题。
此外，本发明还提供一种计算机存储介质，其上存储有计算机可执行指令，所述计算机可执行指令被执行后能够实现本发明任一所述的共享自行车品牌识别与数量管理方法。所述计算机存储介质可以是一个或多个可读存储介质的任意组合。所述可读存储介质包括但不限于便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、光存储器、磁存储器等可以存储程序代码的介质。
进一步地，本发明还提供一种计算机设备，包括存储器和处理器；所述存储器上存储有计算机可执行指令；所述处理器运行所述计算机可执行指令时能够实现本发明任一所述的共享自行车品牌识别与数量管理方法。所述存储器可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如硬盘、随机存取存储器(RAM)、只读存储器(ROM)等。所述处理器可以是中央处理器(CPU)或其他形式的处理器，具有数据处理能力和指令执行能力，并且可以控制计算机设备中的其它组件以执行期望的功能。
以上实施例用于对本发明的技术方案进行解释和说明，而非用于限制本发明的保护范围。任何熟悉本领域技术的人员在本发明公开的技术范围内对上述实施例所做的修饰或改变，均应涵盖在本发明的保护范围内。
Claims (10)
1.一种共享自行车品牌识别与数量管理方法，其特征在于，包括：
获取待测共享自行车的图像数据和位置数据；
使用图像检测识别算法对待测共享自行车的图像数据进行检测识别，得到待测共享自行车的品牌信息和数量信息；所述图像检测识别算法是经过共享自行车样本图像集训练的目标检测模型，所述共享自行车样本图像集中的样本图像已标注其对应的共享自行车品牌；
存储待测共享自行车的位置信息、品牌信息和数量信息并基于这些信息对共享自行车进行管理。
2.根据权利要求1所述的共享自行车品牌识别与数量管理方法，其特征在于，采用固定摄像模块和移动摄像模块获取待测共享自行车的图像数据；所述固定摄像模块和所述移动摄像模块上分别设有定位模块，在获取图像数据的同时通过所述定位模块获取待测共享自行车的位置数据。
3.根据权利要求1所述的共享自行车品牌识别与数量管理方法，其特征在于，所述对共享自行车进行管理包括：对共享自行车的位置信息、品牌信息和数量信息进行统计，根据统计结果对共享自行车进行数量管理和/或品牌管理。
4.根据权利要求3所述的共享自行车品牌识别与数量管理方法，其特征在于，
所述数量管理包括对不同时间段、停放在不同地点的共享自行车的数量进行统计，根据统计结果分配相应的资源进行共享自行车的维护；
所述品牌管理包括对不同时间段、不同品牌的共享自行车的数量进行统计，根据统计结果对共享自行车品牌的发展进行评估。
5.一种共享自行车品牌识别与数量管理系统，其特征在于，包括一体化装置和数据存储与应用系统；
所述一体化装置包括：
数据采集单元，用于采集待测共享自行车的图像数据与位置数据；
数据处理单元，其使用图像检测识别算法对待测共享自行车的图像数据进行检测识别，得到待测共享自行车的品牌信息和数量信息；所述图像检测识别算法是经过共享自行车样本图像集训练的目标检测模型，所述共享自行车样本图像集中的样本图像已标注其对应的共享自行车品牌；以及
数据传输单元，用于将待测共享自行车的位置信息、品牌信息和数量信息传输至所述数据存储与应用系统；
所述数据存储与应用系统包括：整合与存储模块，用于整合和存储待测共享自行车的位置信息、品牌信息和数量信息。
6.根据权利要求5所述的共享自行车品牌识别与数量管理系统，其特征在于，
所述数据采集单元包括固定摄像模块和移动摄像模块；所述固定摄像模块和移动摄像模块分别集成了定位模块；
所述数据处理单元包括图像检测模块，用于识别待测共享自行车的品牌并计数。
7.根据权利要求5所述的共享自行车品牌识别与数量管理系统，其特征在于，所述数据存储与应用系统还包括：
共享自行车数量管理模块，用于对不同时间段、停放在不同地点的共享自行车的数量进行统计，根据统计结果分配相应的资源进行共享自行车的维护；和
共享自行车品牌评价模块，用于对不同时间段、不同品牌的共享自行车的数量进行统计，根据统计结果对共享自行车品牌的发展进行评估。
8.根据权利要求5-7任一所述的共享自行车品牌识别与数量管理系统，其特征在于，所述共享自行车品牌识别与数量管理系统还包括标注与模型生成系统；
所述标注与模型生成系统包括：
数据标注模块，用于对共享自行车样本图像集中的样本图像进行标注；以及
模型设计与训练模块，用于设计目标检测模型并使用标注后的共享自行车样本图像集对所述目标检测模型进行训练，得到训练好的图像检测识别算法。
9.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机可执行指令，所述计算机可执行指令被执行后能够实现权利要求1-4任一所述的共享自行车品牌识别与数量管理方法。
10.一种计算机设备，其特征在于，包括存储器和处理器；所述存储器上存储有计算机可执行指令；所述处理器运行所述计算机可执行指令时能够实现权利要求1-4任一所述的共享自行车品牌识别与数量管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110806911.3A CN113421067A (zh) | 2021-07-16 | 2021-07-16 | 一种共享自行车品牌识别与数量管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110806911.3A CN113421067A (zh) | 2021-07-16 | 2021-07-16 | 一种共享自行车品牌识别与数量管理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113421067A true CN113421067A (zh) | 2021-09-21 |
Family
ID=77721792
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110806911.3A Pending CN113421067A (zh) | 2021-07-16 | 2021-07-16 | 一种共享自行车品牌识别与数量管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113421067A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115953567A (zh) * | 2023-03-14 | 2023-04-11 | 广州市玄武无线科技股份有限公司 | 一种堆箱数量的检测方法、装置、终端设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107452205A (zh) * | 2017-09-27 | 2017-12-08 | 福州大学 | 一种共享单车服务和监管系统及方法 |
| CN108235240A (zh) * | 2017-05-22 | 2018-06-29 | 黄宝梅 | 一种共享单车数据采集平台及其管理方法 |
| CN109242371A (zh) * | 2018-11-21 | 2019-01-18 | 云南昆船电子设备有限公司 | 一种共享单车定位、信息识别的方法及调度系统 |
| CN109618140A (zh) * | 2019-01-14 | 2019-04-12 | 上海钧正网络科技有限公司 | 基于视频监控的车辆监测方法、装置、系统及服务器 |
| CN109993032A (zh) * | 2017-12-29 | 2019-07-09 | 杭州海康威视数字技术股份有限公司 | 一种共享单车目标识别方法、装置及相机 |
| CN110119790A (zh) * | 2019-05-29 | 2019-08-13 | 杭州叙简科技股份有限公司 | 基于计算机视觉的共享单车数量统计和密度估计的方法 |
| CN111598183A (zh) * | 2020-05-22 | 2020-08-28 | 上海海事大学 | 一种多特征融合图像描述方法 |
| CN112733929A (zh) * | 2021-01-07 | 2021-04-30 | 南京工程学院 | 一种改进Yolo水下图像小目标和遮挡目标的检测方法 |
-
2021
- 2021-07-16 CN CN202110806911.3A patent/CN113421067A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108235240A (zh) * | 2017-05-22 | 2018-06-29 | 黄宝梅 | 一种共享单车数据采集平台及其管理方法 |
| CN107452205A (zh) * | 2017-09-27 | 2017-12-08 | 福州大学 | 一种共享单车服务和监管系统及方法 |
| CN109993032A (zh) * | 2017-12-29 | 2019-07-09 | 杭州海康威视数字技术股份有限公司 | 一种共享单车目标识别方法、装置及相机 |
| CN109242371A (zh) * | 2018-11-21 | 2019-01-18 | 云南昆船电子设备有限公司 | 一种共享单车定位、信息识别的方法及调度系统 |
| CN109618140A (zh) * | 2019-01-14 | 2019-04-12 | 上海钧正网络科技有限公司 | 基于视频监控的车辆监测方法、装置、系统及服务器 |
| CN110119790A (zh) * | 2019-05-29 | 2019-08-13 | 杭州叙简科技股份有限公司 | 基于计算机视觉的共享单车数量统计和密度估计的方法 |
| CN111598183A (zh) * | 2020-05-22 | 2020-08-28 | 上海海事大学 | 一种多特征融合图像描述方法 |
| CN112733929A (zh) * | 2021-01-07 | 2021-04-30 | 南京工程学院 | 一种改进Yolo水下图像小目标和遮挡目标的检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| DEKIANG: "目标检测中的NMS", 《HTTPS://BLOG.CSDN.NET/WEIXIN_41560402/ARTICLE/DETAILS/109540517》 * |
| 李汉冰 等: "基于YOLOV3改进的实时车辆检测方法", 《激光与光电子学进展》 * |
| 赵永强 等: "深度学习目标检测方法综述", 《中国图象图形学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115953567A (zh) * | 2023-03-14 | 2023-04-11 | 广州市玄武无线科技股份有限公司 | 一种堆箱数量的检测方法、装置、终端设备及存储介质 |
| CN115953567B (zh) * | 2023-03-14 | 2023-06-30 | 广州市玄武无线科技股份有限公司 | 一种堆箱数量的检测方法、装置、终端设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109754594B (zh) | 一种路况信息获取方法及其设备、存储介质、终端 | |
| CN109520744B (zh) | 自动驾驶车辆的驾驶性能测试方法和装置 | |
| CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
| WO2021082464A1 (zh) | 预测车辆的目的地的方法和装置 | |
| CN103838772A (zh) | 一种多源交通数据融合方法 | |
| CN105844229A (zh) | 一种乘客拥挤度的计算方法及其系统 | |
| US20220357176A1 (en) | Methods and data processing systems for predicting road attributes | |
| CN110675646B (zh) | 公交站点位置获取方法及装置 | |
| CN107230350A (zh) | 一种基于卡口与手机流量话单数据的城市交通量获取方法 | |
| CN110674887A (zh) | 一种基于视频分类的端到端道路拥堵检测算法 | |
| Ma et al. | Public transportation big data mining and analysis | |
| CN117455237A (zh) | 一种基于多源数据的道路交通事故风险预测方法 | |
| CN114078319A (zh) | 一种检测交通事故隐患地点的方法及装置 | |
| CN111964763A (zh) | 一种动态平板秤称重区域汽车断续行驶行为检测方法 | |
| William et al. | Edge based Web Computing for Traffic Control Management for Distributed Environment Conditions | |
| CN113421067A (zh) | 一种共享自行车品牌识别与数量管理方法及系统 | |
| CN112785610B (zh) | 一种融合低层特征的车道线语义分割方法 | |
| Zhou et al. | Method for judging parking status based on yolov2 target detection algorithm | |
| CN113256978A (zh) | 一种城市拥堵地区的诊断方法、系统及储存介质 | |
| CN106157657A (zh) | 一种移动用户的运动状态识别系统及其方法 | |
| CN117133124A (zh) | 一种数字孪生智能公路收费与管理系统及方法 | |
| CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
| CN115880580A (zh) | 一种云层影响下的光学遥感影像道路信息智能提取方法 | |
| CN116434525A (zh) | 一种高速公路智能管理预警系统 | |
| CN115114786A (zh) | 一种用于交通流仿真模型的评估方法、系统和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210921 |
|
| RJ01 | Rejection of invention patent application after publication |