Обнаружение автомобильных парковочных мест на изображениях с использованием модифицированной модели YOLOv5 с полуконтролируемым обучением

  • Чжан Шуай Лоян скорпио информейшн технолоджи, 471000, г. Лоян, пров. Хэнань, Китай; Белорусский государственный университет, пр. Независимости, 4, 220030, г. Минск, Беларусь
  • Гуангди Ма Эрсвью имэйдж корпорейшн, ул. Кейан роуд, 11, 313200, г. Хучжоу, Китай
  • Ян Вейчен Эрсвью имэйдж корпорейшн, ул. Кейан роуд, 11, 313200, г. Хучжоу, Китай
  • Фан Жу Хэнаньский университет, ул. Минлун, 85, 475004, г. Кайфэн, Китай
  • Сергей Владимирович Абламейко Белорусский государственный университет, пр. Независимости, 4, 220030, г. Минск, Беларусь; Объединенный институт проблем информатики НАН Беларуси, ул. Сурганова, 6, 220012, г. Минск, Беларусь

Аннотация

Прямоугольные, непрерывные парковочные места довольно сложно идентифицировать на любых изображениях городской территории при различных погодных условиях, низкой освещенности и низкой стоимости системы, обеспечивая при этом высокую точность обнаружения. Для решения этой проблемы предлагается использовать модифицированную версию модели YOLOv5, дополненную полуконтролируемым обучением (полуавтоматическим обучением или частичным обучением), которая позволяет обнаруживать парковки в любой сложной сцене независимо от линий парковочных мест и условий парковки. Благодаря сочетанию характера полуконтролируемого обучения и высокой точности моделей обучения с учителем модифицированная версия модели YOLOv5 позволяет использовать очень мало размеченных данных и большой объем неразмеченных данных. Это значительно сокращает время обучения, сохраняя при этом точность распознавания. По сравнению с другими моделями нейронных сетей модифицированная версия модели YOLOv5 обладает такими характеристиками, как высокая скорость обучения, небольшой размер модели и данных, а также высокая точность параметров распознавания.

Биографии авторов

Чжан Шуай, Лоян скорпио информейшн технолоджи, 471000, г. Лоян, пров. Хэнань, Китай; Белорусский государственный университет, пр. Независимости, 4, 220030, г. Минск, Беларусь

менеджер по исследованиям и разработкам компании " Лоян скорпио информейшн технолоджи", аспирант кафедры веб-технологий и компьютерного моделирования механико-математического факультета Белорусского государственного университета. Научный руководитель – С. В. Абламейко

 

Гуангди Ма, Эрсвью имэйдж корпорейшн, ул. Кейан роуд, 11, 313200, г. Хучжоу, Китай

главный инженер

 

Ян Вейчен, Эрсвью имэйдж корпорейшн, ул. Кейан роуд, 11, 313200, г. Хучжоу, Китай

главный управляющий

 

Фан Жу, Хэнаньский университет, ул. Минлун, 85, 475004, г. Кайфэн, Китай

директор Хэнаньской международной объединенной лаборатории теорий и ключевых технологий разведывательных сетей

 

Сергей Владимирович Абламейко, Белорусский государственный университет, пр. Независимости, 4, 220030, г. Минск, Беларусь; Объединенный институт проблем информатики НАН Беларуси, ул. Сурганова, 6, 220012, г. Минск, Беларусь

доктор технических наук, академик НАН Беларуси, профессор; профессор кафедры веб-технологий и компьютерного моделирования механико-математического факультета Белорусского государственного университета, главный научный сотрудник отдела интеллектуальных информационных систем Объединенного института проблем информатики НАН Беларуси

 

Литература

  1. Alam M, Moroni D, Pieri G, Tampucci M, Gomes M, Fonseca J, et al. Real-time smart parking systems integration in distributed ITS for smart cities. Journal of Advanced Transportation. 2018;2018:1485652. DOI: 10.1155/2018/1485652.
  2. Faheem F, Mahmud SA, Khan GM, Rahman M, Zafar H. A survey of intelligent car parking system. Journal of Applied Research and Technology. 2013;11(5):714–726. DOI: 10.1016/S1665-6423(13)71580-3.
  3. Yusnita R, Norbaya F, Basharuddin N. Intelligent parking space detection system based on image processing. International Journal of Innovation, Management and Technology. 2012;3(3):232–235. DOI: 10.7763/IJIMT.2012.V3.228.
  4. Huang Ching-Chun, Vu Hoang Tran, Chen Yi-Ren. A multiclass boosting approach for integrating weal classifiers in parking space detection. In: 2015 IEEE International conference on consumer electronics; 2015 June 6–8; Taipei, Taiwan. [S. l.]: IEEE; 2015. p. 314–315. DOI: 10.1109/ICCE-TW.2015.7216918.
  5. Bohush R, Yarashevich P, Ablameyko S, Kalganova T. Extraction of image parking spaces in intelligent video surveillance systems. Machine Graphics and Vision. 2018;27(1–4):47–62. DOI: 10.22630/MGV.2018.27.1.3.
  6. Wang Hai, Yu Yljie, Cai Yingfeng, Chen Xiaobo, Chen Long, Liu Qingchao. A comparative study of state-of-the-art deep learning algorithms for vehicle detection. IEEE Intelligent Transportation Systems Magazine. 2019;11(2):82–95. DOI: 10.1109/MITS.2019. 2903518.
  7. Acharya D, Yan W, Khoshelham K. Real-time image-based parking occupancy detection using deep learning. In: Peters S, Khoshelham K, editors. Research@Locate­2018. Proceedings of the 5th annual conference; 2018 April 9–11; Adelaide, Australia. [S. l.]: [s. n.]; 2018. p. 33–40 (CEUR workshop proceedings; volume 2087).
  8. Nyambal J, Klein R. Automated parking space detection using convolutional neural networks. arXiv:2106.07228v1 [Preprint]. 2021 [cited 2023 January 10]: [6 p.]. Available from: https://arxiv.org/abs/2106.07228v1.
  9. Naufal AA, Fatichah C, Suciati N. Preprocessed mask RCNN for parking space detection in smart parking systems. International Journal of Intelligent Engineering and Systems. 2020;13(6):255–265. DOI: 10.22266/ijies2020.1231.23.
  10. Ahmad J, Lewis Z, Duraisamy P, McDonald T. Parking lot monitoring using MRCNN. In: 10 th International conference on computing, communication and networking technologies (ICCCNT); 2019 July 6–8; Kanpur, India. [S. l.]: IEEE; 2019. p. 10–13. DOI: 10.1109/ICCCNT45670.2019.8944394.
  11. Agrawal T, Urolagin S. Multi-angle parking detection system using mask R-CNN. In: BDET­2020. Proceedings of the 2 nd International conference on big data engineering and technology; 2020 January 3–5; Singapore, China. New York: Association for Computing Machinery; 2020. p. 76–80. DOI: 10.1145/3378904.3378914.
  12. Yucheng Guo, Hongtao Shi. Automatic parking system based on improved neural network algorithm and intelligent image analysis. Computational Intelligence and Neuroscience. 2021;2021:4391864. DOI: 10.1155/2021/4391864.
  13. Miao Y, Liu F, Hou T, Liu L, Liu Y. A nighttime vehicle detection method based on YOLOv3. In: 2020 Chinese automation congress (CAC); 2020 November 6–8; Shanghai, China. [S. l.]: IEEE; 2020. p. 6617–6621. DOI: 10.1109/CAC51589. 2020.9326819.
  14. Wang Hai, Lou Xinyu, Cai Yingfeng, Li Yicheng, Chen Long. Real-time vehicle detection algorithm based on vision and lidar point cloud fusion. Journal of Sensors. 2019;2019:8473980. DOI: 10.1155/2019/8473980.
  15. Carrasco DP, Rashwan HA, García MÁ, Puig D. T-YOLO: tiny vehicle detection based on YOLO and multi-scale convolutional neural networks. IEEE Access. 2023;11:22430–22440. DOI: 10.1109/ACCESS.2021.3137638.
  16. Bura H, Lin N, Kumar N, Malekar S, Nagaraj S, Liu K. An edge based smart parking solution using camera networks and deep learning. 2018 IEEE International conference on cognitive computing (ICCC); 2018 July 2–7; San Francisco, USA. [S. l.]: IEEE; 2018. p. 17–24. DOI: 10.1109/ICCC.2018.00010.
  17. Uzar M, Öztürk Ş, Bayrak OC, Arda T, Öcalan NT. Performance analysis of YOLO versions for automatic vehicle detection from UAV images. Advanced Remote Sensing Journal. 2021;1(1):16–30.
  18. Detailed YOLOv5 model framework [Internet]. Beijing: Lezhi Network Technology Co.; 2021 March 3 [updated 2022 July 12; cited 2022 November 19]. Available from: https://blog.csdn.net/qq_16792139/article/details/114310670.
  19. Zhu X, Goldberg AB. Introduction to semi­supervised learning. Cham: Springer; 2009. XII, 116 p. (Brachman RJ, Dietterich T, editors. Synthesis lectures on artificial intelligence and machine learning; lecture 6). DOI: 10.1007/978-3-031-01548-9.
  20. Rosenberg C, Hebert M, Schneiderman H. Semi-supervised self-training of object detection models. In: Seventh IEEE workshops on applications of computer vision (WACV/MOTION’05); 2005 January 5–7; Breckenridge, USA. Volume 1. [S. l.]: IEEE; 2005. p. 29–36. DOI: 10.1109/ACVMOT.2005.107.
  21. Lee Dong-Hyun. Pseudo-label: the simple and efficient semi-supervised learning method for deep neural networks. In: ICML 2013 workshop: challenges in representation learning (WREPL); 2013 June 16–21; Atlanta, USA. Volume 3. [S. l.]: [s. n.]; 2013. p. 2–4.
  22. Sohn K, Zhang Z, Li C-L, Zhang H, Lee C-Y, Pfister T. A simple semi-supervised learning framework for object detection. arXiv:2005.04757 [Preprint]. 2020 [cited 2023 January 21]: [15 p.]. Available from: https://arxiv.org/abs/2005.04757v2.
  23. Janocha K, Czarnecki WM. On loss functions for deep neural networks in classification. arXiv:1702.05659 [Preprint]. 2017 [cited 2023 January 21]: [10 p.]. Available from: https://arxiv.org/abs/1702.05659v1.
  24. Zhang Haoting, Tian Mei, Shao Gaoping, Cheng Juan, Liu Jingjing. Target detection of forward-looking sonar image based on improved YOLOv5. IEEE Access. 2022;10:18023–18034. DOI: 10.1109/ACCESS.2022.3150339.
Опубликован
2023-12-22
Ключевые слова: обнаружение парковок, полуконтролируемое обучение, нейронная сеть YOLOv5
Как цитировать
Шуай, Ч., Ма, Г., Вейчен, Я., Жу, Ф., & Абламейко, С. В. (2023). Обнаружение автомобильных парковочных мест на изображениях с использованием модифицированной модели YOLOv5 с полуконтролируемым обучением. Журнал Белорусского государственного университета. Математика. Информатика, 3, 72-81. Доступно по https://journals.bsu.by/index.php/mathematics/article/view/5776
Выпуск
№ 3 (2023): Журнал Белорусского государственного университета. Математика. Информатика
Раздел
Теоретические основы информатики

Copyright (c) 2023 Журнал Белорусского государственного университета. Математика. Информатика

Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.

Авторы, публикующиеся в данном журнале, соглашаются со следующим:

  1. Авторы сохраняют за собой авторские права на работу и предоставляют журналу право первой публикации работы на условиях лицензии Creative Commons Attribution-NonCommercial. 4.0 International (CC BY-NC 4.0).
  2. Авторы сохраняют право заключать отдельные контрактные договоренности, касающиеся неэксклюзивного распространения версии работы в опубликованном здесь виде (например, размещение ее в институтском хранилище, публикацию в книге) со ссылкой на ее оригинальную публикацию в этом журнале.
  3. Авторы имеют право размещать их работу в интернете (например, в институтском хранилище или на персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу. (См. The Effect of Open Access).