目前，我国电动自行车保有量已超过3.5亿辆。有限的充电场所难以满足日益增长的充电需求。许多人选择将电动车通过电梯带进家中充电。因此，火灾事故时有发生。数据显示，与电动车有关的起火事故占火灾总比35%。电梯空间狭小密闭，电动车一旦起火，将对人身安全带来巨大威胁。电梯内一般安装有监控摄像头，而通过人工巡检的方式费时费力，容易造成漏检。因此，许多企业开发了基于人工智能视觉分析的电动车进电梯识别系统。
在实际应用中，大部分电动车进电梯识别系统存在大量误报或漏报。因此，如何梯轿厢电动车识别的准确率是面临的一大难点。
难点解析
目前，电动车进电梯识别算法核心问题为召回率与准确率不足。AI视觉识别难点主要分为以下三个方面。
1、电动车进电梯后空间受限且目标遮挡
受到电梯空间、摄像头安装角度、人员密集等条件影响，电动车进电梯后目标被部分或严重遮挡，只有少部分数据可供神经网络学习。由于遮挡数据的多样性与复杂性，模型只能学习到局部特征，容易造成过拟合，从而引发漏报或误报问题。
如上左图，电动车目标被人员遮挡，漏出仪表盘与车筐。如上右图，电动车被人员遮挡，漏出车尾且画质模糊。以上遮挡与模糊问题影响神经网络特征学习。
2、电动车外观形态差异多样
不同品牌型号电动车外观差异多样，如自行车式电动车、电摩。不同电动车装载配饰多样，如带挡风。多样化的外观与配饰差异使模型难以提取共性特征，给模型检测带来了困难。
如上左图，带挡风的电动车为装饰物，其改变了电动车原有特征属性。如上右图，自行车式电动车与自行车形态相似增加了深度学习模型辨别难度。
3、相似目标较难区分
电梯内目标复杂，存在多种与电动车相似物体，比如滑板车，自行车部分特征与电动车相似。由于遮挡问题训练处的过拟合模型，很容易将这些相似目标误报为电动车，导致电动车进电梯识别的不准确。
如上图，滑板车、自行车部分外形特征与电动车相似。由于遮挡数据与细粒度特征学习能力差异，容易导致模型过拟合，产生误报。
解决方案
为了解决电动车进电梯识别中出现的遮挡、形态多样、相似目标引起的模型漏报与误报问题。本方案采取了数据与模型增强方式，提升模型性能与泛化能力。
1、数据增强
（1）Random Erasing
采用Random Erasing数据增强方式，模拟目标被遮挡问题，获取多样性遮挡目标，使模型更加关注区分性特征。具体方法如下。
- 随机选图：首先设定图像被选中的概率pt，如果随机概率p>pt，则该图像需进行随机擦除
- 随机区域：在整幅图像中随机选择1个点pi，设置随机擦除的面积s以及目标宽高比t
- 随机像素：在随机擦除的位置，给每个像素随机赋值[0,255]
（2）CutMix
由于随机擦除的方式让网络接收的有效信息变少，能不能在擦除的同时，用别的特征补上？采用CutMix对电瓶车目标图像随机位置用新图遮盖。图像的特征为两图像的混合，图像的标签为两图像的one-hot编码的加权。这样做的目的：使网络更加关注被检目标的区分性特征，同时学习遮盖图像的有效特征。具体方法如下：
- 参数设置：设置电瓶车目标图像与遮盖图像的融合率lamda
- 随机选图：选取遮盖图像，并根据随机区域进行裁剪
- 随机区域：随机裁剪区域为(rx,ry,rw,rh)，这四个值按照公式（2）计算
- 两图融合：将裁剪出的遮盖图像RegionB覆盖至图像A，在A中的位置与在B中的位置相同，标签为两one-hot标签的加权融合值
2、模型增强
注意力机制模型增强
综合考虑检测精度、待检测目标尺寸等因素，选择yolov5s作为本方案的基础模型；在此基础上，在模型的主干网络中嵌入坐标注意力机制（coordinate attention，CA）以提高网络对遮挡目标的检测能力，坐标注意力是一种将位置信息嵌入到通道中的轻量级注意力机制，可以有效增强网络提取特征的表达效果。将注意力增强后的C3模块命名为C3s。
遮挡目标网络可用特征有限，需要更加关注细粒度的区分性特征，C3s模块关注关键区分性特征，使模型辨别能力更强。
