本发明涉及视觉监控领域，具体涉及一种二轮电动车交通违规行为检测方法及系统。
背景技术：
1、随着电动车的普及和数量的激增，电动车在道路交通中的违规行为也日益增多，给交通安全带来了极大的隐患。为了有效减少电动车交通违规行为，提高道路安全水平，电动车交通违规行为检测技术应运而生。
2、电动车交通违规行为检测技术是一种利用先进技术手段，对电动车在道路交通中的违规行为进行自动识别和监测的系统。该技术主要包括视频监控、图像识别、车牌识别、人工智能等核心技术，通过安装在道路交通要道的监控摄像头，对电动车的行驶轨迹、速度、闯红灯、逆行、违法载人等违规行为进行实时捕捉和记录。在电动车交通违规行为检测帮助下，交管部门可以更加高效地监管电动车的行驶情况，及时发现并处理违规行为。可以对违规行为进行统计分析，为交管部门提供数据支持，帮助他们更好地了解电动车违规行为的规律和特点，制定更加有效的交通管理措施。
3、电动车交通违规行为检测技术的优势在于其高效、准确、实时等特点。通过自动化识别和监测，系统可以大大减少人工监管的工作量，提高监管效率。同时，系统可以24小时不间断地运行，对电动车的违规行为进行实时捕捉和记录，确保道路交通的安全。但是由于电动车种类繁多、行驶环境复杂，导致现有电动车交通违规行为检测误判率及漏判率较高的问题。
4、公开于该背景技术部分的信息仅用于加深对本公开的背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。
技术实现思路
1、鉴于以上技术问题中的至少一项，本公开提供了一种二轮电动车交通违规行为检测方法及系统，旨在解决现有电动车交通违规行为检测准确度及可靠性低的技术问题。
2、根据本公开的一个方面，提供一种二轮电动车交通违规行为检测方法，包括如下步骤：
3、（1）构建二轮电动车违章行为图像的数据集，并向相应的图像中添加对应的环境干扰因素；
4、（2）对所构建的二轮电动车违章行为图像的数据集按照违规行为进行数据标注，并按照一定比例将数据集划分为训练集和验证集；
5、（3）建立包括输入端、backbone网络、neck网络、head网络以及输出端的yolov5目标检测改进模型；所述输入端对所述数据集进行mosaic数据增强及自适应缩放，并对应调整锚框尺寸、比例及数量；所述backbone网络包括focus模块、c3模块、sppf模块以及设于sppf模块相邻上层的eca模块；所述head网络使用mpdiou损失函数参与模型训练；
6、（4）采用深度学习框架依据所述训练集和验证集分别对所述yolov5目标检测改进模型进行模型训练和模型测试；
7、（5）根据所述yolov5目标检测改进模型的输出，对待判定材料进行电动车违规类型的分类判定，截取出待判定材料中的违规车辆，并对应识别违规车辆车牌号；
8、（6）对应违规电动车识别车辆车牌号后，采用数据库存储车辆违规类别和对应的车主通讯方式，并且将违规判定图像上传至云端系统；并实时发送违规信息。
9、在本公开的一些实施例中，在所述步骤（1）中，所述环境干扰因素包括雨雪天气、大雾天气、安装挡风玻璃、穿戴雨衣、佩戴与安全头盔类似的防护帽或遮阳帽、环境光照。
10、在本公开的一些实施例中，在所述步骤（2）中，所述数据集按照7：3或6：4的比例随机划分为对应的训练集和验证集。
11、在本公开的一些实施例中，在所述步骤（3）中，所述自适应缩放包括如下子步骤：
12、（311）根据将大小为w×s的图像缩放为s×s的正方形图像的需求，计算 min｛s/w，s/h｝作为缩放比；
13、（312）通过w× min｛s/w，s/h｝和h× min｛s/w，s/h｝得到缩放尺寸；
14、（313）通过x=|w×min｛s/w，s/h｝- h×min｛s/w，s/h｝|，计算需要填补的灰边，得到缩放后的正方形图像。
15、在本公开的一些实施例中，在所述步骤（3）中，对于不同尺度的特征层，所述c3模块对应包括相应体积的卷积核。
16、在本公开的一些实施例中，在所述步骤（3）中，mpdiou损失函数：
17、;
18、 ;
19、;
20、其中， 分别为预测边界框左上角与右下角点的横坐标与纵坐标， 分别为实际标注边界框左上角与右下角点的横坐标与纵坐标，w为图像宽度，h为图像高度，iou为交并比。
21、在本公开的一些实施例中，在所述步骤（4）中，所述eca模块处理过程包括如下子步骤：
22、（321）输入特征图经过全局平均池化，将特征图从 [h,w,c]的矩阵变成 [1,1,c]的向量；
23、（322）根据特征图的通道数计算自适应一维卷积核大小 kernel_size；
24、（323）将 kernel_size 用于一维卷积中，得到对于特征图的每个通道的权重；
25、（324）将归一化权重和原输入特征图逐通道相乘，生成加权后的特征图。
26、在本公开的一些实施例中，在所述步骤（4）中，所述深度学习框架采用pytorch框架或paddle框架；模型训练迭代过程中根据平均精确度map确定最佳模型网络参数。
27、在本公开的一些实施例中，在所述步骤（5）中，所述yolov5目标检测改进模型的分别输出对应电动车及违规行为的目标框，根据违规行为对应的目标框与电动车对应的目标框的重叠程度判定二轮电动车违规情况。
28、根据本公开的另一个方面，提供一种二轮电动车交通违规行为检测系统，用于实施上述交通违规行为检测方法，其包括用于采集违规视频材料的信息采集模块、与所述信息采集模块通信连接且用于判定违规信息及车辆信息的识别终端、上传违规信息至云端的上传模块、用于向车主发送违规通知的短信发送模块。
29、本技术实施例中提供的一个或多个技术方案，至少具有如下任一技术效果或优点：
30、1. 在数据集的构建中加入大量的干扰因素，包括雨雪天气、大雾天气、安装挡风玻璃、穿戴雨衣、佩戴与安全头盔类似的防护帽或遮阳帽、环境光照等，可有效扩充丰富数据集的规模性和多样性，有助于提高目标检测改进模型在不同环境条件下的泛化能力。
31、2. 目标检测改进模型包括focus模块，通过将卷积和批量归一化操作融合，可有效减少计算量、提高特征提取效率及提升模型鲁棒性。
32、3. 目标检测改进模型使用mpdiou损失函数，通过考虑重叠区域、中心点距离、纵横比等因素，可更为全面地评估目标检测的准确性。
33、4. 引入eca注意力机制，从而增强目标检测改进模型神经网络对通道信息的利用能力，提高模型运行性能，使得模型在检测任务中表现出良好的泛化能力。
34、5. 通过调整锚框的尺寸、比例和数量，可更好的匹配训练数据集中的目标尺寸。其中，在p2/4尺度上增加锚点可提供更细致的尺度覆盖，有助于模型检测更小尺寸的目标，同时可增加模型的灵活性，使得模型能适应更为广泛的目标尺寸。此外，在p2/4尺度上增加锚点使得模型可利用更早期的特征图进行检测，提高小目标的检测准确率，并允许更精细的调整损失函数，以优化小目标检测。
1.一种二轮电动车交通违规行为检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的二轮电动车交通违规行为检测方法，其特征在于，在所述步骤（1）中，所述环境干扰因素包括雨雪天气、大雾天气、安装挡风玻璃、穿戴雨衣、佩戴与安全头盔类似的防护帽或遮阳帽、环境光照。
3.根据权利要求1所述的二轮电动车交通违规行为检测方法，其特征在于，在所述步骤（2）中，所述数据集按照7：3或6：4的比例随机划分为对应的训练集和验证集。
4.根据权利要求1所述的二轮电动车交通违规行为检测方法，其特征在于，在所述步骤（3）中，所述自适应缩放包括如下子步骤：
5.根据权利要求1所述的二轮电动车交通违规行为检测方法，其特征在于，在所述步骤（3）中，对于不同尺度的特征层，所述c3模块对应包括相应体积的卷积核。
6.根据权利要求1所述的二轮电动车交通违规行为检测方法，其特征在于，在所述步骤（3）中，mpdiou损失函数：
7.根据权利要求1所述的二轮电动车交通违规行为检测方法，其特征在于，在所述步骤（3）中，所述eca模块处理过程包括如下子步骤：
8.根据权利要求1所述的二轮电动车交通违规行为检测方法，其特征在于，在所述步骤（4）中，所述深度学习框架采用pytorch框架或paddle框架；模型训练迭代过程中根据平均精确度map确定最佳模型网络参数。
9.根据权利要求1所述的二轮电动车交通违规行为检测方法，其特征在于，在所述步骤（5）中，所述yolov5目标检测改进模型的分别输出对应电动车及违规行为的目标框，根据违规行为对应的目标框与电动车对应的目标框的重叠程度判定二轮电动车违规情况。
10.一种二轮电动车交通违规行为检测系统，用于实施权利要求1所述的交通违规行为检测方法，其特征在于，包括用于采集违规视频材料的信息采集模块、与所述信息采集模块通信连接且用于判定违规信息及车辆信息的识别终端、上传违规信息至云端的上传模块、用于向车主发送违规通知的短信发送模块。
