工業技術研究院

技術簡介

一種基於人工智能的方法來檢測兩輪車及其信號燈和行人，開發兩輪車與行人辨識引擎系統(BPDriveNet)，包含影像前處理、動靜態物件偵測辨識、感測融合等。辨識系統使用6224張影像進行測試，在IOU＞=0.5的條件下，整理辨識兩輪車(包含機車與腳踏車)與行人之平均辨識率為94.1％，其中機車辨識率為96％，腳踏車辨識率為92％，行人辨識率為90.6％。平均辨識時間為52.5 ms (以使用GTX1080為例)。

Abstract

The identification of 2 wheel transportations, trafic lights, and pedestrians is developed based on machine learning architecture using the identification engine BPDriveNet including image pre-processing, object detection, and multi-sensor fusion. The average identification rate is 94.1％ for 2 wheel transportations inlcuding scooter and bicycle and pedestrian, and the average identification time is 52.5 ms using GTX1080. Identification rate: * scooter: 96％ * bicycle: 92％ * pedeestrian: 90.6％

技術規格

在IOU＞=0.5的條件下，整理辨識兩輪車(包含機車與腳踏車)與行人之平均辨識率為94.1％，其中機車辨識率為96％，腳踏車辨識率為92％，行人辨識率為90.6％。平均辨識時間為52.5 ms (以使用GTX1080為例)。

Technical Specification

The average identification rate is 94.1％ for 2 wheel transportations inlcuding scooter and bicycle and pedestrian, and the average identification time is 52.5 ms using GTX1080. Identification rate: * scooter: 96％ * bicycle: 92％ * pedeestrian: 90.6％

技術特色

本技術型態學、叢集理論、以及相關尺寸大小等理論基礎開發辨識演算法，針對Lidar資料進行辨識，可有效提升系統可靠度、辨識速度與準確率。 兩輪車及行人之辨識，針對台灣多雙輪車及行人之特色，可實際應用在自動駕駛感知次系統中。 開發以Yolo v.3為基礎之物件辨識機器學習模組，並針對台灣交通中，在都會區兩輪車與行人為大多數之特殊現象，進行辨識演算法最佳化之開發。此辨識模組可以全面強化自駕車針對台灣都會區兩輪車與行人之辨識率，提升國內產業競爭力。

應用範圍

車用電子檢測, 可提供自駕車辨識模組廠商使用。

接受技術者具備基礎建議（設備）

光學檢測設備

接受技術者具備基礎建議（專業）

廠商需具備機器學習演算法之基礎能力，並可自行架設取像光學模組，即可承接工研院開發技術，但為了提高辨識之準確性，針對不同環境、天候等因素則須蒐集大量當地實地影像進行訓練。

聯絡資訊