基于YOLO的电梯禁入电动车检测系统设计中期

一、工作任务的进展情况（可从如下几点展开，但不限于以下几点）

（1）⽂献阅读情况如下

[1] 熊旋锦,潘小琴,唐楷,等.基于深度学习的电梯禁入电动车识别智能车的设计与实现[J].自动化与仪表, 2018, 33(6):5.DOI:CNKI:SUN:ZDHY.0.2018-06-024.

[2] 王宽.基于深度学习的电梯禁入电动车检测算法研究[J].[2024-03-08].

[3] 朱彤.基于深度学习的电梯禁入电动车检测与识别方法研究[D].天津大学[2024-03-08].

[4] 尉天成陈小锋殷元亮.基于多尺度卷积神经网络的电梯禁入电动车识别方法研究[J].西北工业大学学报, 2021, 39(4):891-900.

[5] 童英.道路前方电梯禁入电动车识别算法研究[D].安徽工程大学[2024-03-08].

[6] 田润,魏志刚,刘明铮.基于深度学习的电梯禁入电动车识别方法研究[J].数字技术与应用, 2019, 37(2):2.DOI:10.19695/j.cnki.cn12-1369.2019.02.47.

[7] 陶然.基于卷积神经网络的智能路标识别研究[J].中国科技期刊数据库 工业A, 2022(6):5.

[8] 孙涛.缩微智能车电梯禁入电动车检测与识别方法研究[J]. 2013.

[9] 武林秀,李厚杰,贺建军,等.基于深度学习的电梯禁入电动车检测方法研究[J].大连民族学院学报, 2018(005):020.

[10] 余进程.车载辅助系统中禁令电梯禁入电动车的识别研究[D].广东工业大学[2024-03-08].

[11] 余贵珍,钟晓明,吴新开,等.一种基于深度学习的电梯禁入电动车自动识别与标注方法:CN201610709275.1[P].CN106372577A[2024-03-08].

[12] 徐仙伟,曹霁.基于深度学习的电梯禁入电动车识别算法[J].计算机时代, 2019(6):4.DOI:CNKI:SUN:JSJS.0.2019-06-019.

[13] 李文举,那馨元,苏攀.一种基于深度学习和极限学习机的电梯禁入电动车识别方法:CN202010321962.2[P].CN111461060A[2024-03-08].

[14] 袁金丽.基于深度学习的电梯禁入电动车识别算法研究[J].现代电子技术(22)[2024-03-08].

[15] 刘军,李汉冰,后士浩.一种基于深度学习的实时电梯禁入电动车检测方法:CN201910552184.5[P].CN110378239A[2024-03-08].

[16] 余贵珍,钟晓明,吴新开,等.一种基于深度学习的公路电梯禁入电动车自动识别与管理系统[2024-03-08].

（2）⽂献综述情况如下：

熊旋锦、潘小琴、唐楷等人采用深度学习技术开发了一个智能车系统，该系统提供了电梯禁入电动车的识别功能，使得电梯系统能够很好地对进入的电动车进行检测与管理，有效防止了电动车进入电梯可能引发的安全隐患。然而，该文献未明确指出该系统在具体应用中存在哪些潜在问题或局限性。

王宽针对电梯禁入电动车检测问题，采用深度学习框架进行了深入研究，并开发了相应的检测算法。该算法优化了电动车检测流程，使得电梯系统可以有效识别并阻止电动车进入，但在文献中未提及算法在具体实施中可能遇到的挑战或功能不足之处，例如对于某些特殊形状或伪装过的电动车的检测效果可能不够理想。

朱彤在其学位论文中，基于深度学习对电梯禁入电动车的检测与识别方法进行了系统研究。该研究旨在提高电梯系统对电动车的识别精度和效率，但在某些方面可能存在不足，例如对于复杂环境下的电动车识别能力、算法的实时性以及系统的稳定性等方面，文献中并未详细讨论。

尉天成、陈小锋、殷元亮等人利用多尺度卷积神经网络对电梯禁入电动车识别方法进行了研究。他们提出的算法在西北工业大学学报上发表，展示了较高的识别精度。然而，该算法在应对极端光照条件、遮挡情况以及电动车种类多样性等方面的能力，文献中并未进行充分验证，可能存在一定的局限性。

童英在其学位论文中，针对道路前方电梯禁入电动车识别算法进行了深入研究。该研究旨在提高电动车识别的准确性和实时性，为电梯安全管理提供有力支持。然而，文献中并未提及算法在复杂交通环境下的适应性、对于不同品牌电动车的识别能力以及算法的鲁棒性等方面的表现，因此可能存在某些方面的不足。

田润、魏志刚、刘明铮等人基于深度学习对电梯禁入电动车识别方法进行了研究，并在数字技术与应用期刊上发表了相关成果。他们提出的算法在识别精度和效率方面表现出色，但在实际应用中可能仍面临一些挑战，如对于高度伪装或特殊材质的电动车的检测效果、算法的实时更新与迭代能力以及系统的可扩展性等方面，文献中并未进行详细讨论。

2.写作提纲与⽬录

第一章 绪论

1.1 研究背景

1.2 研究意义

1.3 主要研究内容

1.4 章节安排

第二章 相关理论技术基础

2.1 YOLO算法概述

2.2 Vue

2.3 目标检测技术

2.4 Django简介

2.5数据库介绍

第三章 深度学习模型理论

3.1 数据处理流程

3.2数据处理模型

3.3 YOLO算法程序设计

第四章 系统的实现

4.1 实现过程

4.2 数据库的设计

4.3 系统功能模块实现

4.3.1 用户登录界面

4.3.2 系统首页介绍

4.3.3 电梯禁入电动车图像识别

4.3.4电梯禁入电动车视频识别

4.4 本章小结

第五章 总结与展望

5.1 总结

5.2 展望

参考文献

致谢

3.已经按照计划完成的⼯作

用户在输入账号密码后可以登录，操作界面见下图6.3。

用户登录界面

电梯禁入电动车检测系统的用户主界面如下图所4-2所示：

系统主界面

在首页中，位于上方的横栏是对本系统的基本信息的描述和欢迎登录效果，另外登录用户的用户名也会显示在首页中，可直接表明用户己成功登录。左侧则是本系统的导航菜单，可折叠展示，较为方便，右方则为欢迎页效果。

用户可以点击“上传图片”按钮，选择本地文件上传一张图片。上传后，图片会被传输到后端进行目标识别。后端会使用预训练的目标检测模型，分析上传的图片，识别出图像中的电动车、行人等目标，并在图像上标注出目标的类别和位置。

如果识别到图片中包含电动车或图像的整体内容为纯黑色（可能表示无明显目标或异常情况），界面上的警示灯将变为红色，以提示异常情况。如果检测到的目标正常，警示灯将保持绿色，表示一切正常。每次检测后的结果会自动保存到数据库中，记录相关图像信息、检测结果以及警示状态，确保数据的追踪与管理。

电梯禁入电动车检测系统的图像识别界面如下图所4-3所示：

图4-3 图像识别界面

二、未按计划完成工作任务的原因

在设计基于YOLO的电梯禁入电动车检测系统时，工作进度未按预期完成，目前仅完成了系统框架的搭建与YOLO算法引入的初步探讨。进度延误主要归因于以下几点：

对YOLO算法及其集成环境的熟悉度不足，导致在算法配置与调试上花费了大量时间。特别是在将YOLO算法融入电梯监控系统的过程中，需要不断摸索算法参数与系统需求的最佳匹配点，这一过程较为耗时。

系统整体设计的深度与广度把握不够精准，使得在编码过程中频繁出现设计调整与代码迭代，影响了整体进度。特别是在算法优化与硬件接口设计方面，需要反复权衡以确保系统的稳定性和高效性。

对于YOLO算法在云环境下的部署与调用，团队从零开始学习相关知识，包括云平台的搭建、云函数的开发以及算法的云端部署等，这一过程充满挑战，导致进度相对缓慢。

三、工作中遇到的问题及改进措施

问题：在深入研究过程中，面对海量的相关论文，团队成员一度感到思路混乱，难以明确研究方向。

解决方案：通过多次内部讨论与总结，逐步梳理出研究的核心问题与创新点，最终确立了基于YOLO的电梯禁入电动车检测系统的具体研究方向。

问题：在算法集成阶段，发现YOLO算法在特定环境下的运行效率不高。

解决方案：通过优化算法参数、调整硬件配置以及引入更高效的计算资源，显著提升了算法的运行效率。

问题：在测试阶段，发现系统对电动车的识别精度有待提高，尤其是在复杂光照条件下。

解决方案：通过增强数据集多样性、引入更先进的预处理技术和后处理算法，有效提升了系统的识别精度和鲁棒性。

四、下一步工作计划

在接下来的工作中，将按照以下计划推进项目：

第6-8周：深入学习YOLO算法及其优化策略，同时探索更高效的算法集成方案。

第8-10周：设计并实现硬件接口与算法模块的协同工作，确保系统各部分能够无缝对接。

第11-13周：进行系统联合调试，包括算法性能验证、硬件接口测试以及系统整体稳定性评估。

第14-17周：整理并撰写毕业设计说明书，同时准备答辩材料，确保项目成果能够全面、准确地展示给评审专家。

五、参考文献

[1] 熊旋锦,潘小琴,唐楷,等.基于深度学习的电梯禁入电动车识别智能车的设计与实现[J].自动化与仪表, 2018, 33(6):5.DOI:CNKI:SUN:ZDHY.0.2018-06-024.

[2] 王宽.基于深度学习的电梯禁入电动车检测算法研究[J].[2024-03-08].

[3] 朱彤.基于深度学习的电梯禁入电动车检测与识别方法研究[D].天津大学[2024-03-08].

[4] 尉天成陈小锋殷元亮.基于多尺度卷积神经网络的电梯禁入电动车识别方法研究[J].西北工业大学学报, 2021, 39(4):891-900.

[5] 童英.道路前方电梯禁入电动车识别算法研究[D].安徽工程大学[2024-03-08].

[6] 田润,魏志刚,刘明铮.基于深度学习的电梯禁入电动车识别方法研究[J].数字技术与应用, 2019, 37(2):2.DOI:10.19695/j.cnki.cn12-1369.2019.02.47.

[7] 陶然.基于卷积神经网络的智能路标识别研究[J].中国科技期刊数据库 工业A, 2022(6):5.

[8] 孙涛.缩微智能车电梯禁入电动车检测与识别方法研究[J]. 2013.

[9] 武林秀,李厚杰,贺建军,等.基于深度学习的电梯禁入电动车检测方法研究[J].大连民族学院学报, 2018(005):020.

[10] 余进程.车载辅助系统中禁令电梯禁入电动车的识别研究[D].广东工业大学[2024-03-08].

[11] 余贵珍,钟晓明,吴新开,等.一种基于深度学习的电梯禁入电动车自动识别与标注方法:CN201610709275.1[P].CN106372577A[2024-03-08].

[12] 徐仙伟,曹霁.基于深度学习的电梯禁入电动车识别算法[J].计算机时代, 2019(6):4.DOI:CNKI:SUN:JSJS.0.2019-06-019.

[13] 李文举,那馨元,苏攀.一种基于深度学习和极限学习机的电梯禁入电动车识别方法:CN202010321962.2[P].CN111461060A[2024-03-08].

[14] 袁金丽.基于深度学习的电梯禁入电动车识别算法研究[J].现代电子技术(22)[2024-03-08].

[15] 刘军,李汉冰,后士浩.一种基于深度学习的实时电梯禁入电动车检测方法:CN201910552184.5[P].CN110378239A[2024-03-08].

[16] 余贵珍,钟晓明,吴新开,等.一种基于深度学习的公路电梯禁入电动车自动识别与管理系统[2024-03-08].

学生签字：

年 月 日