《Computers》:Adaptive K-Fold Siamese Neural Network Classifier for Automatic Seatbelt Monitoring
Ahmed M. Hasan,
Farah F. Alkhalid,
Safanah M. Rafaat and
Amjad J. Humaidi
编辑推荐:
摘要:安全带是道路交通事故安全的重要保障。尽管大多数交通法规强制驾乘人员手动系好安全带,但基于人工智能(Artificial Intelligence,AI)的技术已被引入监测系统以提高安全标准。本研究提出一种基于自适应孪生神经网络(Siamese Neura
摘要:安全带是道路交通事故安全的重要保障。尽管大多数交通法规强制驾乘人员手动系好安全带,但基于人工智能(Artificial Intelligence,AI)的技术已被引入监测系统以提高安全标准。本研究提出一种基于自适应孪生神经网络(Siamese Neural Network,SNN)的深度学习(Deep Learning,DL)分类方法,利用K-Fold方法对特征进行校验,以解决安全带监测问题。所提出的基于自适应K-Fold的SNN方法使用含正类(系安全带)与负类(未系安全带)的二值安全带数据集来验证安全带状态。网络包含两个共享权重的卷积特征提取器(Convolutional Feature Extractor),后接基于距离的差异相似性函数(Dissimilarity-based Similarity Function)。为提高模型可靠性,采用5-Fold交叉验证(K=5),将数据集划分为5个子集,每次以其中4个子集训练、1个子集验证。模型采用二值交叉熵损失(Binary Cross Entropy Loss)与Adam优化器训练,并以准确率(Accuracy)、精确率(Precision)、召回率(Recall)及F1分数(F1 Score)作为性能指标。安全带数据集原为目标检测模型设计,研究人员将其用于验证模型中并取得高性能表现。模型基于Python Jupyter Notebook 7.5.1实现,安全带验证的平均准确率(Average Accuracy)= 0.9989、平均精确率(Average Precision)= 0.9988、平均召回率(Average Recall)= 0.9990、平均F1分数(Average F1 Score)= 0.9989。所提出的自适应K-Fold SNN模型可确保可靠性并降低过拟合风险。
论文解读:《Adaptive K-Fold Siamese Neural Network Classifier for Automatic Seatbelt Monitoring》发表于《Computers》
一、研究背景与意义
传统车辆安全带未系提醒依赖简单座位压力或锁扣传感器,易被欺骗且无法判断是否正确佩戴。基于计算机视觉的目标检测方法如YOLO(You Only Look Once)、SSD(Single Shot MultiBox Detector)虽有一定效果,但存在遮挡敏感、计算量大、需精确定位框等问题,且在复杂光照或角度下性能下降。现有文献尚未将孪生神经网络(Siamese Neural Network,SNN——一种由两个以上共享权重子网络组成、通过度量特征嵌入间相似度进行判别的神经网络架构)用于安全带状态判定。为此,研究人员提出一种结合5-Fold交叉验证的自适应SNN二值验证模型,将原本用于目标检测的安全带图像数据集重构为图像配对验证问题,以实现高精度、低过拟合风险的实时安全带合规监测。
二、主要关键技术方法
研究人员使用原始四类别个人防护装备数据集(含安全带seatbelt、头盔helmet、手套gloves、反光背心vest)中筛选出的安全带正负样本(系/未系),原始图像经灰度化(Grayscale Conversion)、缩放至100×100像素及归一化(像素值0–1)后,先按8:2划分为训练集与测试集,再于训练集内生成正样本对(同类别两图,标签1)与负样本对(跨类别两图,标签0)。采用离线数据增强(±20°旋转、±10%平移、±20%缩放、水平翻转、亮度0.7–1.3)。SNN由两个权重共享的CNN分支组成,各分支含卷积层(Convolutional Layer)、池化层(Pooling Layer)及全连接层(Fully Connected Layer),输出特征向量F1、F2,通过绝对差值distance = |F1? F2|计算嵌入差异,再经全连接层与Sigmoid激活函数输出相似概率y ∈ [0,1]。模型以二元交叉熵(Binary Cross Entropy Loss)为损失函数,Adam为优化器,在每一轮K-Fold(K=5)前重新初始化权重以避免数据泄露,最终取5次折交叉验证指标均值作为最终结果。部分对照实验比较了灰度图与彩色图输入。
三、研究结果
3.1 Siamese Neural Network Structure(孪生神经网络结构)
研究人员阐述SNN由双分支共享权重CNN构成,输入为两幅100×100×1灰度图像X1, X2∈?100×100×1,经同一特征提取函数f(·)得嵌入向量F1=f(X1)、F2=f(X2),相似度由绝对距离D=|F1?F2|度量,最终通过全连接层加权与偏置并经Sigmoid函数σ(·)输出y=σ(WTD+b),y≈1表示同类(相似),y≈0表示异类(不相似)。
3.2 K-Fold Validation(K-Fold交叉验证)
研究人员将数据集均分为5折,逐次以4折训练、1折验证,每折重新初始化模型,取5折平均性能指标以消除随机性与数据划分偏差,获得更稳健泛化能力估计。
3.3 Model Evaluation(模型评估)
采用Accuracy、Precision、Recall、F1 Score及混淆矩阵(Confusion Matrix)、ROC曲线与AUC(Area Under Curve)进行评估。
3.4 Methodology—Data Collection and Preprocessing(数据与预处理)
原始安全带数据集共8618张(正样本4118张、负样本4500张),经灰度化、缩放、归一化后按8:2切分再构造正负图像对,数据增强后样本扩至25851张。
3.5 The Proposed Model(所提模型)
SNN双CNN分支共享权重,相似性计算采用Lambda层实现绝对差值,末端接单神经元全连接+Sigmoid做二分类。算法明确先划分训练/测试集再生成配对,K-Fold每折重新建模型防止信息泄露。
3.6 Results and Discussion(结果与讨论)
无增强与含增强两组实验各运行5-Fold。平均性能指标为:Accuracy=0.9989,Precision=0.9988,Recall=0.9990,F1 Score=0.9989,AUC≈0.9996。训练与验证Accuracy曲线快速收敛(第2轮Epoch即达约99.28%训练/99.37%验证),Loss同步下降至约0.0313且无明显gap,说明无过拟合。灰度图与彩色图输入指标接近,因实时应用考量选用灰度图以降低计算量。混淆矩阵显示多数Fold TP(True Positive)与TN(True Negative)占绝大多数,部分Fold达100%正确分类。相较文献中YOLOv8、ResNet-50等目标检测或分类方案,所提SNN在二值安全带验证任务上精度相当或更高且参数量更少、无需边界框标注。
四、结论(翻译自Conclusion部分)
自动安全带监测系统(Automatic Seatbelt Monitoring Systems,ASMs)近十年随计算机视觉、可穿戴传感器与人工智能发展日益受到关注。本研究开发并评估了一种用于安全带验证的孪生神经网络(Siamese Neural Network,SNN),使用含系与未系安全带的正负样本图像数据集。模型采用5-Fold交叉验证训练与评估以确保性能稳健性。SNN为全监督模型,基于大量标注图像配对通过多轮迭代学习两类别(正/负)特征相似度。5-Fold平均结果:平均准确率(Average Accuracy)=99.89%,平均精确率(Average Precision)=99.88%,平均召回率(Average Recall)=99.90%,平均F1分数(Average F1 Score)=99.89%。高准确率表明模型可有效区分系与未系安全带;高精确率意味着模型极少将负样本误判为正;高召回率说明真阳性样本被正确识别。上述指标表明模型安全可靠。灰度与彩色输入结果相近,考虑到实时性选用灰度图像以降低处理时间。该方法具备车载实时安全带合规监测潜力。未来工作可将模型部署于真实场景,针对不同光照、角度与运动模糊进行优化,并与边缘计算设备或交通监控系统集成以实现实用化应用。