一、核心內(nèi)容概述

1.1 項目背景與目標(biāo)

隨著城市電動車保有量突破3.5億輛，違規(guī)停放問題已成為影響交通秩序和公共安全的重要挑戰(zhàn)。傳統(tǒng)固定監(jiān)控覆蓋范圍有限，無人機(jī)應(yīng)用受城市環(huán)境制約，智能停車樁部署成本高昂，亟需一種高效、低功耗的智能化解決方案——恐眼照你團(tuán)隊

本系統(tǒng)基于RDK X3開發(fā)板與TogetheROS.Bot平臺，構(gòu)建了一套集環(huán)境感知、智能識別、自動導(dǎo)航于一體的電動車違停檢測系統(tǒng)，旨在實現(xiàn)：

固定區(qū)域內(nèi)的自主巡邏與導(dǎo)航

電動車違停行為的實時檢測與判斷

違規(guī)車輛的車牌識別與信息記錄

人機(jī)交互語音提示功能

1.2 系統(tǒng)工作流程

環(huán)境建圖與導(dǎo)航：通過N10激光雷達(dá)獲取點云數(shù)據(jù)，利用Gmapping算法完成區(qū)域地圖構(gòu)建，基于Nav2框架實現(xiàn)A*算法路徑規(guī)劃。

目標(biāo)檢測與語義分割：使用YOLOv5算法識別電動車及障礙物，結(jié)合Mobilenet-UNet語義分割模型區(qū)分停車區(qū)域與禁停區(qū)域。

違停判斷邏輯：通過檢測框底部線段與停車線的相交關(guān)系，計算區(qū)域內(nèi)占比判斷違停狀態(tài)，支持消防通道等禁停區(qū)域檢測。

數(shù)據(jù)交互與記錄：通過Socket通信將違規(guī)車輛圖像傳輸至PC端，利用HyperLPR3實現(xiàn)車牌識別并記錄至Excel。

二、創(chuàng)新點解析

2.1 邊緣計算部署創(chuàng)新

低功耗高性能架構(gòu)：基于旭日X3開發(fā)板（5T運算量，低功耗）部署多模型，突破傳統(tǒng)CPU+GPU架構(gòu)功耗瓶頸，為邊緣設(shè)備違停檢測提供新思路。

多模型協(xié)同優(yōu)化：在單一開發(fā)板上集成YOLOv5目標(biāo)檢測、Mobilenet-UNet語義分割，通過模型輕量化處理實現(xiàn)實時推理（檢測幀率≥15FPS）。

2.2 算法與系統(tǒng)設(shè)計創(chuàng)新

動態(tài)區(qū)域檢測策略：根據(jù)小車巡邏路徑（默認(rèn)左側(cè)行駛）優(yōu)化檢測區(qū)間，聚焦圖像右側(cè)目標(biāo)，減少干擾并提升檢測效率。

違停判斷算法創(chuàng)新：針對機(jī)器人低視角特性，提出基于檢測框底部線段的相交比計算方法，相比傳統(tǒng)交并比算法更適應(yīng)實際場景。

全流程自動化方案：從環(huán)境建圖、目標(biāo)檢測到車牌識別形成閉環(huán)，減少人工干預(yù)，系統(tǒng)誤檢率＜5%，漏檢率＜3%。

2.3 工程化應(yīng)用創(chuàng)新

可移植數(shù)據(jù)集構(gòu)建：收集涵蓋小區(qū)、寫字樓、商圈等多場景數(shù)據(jù)，模型可快速遷移至不同應(yīng)用環(huán)境。

低成本硬件方案：采用STM32F407VET6控制板與N10激光雷達(dá)組合，硬件成本較同類方案降低40%。

三、硬件系統(tǒng)架構(gòu)

3.1 核心硬件組件

3.2 硬件連接示意圖

RDK X3開發(fā)板 ←串口→ STM32F407VET6控制板
          ↖USB→ N10激光雷達(dá)
          ↖USB→ 攝像頭
          ↖I2C→ Audio Driver HAT語音模塊
STM32F407VET6 ←I2C→ MPU6050
               ←PWM→ AT8236電機(jī)驅(qū)動板 ←→ 直流減速電機(jī)

四、軟件系統(tǒng)設(shè)計

4.1 系統(tǒng)架構(gòu)分層

4.1.1 感知層

環(huán)境感知：N10激光雷達(dá)點云數(shù)據(jù)采集（掃描范圍360°，測距精度±3cm）

視覺感知：USB攝像頭圖像采集（1080P/30FPS），YOLOv5目標(biāo)檢測（電動車、障礙物識別）

姿態(tài)感知：MPU6050六軸數(shù)據(jù)采集（加速度±16g，角速度±2000°/s）

4.1.2 控制層

• 建圖導(dǎo)航：

# Gmapping建圖核心流程
import rospy
from sensor_msgs.msg import LaserScan
from nav_msgs.msg import OccupancyGrid

def laser_callback(scan):
    # 激光雷達(dá)數(shù)據(jù)預(yù)處理
    processed_data = preprocess_laser(scan)
    # 發(fā)布至Gmapping節(jié)點
    gmapping_pub.publish(processed_data)

def map_callback(map_data):
    # 地圖保存邏輯
    save_occupancy_grid(map_data)

導(dǎo)航控制：Nav2框架集成A*算法，支持目標(biāo)點導(dǎo)航與路徑規(guī)劃

違停判斷：基于語義分割結(jié)果與YOLOv5檢測框的坐標(biāo)運算

4.1.3 應(yīng)用層

人機(jī)交互：語音指令解析（關(guān)鍵詞識別）與播報（TTS合成）

數(shù)據(jù)管理：Socket通信（TCP協(xié)議）實現(xiàn)圖像傳輸，HyperLPR3車牌識別，Excel記錄系統(tǒng)

4.2 算法核心模塊

4.2.1 YOLOv5目標(biāo)檢測

# YOLOv5推理流程（簡化）
import torch

# 加載模型
model = torch.hub.load('ultralytics/yolov5', 'custom', path='電動車檢測模型.pt')

def detect_bicycle(img):
    # 圖像預(yù)處理
    results = model(img)
    # 過濾電動車類別（class=0）
    bicycle_detections = results.xyxy[0][results.xyxy[0][:, 5] == 0]
    return bicycle_detections

4.2.2 語義分割與違停判斷

# 語義分割與違停判斷邏輯
def is_parking_violation(bicycle_box, seg_mask):
    # 獲取停車線區(qū)域
    parking_lines = get_parking_lines(seg_mask)
    if not parking_lines:
        return True  # 無停車線時視為違停
    
    # 提取檢測框底部線段
    bottom_line = get_bottom_line(bicycle_box)
    # 計算線段與停車線交點
    intersections = line_intersection(bottom_line, parking_lines)
    
    if intersections:
        # 計算區(qū)域內(nèi)占比
        in_ratio = calculate_ratio(intersections, bottom_line)
        return in_ratio < 0.5  # 區(qū)域內(nèi)占比＜50%視為違停
    else:
        # 延長線檢測邏輯
        extended_line = extend_line(bottom_line)
        cross_count = count_crossings(extended_line, parking_lines)
        return cross_count < 1  # 穿越次數(shù)＜1視為違停

五、系統(tǒng)性能與應(yīng)用場景

5.1 關(guān)鍵性能指標(biāo)

檢測準(zhǔn)確率：電動車識別準(zhǔn)確率92.3%，違停判斷準(zhǔn)確率89.7%

響應(yīng)時間：從檢測到完成車牌記錄全程＜10秒

續(xù)航能力：搭載12V/5Ah鋰電池，連續(xù)巡邏時間≥4小時

環(huán)境適應(yīng)性：支持0.5m/s以下風(fēng)速、-10℃~40℃溫度環(huán)境

5.2 典型應(yīng)用場景

小區(qū)/校園管理：自動巡檢消防通道、樓道口等禁停區(qū)域

商業(yè)綜合體：規(guī)范電動車停放秩序，優(yōu)化出入口通行效率

智慧城市管理：為城管部門提供違停數(shù)據(jù)支持，輔助執(zhí)法決策