參賽隊伍 : 馬路糾察隊
作品簡述
本提案提出一個移動式的交通違規檢測系統，運用OpenVINO以及影像辨識技術，達到自動化道路違規檢測、並擷取違規事件影片、違規車輛照片(包含車牌偵測)，以利後續檢舉作業。
提案動機
台灣人口密集度很高，在幾個人口集中的城市更是明顯，衍生的交通問題，不時衝擊著民眾的生命安全；而交通問題，除了道路動線先天設計不良外，民眾守法觀念薄弱，更是造成交通意外頻傳的主因之一，包含違停、跨線超車之類的違規行為。
政府為了防堵交通違規，已在常發生事件的路段架設自動違規檢測系統，但因為是定點設置，也已經養成民眾只在該路段守法，其他路段依然故我的行車方式，這種被動式的檢測機制對整體交通安全的防護有限。
由內政部警政署所公布的統計資料，違規停車是多年來最嚴重的交通問題之一：
因此，本專案提出一套可移動式的錄影 + 交通違規檢測系統，運用OpenVINO串接各類影像相關的辨識技術，來達到自動化的道路違規檢測，並同時擷取違規事件發生時機點的影片，以利後續的檢舉作業。 期盼民眾可以建立良好駕駛習慣，人人都可以貢獻一己之力、檢舉不法情事。
解決方案
- 硬體：
- 軟體：
成果介紹短片
成果介紹
關於違規偵測，我們使用YOLOX的detection方法，資料的部分，我們準備了兩台行車記錄器的影片資料(mp4) 約10小時 ，人工擷取違規影片約5分鐘，標註了947 張違規照片做訓練，197張違規照片用於validation。最後inference時我們使用OpenVINO，實測結果每秒可推論27.6個Frame。(我們未來會再標記更多的資料來做訓練以避免overfitting)
關於車牌辨識，我們在違規偵測步驟會將違規車輛照片以及違規事件影片裁剪出來，接下來透過OCR做車牌辨識。原本我們嘗試使用open model zoo的text-detection-0012 & text_recognition_0014以及 text-spotting-0003-recognizer-encoder & text-spotting-0003-recognizer-decoder，但發現此兩種model在車牌角度傾斜時效果較差；故我們另外將PaddlePaddle pre-train好的OCR model透過model optimizer轉換成IR model，再使用OpenVINO做車牌辨識inference，最終detection和recognition的FPS約為55和129。
參考資料
1. https://github.com/Megvii-BaseDetection/YOLOX
2. https://github.com/PaddlePaddle/PaddleOCR