參賽團隊名稱: 7STARLAKE
提案動機
以肉眼調閱行車紀錄器十分費時且需要人力，若能利用 AI 自動即時偵測並擷取其中片段再由人工二次確認將能提高效率，也能嚇阻違規事件並預防交通意外發生。
希望利用 object detection model 即時偵測路況，並能透過辨識一些常見的道路物件來達到分析交通事件的效果，例如:偵測違停、闖紅燈車輛等。
解決方案技術架構及執行方法
技術架構：
■ 主要由三層不同的AI模型組成
- 第一層偵測常見道路物件
- 第二層針對偵測到的各種車輛物件進一步偵測車牌位置
- 第三層對偵測到的車牌進行辨識
執行方法：
■ 針對三層模型建構各自的模型、訓練集
■ 整合模型三層模型成為單一的混和模型，一次性的推論整個影像物件與事件
OpenVINO 的部署
我們的需求，OpenVINO已經有原本的架構模型可以測試，我們實測：
■ models:
●license-plate-recognition-barrier-0001 車牌辨識
●vehicle-attributes-recognition-barrier-0042 車輛偵測
●vehicle-license-plate-detection-barrier-0106 車輛上車牌位置辨識
■ 三者依序疊合架構執行效果無法符合我們的實際道路應用場景
我們自有的混和模型架構
1.Pytorch 建立我們自有的三層模型
2.OpenVINO 部署
■ Pytorch to ONNX
■ ONNX to IR
3.完成部署，進行推論
OpenVINO 驗證
hello_query_device
■ Intel i7 – 1185GRE @ 2.8GHz
benchmark_app
■ 執行的情況 21.13FPS