48、AI与物联网集成在机场智能停车中的应用研究

AI与物联网集成在机场智能停车中的应用研究

在当今科技飞速发展的时代，人工智能（AI）与物联网（IoT）的集成应用正逐渐改变着各个领域，机场智能停车便是其中一个典型案例。为了评估AI - IoT集成过程，相关人员利用开发的物联网智能停车设备，在实际部署场景中进行了一系列实验，重点关注了不同时间、天气和光照条件下的能耗、处理时间和检测精度。

1. 能耗实验

能耗是衡量智能停车设备性能的重要指标之一，尤其是对于可能无法接入主电源的室外停车场。本次实验对开发的智能停车设备进行了能耗评估，采用了两种AI集成模式：边缘模式和雾模式。
- 边缘模式 ：直接在智能停车设备上部署OpenALPR框架，以执行车辆识别任务。
- 雾模式 ：设备需要向运行OpenALPR作为车辆识别服务的本地网络服务器发出Rest API调用。

设备在白天和夜间均由标准的10,000 mAh移动电源供电，白天最高温度为30°C，夜间最低温度为7°C。实验测试了设备在两种运行模式下的能耗：
- 正常模式 ：设备每小时执行一次车辆识别过程。
- 耗尽模式 ：设备重复执行车辆识别过程。

此外，还进行了利用能量收集技术为设备供电的实验，使用了带有太阳能充电器的12,000 mAh移动电源。通过电池寿命来衡量能耗水平，不同场景下的实验结果如下表所示：

模式	制度	电池/移动电源	正常（最小）	正常（最大）	耗尽（最小）	耗尽（最大）
边缘		10,000 mAh	9 h 17 m	9 h 19 m	7 h 21 m	7 h 23 m
雾		10,000 mAh	8 h 12 m	8 h 18 m	6 h 17 m	6 h 20 m
雾		太阳能12,000 mAh	24 h+	24 h+	24 h+	24 h+

从表中结果可以明显看出，边缘AI集成模式下设备能耗更低。这意味着与运行用于车辆品牌、型号、颜色和车牌号识别的AI算法所消耗的能量相比，Wi - Fi通信的能耗更为显著，甚至更高。此外，当设备使用带有太阳能充电器的12,000 mAh移动电源供电时，在正常和耗尽模式下都能工作超过24小时，这表明该设备可以使用太阳能电池等能量收集技术持续运行，适合室外部署。

2. 检测精度实验

天气和光照条件会对智能停车设备摄像头的性能产生重大影响。因此，进行了第二项实验，以评估天气和光照条件对智能停车设备检测精度的影响。实验使用了来自不同制造商的六辆车，包括奥迪、福特、霍顿、起亚、马自达和丰田，这些车辆在澳大利亚的三个不同州（维多利亚州、新南威尔士州和昆士兰州）注册。实验在白天和夜间、晴天、多云和雨天等不同条件下进行，每辆车在前后停车方向都进行了测试，每个方向由停车设备拍摄三张照片，总共拍摄了180张车辆图像，即车辆识别算法进行了180次测试。实验结果总结如下表：

车辆信息	条件	白天	夜间	雨天	多云	晴天	雨天（夜间）	晴天（夜间）
车牌号		97.8%	98.9%	98.3%	96.7%	97.8%
品牌		99%	99%	99%	48.9%	50.1%
型号		57.1%	57.1%	57.1%	42.8%	42.8%
颜色		100%	100%	100%	N/A	N/A

从表中结果可以看出，光照和天气条件对车牌号识别算法的影响并不显著，算法在良好的白天条件下准确率高达98.9%，在雨夜夜间也能达到96.7%。然而，车辆品牌和型号识别算法受光照条件变化的影响较大。车辆品牌识别算法的准确率从白天的99%降至夜间的约50%，车辆型号识别算法的准确率从57.1%降至42.8%。值得注意的是，车辆颜色识别在白天的准确率为100%，夜间相机切换到黑白模式，无法获取颜色信息，因此未对该算法进行评估。

进一步调查发现，车牌号识别的误差主要是由于相机曝光问题，直接阳光或车辆前灯的光束会使相机曝光饱和。夜间车辆品牌识别也存在同样的问题，由于车辆前灯直射光束的影响，重要特征（如制造商标志）在正前方停车方向往往不可见，导致算法无法识别车辆品牌。而倒车停车则不存在这个问题，因为车辆后部没有强光。车辆型号识别的准确率最低，仅约为50%，这是由于用于车辆型号识别的SqueezeNet模型是使用车辆品牌和型号识别数据集进行训练的，该数据集不包含夜间拍摄的车辆图像和2016年后的车型，并且对于某些车辆品牌（如霍顿和起亚）的训练样本数量不足。

3. 处理时间实验

进行了第三项实验，以比较边缘和雾部署模式下车辆识别算法的处理时间，并评估操作环境（如温度和天气条件）对处理时间的影响。不同时间和天气条件下两种部署模式的平均处理时间如下表所示：

条件节点	照片尺寸	白天	夜间	晴天（30°C）	多云（25°C）	雨天（15°C）	晴天（10°C）	雨天（7°C）
边缘	2592 × 1944	3.77 s ± 0.19 s	3.73 s ± 0.12 s	3.74 s ± 0.16 s	3.62 s ± 0.18 s	3.62 s ± 0.19 s
雾	2592 × 1944	4.72 s ± 0.39 s	4.68 s ± 0.35 s	4.69 s ± 0.37 s	4.53 s ± 0.33 s	4.54 s ± 0.31 s
边缘	2048 × 1536	1.97 s ± 0.15 s	1.94 s ± 0.11 s	1.95 s ± 0.14 s	1.88 s ± 0.16 s	1.89 s ± 0.18 s
雾	2048 × 1536	2.74 s ± 0.22 s	2.71 s ± 0.21 s	2.72 s ± 0.24 s	2.68 s ± 0.23 s	2.69 s ± 0.25 s

从结果可以明显看出，总体而言，边缘部署模式的处理时间明显更短，为3.62 - 3.77 s，而雾部署模式为4.53 - 4.72 s。这是因为考虑到通过100Mbps Wi - Fi连接上传5 Mpx（2592 × 1944）照片所需的时间约为1.2 s。白天和夜间的处理时间没有明显差异，但通过减小拍摄照片的尺寸可以显著减少处理时间。具体来说，当图像尺寸减小20%时，处理时间大约减少40%。值得注意的是，当照片分辨率在两个维度上都降低一半时，识别准确率平均降低16%。

4. 实验总结

通过上述实验结果可以确认，在提出的智能停车设计中，边缘集成解决方案具有更好的可部署性和优势。与雾部署相比，边缘部署的车辆识别AI算法提供了更好的处理时间和更低的能耗。开发的智能停车设备能耗足够低，能够使用太阳能电池等能量收集源供电。然而，该系统在不同环境和天气条件下运行时会受到显著影响，训练数据集在集成在物联网设备上的AI算法的成功中也起着重要作用，特别是在用于计算机视觉任务时，某些条件下这些算法的准确率可能会降低多达50%。

综上所述，开发的智能停车系统能够提供停车场的实时信息，易于部署且具有成本效益。该设备能够高精度地检测车辆车牌号和颜色，但车辆品牌和型号识别算法的准确率受训练数据集和光照条件的影响较大。未来的工作将致力于解决相机过曝问题、丰富车辆品牌和型号数据集以及提高识别算法的鲁棒性，以改进车辆品牌和型号识别算法。从AI - IoT集成的角度来看，继续解决AI算法对计算能力的高需求与物联网硬件平台低能耗、低计算能力之间的权衡问题至关重要，可以通过提出创新的AI部署架构、提高AI算法的效率以及开发低能耗但高性能的物联网硬件平台来实现。

下面用mermaid流程图展示整个实验的流程：

graph LR
    A[开始实验] --> B[能耗实验]
    A --> C[检测精度实验]
    A --> D[处理时间实验]
    B --> B1[选择AI集成模式]
    B1 --> B2[确定运行模式]
    B2 --> B3[测量能耗]
    C --> C1[选择实验车辆]
    C1 --> C2[设置实验条件]
    C2 --> C3[拍摄车辆图像]
    C3 --> C4[测试识别算法]
    D --> D1[选择部署模式]
    D1 --> D2[设置环境条件]
    D2 --> D3[测量处理时间]
    B3 --> E[总结能耗结果]
    C4 --> E[总结检测精度结果]
    D3 --> E[总结处理时间结果]
    E --> F[得出实验结论]
    F --> G[提出未来工作方向]

整个实验过程涵盖了多个关键环节，从不同方面对智能停车设备进行了全面评估，为后续的改进和优化提供了有力的依据。通过不断地优化和完善，相信AI与物联网集成在机场智能停车领域将发挥更大的作用，为人们的出行带来更多便利。

AI与物联网集成在机场智能停车中的应用研究

5. 关键技术点分析

• AI集成模式的选择
  • 边缘模式 ：在边缘模式下，OpenALPR框架直接部署在智能停车设备上。这种模式能耗低、处理时间短，因为减少了数据在网络中的传输，避免了Wi - Fi通信带来的额外能耗和时间开销。例如，在能耗实验中，边缘模式的设备在正常和耗尽模式下的电池使用时间都比雾模式长；在处理时间实验中，边缘模式的平均处理时间明显短于雾模式。
  • 雾模式 ：雾模式需要设备向本地网络服务器发出Rest API调用，利用服务器上运行的OpenALPR服务进行车辆识别。虽然这种模式可以借助服务器的强大计算能力，但Wi - Fi通信的能耗和数据传输时间成为了瓶颈，导致能耗增加和处理时间变长。
• 影响检测精度的因素
  • 光照和天气条件 ：光照和天气条件对不同的识别算法影响程度不同。车牌号识别算法受影响较小，在不同条件下准确率波动不大；而车辆品牌和型号识别算法受光照影响显著，夜间准确率大幅下降。例如，在夜间，由于车辆前灯直射光束的影响，车辆品牌识别算法的准确率从白天的99%降至约50%。
  • 训练数据集 ：训练数据集的质量和完整性对识别算法的准确率至关重要。用于车辆型号识别的SqueezeNet模型，由于训练数据集不包含夜间拍摄的车辆图像和2016年后的车型，且某些车辆品牌的训练样本数量不足，导致车辆型号识别准确率较低，仅约为50%。

6. 优化建议

• 针对能耗问题
  • 优先选择边缘模式 ：根据实验结果，边缘模式在能耗方面具有明显优势。在实际应用中，应优先考虑采用边缘模式进行AI集成，以降低设备的能耗。
  • 利用能量收集技术 ：使用太阳能充电器等能量收集技术为设备供电，可以确保设备在无法接入主电源的室外环境中持续运行。例如，实验中使用带有太阳能充电器的12,000 mAh移动电源，能使设备在正常和耗尽模式下都工作超过24小时。
• 提高检测精度
  • 解决相机曝光问题 ：通过调整相机参数或采用特殊的光学设计，避免相机曝光饱和，减少因相机曝光问题导致的识别误差。例如，在车辆品牌识别中，解决夜间因前灯直射导致重要特征不可见的问题。
  • 丰富训练数据集 ：收集更多不同条件下的车辆图像，包括夜间图像和2016年后的车型，增加某些车辆品牌的训练样本数量，以提高识别算法的准确率。
• 减少处理时间
  • 优化图像尺寸 ：在不显著降低识别准确率的前提下，适当减小拍摄照片的尺寸。实验表明，当图像尺寸减小20%时，处理时间大约减少40%。

7. 总结与展望

本次研究通过一系列实验对AI - IoT集成在机场智能停车中的应用进行了全面评估，得出以下结论：
| 评估指标 | 结论 |
| — | — |
| 能耗 | 边缘模式能耗低，能量收集技术可保障设备持续运行 |
| 检测精度 | 车牌号和颜色识别精度高，品牌和型号识别受光照和数据集影响大 |
| 处理时间 | 边缘模式处理时间短，减小图像尺寸可缩短处理时间 |

未来，随着AI和IoT技术的不断发展，机场智能停车系统有望得到进一步优化。一方面，通过改进识别算法和完善训练数据集，提高车辆品牌和型号识别的准确率；另一方面，开发更加高效的AI部署架构和低能耗的物联网硬件平台，解决AI算法对计算能力的高需求与物联网硬件平台低能耗、低计算能力之间的矛盾。

下面用mermaid流程图展示未来优化的方向：

graph LR
    A[当前智能停车系统] --> B[优化识别算法]
    A --> C[完善训练数据集]
    A --> D[改进AI部署架构]
    A --> E[开发低能耗硬件平台]
    B --> F[提高品牌和型号识别准确率]
    C --> F
    D --> G[平衡计算能力和能耗]
    E --> G
    F --> H[更精准的停车管理]
    G --> H
    H --> I[智能停车系统升级]

相信在不久的将来，AI与物联网集成的机场智能停车系统将为机场的运营管理和旅客的出行带来更加便捷、高效的体验。通过持续的研究和创新，我们有理由期待该领域取得更大的突破和发展。