摘要
在共享出行服务中检测非空的自行车篮子是一项频率较低但对维护效率至关重要的任务。然而，这类事件的罕见性使得获取足够的训练数据变得困难，而传统的人工检查则带来了较大的运营负担。为了解决数据稀缺和类别不平衡的问题，本研究提出了一个基于人工智能的篮子状态监控框架，并结合了基于裁剪的合成数据生成流程。该方法首先使用YOLOv8n从场景图像中检测出篮子区域，然后编辑裁剪后的篮子感兴趣区域（ROI），而不是整张图像，以生成合成的非空样本。这种方法减少了结构失真，并在真实数据有限的情况下提高了训练数据的可靠性。同样的以篮子为中心的ROI工作流程也被应用于篮子状态识别，其中使用MobileNetV3-small作为分类模型。实验结果表明，所有使用合成数据的设置都优于仅使用真实数据的基线方案。具体来说，仅使用真实数据的方案的召回率为0.235，F1分数为0.339，而所提出的框架将召回率提高到了0.797，F1分数提高到了0.788。这些结果表明，所提出的系统提高了监控的可靠性，并可能有助于减少实际应用中的运营负担。
