Классификации Европейской экономической комиссии

Сегмент A

К этому классу относятся особо малые автомобили, которые принято считать городскими, предназначенные для беспрепятственного маневрирования по улицам, занимающие минимальное количество места. Автомобили этого класса (за исключением японских kei cars), как правило, выпускаются в кузове 3-х или 5-дверный хэтчбек.

Типичные представители: Daewoo Matiz, Kia Picanto, Ford Ka, Renault Twingo, Toyota iQ, Hyundai Eon, Suzuki Wagon R, Daihatsu Mira, Fiat Panda, Citroën C1, Peugeot 107, Hyundai i10, Smart.

Сегмент B

К этому классу относятся малогабаритные автомобили. Ограничение по длине 3,9 метра, по ширине 1,7 метра. В сегменте В так же, как и в предыдущем, преобладают автомобили в кузове хетчбэк, однако встречаются седаны и универсалы. Учитывается также объем двигателя, не превышающий 1,6 литра.

Представители класса: Лада Калина, Volkswagen Polo, Nissan Micra, Opel Corsa, Hyundai Accent, Honda City, Citroën C3, Renault Logan, Kia Rio, Audi A1, Mitsubishi Colt, Mini.

Сегмент C

Сегмент С часто называют Гольф-классом или компактными автомобилями. К нему относятся относительно большие, превышающие габаритами ограничения класса В автомобили. Из названия «Гольф-класс» понятно, что это один из наиболее популярных и массовых в Европе сегментов (на него приходится почти треть всех ежегодных продаж автомобилей). В течение нескольких десятилетий наиболее популярным автомобилем класса С был Volkswagen Golf, что и определило появление неофициального названия. Длина автомобилей этого класса ограничена 4,3 метрами, ширина до 1,8 метра. В сегменте в равных пропорциях встречаются автомобили в кузове хэтчбек, седан и универсал, а также небольшое количество купе и и кабриолетов.

Представители класса: Volkswagen Golf, BMW 1, Opel Astra, Ford Focus, Audi A3, Renault Megane, Honda Civic, Peugeot 308, Toyota Corolla, Nissan Almera, Kia Сee’d, Mazda 3, Hyundai i30, Mitsubishi Lancer, Citroen C4, Skoda Octavia, Subaru Impreza.

Сегмент D

Сегмент D – автомобили среднего или семейного класса. Сегмент по качеству отделки подразделяется на семейные и люксовые модели. В других системах классификации люксовые модели могут быть выделены в отдельный сегмент.

Представители класса: Ford Mondeo, Volkswagen Passat, SAAB 9-3, Mazda 6, Opel Insignia, Toyota Avensis, Lexus IS, Hyundai Sonata, Kia Optima, Audi A4, BMW 3, Mercedes-Benz C-класса, Volvo S60, Citroen C5, Subaru Legacy.

Сегмент E

Сегмент Е так же, как и сегмент С имеет альтернативное название – бизнес-класс. К этому сегменту относят седаны и универсалы, реже – другие виды кузовов. Характеризуются большой длиной – до 4,6 метров и, как следствие, обладают просторным салоном. Бизнес-класс – всегда высокий уровень комплектации, в том числе и в «базе». Особенность европейского бизнес-класса в том, что к нему традиционно принадлежат автомобили определенного круга марок, войти в который удается не всем, хотя он постепенно расширяется. Традиционно это Jaguar, Mercedes, BMW, Audi и так далее.

Представители класса: Jaguar XF, Cadillac CTS, Audi A6, Saab 9-5, BMW 5, Mercedes-Benz E-класса, Volvo S80, Lexus ES.

Представители «низшего звена» (условно): Citroen C6, Hyundai Genesis, Hyundai Grandeur и тп.

Сегмент F

Сегмент F высший с точки зрения качества и роскоши отделки, так называемый представительский класс. В этой категории встречаются традиционно исключительно седаны свыше 5 метров длиной. Характеризуются большим внутренним объемом, могут быть при внушительных габаритах четырехместными в целях повышения комфорта.

Представители класса: Rolls-Royce Phantom и Ghost, Jaguar XJ, Mercedes-Benz S-класса, Hyundai Equus, Audi A8, Lexus LS, BMW 7-й серии, Volkswagen Phaeton, Maybach 57/62.

Сегмент M

К сегменту M относят автомобили больших габаритов и длины с кузовом минивэн, как правило, с третьим рядом кресел и повышенной вместимостью. Предполагается, что основная целевая аудитория сегмента – семьи с большим количеством членов, однако на деле минивэн – автомобиль как для дальних поездок, так и служебный «челнок». Существуют минивэны бизнес-класса с высоким уровнем отделки. Вместимость — от 5 до 9 человек.

Представители класса: Hyundai H-1 Starex, Fiat Doblo, Ford Galaxy,  Volkswagen Caravelle.

Сегмент J

К сегменту J в европейской классификации принято относить все без исключения автомобили повышенной проходимости. В этом заключается основное отличие от систем, принятых на других континентах, и в первую очередь, в США.

Сегмент S

В сегмент S входят исключительно спорткары и суперкары определенного круга производителей – Ferrari, Lamborghini, Mercedes-Benz и тп.

Отличия в системах классификации других стран

Франция

Во Франции система классификации неразрывно связана с системой налогообложения. До 1998 года во Франции существовало понятие налоговой лошадиной силы — Cheval vapeur. В этих единицах измерялась условная мощность двигателя, определявшая уровень налогообложения. Система классификации сложилась с учетом этого фактора.

США

В США принята классификацияпо полезному объему салона:

«Мини» примерно соответствует европейским A-B

«Субкомпакты» примерно соответствует европейскому С

«Компакт» примерно соответствует европейскому C-D

«Среднеразмерный автомобиль» примерно соответствует европейскому D-E

«Полноразмерный автомобиль» примерно соответствует европейскому F

Отдельные категории действуют для автомобилей в кузове универсал с большим, чем у других, объемом:

Small, Midsize и Large station wagon.

По аналогии с универсалами внедорожники (SUV) делят на:

Full, Midsize и Compact SUV.

До 1980-х годов в основе американской классификации лежала длина колесной базы.

Япония

В Японии классификация предельно проста: Keijidosha (легкий класс, kei-cars): длина не более 3,4 м, ширина не более 1,48 м, высота не более 2 м и двигатель не более 660 кубов.

Small size vehicles: Длина не более 4,7 м, ширина до 1,7 м, высота до 2 м и двигатель не более 2000 см³. Фургоны, грузовики и универсалы этого класса я Японии получаются номера с четрыехразрядным префиксом.

Normal size vehicles: длина более 4,7 м, ширина — 1,7 м, высота — 2 м или. Объем двигателя свыше 2000 см³. Автобусы и грузовики этого класса получают номера, начинающиеся с 1 или 2 знаков.

Классификация транспортных средств с использованием машинного обучения

Согласно отчету о рынке подержанных автомобилей, в 2020 году около 1 млн. подержанные автомобили продавались в Интернете, и, по оценкам, к 2025 году через онлайн-платформы будет продано 6 миллионов автомобилей (см. Отчет о размере и тенденциях рынка подержанных автомобилей, 2020 г.). Как мы видим, роль автомобильной электронной коммерции возрастает, и поставщики этой торговой площадки должны обеспечивать лучший опыт для потребителей (покупателей и продавцов). Наряду с увеличением доли рынка резко увеличилось количество сообщений о мошенничестве. В Соединенном Королевстве в 2020 году было зарегистрировано более 70 000 сообщений о мошенничестве, жертвы которых потеряли около 80 миллионов долларов (Murray, 2020). Обычно такие посты содержат несоответствия, например, загруженные изображения не соответствуют информации об автомобиле.

Используя передовые методы машинного обучения, подходящие для распознавания изображений, мы можем помочь решить упомянутую выше проблему. Этот проект направлен на создание модели, которая классифицирует марку и модель автомобиля по изображению. Кроме того, такую ​​модель можно использовать при создании мобильного приложения, помогающего пользователям идентифицировать автомобили.

Набор данных

Чтобы построить такую ​​модель, мы будем использовать набор данных Stanford Cars, обширную коллекцию изображений автомобилей. Он состоит из 16 185 изображений, помеченных 196 классов в зависимости от марки/модели/года автомобиля (Kaggle, n.d.). Пример одного из таких классов показан ниже.

Исследование данных

Набор данных не содержал пропущенных значений, поэтому удаление данных или импутация не потребовались. Задача состояла в том, чтобы автоматизировать извлечение марок/моделей/года выпуска автомобилей, поскольку строки различались по длине и типу символов. Это извлечение меток классов было выполнено в меру моих возможностей.

Кроме того, мы создали несколько гистограмм для столбцов марки и года выпуска. Основываясь на этих графиках, мы могли видеть, как распределяются данные. Например, какие марки автомобилей наиболее представлены в наборе данных. Из рисунка 2 видно, что наиболее представленной маркой автомобиля является Chevrolet, у которой более 800 изображений.

Согласно рисунку 3, мы видим, что наиболее представленным годом выпуска является 2012 год, когда в этом году было выпущено около 5000 изображений автомобилей.

Подход 1: традиционные методы машинного обучения

Сначала мы будем использовать традиционные (или более традиционные) методы машинного обучения (например, регрессию, метод опорных векторов). и др.) для построения модели классификации.

Предварительная обработка данных

Чтобы использовать эти данные, сначала нам пришлось изменить размер всех изображений в одном формате (128×128 пикселей) для согласованности, а затем выразить их в числовой форме, точнее в массив NumPy пикселей RGB.

Модели, которые мы использовали, перечислены ниже:

• Логистическая регрессия с анализом основных компонентов (PCA): PCA — это метод уменьшения размерности (метод без учителя), поэтому мы можем использовать его, когда у нас есть набор данных с несколькими измерениями. Мы хотим найти самые важные измерения, которые больше всего помогают нам объяснить данные.
• Машины опорных векторов с RBF (SVM): модели обучения с учителем, которые можно использовать для классификации и регрессионного анализа. SVM пытается линейно разделить данные, максимально увеличивая расстояние между классами.
• Случайные леса: один из наиболее обобщаемых алгоритмов для задач классификации. Он использует ансамблевое обучение, которое представляет собой метод, который объединяет множество классификаторов для решения сложных задач. Алгоритмы Random Forests хорошо работают во многих приложениях, включая классификацию изображений.

Подход 2: Глубокое обучение

Предварительная обработка данных

Учитывая, что люди делали изображения в нашем наборе данных, нет определенного угла или порядка того, как были сделаны снимки. Изображения в наборе данных сильно различаются, и работать с таким набором данных может быть непросто. Чтобы избежать таких проблем, мы выполнили аугментацию данных — метод, который увеличивает разнообразие набора данных за счет применения случайных преобразований (Tensorflow, 2020). Также для всех изображений мы выбрали стандартный размер 224х224х3.

Модели глубокого обучения:

• MobileNet : MobileNet-v2 — это сверточная нейронная сеть, содержащая 53 слоя. Эта сеть была обучена на более чем миллионе изображений из базы данных ImageNet и может классифицировать объекты по более чем 1000 категориям. Этот CNN оптимизирован для работы на мобильных устройствах (Sandler, 2018).

• VGG-16 : Эта сверточная нейронная сеть содержит 16 слоев. Он достиг 92,7% точность тестов первой пятерки в ImageNet, который представляет собой набор данных из более чем 14 миллионов изображений, принадлежащих 1000 классам.

• EfficientNet : EfficientNet — одна из самых эффективных моделей; эта сеть также была предварительно обучена в базе данных ImageNet. По сравнению с другими CNN, EfficientNet использует составное масштабирование, которое равномерно масштабирует все измерения глубины/ширины/разрешения при сохранении баланса (Tan & Le, 2020). Это значительно уменьшает размерность задач классификации.

При использовании предварительно обученных моделей необходимо настроить CNN для своей задачи; обычно это делается путем изменения последнего слоя (или пары последних слоев) предварительно обученной модели, чтобы в ней было то же количество классов, что и в наборе данных, с которым вы работаете (в нашем случае у нас есть 196 классов). , поэтому последний слой должен иметь 196 выходов). Мы настроили все модели глубокого обучения, изменив или добавив несколько слоев.

Результаты и анализ

После обучения моделей нам пришлось протестировать их на невидимых данных (данные тестирования) и посмотреть, насколько хорошо они работают для прогнозирования классов автомобилей. Судя по их производительности, оказалось, что традиционные модели машинного обучения дали плохие результаты. С другой стороны, модели глубокого обучения работали намного лучше.

В дополнение к проверке точности мы рассчитали оценку точности и отзыва для каждой модели (см. Таблицу 2). Однако любой другой показатель приводит к аналогичным выводам.

Учитывая, что модели глубокого обучения дали лучшие результаты, мы рассмотрим их подробнее. MobileNet V2 работал хуже по сравнению с другими моделями глубокого обучения; в тестовом наборе он достиг точности выше 40%. VGG16 работал лучше; в тестовом наборе он достиг точности около 68%. Наконец, как и ожидалось, модель EfficientNet B1 оказалась самой эффективной моделью; точность проверки достигла 71% (см. график ниже). Также важно отметить, что EfficientNet B1 занял гораздо меньше времени в процессе обучения, чем другие, из-за сложного масштабирования.

Наконец, мы использовали модель EfficientNet B1, чтобы сделать некоторые прогнозы для некоторых случайных изображений, выбранных из тестового набора (см. рисунок ниже).

Модель EfficientNet B1 работает относительно хорошо (она правильно классифицирует большинство автомобилей). В случаях неправильной классификации автомобили обычно очень похожи друг на друга. Как вы можете видеть на рисунке 5, автомобиль в правом нижнем углу должен был быть Toyota (правильная марка), но модель отличалась от оригинальной.

Заключение и будущая работа

Среди всех используемых моделей машинного обучения модель глубокого обучения (EfficientNet B1) оказалась лучшей моделью распознавания транспортных средств с точностью выше 71% на проверочном наборе. Очевидно, что такой точности недостаточно, чтобы сделать вывод о том, что EfficientNet B1 может быть включен в платформы автомобильной электронной коммерции, но результаты обнадеживают. Из-за ограниченного бюджета времени графического процессора я не мог полностью изучить пространство гиперпараметров выбранных моделей. Полностью исследуя это пространство и выбирая наиболее оптимальные параметры, производительность выбранных моделей может быть дополнительно улучшена.

Репозиторий GitHub: https://github.com/AlbionKransiqi/Car-Classification Тип (гибридные, обычные, электрические), по типу поставщика, по типу топлива, по размеру, по региону, по каналу продаж и сегментным прогнозам, 2020–2027 (2020) Grand View Research

Метин А. (2021) Классификация глубокого обучения системного склероза кожи с помощью MobileNetV2 Model

Мюррей А., Не позволяйте мошенникам по продаже автомобилей увести ВАШИ деньги, когда вы покупаете свой следующий двигатель (2020) Это деньги

Kaggle, Stanford Car Dataset по папкам классов (nd) Kaggle

Tensorflow, Увеличение данных . (2020) Tensorflow

Сандлер М., Ховард А., Ж М., Жмогинов А., Чен Л. , MobileNetV2 (2018) Paperswithcode

Тан М., Ле В. К., EfficientNet: переосмысление масштабирования модели для сверточных нейронных сетей ( 2020) Корнельский университет

Чжан П., Ян Л. и Лян Д. (2020) EfficientNet-B4-Ranger: новый метод распознавания болезней огурцов в теплицах в сложной природной среде

Классификация автомобилей — регион Орегон

Чтобы определить, какие изменения перемещают автомобили между классами V, S, P, I и M, см. полные правила классификации PCA. Полные правила классификации PCA можно найти в Правилах соревнований PCA Parade 2019: Правила соревнований Parade 2019, 1-е издание. Правила автокросса находятся на страницах 16-30. Раздел о классификации размера события отсутствует. Мы используем модифицированную версию классификации малых регионов, которая в последний раз публиковалась в правилах соревнований по парадам от 2017 года на стр. 28. Обратите внимание: правил соревнований по парадам на 2020 год не существовало, а правила 2021 года будут доступны позже этой весной.

Классы Porsche
Регион Орегон PCA Автокросс проводится в соответствии с измененной версией правил для малых регионов. Обязательно ознакомьтесь с разделом разрешенных модификаций в Правилах соревнований Parade (см. ссылку выше), если вы вносили КАКИЕ-ЛИБО изменения (включая шины R или шины большего размера) в свой серийный автомобиль. Целью класса Showroom Stock (S01, S02, S03 и S04) является создание класса для автомобилей, которые обычно поставляются и предназначены для использования в США и Канаде. Допускаются заводские опции, которые обычно поставляются для определенного модельного года. Однако все, что выходит за рамки этого, особенно все, что может быть разумно воспринято как влияющее на производительность, не будет разрешено в выставочном зале.  Например, автомобили должны эксплуатироваться с запасным колесом, домкратом, гаечным ключом, руководством(ями) по эксплуатации, инструментами и т. д.  Автомобили, не соответствующие классу, не получат чемпионские очки. Если у вас есть вопросы, свяжитесь с председателем автокросса до начала мероприятия по телефону: Autocross Chair

Класс чемпионов   Зарезервировано для чемпионов предыдущего класса и 5 лучших финишеров. Сопредседатели должны одобрить.

 

V01 (Все в наличии и подготовленные винтажные) Все 356, 912, 914, 924, 911 (1965–1983)

S01  Все 944, 928, 968, 911, кроме Turbo (1984–1998), базовый Boxster (1997–2004), все Cayenne, Macan и Panamera (кроме Turbo)

S02  911 Turbo (1991–1994), 911 base (1999–2012), 911 S, кроме X51 (1999–2009), Boxster S (2000–2004), Boxster/Cayman base (2005–2016) , все Turbo Cayenne, Macan и Panamera

S03 911 (Turbo 1995-2005), 911 S/GTS (2007 X51, 2009-2012), 911 base (2012.5-2018), Boxster/Cayman S/R/ ГТС (2005-2016)

S04  Все GT2, GT3, 911 Turbo/Turbo S (с 2006 г. по настоящее время), 911 S (с 2012.