基于深度学习的重载车辆检测与识别

基于深度学习算法,在交通中不同路况中对重载车辆进行检测与流量统计问题有待解决.首先对YOLOv4原理及主要算法进行介绍;之后进行了数据集的标注等预处理,将数据输入到YOLOv4模型中进行训练;最后对实验结果进行了一定的分析,并进行了模型检测,实验效果较好.该算法基本能够实现对不同路况中重载车辆的检测和流量统计.     

基于深度学习的车辆检测算法研究

针对目前车辆实时检测中存在定位不准确、检测精度低等问题,采用了一种以Darknet-53为骨架网络的YOLOv3车辆检测算法,将该算法模型在标准数据集Pascal-VOC2012上进行训练,以拍摄的西安南二环路的图片作为测试集进行测试.实验结果表明,YOLOv3算法的检测精度达到84.9％,相比于SSD算法,其检测精度...     

基于深度学习方法的复杂场景下车辆目标检测

近年来,深度学习算法逐渐尝试应用于目标检测领域。本文针对实际交通场景下的车辆目标,应用深度学习目标分类算法中具有代表性的Faster R-CNN框架,结合ImageNet中的车辆数据集,把场景中的目标检测问题转化为目标的二分类问题,进行车辆目标的检测识别。相比传统机器学习目标检测算法,基于深度学习的目标检测算法在检测准确度和执行效率上优势明显。通过本实验结果分析表明,该方法在识别精度以及速度上均取得了显著的提高。     

基于YOLOV4的车辆检测系统

本文针对多场景下的道路检测算法系统识别类型偏少和识别数量不精准等问题,提出了一种基于YOLOv4算法的轻量级的目标检测方法,模型包含了大部分常见车辆类型。本文方法 MAP为90.0%。采用7:3的分配方法,数据集共2512张图片。拥有较高的车辆识别精度和视频流畅度,同时有效解决了大型道路交通场景下的车辆遮挡位置问题和小距离目标车辆检测时的问题,具有非常好的实际技术应用研究价值。     

基于深度学习的车辆检测系统设计

针对目前智能交通系统实时道路车辆检测中存在的检测效率不高等问题,设计了一种基于深度学习的道路车辆检测算法。首先在搭建好的平台下,通过卷积神经网络对采集的车辆图像数据集进行训练,得到训练后的模型;其次,对该模型内部的层结构进行可视化;最后,通过调节各网络参数及层结构对该模型进行优化。训练的模型通过实验测试,分别对图片和视频进行检测,图像识别准确率高,检测速度快,跟踪精度高,可应用于实时交通系统的检测。     

基于深度学习的MSSD目标检测方法

为解决目标检测模型（SSD）模型卷积深度加深导致检测精度下降的问题,分析了SSD目标检验方法,提出了MSSD模型,将深度残差网络应用到SSD中,并以FPN网络结构为基础对SSD和深度残差网络结构进行融合,改变传统SSD采样结构进一步提高SSD检测精度。     

基于雾天条件下交通道路上的目标检测

在目前的道路车辆的检测当中,对车辆的检测精度和匹配度的要求越来越高,尤其在雾天的天气情况下会对车辆的检测产生影响。针对以上问题,深受深度学习理论的启发,提出一种在去雾网络与目标检测网络结合情况下,对雾天下交通道路上车辆图像进行去雾目标检测的深度学习目标检测算法,并且模型轻量,易于嵌套使用。实验结果表明将YOLOv5目标检测网络与AOD-Net去雾相结合,在真实和合成的有雾的数据集上,该算法在定量评价和定性评价中均优于对比算法。其中MAP值达到81.73%,比YOLOv5算法的MAP值高1.31%且FPS达到了25.0,速度得到提升,表明AOD-Net与YOLOv5网络相结合的算法能更加有效地检测雾天条件下道路交通的车辆,且网络泛化能力和鲁棒性较好。     

深度学习中的单阶段车辆检测算法综述

随着深度学习的发展,基于深度学习的车辆检测算法性能不断被提升,在构建智能交通体系方面发挥重要作用.单阶段目标检测模型因其检测速度的优越性,被广泛应用于车辆实时检测.为了综合分析基于深度学习的单阶段车辆检测算法相关改进及应用,分别对比了各类常用单阶段车辆检测算法,列举其改进措施以及在车辆检测方面存在的问题;重点阐述了基于...     

一种深度学习的非机动车辆目标检测算法

针对道路交通场景目标检测问题,提出采用EdgeBoxes算法和深度学习融合的非机动车辆目标检测方法,利用深度学习目标分类算法Fast R-CNN,结合VOC格式的非机动车辆数据样本,把道路交通场景中的目标检测问题实化为自行车（bicycle）和电动车（evbike）的分类问题。利用EdgeBoxes算法提取样本的目标建议构建适量的感兴趣区域,和样本一起输入网络进行迭代训练,同时引入正则化思想和微调策略进行网络优化,降低网络复杂度并避免过拟合现象;网络训练后得到非机动车辆目标检测模型,对模型进行新样本测试并分析测试效果。在道路交通场景目标检测中,基于EdgeBoxes算法和优化Fast R-CNN融合的方法与传统方法相比,检测准确度稍有提高,运算量明显降低,检测速度加快近一倍。     

基于深度学习的实时图像目标检测系统设计

针对图像目标检测的嵌入式实时应用需求,采用合并计算层的方法对基于MobileNet和单发多框检测器(SSD)的深度学习目标检测算法进行了优化,并采用软硬件结合的设计方法,基于ZYNQ可扩展处理平台设计了实时图像目标检测系统。在系统中,根据优化后的算法设计了一款多处理器核的深度学习算法加速器,并采用PYTHON语言设计了系统的软件。经过多个实验测试,深度学习目标检测系统处理速度可以达到45FPS,是深度学习软件框架在CPU上运行速度的4.9倍,在GPU上的1.7倍,完全满足实时图像目标检测的需求。     

基于深度学习的航空发动机滑油磨粒检测研究

针对滑油中磨粒形状复杂且尺寸大小不一,传统滑油磨粒检测方法存在时效性差、检测尺度小、精度低、非铁磁性磨粒不能检测等缺点。本文设计了一种基于深度学习的航空发动机滑油磨粒检测方法。基于连续流微流控芯片的滑油图像采样方法,构建滑油图像采样系统;设计图像增强方法,进行图像数据增强消融试验研究,针对YOLOv3模型和Faster RCNN模型进行精度测试,结果表明消融试验后的YOLOv3模型检测能力明显优于Faster RCNN模型;为减少消融后YOLOv3模型的误检率,提出SER算法以优化该模型的推理置信度阈值。研究结果表明滑油磨粒检测方法可解决传统测试中存在的问题,且在0.35的置信度阈值下, YOLOv3模型的检测结果能够达到94.2%的召回率和95.9%的精确度。     

基于深度学习的遥感影像目标检测系统设计

遥感影像目标检测虽然是一种极为有效的地表变化监测手段,但极易受到自然环境复杂性的影响,从而造成遥感影像中存在混合的杂质像素,导致目标检测准确性较差;为解决此问题,设计基于深度学习的遥感影像目标检测系统;建立深度学习框架,分层次连接遥感影像输入模块、图像帧预处理模块与目标检测算法模块,再借助影像目标输出结构单元,对已获得的遥感影像像素数据进行整合,实现系统硬件设计;在此基础上,提取遥感影像的多特征条件,完善现有的目标检测系统设计方案;通过分割多级目标节点的方式,得到遥感影像特征的小波分解结果,利用计算求得的边缘纹理系数,实现融合深度学习理论的遥感影像目标变化能力检测;实验结果表明,所设计遥感影像目标检测系统的有效像素的占比量较大,杂质像素节点的占比量较小,且二者之间的对比情况极为明显,能够有效剔除杂质像素量,更能适应复杂多变的自然环境,获得更为准确的地表变化监测结果.     

基于深度学习的抓取目标姿态检测与定位

机器人对抓取目标进行高准确的姿态检测与定位依然是一个开放性的难题.本文提出了一种基于卷积神经网络对抓取目标快速姿态检测与精确定位的方法.该方法采用Faster R-CNN Inception-V2网络模型,在网络中将抓取目标的姿态角度采用分类标签方式输出,位置坐标采用回归方法,对Cornell公开数据集重新标注并训练端到端模型.模型在实例检测和对象检测测试集上分别取得96.18%和96.32%的准确率,对于每一幅图像的处理时间小于0.06 s.实验结果表明模型能够实时地对图像中单个或多个抓取目标进行快速地姿态检测与定位,准确度高并具有很强的鲁棒性和稳定性.     

基于深度强化学习的多旋翼无人机空中目标自主跟踪

针对空中对接任务中的目标自主跟踪问题,提出了一种基于深度强化学习的端到端的目标跟踪方法。该方法采用近端策略优化算法,Actor网络与Critic网络共享前两层的网络参数,将无人机所拍摄图像作为卷积神经网络的输入,通过策略网络控制多旋翼无人机电机转速,实现端到端的目标跟踪,同时采用shaping方法以加速智能体训练。通过物理引擎Pybullet搭建仿真环境并进行训练验证,仿真结果表明该方法能够达到设定的目标跟踪要求且具有较好的鲁棒性。     

基于深度学习的多船舶目标跟踪与流量统计

研究船舶的目标跟踪对提高水上目标视频图像智能监管的水平有着至关重要的作用,系统通过深度学习SSD模型进行对船舶目标定位检测,使用修正的KCF算法对检测到的船舶目标进行跟踪。把深度学习的方式引入船舶目标检测领域,与传统检测方法相比精准率大大提高,同时提出了一个修正的KCF算法对多船舶目标进行跟踪,较好地解决了目标漏检与重复统计的问题。对大量船舶目标样本进行训练学习后,船舶检测定位精准,检测成功率达到91%以上,船舶跟踪算法快速稳定,检测与跟踪算法达到30帧每秒,船舶目标流量统计准确率达到95%以上,整个系统框架满足实时性的要求。