智慧加油站是近年來石油化工企業(yè)結(jié)合人工智能技術(shù)進(jìn)行產(chǎn)業(yè)升級(jí)改造的一項(xiàng)重要應(yīng)用。利用計(jì)算機(jī)視覺技術(shù)讓加油站管理變得高效簡潔,極大節(jié)省了人力物力。本文根據(jù)實(shí)際需求針對(duì)加油站中車輛與行人的檢測(cè)問題,設(shè)計(jì)了一個(gè)針對(duì)此場(chǎng)景下基于YOLOv2檢測(cè)算法的車輛與行人多攝像機(jī)監(jiān)控檢測(cè)系統(tǒng)。本文在多攝像機(jī)監(jiān)控系統(tǒng)中,通過添加管理類的方式來控制攝像機(jī)的數(shù)據(jù)。采用主線程接收數(shù)據(jù)到管理類的數(shù)據(jù)流隊(duì)列,子線程中使用YOLOv2算法對(duì)管理類數(shù)據(jù)流隊(duì)列中圖片數(shù)據(jù)進(jìn)行檢測(cè)的并發(fā)方式,提高了系統(tǒng)整體的處理速度。通過現(xiàn)場(chǎng)測(cè)試檢驗(yàn)了設(shè)計(jì)的合理性。將YOLOv2與Faster R-CNN,SSD兩種檢測(cè)算法進(jìn)行對(duì)比實(shí)驗(yàn)。通過對(duì)比精確度和檢測(cè)速度,YOLOv2在此場(chǎng)景下的準(zhǔn)確率和檢測(cè)速度都優(yōu)于另外兩種算法,適用于此監(jiān)控場(chǎng)景下車輛與行人的檢測(cè)。利用自建的加油站數(shù)據(jù)集對(duì)YOLOv2網(wǎng)絡(luò)模型進(jìn)行微調(diào),微調(diào)后的YOLOV2模型使車輛與行人檢測(cè)精度分別提高了0.5%和1.7%,召回率分別提高了8.3%和6.7%,證明微調(diào)對(duì)于YOLOv2模型在監(jiān)控場(chǎng)景下有較好的優(yōu)化作用。將YOLOv2算法封裝加入多攝像頭監(jiān)控系統(tǒng)。在監(jiān)控場(chǎng)景下進(jìn)行測(cè)試,攝像... 

【文章來源】：哈爾濱工程大學(xué)黑龍江省 211工程院校

【文章頁數(shù)】：71 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

某干和器學(xué)習(xí)的傳嬌目壇粉汕}某太橙才

：( )( )0 00xyx x ≤ = > 較多的激活函數(shù)，因?yàn)樵诖笥?0 的區(qū)域都有梯度訓(xùn)練中，能比以上兩種激活函數(shù)更容易收斂。下：( 0)( 0)x xyax x >= ≤ 入了一個(gè)自適應(yīng)從數(shù)據(jù)中學(xué)習(xí)的很小的值 a，來數(shù)，就使得收斂變快，錯(cuò)誤率變低。算術(shù)表達(dá)將以上很多的單一“神經(jīng)元”組合在一起，如下

代價(jià)函數(shù)和規(guī)則化項(xiàng)單個(gè)范例( x ,y )，代價(jià)函數(shù)為方差代價(jià)函數(shù)：( ) ( )2,1, ; ,2W bJ W b x y = h x y所有 m 個(gè)范例中，整體的代價(jià)函數(shù)為：( )( ) ( )( )( )( )( )( )( ) ( )( )11121 1 1 1122,1 1 1 11, , ; ,21 12 2l l ll l ln s smi i ljii l i jn s smi i lW b jii l i jJ W b J W b x y Wmh x y Wmλλ++ = = = = = = = = = + = + 二項(xiàng)是規(guī)則化項(xiàng)，作用是防止過擬合。式（2-8）中λ 是權(quán)重衰減函數(shù)，改變價(jià)函數(shù)中的權(quán)重。由于機(jī)器學(xué)習(xí)模型在某種程度上來說是不可逆的運(yùn)算，對(duì)價(jià)函數(shù)J ，可以有很多種不同的參數(shù)。在高維度上，最小值和極小值都很接同一個(gè)體系下也往往會(huì)有許多不同的參數(shù)組合。因?yàn)閰?shù)的范圍過于大，雖的訓(xùn)練誤差，也沒能得到很好的泛化性能。如下圖：

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)YOLO的雙模目標(biāo)識(shí)別方法研究[J]. 黃杰軍,呼吁,周斌,明德烈.  計(jì)算機(jī)與數(shù)字工程. 2018(04)
[2]基于YOLO算法的移動(dòng)輪船多目標(biāo)實(shí)時(shí)檢測(cè)[J]. 周奇.  電腦知識(shí)與技術(shù). 2018(10)
[3]一種基于Faster R-CNN的車輛檢測(cè)算法[J]. 韓凱,張紅英,王遠(yuǎn),徐敏.  西南科技大學(xué)學(xué)報(bào). 2017(04)
[4]改進(jìn)的YOLO特征提取算法及其在服務(wù)機(jī)器人隱私情境檢測(cè)中的應(yīng)用[J]. 楊觀賜,楊靜,蘇志東,陳占杰.  自動(dòng)化學(xué)報(bào). 2018(12)
[5]實(shí)時(shí)目標(biāo)檢測(cè)算法YOLO的批再規(guī)范化處理[J]. 溫捷文,戰(zhàn)蔭偉,凌偉林,郭燦樟.  計(jì)算機(jī)應(yīng)用研究. 2018(10)
[6]基于深度學(xué)習(xí)的車輛檢測(cè)方法[J]. 王德宇,徐友春,李永樂,陸峰,鄭凱文.  計(jì)算機(jī)與現(xiàn)代化. 2017(08)
[7]基于YOLO v2的無人機(jī)航拍圖像定位研究[J]. 魏湧明,全吉成,侯宇青陽.  激光與光電子學(xué)進(jìn)展. 2017(11)
[8]基于Fast R-CNN的車輛目標(biāo)檢測(cè)[J]. 曹詩雨,劉躍虎,李辛昭.  中國圖象圖形學(xué)報(bào). 2017(05)
[9]運(yùn)動(dòng)目標(biāo)檢測(cè)算法的探討[J]. 萬纓,韓毅,盧漢清.  計(jì)算機(jī)仿真. 2006(10)

博士論文
[1]基于感知一致性的過程紋理生成研究[D]. 劉君.中國海洋大學(xué) 2015

碩士論文
[1]基于深度學(xué)習(xí)的交通視頻檢測(cè)及車型分類研究[D]. 楚翔宇.哈爾濱工業(yè)大學(xué) 2017
[2]基于深度學(xué)習(xí)的行人流量統(tǒng)計(jì)算法研究[D]. 張?zhí)扃?哈爾濱工業(yè)大學(xué) 2017
[3]基于深度學(xué)習(xí)的機(jī)動(dòng)車檢測(cè)與屬性識(shí)別研究[D]. 郭少博.中國科學(xué)技術(shù)大學(xué) 2017
[4]交通視頻中車輛多目標(biāo)跟蹤與特征提取的研究[D]. 郭曉光.天津工業(yè)大學(xué) 2017



本文編號(hào)：3012047