近年來,防治黑煙車尾氣污染成為環(huán)保工作的重中之重。在監(jiān)控?cái)z像頭廣泛采用的基礎(chǔ)上,針對(duì)海量視頻開發(fā)基于監(jiān)控視頻的黑煙車輛智能檢測(cè)系統(tǒng)是極其有必要的。針對(duì)黑煙車輛檢測(cè)問題,本文主要研究?jī)?nèi)容如下:(1)由于目前沒有公開的黑煙車輛數(shù)據(jù)集,人工采集并標(biāo)注了分辨率為360x640的黑煙車輛圖像9960張作為黑煙車輛檢測(cè)數(shù)據(jù)集。本文提出的黑煙車輛數(shù)據(jù)集均為在真實(shí)交通場(chǎng)景下采集得到。(2)研究了基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法,主要包括基于框的目標(biāo)檢測(cè)方法和基于關(guān)鍵點(diǎn)的目標(biāo)檢測(cè)方法兩類。除了介紹兩類目標(biāo)檢測(cè)方法中經(jīng)典的、極具代表性的網(wǎng)絡(luò)架構(gòu),還在目標(biāo)檢測(cè)領(lǐng)域公開的標(biāo)準(zhǔn)數(shù)據(jù)集MS COCO及本文建立的黑煙車輛數(shù)據(jù)集上對(duì)上述基本框架進(jìn)行了評(píng)測(cè)。鑒于實(shí)際應(yīng)用需求,本文選擇Center Net作為交通監(jiān)控場(chǎng)景下黑煙車輛檢測(cè)的基本算法框架,并圍繞Center Net展開研究。(3)在黑煙車輛數(shù)據(jù)集上嘗試了一系列基于不同主干網(wǎng)絡(luò)的Center Net模型,其中基于Res Net18的Center Net模型對(duì)黑煙車輛的檢測(cè)效果達(dá)到了90.9%m AP。使用Tensor RT對(duì)一系列基于不同主干網(wǎng)絡(luò)的Center Net...

【文章頁數(shù)】：75 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景及意義
    1.2 黑煙車輛檢測(cè)相關(guān)研究現(xiàn)狀
        1.2.1 基于傳統(tǒng)目標(biāo)檢測(cè)的黑煙車輛檢測(cè)研究現(xiàn)狀
        1.2.2 基于深度學(xué)習(xí)的通用目標(biāo)檢測(cè)研究現(xiàn)狀
    1.3 論文主要內(nèi)容及組織結(jié)構(gòu)
2 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法分析
    2.1 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法形式化
    2.2 基于框的目標(biāo)檢測(cè)方法
        2.2.1 基于框的二階段目標(biāo)檢測(cè)方法
        2.2.2 基于框的一階段目標(biāo)檢測(cè)方法
    2.3 基于關(guān)鍵點(diǎn)的目標(biāo)檢測(cè)方法
        2.3.1 CornerNet
        2.3.2 CenterNet
    2.4 目標(biāo)檢測(cè)方法評(píng)測(cè)指標(biāo)
    2.5 實(shí)驗(yàn)結(jié)果及分析
        2.5.1 數(shù)據(jù)集簡(jiǎn)介
        2.5.2 實(shí)驗(yàn)設(shè)置
        2.5.3 MS COCO數(shù)據(jù)集實(shí)驗(yàn)結(jié)果及分析
        2.5.4 黑煙車輛數(shù)據(jù)集實(shí)驗(yàn)結(jié)果及分析
    2.6 本章小結(jié)
3 基于Center Net的黑煙車輛檢測(cè)網(wǎng)絡(luò)及加速
    3.1 Center Net目標(biāo)檢測(cè)方法
        3.1.1 網(wǎng)絡(luò)架構(gòu)
        3.1.2 損失函數(shù)
        3.1.3 數(shù)據(jù)后處理
    3.2 實(shí)驗(yàn)設(shè)置
        3.2.1 黑煙車輛數(shù)據(jù)采集及標(biāo)注
        3.2.2 超參數(shù)設(shè)置
        3.2.3 訓(xùn)練細(xì)節(jié)
    3.3 實(shí)驗(yàn)結(jié)果及分析
        3.3.1 實(shí)驗(yàn)結(jié)果
        3.3.2 主干網(wǎng)絡(luò)分析
    3.4 模型加速
        3.4.1 TensoRT簡(jiǎn)介
        3.4.2 Center Net系列網(wǎng)絡(luò)架構(gòu)的Tensor RT加速
    3.5 本章小結(jié)
4 一種基于Center Net的多尺度特征融合的黑煙車輛檢測(cè)方法
    4.1 引言
    4.2 多尺度特征融合
        4.2.1 FPN
        4.2.2 PANet
    4.3 基于CenterNet的多尺度特征融合的黑煙車輛檢測(cè)框架
        4.3.1 多尺度特征融合
        4.3.2 網(wǎng)絡(luò)架構(gòu)
    4.4 實(shí)驗(yàn)設(shè)置
    4.5 實(shí)驗(yàn)結(jié)果及分析
        4.5.1 檢測(cè)效果分析
        4.5.2 加速分析
    4.6 本章小結(jié)
5 一種基于注意機(jī)制和組合主干網(wǎng)絡(luò)的Center Net黑煙車輛檢測(cè)方法
    5.1 引言
        5.1.1 注意機(jī)制
        5.1.2 組合主干網(wǎng)絡(luò)
    5.2 基于注意機(jī)制和組合主干網(wǎng)絡(luò)的 CenterNet 黑煙車輛檢測(cè)框架
        5.2.1 網(wǎng)絡(luò)架構(gòu)
        5.2.2 組合主干網(wǎng)絡(luò)
        5.2.3 基于注意力機(jī)制的特征融合方法
    5.3 實(shí)驗(yàn)設(shè)置
        5.3.1 車輛檢測(cè)數(shù)據(jù)集
        5.3.2 超參數(shù)設(shè)置
        5.3.3 訓(xùn)練細(xì)節(jié)
    5.4 實(shí)驗(yàn)結(jié)果及分析
        5.4.1 組合主干網(wǎng)絡(luò)分析
        5.4.2 注意機(jī)制分析
        5.4.3 加速分析
    5.5 本章小結(jié)
6 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 未來研究展望
致謝
參考文獻(xiàn)
附錄



本文編號(hào)：3744993