基于公安求助标识识别的看路系统研究与实现
发布时间：2020-12-05 07:16
随着生活水平和消费水平的提高,高速公路运输量与日俱增,保障运输过程中的人员和货物安全成为提高运输效率的重要环节。运输过程中突发气象灾害、车辆故障或路面坍塌等情况,都会威胁人员和货物的安全。针对上述问题,在事故发生之后立即获得救助及将事故详细信息分享给周围驾驶员以避免二次事故的发生成为解决上述问题的关键。本文通过对目标检测技术的应用研究及软件工程开发方法的应用实践,将目标检测技术与安卓技术相结合,训练出准确率达到90.04%,fps达到30的交警目标检测模型,设计出一套既能及时求助又能实时分享相关事故信息的解决方案,并在此基础上结合货车驾驶员运输过程中导航、查看天气等需求,开发出一个不仅能满足货车驾驶员日常使用需求,同时又能在突发严重事故时有效发起求助的看路系统。为保证该系统的高效准确性,本文又引入了经验值策略及后台管理模块,以解决系统使用过程中信息冗余、信息过期、信息不准确等问题。系统测试结果表明,通过使用本文的看路系统,不仅能有效解决运输途中的各种突发情况,而且提高了公路运输效率,保障了货车司机的人身及财产安全。
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：90 页
【学位级别】：硕士
【部分图文】：
FCN模型
（1）网络结构YOLO v3 使用 Darknet-53[41]作为特征提取[43]网络，并在此基础上增加了部分网络结构用于特征交互，网络结构如图 3-2 所示:图 3-1 YOLO v3 算法示意图Figure 3-1 YOLO v3 algorithm sketch
13YOLO v3 一共有 106 层，在第 0 层到 74 层中，一共有 53 个 CONV 层，22ES 层，这就是 YOLO v3 使用的 Darknet-53 来作为 backbone。该网络结构使系列的 3×3 大小的卷积核，这能使网络更好地提取图片特征，同时又在使用的卷积核的卷积层之间使用 1×1 的卷积核，在不影响网络性能的前提下显著网络规模，降低计算成本。除去 81，93 和 106 层的 CONV 层，其余的 CONV都有批归一化[44]操作（BN）及 Leaky ReLU。批归一化操作不仅可以加快模图 3-2 YOLO v3 网络结构图Figure 3-2 YOLO v3 network structure diagram
【参考文献】：
期刊论文
[1]改进的非极大值抑制算法的目标检测[J]. 赵文清,严海,邵绪强. 中国图象图形学报. 2018(11)
[2]基于迁移学习的多标签图像标注[J]. 秦莹华,李菲菲,陈虬. 电子科技. 2018(08)
[3]一种基于Android平台与百度地图API的旅游助手[J]. 匡剑波,任昱果,黄晓洋. 科技风. 2018(21)
[4]自归一化卷积神经网络的人脸识别方法[J]. 邱爽,聂仁灿,周冬明,李兴叶. 云南大学学报(自然科学版). 2018(04)
[5]目标检测算法研究综述[J]. 方路平,何杭江,周国民. 计算机工程与应用. 2018(13)
[6]关系型数据库逻辑设计规范研究[J]. 陈英达,黄巨涛,林强,唐亮亮. 微型电脑应用. 2018(06)
[7]智能交通系统的现状与发展[J]. 苏莞茹. 价值工程. 2018(18)
[8]软件测试用例的设计方法[J]. 张倩倩,赵星汉,高湘飞. 电子技术与软件工程. 2018(11)
[9]基于地理位置的移动社交平台现状分析[J]. 杨坚宇. 山西科技. 2018(03)
[10]Linux Kernel Data Races in Recent 5 Years[J]. SHI Jianjun,JI Weixing,WANG Yizhuo,HUANG Lifu,GUO Yunkun,SHI Feng. Chinese Journal of Electronics. 2018(03)
硕士论文
[1]基于深度卷积神经网络的小目标检测[D]. 郭之先.南昌航空大学 2018
[2]基于典型相关分析的特征提取与应用[D]. 许洁.江南大学 2018
[3]基于卷积神经网络的多部位人体检测[D]. 张恒瑜.北京工业大学 2016
[4]前景提取算法的研究与改进[D]. 王培.西安电子科技大学 2011
本文编号：2899098
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：90 页
【学位级别】：硕士
【部分图文】：
FCN模型
（1）网络结构YOLO v3 使用 Darknet-53[41]作为特征提取[43]网络，并在此基础上增加了部分网络结构用于特征交互，网络结构如图 3-2 所示:图 3-1 YOLO v3 算法示意图Figure 3-1 YOLO v3 algorithm sketch
13YOLO v3 一共有 106 层，在第 0 层到 74 层中，一共有 53 个 CONV 层，22ES 层，这就是 YOLO v3 使用的 Darknet-53 来作为 backbone。该网络结构使系列的 3×3 大小的卷积核，这能使网络更好地提取图片特征，同时又在使用的卷积核的卷积层之间使用 1×1 的卷积核，在不影响网络性能的前提下显著网络规模，降低计算成本。除去 81，93 和 106 层的 CONV 层，其余的 CONV都有批归一化[44]操作（BN）及 Leaky ReLU。批归一化操作不仅可以加快模图 3-2 YOLO v3 网络结构图Figure 3-2 YOLO v3 network structure diagram
【参考文献】：
期刊论文
[1]改进的非极大值抑制算法的目标检测[J]. 赵文清,严海,邵绪强. 中国图象图形学报. 2018(11)
[2]基于迁移学习的多标签图像标注[J]. 秦莹华,李菲菲,陈虬. 电子科技. 2018(08)
[3]一种基于Android平台与百度地图API的旅游助手[J]. 匡剑波,任昱果,黄晓洋. 科技风. 2018(21)
[4]自归一化卷积神经网络的人脸识别方法[J]. 邱爽,聂仁灿,周冬明,李兴叶. 云南大学学报(自然科学版). 2018(04)
[5]目标检测算法研究综述[J]. 方路平,何杭江,周国民. 计算机工程与应用. 2018(13)
[6]关系型数据库逻辑设计规范研究[J]. 陈英达,黄巨涛,林强,唐亮亮. 微型电脑应用. 2018(06)
[7]智能交通系统的现状与发展[J]. 苏莞茹. 价值工程. 2018(18)
[8]软件测试用例的设计方法[J]. 张倩倩,赵星汉,高湘飞. 电子技术与软件工程. 2018(11)
[9]基于地理位置的移动社交平台现状分析[J]. 杨坚宇. 山西科技. 2018(03)
[10]Linux Kernel Data Races in Recent 5 Years[J]. SHI Jianjun,JI Weixing,WANG Yizhuo,HUANG Lifu,GUO Yunkun,SHI Feng. Chinese Journal of Electronics. 2018(03)
硕士论文
[1]基于深度卷积神经网络的小目标检测[D]. 郭之先.南昌航空大学 2018
[2]基于典型相关分析的特征提取与应用[D]. 许洁.江南大学 2018
[3]基于卷积神经网络的多部位人体检测[D]. 张恒瑜.北京工业大学 2016
[4]前景提取算法的研究与改进[D]. 王培.西安电子科技大学 2011
本文编号：2899098
本文链接：https://www.wllwen.com/falvlunwen/fanzuizhian/2899098.html
