基于深度学习的黑烟车辆检测方法研究
发布时间：2023-02-18 12:45
近年来,防治黑烟车尾气污染成为环保工作的重中之重。在监控摄像头广泛采用的基础上,针对海量视频开发基于监控视频的黑烟车辆智能检测系统是极其有必要的。针对黑烟车辆检测问题,本文主要研究内容如下:(1)由于目前没有公开的黑烟车辆数据集,人工采集并标注了分辨率为360x640的黑烟车辆图像9960张作为黑烟车辆检测数据集。本文提出的黑烟车辆数据集均为在真实交通场景下采集得到。(2)研究了基于深度学习的目标检测方法,主要包括基于框的目标检测方法和基于关键点的目标检测方法两类。除了介绍两类目标检测方法中经典的、极具代表性的网络架构,还在目标检测领域公开的标准数据集MS COCO及本文建立的黑烟车辆数据集上对上述基本框架进行了评测。鉴于实际应用需求,本文选择Center Net作为交通监控场景下黑烟车辆检测的基本算法框架,并围绕Center Net展开研究。(3)在黑烟车辆数据集上尝试了一系列基于不同主干网络的Center Net模型,其中基于Res Net18的Center Net模型对黑烟车辆的检测效果达到了90.9%m AP。使用Tensor RT对一系列基于不同主干网络的Center Net...
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
1 绪论
1.1 研究背景及意义
1.2 黑烟车辆检测相关研究现状
1.2.1 基于传统目标检测的黑烟车辆检测研究现状
1.2.2 基于深度学习的通用目标检测研究现状
1.3 论文主要内容及组织结构
2 基于深度学习的目标检测方法分析
2.1 基于深度学习的目标检测方法形式化
2.2 基于框的目标检测方法
2.2.1 基于框的二阶段目标检测方法
2.2.2 基于框的一阶段目标检测方法
2.3 基于关键点的目标检测方法
2.3.1 CornerNet
2.3.2 CenterNet
2.4 目标检测方法评测指标
2.5 实验结果及分析
2.5.1 数据集简介
2.5.2 实验设置
2.5.3 MS COCO数据集实验结果及分析
2.5.4 黑烟车辆数据集实验结果及分析
2.6 本章小结
3 基于Center Net的黑烟车辆检测网络及加速
3.1 Center Net目标检测方法
3.1.1 网络架构
3.1.2 损失函数
3.1.3 数据后处理
3.2 实验设置
3.2.1 黑烟车辆数据采集及标注
3.2.2 超参数设置
3.2.3 训练细节
3.3 实验结果及分析
3.3.1 实验结果
3.3.2 主干网络分析
3.4 模型加速
3.4.1 TensoRT简介
3.4.2 Center Net系列网络架构的Tensor RT加速
3.5 本章小结
4 一种基于Center Net的多尺度特征融合的黑烟车辆检测方法
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烟车辆检测框架
4.3.1 多尺度特征融合
4.3.2 网络架构
4.4 实验设置
4.5 实验结果及分析
4.5.1 检测效果分析
4.5.2 加速分析
4.6 本章小结
5 一种基于注意机制和组合主干网络的Center Net黑烟车辆检测方法
5.1 引言
5.1.1 注意机制
5.1.2 组合主干网络
5.2 基于注意机制和组合主干网络的 CenterNet 黑烟车辆检测框架
5.2.1 网络架构
5.2.2 组合主干网络
5.2.3 基于注意力机制的特征融合方法
5.3 实验设置
5.3.1 车辆检测数据集
5.3.2 超参数设置
5.3.3 训练细节
5.4 实验结果及分析
5.4.1 组合主干网络分析
5.4.2 注意机制分析
5.4.3 加速分析
5.5 本章小结
6 总结与展望
6.1 本文工作总结
6.2 未来研究展望
致谢
参考文献
附录
本文编号：3744993
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
1 绪论
1.1 研究背景及意义
1.2 黑烟车辆检测相关研究现状
1.2.1 基于传统目标检测的黑烟车辆检测研究现状
1.2.2 基于深度学习的通用目标检测研究现状
1.3 论文主要内容及组织结构
2 基于深度学习的目标检测方法分析
2.1 基于深度学习的目标检测方法形式化
2.2 基于框的目标检测方法
2.2.1 基于框的二阶段目标检测方法
2.2.2 基于框的一阶段目标检测方法
2.3 基于关键点的目标检测方法
2.3.1 CornerNet
2.3.2 CenterNet
2.4 目标检测方法评测指标
2.5 实验结果及分析
2.5.1 数据集简介
2.5.2 实验设置
2.5.3 MS COCO数据集实验结果及分析
2.5.4 黑烟车辆数据集实验结果及分析
2.6 本章小结
3 基于Center Net的黑烟车辆检测网络及加速
3.1 Center Net目标检测方法
3.1.1 网络架构
3.1.2 损失函数
3.1.3 数据后处理
3.2 实验设置
3.2.1 黑烟车辆数据采集及标注
3.2.2 超参数设置
3.2.3 训练细节
3.3 实验结果及分析
3.3.1 实验结果
3.3.2 主干网络分析
3.4 模型加速
3.4.1 TensoRT简介
3.4.2 Center Net系列网络架构的Tensor RT加速
3.5 本章小结
4 一种基于Center Net的多尺度特征融合的黑烟车辆检测方法
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烟车辆检测框架
4.3.1 多尺度特征融合
4.3.2 网络架构
4.4 实验设置
4.5 实验结果及分析
4.5.1 检测效果分析
4.5.2 加速分析
4.6 本章小结
5 一种基于注意机制和组合主干网络的Center Net黑烟车辆检测方法
5.1 引言
5.1.1 注意机制
5.1.2 组合主干网络
5.2 基于注意机制和组合主干网络的 CenterNet 黑烟车辆检测框架
5.2.1 网络架构
5.2.2 组合主干网络
5.2.3 基于注意力机制的特征融合方法
5.3 实验设置
5.3.1 车辆检测数据集
5.3.2 超参数设置
5.3.3 训练细节
5.4 实验结果及分析
5.4.1 组合主干网络分析
5.4.2 注意机制分析
5.4.3 加速分析
5.5 本章小结
6 总结与展望
6.1 本文工作总结
6.2 未来研究展望
致谢
参考文献
附录
本文编号：3744993
本文链接：https://www.wllwen.com/wenshubaike/qiuzhijiqiao/3744993.html
最近更新
教材专著
