论文部分内容阅读
交通是社会生产和人类生活的重要组成部分,然而近年来随着机动车保有量的上升,交通引发的安全问题、环境破坏和经济损失日趋严重,人们开始使用智能交通系统(Intelligent Traffic System,ITS)解决问题。交通目标检测是智能交通必备的基本功能,一个实时性好、检测精度高的目标检测平台对于发展智能交通系统具有重要意义。传统目标检测方法由于检测精度太低早已被基于深度学习(Deep Learning,DL)的目标检测方法取代。然而,深度学习过高的计算复杂度极大地限制了检测速度。边缘计算(Edge Computing)致力于把计算任务和决策中心从云端转移到网络的边缘,以实现对时延敏感的应用场景的快速响应。本文提出了一种基于边缘计算的交通目标检测架构,结合深度学习检测算法Mask R-CNN,用于架构中的目标检测。文章首先对深度学习的理论知识和目标检测的工作原理进行介绍,然后对所提出架构中终端、边缘和云三个模块各自的任务进行设计:终端负责采集和压缩数据,边缘服务器负责大部分目标检测任务,云服务器负责一部分困难目标检测任务和所有目标检测模型的训练。同时对架构中云和边缘之间任务分配的置信度规则、边缘端目标检测模型的训练策略进行了超参数调优,达到效率与准确率之间的最佳平衡。对于嵌入边缘服务器的目标检测模型,本文使用轻量化神经网络Mobile Net-V3作为模型的骨干网络以更好地适配边缘端的硬件环境,使用标准神经网络Res Net-50作为云服务器中模型的骨干网络以达到最优的检测性能。最后对所提出架构与基于云计算(Cloud Computing)的交通目标检测架构进行仿真比较。仿真结果表明,基于边缘计算的交通目标检测在仅牺牲少许检测精度(约5%m AP)的情况下,检测速度可以获得2倍以上的提升,对于网络带宽的占用只有后者的1/3。