【摘 要】
：
随着经济及路由建设的飞速发展,安置在道路上的监控设施不断增加,带来了海量的交通视频数据。这些数据根本无法完全通过人工手段进行处理,因此,亟需开发出高度可靠并值得信赖的智能化算法来实现这些监控视频数据的处理。车辆目标检测是交通监控系统中至关重要的一环,是诸如车辆计数,事故检测等一系列后续处理的基础。本文在对现有车辆目标检测算法进行调研及比较的基础上,通过检测精度与速度的权衡,选择了YOLOv3-ti
论文部分内容阅读
随着经济及路由建设的飞速发展,安置在道路上的监控设施不断增加,带来了海量的交通视频数据。这些数据根本无法完全通过人工手段进行处理,因此,亟需开发出高度可靠并值得信赖的智能化算法来实现这些监控视频数据的处理。车辆目标检测是交通监控系统中至关重要的一环,是诸如车辆计数,事故检测等一系列后续处理的基础。本文在对现有车辆目标检测算法进行调研及比较的基础上,通过检测精度与速度的权衡,选择了YOLOv3-tiny作为研究对象,对其在监控视频车辆检测场景下的应用进行研究,并着重对其网络的结构进行了调整优化,所做工作包括:（1）监控视频车辆目标检测Vehicle数据集创建。通过网上搜索监控视频相关的图像与DETRAC数据集、BITVehicle数据集共同组成本文的数据集图像。采用label Img工具对图像进行标注,生成了每张图像所对应的xml标注文件,xml文件中包含了其所含车辆目标的位置坐标及类别等描述信息。（2）基于YOLOv3-tiny算法的监控视频车辆目标检测。在Vehicle数据集上对YOLOv3-tiny算法进行实验,得到91.7%的精确度,84%的召回率。经统计,测试图中存在4.44%的漏检、11.85%的重复检测以及5.95%的误检现象,影响了目标检测的效果。（3）基于卷积层个数增加及空间金字塔模块引入的YOLOv3-tiny模型改进。针对原模型中存在的漏检、重复检测以及误检的问题,对模型进行优化改进,具体包括:针对原YOLOv3-tiny模型特征提取能力不足的问题,在其特征提取网络中增加了3×3卷积层的个数;在特征提取网络之后引入空间金字塔模块,将局部特征与全局特征进行多尺度的融合,从而能够增强特征的表达能力,改善漏检、重复检测以及错误检测问题。此外,为避免k-means聚类算法由于k值选择不当,而影响网络的训练效果,改用kmeans++进行先验框的生成。对于Batch＿size及图像resize尺寸等关键参数的选择,进行了四轮对比实验,确定了对于本文数据集和计算资源最为合适的数值。经过实验验证,改进的YOLOv3-tiny改善了原模型中存在的漏检、重复检测、误检等情况,将其出现概率分别降低了2.22%、3.7%、2.25%,且精确度达到了96%,召回率达到了86%,F1值达到了92%。相较于原模型,精确度提高了4.3%,召回率提升2%,F1值提高2%,提高了目标检测的性能。
其他文献
油田措施方案是油田增产的重要资料,其中蕴含着很多知识和经验,如何从中抽取知识用于优化措施方案,提高增产效果,是油田亟待解决的问题。对于油田措施方案中知识的抽取,本文主要从标注语料库、命名实体识别和实体关系抽取三方面对油田措施方案中知识抽取方法进行了研究,最后选择效果较优模型,结合油田措施方案知识开发了油田措施方案知识抽取系统。针对油田措施方案的标注语料匮乏问题,本文结合油田措施方案知识的特点对该领
无人机的自主着陆是其飞行中的重要环节,而对无人机进行精准定位是保障无人机安全稳定着陆的前提。传统的GPS（Global Positioning System）、RTK（Real Time Kinematic）等定位方式易受极端天气、卫星状况以及电离层等因素的影响,无法满足高精度定位、适应性强等要求。视觉定位是一种利用摄像机进行定位的技术,其抗干扰能力强、定位精度高,能适应大多数无人机着陆场景。本文
多字段数据,又称为表格数据,是机器学习领域最为经典,应用最为广泛的数据类型。随着深度学习的发展,各种用于多字段数据领域的深度学习模型被不断提出。而特征表示作为影响深度学习模型性能的一个重要因素,对从数据中获取更多有价值的信息具有重要意义。离散化是特征表示中的一项重要技术。近年来的研究表明,离散化在许多模型中均能起到正面作用。但在深度学习中,通常仍对定性特征编码并对定量特征归一化,而没有对离散化的作
显微CT是一种非破坏性的3D成像技术,可以在不破坏样本的情况下了解样本的内部显微结构。在石油地质领域,岩石作为最基本的研究对象,其特性能够直接反映出油气田的分布和存储能力。通过对将显微CT应用于岩芯样本而得到的岩芯断面CT图像进行计算机视觉处理,可实现岩石物性特征分析和计算的目的。在图像超分辨率领域中,深度学习可以依靠图像驱动来获得较优的网络模型,该类模型可直接从低分辨率图像重建出高分辨率图像,且
油气井工程的智能化研究对于增加油气田产能、降低实际操作成本和促进油气井管理水平精细化发展具有重要意义,但是在现实开采中总是充斥着机器故障频发、及时监控困难和产量水平不可控等问题,给高效地完成油气井开采工作形成了阻碍。机器学习方法在油气井开采中相关关键问题的解决上起到了推动作用,可以有效地降低各种干扰因素的影响,减少客观问题引起突发情况的发生概率,提高油气田产量和经济效益。本文以提升油气井智能化水平
随着信息化技术的不断发展,石油行业对油田生产过程的精准监控提出了新的需求,为了获取生产现场的实时工况,实现对油田生产的远程管理,就需要对采油现场的一些数据进行采集,这些实时数据是可以通过施工现场的仪器仪表获得的,本文主要对油田中仪器仪表自动化识读技术的可行性展开研究。机器视觉（Computer Vision）是专门研究用机器来模拟生物视觉功能的学科,又被称为计算机视觉,是当前精密测量领域发展的一个
针对石油开采过程中相继出现的各种油井沉没度模型,或多或少地包含一些经验因素,使模型的相关参数在现场应用中需实时校正,影响模型应用的精确度。因此,构建符合抽油过程中油井渗流自然规律的沉没度模型,为油田抽油管控提供可靠的理论依据,对我国大多数已进入开采中后期的油田至关重要。为此,本文通过综合分析油井抽油过程中的流体流动规律,构建了油井抽油沉没度综合模型。在此基础上,给出了两种应用方法,提高了模型在实际
近年航空领域流量成倍增长,为了保证飞行目标在飞行过程中的飞行安全,需要对飞行目标异常行为状态进行实时监控和分析,并通过飞行目标异常行为分析系统辅助操作员对飞行目标进行管理和监测。本课题主要研究内容包含异常行为分析算法和飞行目标异常行为分析系统实现两部分。在异常行为分析算法方面,传统MDLOF异常行为检测算法依赖于近邻参数k,会造成飞行目标异常行为检测准确率较低的问题,且MDLOF算法不能对异常行为
随着无人机技术的广泛应用,其安全着陆被越来越多的学者关注,无人机着陆中首要的任务是准确识别着陆跑道线,这成为了近年来研究的热点方向和急需解决的难题。目前无人机视觉着陆主要分为两种方法,一种方法是利用图像处理技术和着陆标识物进行算法设计,但该方法的着陆标识物在真实场景中容易受到光照变化、遮挡等情况以及需要人工设计特征提取器和手动调整各种参数,算法的泛化性能很难保证;另一种方法是利用深度学习检测算法代
公路的路面在日常生活中易于受到车辆和环境因素的影响,从而道路表面会出现各种路面病害,这些路面病害会导致公路的承载性能下降,甚至会严重影响公共交通安全,给人们的安全出行埋下隐患。为此,公路管护部门定期开展路面病害检测工作,尤其需要对路面裂缝这类病害进行检测。本文将深度学习理论引入到路面裂缝检测中,以路面裂缝为研究对象,建立了较为完备的基于深度学习的路面裂缝检测方案,确定了以目标检测技术和图像分割技术