原文传递
基于计算机视觉的黑烟车检测技术研究
| 论文题名： | 基于计算机视觉的黑烟车检测技术研究 |
| 关键词： | 黑烟车检测;网络轻量化;目标检测;车辆跟踪;注意力机制 |
| 摘要： | 随着机动车保有量持续上涨，尾气的违规排放给环境和居民身体健康带来了极大威胁。早期黑烟车检测多依赖人力，浪费大量资源的同时漏检率较高。近年来，计算机视觉技术的快速兴起为黑烟车的检测带来新的发展空间。针对黑烟车检测问题，本文采用了两种研究思路对基于计算机视觉的黑烟车检测技术进行了研究，分别为基于位置关系的黑烟车检测与基于分类思想的黑烟车检测。主要工作如下： 针对黑烟车数据集较少的问题，使用数据增强方法，将与黑烟特征相似的烟雾图片拼接到道路背景图片上，用来辅助训练，解决了目前黑烟车数据集较少的问题，实验证明使用辅助训练后，平均精确度均值提高了6.7%。 针对传统运动目标检测算法提取目标轮廓不完整，难以区分移动摄像设备下背景与目标等问题，采用深度学习目标检测算法YOLOv3对车辆和黑烟进行同时检测。针对YOLOv3计算量大和网络模型复杂等问题，设计一种轻量型网络YOLOv3-M3-CBAM，后续对其进一步优化。实验表明改进后的网络计算量和参数量均降低，检测速度为21FPS，平均精确度均值为93.8%。根据YOLOv3-M3-CBAM输出的目标位置与跟踪信息，研究了基于位置关系的黑烟车检测算法，来判断视频中黑烟车数量。实验结果表明该算法召回率为85.3%，精确率为80.6%。 针对YOLOv4计算量和模型尺寸大等问题，采用GhostNet网络替换YOLOv4主干网络对车辆进行检测。实验证明改进后的YOLOv4缩小了模型尺寸，降低了计算量，检测精度为96.3%，平均精确度均值为20FPS。根据检测结果将感兴趣区域定位在车尾部，研究了基于分类思想的黑烟车检测算法。采用EfficientNetv2对感兴趣区域进行分类，结合跟踪信息，判断该车是否为黑烟车，输出黑烟车数量。实验结果表明该算法召回率为88.2%，精确率为81.9%。 |
| 作者： | 张倩 |
| 专业： | 电子与通信工程 |
| 导师： | 王书海;孙祎 |
| 授予学位： | 硕士 |
| 授予学位单位： | 河北科技大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
