發(fā)布時間：2023-02-18 12:45

　　近年來,防治黑煙車尾氣污染成為環(huán)保工作的重中之重。在監(jiān)控攝像頭廣泛采用的基礎上,針對海量視頻開發(fā)基于監(jiān)控視頻的黑煙車輛智能檢測系統(tǒng)是極其有必要的。針對黑煙車輛檢測問題,本文主要研究內(nèi)容如下:(1)由于目前沒有公開的黑煙車輛數(shù)據(jù)集,人工采集并標注了分辨率為360x640的黑煙車輛圖像9960張作為黑煙車輛檢測數(shù)據(jù)集。本文提出的黑煙車輛數(shù)據(jù)集均為在真實交通場景下采集得到。(2)研究了基于深度學習的目標檢測方法,主要包括基于框的目標檢測方法和基于關鍵點的目標檢測方法兩類。除了介紹兩類目標檢測方法中經(jīng)典的、極具代表性的網(wǎng)絡架構,還在目標檢測領域公開的標準數(shù)據(jù)集MS COCO及本文建立的黑煙車輛數(shù)據(jù)集上對上述基本框架進行了評測。鑒于實際應用需求,本文選擇Center Net作為交通監(jiān)控場景下黑煙車輛檢測的基本算法框架,并圍繞Center Net展開研究。(3)在黑煙車輛數(shù)據(jù)集上嘗試了一系列基于不同主干網(wǎng)絡的Center Net模型,其中基于Res Net18的Center Net模型對黑煙車輛的檢測效果達到了90.9%m AP。使用Tensor RT對一系列基于不同主干網(wǎng)絡的Center Net...

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景及意義
    1.2 黑煙車輛檢測相關研究現(xiàn)狀
        1.2.1 基于傳統(tǒng)目標檢測的黑煙車輛檢測研究現(xiàn)狀
        1.2.2 基于深度學習的通用目標檢測研究現(xiàn)狀
    1.3 論文主要內(nèi)容及組織結構
2 基于深度學習的目標檢測方法分析
    2.1 基于深度學習的目標檢測方法形式化
    2.2 基于框的目標檢測方法
        2.2.1 基于框的二階段目標檢測方法
        2.2.2 基于框的一階段目標檢測方法
    2.3 基于關鍵點的目標檢測方法
        2.3.1 CornerNet
        2.3.2 CenterNet
    2.4 目標檢測方法評測指標
    2.5 實驗結果及分析
        2.5.1 數(shù)據(jù)集簡介
        2.5.2 實驗設置
        2.5.3 MS COCO數(shù)據(jù)集實驗結果及分析
        2.5.4 黑煙車輛數(shù)據(jù)集實驗結果及分析
    2.6 本章小結
3 基于Center Net的黑煙車輛檢測網(wǎng)絡及加速
    3.1 Center Net目標檢測方法
        3.1.1 網(wǎng)絡架構
        3.1.2 損失函數(shù)
        3.1.3 數(shù)據(jù)后處理
    3.2 實驗設置
        3.2.1 黑煙車輛數(shù)據(jù)采集及標注
        3.2.2 超參數(shù)設置
        3.2.3 訓練細節(jié)
    3.3 實驗結果及分析
        3.3.1 實驗結果
        3.3.2 主干網(wǎng)絡分析
    3.4 模型加速
        3.4.1 TensoRT簡介
        3.4.2 Center Net系列網(wǎng)絡架構的Tensor RT加速
    3.5 本章小結
4 一種基于Center Net的多尺度特征融合的黑煙車輛檢測方法
    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煙車輛檢測框架
        4.3.1 多尺度特征融合
        4.3.2 網(wǎng)絡架構
    4.4 實驗設置
    4.5 實驗結果及分析
        4.5.1 檢測效果分析
        4.5.2 加速分析
    4.6 本章小結
5 一種基于注意機制和組合主干網(wǎng)絡的Center Net黑煙車輛檢測方法
    5.1 引言
        5.1.1 注意機制
        5.1.2 組合主干網(wǎng)絡
    5.2 基于注意機制和組合主干網(wǎng)絡的 CenterNet 黑煙車輛檢測框架
        5.2.1 網(wǎng)絡架構
        5.2.2 組合主干網(wǎng)絡
        5.2.3 基于注意力機制的特征融合方法
    5.3 實驗設置
        5.3.1 車輛檢測數(shù)據(jù)集
        5.3.2 超參數(shù)設置
        5.3.3 訓練細節(jié)
    5.4 實驗結果及分析
        5.4.1 組合主干網(wǎng)絡分析
        5.4.2 注意機制分析
        5.4.3 加速分析
    5.5 本章小結
6 總結與展望
    6.1 本文工作總結
    6.2 未來研究展望
致謝
參考文獻
附錄



本文編號：3744993