CN113033284B - 一种基于卷积神经网络的车辆实时超载检测方法 - Google Patents

一种基于卷积神经网络的车辆实时超载检测方法 Download PDF

Info

Publication number
CN113033284B
CN113033284B CN202011526778.8A CN202011526778A CN113033284B CN 113033284 B CN113033284 B CN 113033284B CN 202011526778 A CN202011526778 A CN 202011526778A CN 113033284 B CN113033284 B CN 113033284B
Authority
CN
China
Prior art keywords
vehicle
detection
network
yolo
wheel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011526778.8A
Other languages
English (en)
Other versions
CN113033284A (zh
Inventor
王玉娟
卢功林
宋永端
谈世磊
杨雅婷
任春旭
刘明杨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Yingdi Industrial Group Co ltd
DIBI Chongqing Intelligent Technology Research Institute Co Ltd
Original Assignee
DIBI Chongqing Intelligent Technology Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by DIBI Chongqing Intelligent Technology Research Institute Co Ltd filed Critical DIBI Chongqing Intelligent Technology Research Institute Co Ltd
Priority to CN202011526778.8A priority Critical patent/CN113033284B/zh
Publication of CN113033284A publication Critical patent/CN113033284A/zh
Priority to US17/491,216 priority patent/US20220196459A1/en
Application granted granted Critical
Publication of CN113033284B publication Critical patent/CN113033284B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
    • G01G19/02—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles
    • G01G19/022—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles for weighing wheeled or rolling bodies in motion
    • G01G19/024—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles for weighing wheeled or rolling bodies in motion using electrical weight-sensitive devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于卷积神经网络的车辆实时超载检测方法，通过采用卷积神经网络方法，利用YOLO‑V3检测算法对道路行驶车辆进行实时检测，通过检测车轮个数得出轴数，并检测出相对轴距，然后与车辆载重国标比对即可得出该车辆最大荷重，最后通过比对车辆下方压电传感器得出的实际载重即可实现实时车辆超载检测。本发明检测实时性较好，能解决道路不停车超载检测的问题，避免可能会发生的交通堵塞以及道路交通事故。使用了通道剪枝技术，在不影响检测精度的情况下精简了网络结构，使得本检测方法对硬件要求较低，降低了设备成本，更加符合应用场景。

Description

一种基于卷积神经网络的车辆实时超载检测方法
技术领域
本发明涉及目标检测技术，特别涉及一种基于卷积神经网络的货车不停车超载检测方法。
背景技术
公路运输中货车超载不仅会影响道路桥梁安全，还会威胁社会公众生命安全，同时超载车辆因其荷载高于国家规定的公路桥梁承受荷载，会加快公路桥梁损耗，产生大量维修资金耗费，还常常致使交通事故。超载车辆的荷载一般远超公路和桥梁的设计承受荷载，其频繁行驶公路，造成路面损坏、桥梁断裂，大幅缩短公路正常使用年限。
针对预防车辆超载的问题，我国目前主要还是采取粘贴限重标识以及安排执法人员人工巡逻检查。执法人员通过观察来往车辆，将疑似超载的货车引导到检测点进行实际测量。这种人工检测方法存在以下缺点：(1)人工无法24小时工作；(2)靠执法人员主观判断，无法保证准确率。(3)效率低下，停车检测耗时较长，容易引发交通堵塞。
针对以上人共超载检测存在的缺点，本发明通过研究基于卷积神经网络的目标检测算法，利用YOLO-V3搭建货车超载检测网络，实现了车辆不停车自动实时超载检测。
发明内容
本发明的目的在于，通过采用卷积神经网络方法，利用YOLO-V3检测算法对道路行驶车辆进行实时检测，通过检测车轮个数得出轴数，并检测出相对轴距，然后与车辆载重国标比对即可得出该车辆最大荷重，最后通过比对车辆下方压电传感器得出的实际载重即可实现实时车辆超载检测。检测算法流程图见附图1
本发明是采用以下技术手段实现的：
一种基于卷积神经网络的车辆实时超载检测方法，基于YOLO-V3搭建检测车辆轮胎的目标检测网络，同时利用人工神经网络剪枝算法，基于L1正则化将YOLO网络稀疏化，然后对卷积神经网络进行通道剪枝，在精度损失很小的前提下，大幅压缩网络。
包含以下步骤：
步骤1，VOC数据集制作。
实地采集多种轴数车辆的图像，并利用labeling工具对采集的多种轴数车辆的图像进行标签(包括车辆轴数比如六轴—6-axle、单侧车轮—wheel)，然后制作成VOC数据集。
VOC数据集包括四个部分，其中文件夹Annotations存放以xml为后缀名的所有图片的标签文件，文件夹JPEGImages存放所有的数据集图片，文件夹ImageSets存放以txt为后缀名的划分数据集之后产生的文件，文件夹labels存放由标签文件转换得到的以txt为后缀名的文件。
步骤2，配置YOLO-V3目标检测网络模型训练环境。
在ubuntu系统中，利用darknet深度学习框架，搭建YOLO-V3目标检测网络模型，并在darknet深度学习框架上完成YOLO-V3目标检测网络模型的训练。YOLO-V3目标检测网络模型的训练与测试在计算机上进行。
步骤3，对YOLO-V3目标检测网络模型进行训练。
利用YOLO-V3目标检测算法进行模型训练，同时利用剪枝算法精简网络模型，从而降低实际应用场景中对计算机的性能要求。
步骤3.1，利用Darknet53预训练YOLO-V3目标检测网络模型，利用步骤一制作成的VOC格式数据集进行训练。如图3，Darknet53是由一系列1×1和3×3的卷积层组成，每个卷积层后面跟一个BN层和一个LeakyReLU层，一共有53个卷积层，所以叫做Darknet53。
步骤3.2，对网络模型进行稀疏化训练，再按一定比例或者设定的阈值对网络进行通道剪枝，然后根据剪枝后的网络的精度进行迭代剪枝，直到检测精度达到要求。
步骤3.3，剪枝通道的选取。
剪枝通道的选取重点是找到对输出贡献较小的通道。卷积通道的选取是通过卷积通道自身参数的特性选择，如通过参数的平均值、L1范数、L2范数等数值特性，在整个通道上进行排序，然后根据排序结果按照一定比例或者阈值进行裁剪，将对车辆轴数、车轮检测精度影响较小的通道去掉，精简网络模型的结构。使用BN层的γ参数作为稀疏因子，对γ参数进行L1正则化，使部分γ参数接近0，然后将低于阈值的卷积核裁减掉，完成模型训练。
步骤4，将训练好的模型上传至服务器，摄像头将采集到的车辆图片上传到服务器进行检测，检测出车辆的轴数与相对轴距，利用轴数与相对轴距这两个参数与车辆载重国标GB1589-2016进行比对匹配，即得出车辆理论最大载重。然后通过铺设在道路下方的压电传感器可得到车辆的真实载重，通过比较理论最大载重和真实载重的数值可判断车辆是否超载。
为了避免因误检到其他车辆的轮子而导致车辆轴数信息错误，利用车轮边界框以及车身边界框的坐标信息，通过算法可实现在检测车辆轴数时只计算在车身边界框内的车轮个数。
自动化车辆超载在线实时检测过程如下：
步骤1：车辆轴数、相对轴距获取
摄像头对车辆进行拍摄，将拍摄的照片上传至服务器进行实时检测；得出车辆单侧轮胎的个数从而得出车辆轴数，然后利用边界框中心点坐标进行计算得出相对轴距，利用轴数与相对轴距这两个参数与车辆载重国标GB1589-2016进行比对匹配，即得出车辆理论最大载重。
步骤2：检测效果评价
为验证车轮检测模型的有效性，对检测效果进行评价。目标检测评价指标分为准确率(Precision)与查全率(Recall)，公式如下：
Figure BDA0002851062550000031
其中，TP(TruePositive)表示真正例，即检测结果是车轮，实际上也是车轮。FP(FalsePositive)表示假正例，即检测结果是车轮，实际上不是车轮。FN(False Negative)为假反例，即检测结果不是车轮，实际上是车轮。
单独使用精度或者查全率不能准确反映网络性能，因此引入AP(平均精度)来评价网络性能。AP的计算公式如下：
Figure BDA0002851062550000032
其中，P表示精度，r表示查全率，P是一个以r为参数的函数。求所求得的就是Precision-Recall曲线所包围的面积。AP值越高，代表训练出的模型在检测货车轴数和车轮时性能越好。
与现有技术相比，本发明具有以下优点：
(1)现有的超载检测技术多依赖于人工以及纯硬件设备检测，本发明可实现自动检测。
(2)本发明检测实时性较好，能解决道路不停车超载检测的问题，避免可能会发生的交通堵塞以及道路交通事故。
(3)使用了通道剪枝技术，在不影响检测精度的情况下精简了网络结构，使得本检测方法对硬件要求较低，降低了设备成本，更加符合应用场景。
附图说明
图1为检测算法流程图。
图2为YOLO-V3网络结构。
图3为Darknet-53网络结构。
图4为通道剪枝示意图、流程图；a为通道剪枝示意图；b为通道剪枝流程图。
图5 K-means聚类算法流程图。
具体实施方式
根据上述描述，以下介绍本发明具体的实施流程。
所述离线部分分为2个步骤：
步骤1：数据采集
用相机实地采集，多角度多场景拍摄，确保每种轴数、轴距的车辆照片都覆盖到，数量在五千张左右。
步骤1.1：数据集制作
将拍摄的照片上的车轮，车身打上标签，制作成VOC格式的数据集。
步骤2：YOLO-V3网络框架搭建和模型训练
YOLO系列算法的思想是将一张待检测图片作为输入，经过卷积网络，直接分类和回归出边界框。YOLO-V3的网络结构(如附图2所示)包含了两部分，一部分是负责特征提取的主干网络Darknet-53，另一部分是负责分类与检测框回归的预测网络。
计算机内存为8G，显卡为NvidiaGeforeGTX1060。采用Nvidia的并行计算框架以及加速库，安装版本为CUDA10+cudnn7.4
Darknet-53因为拥有53个卷积层，所以被称为Darknet-53。因为采用了残差结构，所以相比Darknet-19网络可以构建的更深。在一定程度上，网络越深，特征提取能力越好。因此具在分类准确度上，Darknet-53模型比Darknet-19表现得更好。在YOLO-V3中舍弃了Darknet-53最后一层，采用了Darknet-53的前52个卷积层作为提取特征的主干网络(如附图3所示)。
为实现检测的实时性，在最大限度保证原有精度不变的情况下，对YOLO-V3进行通道剪枝，全局削减YOLO的卷积通道。然后对YOLO的特征提取网络进行调整，削减网络中贡献较小的卷积层，得到一个更窄的目标检测网络。
卷积核可以看作卷积层的一个基本单元，剪掉一个卷积核后，其对应的输出通道也将被剪除。在设计人工神经网络时，研究者并不知道设计多少个通道合适，为了使网络不丢失有效特征，设计者都倾向于设计更多的通道。这种盲目性使得网络中有很多冗余通道。将一些冗余的卷积核剪掉后，前向推理过程中对于该卷积核不再需要做任何计算，同时，与该卷积核输出对应的下一个卷积层的输入通道也将被剪除，这样可以在很大程度上对网络进行压缩。由于是剪除对网络贡献很小的通道，因此剪枝后对整体网络影响很小。通道剪枝示意图以及流程图见附图4.
YOLO算法使用先验框策略，利用锚定框来帮助卷积网络预测目标边界框。并且采用增加卷积核步长的方式缩小特征图，放弃使用池化层。在其他目标检测检测算法中，先验框都是人工凭经验设定的，并不是十分准确。YOLO算法采用K-means聚类的方法对训练样本的人工标定框进行聚类分析，使用聚类得出的宽高初始化锚定框。
K-means聚类算法流程图如附图5所示。它的主要步骤是，第一步，随机指定K个点作为初始的中心点，第二步将每个待归类的对象归到距离最近的那个中心点的类簇中，第三步，计算归类后的各簇的中心点，将计算得到的中心点更新为聚类算法的新的中心点，迭代计算第二步、第三步，迭代计算第二步、第三步，直到中心点不再变化或达到迭代次数。
在K-means算法中，待归类对象和中心点的距离由欧式距离表示，具体计算如下式：
Figure BDA0002851062550000051
其中，X表示待归类对象，C表示中心点，Xi表示带归类对象的第i个属性，Ci表示聚类中心的第i个属性，n表示属性数量；逐个比较每个待归类对象到每一个中心点的距离，得到m个类簇，m由人为按需设定。K-means的分类结果的评价指标是所有归类对象与其中心点的距离之和，这个值越小，代表分类效果越好。
YOLO-V3有三个不同尺度的输出，各个尺度都需要三个先验框，所以聚类出9个不同尺寸的先验框，分别用来检测不同大小的物体。三次检测，每次对应的感受范围不同，特征图大小与感受范围对应关系如表1所示，32倍降采样的感受范围最大，适合检测大的目标。16倍降采样适合检测中等大小的目标。8倍降采样的感受范围最小，适合检测小目标。
YOLO-V3采用多尺度预测来应对不同大小的目标的检测，进行多尺度预测可以结合不同层网络提取的特征信息，提升检测效果。浅层的神经网络更多的关注图像细节信息，高层的网络能够更多的提取出特征语义信息。对深层网络的输出，融合低层网络层输出，能够增加特征映射的分辨率，使得网络能够利用更多信息来进行预测，有效的提升了目标检测效果，尤其是对于小目标的检测效果有了明显提升。
表1特征图大小与感受范围对应关系
Figure BDA0002851062550000061
所述在线部分分为2个步骤：
步骤1：车辆轴数、相对轴距获取
利用训练得到的模型对摄像头拍摄的车辆照片进行实时检测，得出车辆单侧轮胎的个数从而得出车辆轴数，然后利用检测框中心点坐标进行计算得出相对轴距，利用轴数与相对轴距这两个参数与车辆载重国标进行比对匹配，即可得出车辆理论最大载重。
步骤2：检测效果评价
为了验证车轮检测模型的有效性，需要对检测效果进行评价。目标检测评价指标分为准确率(Precision)与查全率(Recall)。公式如下：
Figure BDA0002851062550000071
其中，TP(TruePositive)表示真正例，即检测结果是车轮，实际上也是车轮。FP(FalsePositive)表示假正例，即检测结果是车轮，实际上不是车轮。FN(False Negative)为假反例，即检测结果不是车轮，实际上是车轮。Recall和Precision是两个相对矛盾的度量，较高的查全率很可能意味着较低的准确率。
单独使用精度或者查全率不能准确反映网络性能，因此引入AP(平均精度)来评价网络性能。AP的计算公式如下：
Figure BDA0002851062550000072
其中，P表示精度，r表示查全率，P是一个以r为参数的函数。上式求所求得的就是Precision-Recall曲线所包围的面积。AP值越高，代表训练出的模型在检测货车轴数和车轮时性能越好。

Claims (2)

1.一种基于卷积神经网络的车辆实时超载检测方法，其特征在于：基于YOLO-V3搭建检测车辆轮胎的目标检测网络，同时利用人工神经网络剪枝算法，基于L1正则化将YOLO网络稀疏化，然后对卷积神经网络进行通道剪枝压缩网络；
包含以下步骤：
步骤1，VOC数据集制作；
实地采集多种轴数车辆的图像，并利用labeling工具对采集的多种轴数车辆的图像进行标签包括车辆轴数，然后制作成VOC数据集；
VOC数据集包括四个部分，其中文件夹Annotations存放以xml为后缀名的所有图片的标签文件，文件夹JPEGImages存放所有的数据集图片，文件夹ImageSets存放以txt为后缀名的划分数据集之后产生的文件，文件夹labels存放由标签文件转换得到的以txt为后缀名的文件；
步骤2，配置YOLO-V3目标检测网络模型训练环境；
在ubuntu系统中，利用darknet深度学习框架，搭建YOLO-V3目标检测网络模型，并在darknet深度学习框架上完成YOLO-V3目标检测网络模型的训练；YOLO-V3目标检测网络模型的训练与测试在计算机上进行；
步骤3，对YOLO-V3目标检测网络模型进行训练；
利用YOLO-V3目标检测算法进行模型训练，同时利用剪枝算法精简网络模型，从而降低实际应用场景中对计算机的性能要求；
步骤4，将训练好的模型上传至服务器，摄像头将采集到的车辆图片上传到服务器进行检测，检测出车辆的轴数与相对轴距，利用轴数与相对轴距这两个参数与车辆载重国标GB1589-2016进行比对匹配，即得出车辆理论最大载重；然后通过铺设在道路下方的压电传感器可得到车辆的真实载重，通过比较理论最大载重和真实载重的数值判断车辆是否超载；
利用车轮边界框以及车身边界框的坐标信息，实现在检测车辆轴数时只计算在车身边界框内的车轮个数；
自动化车辆超载在线实时检测过程如下：
步骤1：车辆轴数、相对轴距获取
摄像头对车辆进行拍摄，将拍摄的照片上传至服务器进行实时检测；得出车辆单侧轮胎的个数从而得出车辆轴数，然后利用边界框中心点坐标进行计算得出相对轴距，利用轴数与相对轴距这两个参数与车辆载重国标GB1589-2016进行比对匹配，即得出车辆理论最大载重；
步骤2：检测效果评价
为验证车轮检测模型的有效性，对检测效果进行评价；目标检测评价指标分为准确率与查全率，公式如下：
Figure FDA0003783142970000021
其中，TP表示真正例，即检测结果是车轮，实际上也是车轮；FP表示假正例，即检测结果是车轮，实际上不是车轮；FN为假反例，即检测结果不是车轮，实际上是车轮；
单独使用精度或者查全率不能准确反映网络性能，因此引入AP平均精度来评价网络性能；AP的计算公式如下：
Figure FDA0003783142970000022
其中，P表示精度，r表示查全率，P是一个以r为参数的函数；求所求得的就是Precision-Recall曲线所包围的面积；AP值越高，代表训练出的模型在检测货车轴数和车轮时性能越好。
2.根据权利要求1所述的一种基于卷积神经网络的车辆实时超载检测方法，其特征在于：步骤3.1，利用Darknet53预训练YOLO-V3目标检测网络模型，利用步骤一制作成的VOC格式数据集进行训练；Darknet53是由一系列1×1和3×3的卷积层组成，每个卷积层后面跟一个BN层和一个LeakyReLU层，一共有53个卷积层，所以叫做Darknet53；
步骤3.2，对网络模型进行稀疏化训练，再按一定比例或者设定的阈值对网络进行通道剪枝，然后根据剪枝后的网络的精度进行迭代剪枝，直到检测精度达到要求；
步骤3.3，剪枝通道的选取；
剪枝通道的选取重点是找到对输出贡献较小的通道；卷积通道的选取是通过卷积通道自身参数的特性选择，如通过参数的平均值、L1范数、L2范数等数值特性，在整个通道上进行排序，然后根据排序结果按照一定比例或者阈值进行裁剪，将对车辆轴数、车轮检测精度影响较小的通道去掉，精简网络模型结构；使用BN层的γ参数作为稀疏因子，对γ参数进行L1正则化，使部分γ参数接近0，然后将低于阈值的卷积核裁减掉，完成模型训练。
CN202011526778.8A 2020-12-22 2020-12-22 一种基于卷积神经网络的车辆实时超载检测方法 Active CN113033284B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011526778.8A CN113033284B (zh) 2020-12-22 2020-12-22 一种基于卷积神经网络的车辆实时超载检测方法
US17/491,216 US20220196459A1 (en) 2020-12-22 2021-09-30 Real-time vehicle overload detection method based on convolutional neural network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011526778.8A CN113033284B (zh) 2020-12-22 2020-12-22 一种基于卷积神经网络的车辆实时超载检测方法

Publications (2)

Publication Number Publication Date
CN113033284A CN113033284A (zh) 2021-06-25
CN113033284B true CN113033284B (zh) 2022-10-25

Family

ID=76460459

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011526778.8A Active CN113033284B (zh) 2020-12-22 2020-12-22 一种基于卷积神经网络的车辆实时超载检测方法

Country Status (2)

Country Link
US (1) US20220196459A1 (zh)
CN (1) CN113033284B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554084B (zh) * 2021-07-16 2024-03-01 华侨大学 基于剪枝和轻量卷积的车辆再辨识模型压缩方法及系统
CN113790718A (zh) * 2021-08-20 2021-12-14 武汉理工大学 一种基于无人船的信息共享系统
CN113984175A (zh) * 2021-10-26 2022-01-28 东北大学秦皇岛分校 基于人工神经网络的车载重标定方法及云服务系统
CN115114966B (zh) * 2022-08-29 2023-04-07 苏州魔视智能科技有限公司 模型的操作策略的确定方法、装置、设备及存储介质
CN115222160B (zh) * 2022-09-16 2023-01-10 中铁电气化勘测设计研究院有限公司 一种基于实测大数据的轨道交通牵引负荷预测方法
CN115938026B (zh) * 2023-03-13 2023-05-30 知鱼智联科技股份有限公司 基于多维特征的园区门禁管理方法、系统及存储介质
CN116152757B (zh) * 2023-04-18 2023-07-07 深圳亿维锐创科技股份有限公司 一种基于多点位的称重数据分析方法及相关装置
CN116843895A (zh) * 2023-05-30 2023-10-03 湖南大学 一种基于图像识别的车辆胎压与重量联合预测方法及系统
CN116503816B (zh) * 2023-06-28 2023-09-01 杭州久展电子有限公司 一种数据线缆的接脚分线检测方法
CN116912747B (zh) * 2023-08-04 2024-04-05 北京中电汇智科技有限公司 一种基于视频识别载重异物的数据处理系统
CN116839783B (zh) * 2023-09-01 2023-12-08 华东交通大学 一种基于机器学习的汽车板簧受力值及变形量的测量方法
CN117197760A (zh) * 2023-09-06 2023-12-08 东南大学 一种基于视频监控的桥梁车辆荷载分布长期监测方法
CN117351367B (zh) * 2023-12-06 2024-02-09 鄄城县公路事业发展中心 一种公路养护巡检方法、介质以及设备
CN117571107B (zh) * 2024-01-15 2024-03-15 山西富衡达自动化设备有限公司 一种智能化无人值守地磅异常监测系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461083A (zh) * 2020-05-26 2020-07-28 青岛大学 基于深度学习的快速车辆检测方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9760806B1 (en) * 2016-05-11 2017-09-12 TCL Research America Inc. Method and system for vision-centric deep-learning-based road situation analysis
DK201970115A1 (en) * 2018-11-08 2020-06-09 Aptiv Technologies Limited DEEP LEARNING FOR OBJECT DETECTION USING PILLARS
US10853671B2 (en) * 2019-03-06 2020-12-01 Dura Operating, Llc Convolutional neural network system for object detection and lane detection in a motor vehicle
US11010641B2 (en) * 2019-03-14 2021-05-18 Mapbox, Inc. Low power consumption deep neural network for simultaneous object detection and semantic segmentation in images on a mobile computing device
WO2020215241A1 (zh) * 2019-04-24 2020-10-29 江南大学 一种面向计算资源局限平台部署的实时目标检测的方法
CN110633690B (zh) * 2019-09-24 2022-07-01 北京邮电大学 基于桥梁监控的车辆特征识别方法及系统
CN110796168B (zh) * 2019-09-26 2023-06-13 江苏大学 一种基于改进YOLOv3的车辆检测方法
CN111160270B (zh) * 2019-12-31 2023-09-01 中铁大桥科学研究院有限公司 一种基于智能视频识别的桥梁监测方法
CN111428558A (zh) * 2020-02-18 2020-07-17 东华大学 一种基于改进YOLOv3方法的车辆检测方法
CN111414887B (zh) * 2020-03-30 2021-01-29 上海高重信息科技有限公司 基于yolov3算法的二次检测口罩人脸识别方法
US11254331B2 (en) * 2020-05-14 2022-02-22 StradVision, Inc. Learning method and learning device for updating object detector, based on deep learning, of autonomous vehicle to adapt the object detector to driving circumstance, and updating method and updating device using the same
KR20220072510A (ko) * 2020-11-25 2022-06-02 현대모비스 주식회사 차량의 장애물 인식 장치 및 방법
KR102394024B1 (ko) * 2021-11-19 2022-05-06 서울대학교산학협력단 자율 주행 차량에서 객체 검출을 위한 준지도 학습 방법 및 이러한 방법을 수행하는 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461083A (zh) * 2020-05-26 2020-07-28 青岛大学 基于深度学习的快速车辆检测方法

Also Published As

Publication number Publication date
CN113033284A (zh) 2021-06-25
US20220196459A1 (en) 2022-06-23

Similar Documents

Publication Publication Date Title
CN113033284B (zh) 一种基于卷积神经网络的车辆实时超载检测方法
CN112508392B (zh) 一种山区双车道公路隐患路段交通冲突风险动态评估方法
CN110059554B (zh) 一种基于交通场景的多支路目标检测方法
CN111079640B (zh) 一种基于自动扩增样本的车型识别方法及系统
CN114283469B (zh) 一种基于改进YOLOv4-tiny的轻量型目标检测方法及系统
CN108711148B (zh) 一种基于深度学习的轮胎缺陷智能检测方法
CN112052826A (zh) 基于YOLOv4算法的智慧执法多尺度目标检测方法、装置、系统及存储介质
Bo et al. Particle pollution estimation from images using convolutional neural network and weather features
CN111914839B (zh) 基于YOLOv3的同步端到端车牌定位与识别方法
CN111553201A (zh) 一种基于YOLOv3优化算法的交通灯检测方法
CN110866430A (zh) 一种车牌识别方法及装置
CN114694178A (zh) 基于Faster-RCNN算法的电力作业中安全帽监测方法及系统
CN110796360A (zh) 一种固定型交通检测源多尺度数据融合方法
CN116597326A (zh) 一种基于改进YOLOv7算法的无人机航拍小目标检测方法
CN115657002A (zh) 基于交通毫米波雷达的车辆运动状态估计方法
CN113095387B (zh) 基于联网车载adas的道路风险识别方法
CN106203368A (zh) 一种基于src和svm组合分类器的交通视频车辆识别方法
CN110765900B (zh) 一种基于dssd的自动检测违章建筑方法及系统
CN112232435A (zh) 基于卷积神经网络的渣土车土石方体积计算方法
CN111832463A (zh) 一种基于深度学习的交通标志检测方法
xi Wang et al. Detection of MMW radar target based on doppler characteristics and deep learning
CN111428752A (zh) 一种基于红外图像的能见度检测方法
Tomiło Classification of the Condition of Pavement with the Use of Machine Learning Methods
CN113963230A (zh) 一种基于深度学习的车位检测方法
CN110766754B (zh) 一种城轨列车受电弓目标定位方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20230602

Address after: 401233 No. 6 Xinmin Road, new city street, Changshou District, Chongqing

Patentee after: DIBI (CHONGQING) INTELLIGENT TECHNOLOGY RESEARCH INSTITUTE Co.,Ltd.

Patentee after: Chongqing Yingdi Industrial (Group) Co.,Ltd.

Address before: 404100 No.6 Xinmin Road, Xinshi street, Changshou District, Chongqing

Patentee before: DIBI (CHONGQING) INTELLIGENT TECHNOLOGY RESEARCH INSTITUTE Co.,Ltd.

TR01 Transfer of patent right