CN114708560A - 一种基于yolox算法的违章停车检测方法及系统 - Google Patents
一种基于yolox算法的违章停车检测方法及系统 Download PDFInfo
- Publication number
- CN114708560A CN114708560A CN202210626890.1A CN202210626890A CN114708560A CN 114708560 A CN114708560 A CN 114708560A CN 202210626890 A CN202210626890 A CN 202210626890A CN 114708560 A CN114708560 A CN 114708560A
- Authority
- CN
- China
- Prior art keywords
- parking
- network
- monitoring image
- illegal parking
- illegal
- 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.)
- Granted
Links
Images
Classifications
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于YOLOX算法的违章停车检测方法及系统,涉及目标检测领域,该方法包括:对数据预处理后的停车监控图像数据集中停车监控图像进行数据增强;构建基于YOLOX算法的违章停车检测网络,检测网络包括改进后的Res2Net50网络、FPN网络和改进后的Prediction层,改进后的Res2Net50网络采用ALReLU激活函数,改进后的Prediction层的激活函数采用SAU激活函数;采用数据增强后的停车监控图像数据集训练违章停车检测网络,获得违章停车检测模型;采用违章停车检测模型对待检测停车监控图像进行违章检测。本发明提高了违章停车检测的准确性和效率。
Description
技术领域
本发明涉及目标检测技术领域,特别是涉及一种基于YOLOX算法的违章停车检测方法及系统。
背景技术
2021年中国汽车保有量已经到了3.93亿辆,而且随着中国经济的继续腾飞,人们生活水平的不断改善。中国汽车增加量还在不断的递增。以前在大城市中出现的交通拥堵现象已经普及到了各个乡镇和中小城市的主干道路上。交通拥堵以及交通事故的很大一部分原因就是违章停车。汽车乱停乱放现象已经深深影响到了人们的日常出行。针对这一问题,通常情况下就是交警通过人工发现来贴条处罚乱停车现象。但是,毕竟交警的数量有限,经历有限。很容易造成顾此失彼的情况。这已经无法满足人们对汽车乱停乱放现象整治的需要。
发明内容
本发明的目的是提供一种基于YOLOX算法的违章停车检测方法及系统,提高了违章停车检测的准确性和效率。
为实现上述目的,本发明提供了如下方案:
一种基于YOLOX算法的违章停车检测方法,包括:
获取停车监控图像数据集;
对所述停车监控图像数据集中图像进行数据预处理;
对数据预处理后的停车监控图像数据集中停车监控图像进行数据增强;
构建基于YOLOX算法的违章停车检测网络,所述违章停车检测网络包括改进后的Res2Net50网络、FPN网络和改进后的Prediction层,所述改进后的Res2Net50网络为主干网络,所述改进后的Res2Net50网络采用ALReLU激活函数,所述改进后的Res2Net50网络的输出连接所述FPN网络的输入,所述改进后的Prediction层的激活函数采用SAU激活函数;
采用所述数据增强后的停车监控图像数据集训练所述违章停车检测网络,获得违章停车检测模型;
采用所述违章停车检测模型对待检测停车监控图像进行违章检测。
可选地,所述对所述停车监控图像数据集中图像进行数据预处理,具体包括:
将所述停车监控图像数据集中图像进行分辨率统一化处理。
可选地,所述对数据预处理后的停车监控图像数据集中停车监控图像进行数据增强,具体包括:
采用Mosaic、MixUp、RandomErasing、HideAndSeek和GridMask的数据增强方式对数据预处理后的停车监控图像数据集中停车监控图像进行数据增强。
可选地,所述采用所述数据增强后的停车监控图像数据集训练所述违章停车检测网络,获得违章停车检测模型,具体包括:
采用所述数据增强后的停车监控图像数据集,以在停车监控图像中标注违章停车车辆的位置作为标签训练所述违章停车检测网络,获得违章停车检测模型。
本发明公开了一种基于YOLOX算法的违章停车检测系统,包括:
数据集获取模块,用于获取停车监控图像数据集;
数据预处理模块,用于对所述停车监控图像数据集中图像进行数据预处理;
数据增强模块,用于对数据预处理后的停车监控图像数据集中停车监控图像进行数据增强;
违章停车检测网络构建模块,用于构建基于YOLOX算法的违章停车检测网络,所述违章停车检测网络包括改进后的Res2Net50网络、FPN网络和改进后的Prediction层,所述改进后的Res2Net50网络为主干网络,所述改进后的Res2Net50网络采用ALReLU激活函数,所述改进后的Res2Net50网络的输出连接所述FPN网络的输入,所述改进后的Prediction层的激活函数采用SAU激活函数;
违章停车检测网络训练模块,用于采用所述数据增强后的停车监控图像数据集训练所述违章停车检测网络,获得违章停车检测模型;
违章检测模块,用于采用所述违章停车检测模型对待检测停车监控图像进行违章检测。
可选地,所述数据预处理模块,具体包括:
数据预处理单元,用于将所述停车监控图像数据集中图像进行分辨率统一化处理。
可选地,所述数据增强模块,具体包括:
数据增强单元,用于采用Mosaic、MixUp、RandomErasing、HideAndSeek和GridMask的数据增强方式对数据预处理后的停车监控图像数据集中停车监控图像进行数据增强。
可选地,所述违章停车检测网络训练模块,具体包括:
违章停车检测网络训练单元,用于采用所述数据增强后的停车监控图像数据集,以在停车监控图像中标注违章停车车辆的位置作为标签训练所述违章停车检测网络,获得违章停车检测模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种基于YOLOX算法的违章停车检测方法,通过神经网络预测提高了违章停车的检测效率,另外,通过FPN网络实现了多尺度特征融合,使用了ALReLU激活函数提升了特征提取的准确性,改进后的Prediction层采用SAU激活函数提高了特征平滑性能,从而保证了违章停车检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于YOLOX算法的违章停车检测方法流程示意图一;
图2为本发明一种基于YOLOX算法的违章停车检测方法流程示意图二;
图3为本发明违章停车检测网络结构示意图;
图4为本发明一种基于YOLOX算法的违章停车检测系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于YOLOX算法的违章停车检测方法及系统,提高了违章停车检测的准确性和效率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明一种基于YOLOX算法的违章停车检测方法流程示意图一,图2为本发明一种基于YOLOX算法的违章停车检测方法流程示意图二,如图1-2所示,一种基于YOLOX算法的违章停车检测方法,包括:
步骤101:获取停车监控图像数据集。
步骤102:对停车监控图像数据集中图像进行数据预处理。
停车监控图像数据集中图像为通过交通摄像头拍摄视频图像。
其中,步骤102具体包括:
将停车监控图像数据集中图像进行分辨率统一化处理。
由于智能监控设备种类较多,交通摄像头拍摄的视频图像有的分辨率较高,还有的分辨率不高,这就需要将这些视频图像进行统一化大小。将视频图像的分辨率统一为640*640大小。
数据预处理还包括进行数据集拆分,将总数据集拆分为测试集和训练集。训练集主要用于训练违章停车检测网络模型的参数,对应的就是改进后的YOLOX算法的模型参数。测试集主要用于验证违章停车检测网络模型的准确率以及是否能够用于工程实际。
步骤103:对数据预处理后的停车监控图像数据集中停车监控图像进行数据增强。
其中,步骤103具体包括:
采用Mosaic、MixUp、RandomErasing(Random Erasing Data Augmentation,随机擦除数据增强)、HideAndSeek和GridMask的数据增强方式对数据预处理后的停车监控图像数据集的训练集中停车监控图像进行数据增强。
数据增强为YOLOX算法性能增加的关键。深度学习算法在训练过程中是非常依赖于数据的。所以训练数据集的大小直接决定了算法的表达力和鲁棒性。YOLOX算法只使用Mosaic和MixUp两种增加技术,而且还在15个epochs后就关闭了数据增强。本发明增加了RandomErasing、HideAndSeek和GridMask。相当于在原有的基础上增加3倍的训练数据。由于涉及的交通违章方式过多,所以本发明将Mosaic和MixUp增强技术提高到了32个epochs。
步骤104:构建基于YOLOX算法的违章停车检测网络,违章停车检测网络包括改进后的Res2Net50网络、FPN网络和改进后的Prediction层,改进后的Res2Net50网络为主干网络,改进后的Res2Net50网络采用ALReLU激活函数,改进后的Res2Net50网络的输出连接FPN网络的输入,改进后的Prediction层的激活函数采用SAU激活函数。违章停车检测网络结构如图3所示。
改进后的Res2Net50网络将ReLU激活函数改进为ALReLU激活函数,ALReLU激活函数出自《ALReLU: A different approach on Leaky ReLU activation function toimprove Neural Networks Performance》 London South Bank University / ISTCollege(伦敦南岸大学/IST学院)。
改进后的Prediction层将Leaky ReLU激活函数改进为SAU激活函数。
违章停车场景比较复杂,并且众多摄像头采集的数据差别也是非常的大,这就需要更加有表现力的主干网络来应对违章停车现象。YOLOX算法本身使用的DarkNet53网络相对来说就比较有些轻量级,这对特征提取来说会有可能造成特征提取不充分,小目标特征无法准确的提取,车道停车线会被当做噪声处理掉。所以,本发明选取Res2Net50网络来替代DarkNet53网络,更好提高特征提取的能力,并且不增加计算开销。本发明将Res2Net50网络原有的ReLU激活函数改进为ALReLU激活函数,提高了图像过零点特征提取能力,可以更加高效的提高特征提取过程。
停车点与监控摄像头的距离并不固定,距离摄像头过近或者距离摄像头过远产生的视频图像差距非常大。为了更好的适应这种变化,采取了多尺度特征融合网络,即FPN网络。将改进过后的Res2Net50网络提取的特征在多个尺度上进行变化,通常是通过降采样来提取不同尺度的特征。
YOLOX算法的性能提升,或者说与其他YOLO系列最大的区别就在于Prediction层。Prediction层创新的增加了Decoupled Head、Anchor Free、Multi positives、SimOTA这四种新兴技术的应用。传统的Head网络将目标类别的预测,前后背景的预测,目标大小及边框的预测混淆在一起。然而,目标类别的预测属于分类任务,目标大小及边框的预测属于回归任务。这两种任务在训练以及优化上有很大的差距。最终通过将任务进行分支解耦,使用Decoupled Head技术来使得分类任务和回归任务分离开。Anchor Free技术使得不再使用锚框预计聚类方法来预测很多个锚框。有助于加速计算。当智慧交通中的摄像头拍摄的监控图像中有多辆违章停车目标时,这就需要Multi positives技术使用了。因为多辆违章停车会导致目标重叠,判断中间区域是一件非常耗时而且无功的事情。通过使用Multipositives技术可以更好对多目标边框进行预测。SimOTA可以加快损失函数的过程,简化OTA繁琐的步骤。然而,YOLOX算法中Prediction层主要使用的激活函数有两种,一种是Leaky ReLU激活函数,一种是Sigmoid激活函数。本发明通过改进其激活函数,将LeakyReLU激活函数改进为SAU激活函数。SAU激活函数诞生与YOLOX之后,并且在特征提取效果上以及预测分类效果上都好于Leaky ReLU激活函数。通过本文激活函数的改进可以提高Prediction层预测的精度。请注意,使用Sigmoid激活函数的网络并没有变化。
Decoupled Head、Anchor Free、Multi positives、SimOTA这四种新兴技术是导致YOLOX性能提升的关键。Decoupled Head带来了1.1%的提升,数据增强来了2.4%的提升,Anchor Free带来了0.9%的性能提升,SIMOTA带来了2.3%的提升。然而,这些性能可以进一步的提升,特别是改进YOLOX原有的激活函数Leaky ReLU激活函数。Leaky ReLU激活函数虽然为特征平滑带来了一些提升。但是在这一方面,SAU激活函数性能更加出色。本发明将激活函数改进为SAU激活函数。SAU激活函数更有利于Prediction层的性能提升。最终,通过这些改进达到违章停车目标检测的效果。
步骤105:采用数据增强后的停车监控图像数据集训练违章停车检测网络,获得违章停车检测模型。
其中,步骤105具体包括:
采用数据增强后的停车监控图像数据集,以在停车监控图像中用长方形框标注违章停车车辆的位置作为标签训练违章停车检测网络,获得违章停车检测模型。
使用训练数据集训练算法模型,学习率采用余弦算法,初始学习率γ=0.00001,梯度模型使用随机梯度下降。训练200个epochs后,终止训练,判断算法的训练误差和训练精度,是否能够达到要求。若训练误差和训练精度能够达到要求就终止训练,若不能达到要求继续训练200个epochs,直到满足要求,或者训练epochs次数EPR大于1000次。
测试集中验证改进后YOLOX算法精度,达到要求后,选取既定的算法模型的参数作为最终模型的参数。使用该参数的YOLOX算法(训练好的违章停车检测网络)即可用于工程实际中。
步骤106:采用违章停车检测模型对待检测停车监控图像进行违章检测。
本发明具有以下有益效果:
1.本发明所提供的方法中YOLOX算法保证了算法的快速性,更加有利于工程落地。
2.本发明提供的方法在YOLOX算法的基础上改进主干网络算法。有原始的DarkNet53算法改进为Res2Ne50算法,同时改进了Res2Net50算法。使用了ALReLU激活函数替代ReLU激活函数,保证了特征提取的准确性。
3.本发明所提供的方法提供了了多特征多尺度融合,保证了大目标和小目标的并重检测。
4.本发明所提供的方法中改进了Prediction层中Decoupled Head网络。将Decoupled Head中LeakyReLU激活函数,改进为SAU激活函数。Decoupled Head网络中的Sigmoid层的激活函数保持不变。因此,智慧城市中违章停车目标检测的目标准确性得到了保证。
图4为本发明一种基于YOLOX算法的违章停车检测系统结构示意图,如图4所示,一种基于YOLOX算法的违章停车检测系统,包括:
数据集获取模块201,用于获取停车监控图像数据集。
数据预处理模块202,用于对停车监控图像数据集中图像进行数据预处理。
数据增强模块203,用于对数据预处理后的停车监控图像数据集中停车监控图像进行数据增强。
违章停车检测网络构建模块204,用于构建基于YOLOX算法的违章停车检测网络,违章停车检测网络包括改进后的Res2Net50网络、FPN网络和改进后的Prediction层,改进后的Res2Net50网络为主干网络,改进后的Res2Net50网络采用ALReLU激活函数,改进后的Res2Net50网络的输出连接FPN网络的输入,改进后的Prediction层的激活函数采用SAU激活函数。
违章停车检测网络训练模块205,用于采用数据增强后的停车监控图像数据集训练违章停车检测网络,获得违章停车检测模型。
违章检测模块206,用于采用违章停车检测模型对待检测停车监控图像进行违章检测。
数据预处理模块202,具体包括:
数据预处理单元,用于将停车监控图像数据集中图像进行分辨率统一化处理。
数据增强模块203,具体包括:
数据增强单元,用于采用Mosaic、MixUp、RandomErasing、HideAndSeek和GridMask的数据增强方式对数据预处理后的停车监控图像数据集中停车监控图像进行数据增强。
违章停车检测网络训练模块205,具体包括:
违章停车检测网络训练单元,用于采用数据增强后的停车监控图像数据集,以在停车监控图像中标注违章停车车辆的位置作为标签训练违章停车检测网络,获得违章停车检测模型。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于YOLOX算法的违章停车检测方法,其特征在于,包括:
获取停车监控图像数据集;
对所述停车监控图像数据集中图像进行数据预处理;
对数据预处理后的停车监控图像数据集中停车监控图像进行数据增强;
构建基于YOLOX算法的违章停车检测网络,所述违章停车检测网络包括改进后的Res2Net50网络、FPN网络和改进后的Prediction层,所述改进后的Res2Net50网络为主干网络,所述改进后的Res2Net50网络采用ALReLU激活函数,所述改进后的Res2Net50网络的输出连接所述FPN网络的输入,所述改进后的Prediction层的激活函数采用SAU激活函数;
采用所述数据增强后的停车监控图像数据集训练所述违章停车检测网络,获得违章停车检测模型;
采用所述违章停车检测模型对待检测停车监控图像进行违章检测。
2.根据权利要求1所述的基于YOLOX算法的违章停车检测方法,其特征在于,所述对所述停车监控图像数据集中图像进行数据预处理,具体包括:
将所述停车监控图像数据集中图像进行分辨率统一化处理。
3.根据权利要求1所述的基于YOLOX算法的违章停车检测方法,其特征在于,所述对数据预处理后的停车监控图像数据集中停车监控图像进行数据增强,具体包括:
采用Mosaic、MixUp、RandomErasing、HideAndSeek和GridMask的数据增强方式对数据预处理后的停车监控图像数据集中停车监控图像进行数据增强。
4.根据权利要求1所述的基于YOLOX算法的违章停车检测方法,其特征在于,所述采用所述数据增强后的停车监控图像数据集训练所述违章停车检测网络,获得违章停车检测模型,具体包括:
采用所述数据增强后的停车监控图像数据集,以在停车监控图像中标注违章停车车辆的位置作为标签训练所述违章停车检测网络,获得违章停车检测模型。
5.一种基于YOLOX算法的违章停车检测系统,其特征在于,包括:
数据集获取模块,用于获取停车监控图像数据集;
数据预处理模块,用于对所述停车监控图像数据集中图像进行数据预处理;
数据增强模块,用于对数据预处理后的停车监控图像数据集中停车监控图像进行数据增强;
违章停车检测网络构建模块,用于构建基于YOLOX算法的违章停车检测网络,所述违章停车检测网络包括改进后的Res2Net50网络、FPN网络和改进后的Prediction层,所述改进后的Res2Net50网络为主干网络,所述改进后的Res2Net50网络采用ALReLU激活函数,所述改进后的Res2Net50网络的输出连接所述FPN网络的输入,所述改进后的Prediction层的激活函数采用SAU激活函数;
违章停车检测网络训练模块,用于采用所述数据增强后的停车监控图像数据集训练所述违章停车检测网络,获得违章停车检测模型;
违章检测模块,用于采用所述违章停车检测模型对待检测停车监控图像进行违章检测。
6.根据权利要求5所述的基于YOLOX算法的违章停车检测系统,其特征在于,所述数据预处理模块,具体包括:
数据预处理单元,用于将所述停车监控图像数据集中图像进行分辨率统一化处理。
7.根据权利要求5所述的基于YOLOX算法的违章停车检测系统,其特征在于,所述数据增强模块,具体包括:
数据增强单元,用于采用Mosaic、MixUp、RandomErasing、HideAndSeek和GridMask的数据增强方式对数据预处理后的停车监控图像数据集中停车监控图像进行数据增强。
8.根据权利要求5所述的基于YOLOX算法的违章停车检测系统,其特征在于,所述违章停车检测网络训练模块,具体包括:
违章停车检测网络训练单元,用于采用所述数据增强后的停车监控图像数据集,以在停车监控图像中标注违章停车车辆的位置作为标签训练所述违章停车检测网络,获得违章停车检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210626890.1A CN114708560B (zh) | 2022-06-06 | 2022-06-06 | 一种基于yolox算法的违章停车检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210626890.1A CN114708560B (zh) | 2022-06-06 | 2022-06-06 | 一种基于yolox算法的违章停车检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114708560A true CN114708560A (zh) | 2022-07-05 |
CN114708560B CN114708560B (zh) | 2022-08-09 |
Family
ID=82177634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210626890.1A Active CN114708560B (zh) | 2022-06-06 | 2022-06-06 | 一种基于yolox算法的违章停车检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708560B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998324A (zh) * | 2022-07-19 | 2022-09-02 | 深圳新视智科技术有限公司 | 半导体晶圆缺陷检测模型的训练方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004145632A (ja) * | 2002-10-24 | 2004-05-20 | Ishikawajima Harima Heavy Ind Co Ltd | 駐車違反車両検出システム及び方法 |
CN110837837A (zh) * | 2019-11-05 | 2020-02-25 | 安徽工业大学 | 一种基于卷积神经网络的违章检测方法 |
CN113657151A (zh) * | 2021-07-07 | 2021-11-16 | 东南大学 | 一种基于yolo目标检测算法的水上交通违章行为检测方法 |
CN114445798A (zh) * | 2021-12-30 | 2022-05-06 | 深圳信息职业技术学院 | 一种基于深度学习的城市道路停车位识别方法及系统 |
CN114454875A (zh) * | 2022-02-25 | 2022-05-10 | 深圳信息职业技术学院 | 一种基于强化学习的城市道路自动泊车方法及系统 |
-
2022
- 2022-06-06 CN CN202210626890.1A patent/CN114708560B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004145632A (ja) * | 2002-10-24 | 2004-05-20 | Ishikawajima Harima Heavy Ind Co Ltd | 駐車違反車両検出システム及び方法 |
CN110837837A (zh) * | 2019-11-05 | 2020-02-25 | 安徽工业大学 | 一种基于卷积神经网络的违章检测方法 |
CN113657151A (zh) * | 2021-07-07 | 2021-11-16 | 东南大学 | 一种基于yolo目标检测算法的水上交通违章行为检测方法 |
CN114445798A (zh) * | 2021-12-30 | 2022-05-06 | 深圳信息职业技术学院 | 一种基于深度学习的城市道路停车位识别方法及系统 |
CN114454875A (zh) * | 2022-02-25 | 2022-05-10 | 深圳信息职业技术学院 | 一种基于强化学习的城市道路自动泊车方法及系统 |
Non-Patent Citations (3)
Title |
---|
CHUANYUN WANG 等: "UAVSwarm Dataset: An Unmanned Aerial Vehicle Swarm Dataset for Multiple Object Tracking", 《MDPI》 * |
MINGJIANG ZHANG 等: "Research on Engineering Vehicle Target Detection in Aerial Photography Environment based on YOLOX", 《IEEE》 * |
周嘉灏 等: "基于改进YOLOX的番茄病叶识别", 《信息与电脑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998324A (zh) * | 2022-07-19 | 2022-09-02 | 深圳新视智科技术有限公司 | 半导体晶圆缺陷检测模型的训练方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114708560B (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368687B (zh) | 一种基于目标检测和语义分割的人行道车辆违停检测方法 | |
CN111104903B (zh) | 一种深度感知交通场景多目标检测方法和系统 | |
CN106934374B (zh) | 一种雾霾场景中交通标识牌的识别方法及系统 | |
CN110533950A (zh) | 车位使用状况的检测方法、装置、电子设备及存储介质 | |
Xiang et al. | Lightweight fully convolutional network for license plate detection | |
Chao et al. | Multi-lane detection based on deep convolutional neural network | |
CN106919939B (zh) | 一种交通标识牌跟踪识别方法及系统 | |
CN113205107A (zh) | 一种基于改进高效率网络的车型识别方法 | |
Zhang et al. | Road marking segmentation based on siamese attention module and maximum stable external region | |
CN114708560B (zh) | 一种基于yolox算法的违章停车检测方法及系统 | |
CN112613434A (zh) | 道路目标检测方法、装置及存储介质 | |
Zheng et al. | A deep learning–based approach for moving vehicle counting and short-term traffic prediction from video images | |
CN112785610B (zh) | 一种融合低层特征的车道线语义分割方法 | |
Pan et al. | A hybrid deep learning algorithm for the license plate detection and recognition in vehicle-to-vehicle communications | |
CN116229443A (zh) | 一种车辆牌照检测方法、装置、计算机设备及存储介质 | |
Wang et al. | Real-time non-motor vehicle violation detection in traffic scenes | |
Xu et al. | SPNet: Superpixel pyramid network for scene parsing | |
CN115170803A (zh) | 一种基于e-solo的城市街景实例分割方法 | |
Wu et al. | Research on license plate detection algorithm based on ssd | |
CN101577052B (zh) | 俯空车辆检测装置和方法 | |
Zhang et al. | Traffic sign detection algorithm based on improved YOLOv7 | |
Zhang et al. | Research on vehicle detection model based on attention mechanism | |
Li et al. | Infrared Small Target Detection Algorithm Based on ISTD-CenterNet. | |
Zheng et al. | Research on Moving Target Detection Technology Based on Yolov5 Model | |
Wang et al. | Research of lane detection method based on attention mechanism |
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 |