CN116189113B - 一种货车车型识别方法和系统 - Google Patents

一种货车车型识别方法和系统 Download PDF

Info

Publication number
CN116189113B
CN116189113B CN202310207825.XA CN202310207825A CN116189113B CN 116189113 B CN116189113 B CN 116189113B CN 202310207825 A CN202310207825 A CN 202310207825A CN 116189113 B CN116189113 B CN 116189113B
Authority
CN
China
Prior art keywords
vehicle
information
deep learning
type
truck
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
CN202310207825.XA
Other languages
English (en)
Other versions
CN116189113A (zh
Inventor
纪明新
顾辉
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.)
Beijing Zhongke Shentong Technology Co ltd
Original Assignee
Beijing Zhongke Shentong Technology 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 Beijing Zhongke Shentong Technology Co ltd filed Critical Beijing Zhongke Shentong Technology Co ltd
Publication of CN116189113A publication Critical patent/CN116189113A/zh
Application granted granted Critical
Publication of CN116189113B publication Critical patent/CN116189113B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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

Abstract

本发明提出一种货车车型识别方法和系统，包括如下步骤：步骤S1，获取车辆侧面图像，并建立样本数据集；步骤S2，对样本数据集中的车辆信息进行标注；步骤S3，建立用于从侧面识别货车车型的深度学习模型，利用标注好的样本数据集，训练深度学习模型，得到训练好的深度学习模型；步骤S4，采集车辆侧面图像，将采集的车辆侧面图像输入到上述训练好的深度学习模型，根据深度学习模型输出的车辆信息确定货车车型信息。本发明的货车车型识别方法和系统能够快速、准确的识别货车车型。

Description

一种货车车型识别方法和系统
技术领域
本发明涉及车辆智能监测技术领域，特别涉及一种基于深度学习算法的货车车型识别方法和系统。
背景技术
由于ETC计费系统的推广，许多高速公路收费站逐渐以无人值守的不停车通行车道取代人工收费窗口。通行高速公路后及时缴纳足额车辆通行费，是每个道路使用者应履行的责任和义务。但是，逃费产生的经济利益促使很多车辆进行逃费。由于牵引车型货车与普通货车收费政策不同，依靠入口轴数计费，并在出口收费站收取高速通行费用，会产生很多漏收错收行为：牵引车轴数入口站识别错误；牵引车办理普通货车的ETC卡；在高速服务区拖挂、换挂等。
牵引车型货车大部分用于长途运输货物，车辆单次收费金额大，产生的漏收错收金额也越大，每年的通行费损失给高速带来数以千万计的经济损失，甚至影响到高速公路的安全运营。
随着近年来计算机视觉技术的发展，新技术应用爆发式增长催生全新业态，急需设计一种能够精确识别货车车型的信息的方法。
发明内容
本发明提出了一种货车车型识别方法和系统，是通过对YOLOX网络进行改进，修改主干网络和YOLOX-HEAD的卷积，优化了特征提取方式，针对车轴采用了圆形标注框，并引入FOCAL LOSS和c IOU LOSS对圆形目标计算车型识别的损失，可以快速、准确的识别货车车型。
本发明的技术方案为：一种货车车型识别方法，包括如下步骤：
步骤S1，获取车辆侧面图像，并建立样本数据集；
步骤S2，对样本数据集中的车辆信息进行标注；
步骤S3，建立用于从侧面识别货车车型的深度学习模型，利用标注好的样本数据集，训练深度学习模型，得到训练好的深度学习模型；
步骤S4，采集车辆侧面图像，将采集的车辆侧面图像输入到上述训练好的深度学习模型，根据深度学习模型输出的车辆信息确定货车车型信息。
进一步的，所述的步骤S1获取车辆侧面图像建立样本数据集，其中，所述的车辆侧面图像包括高速公路入出口站点抓拍的车辆侧面图像，或者省界监控采集系统抓拍图像。
进一步的，所述步骤S2对样本数据集中的车辆信息进行标注，包括标注车辆的车型、车轴信息，车型信息包括客车、货车，车轴信息包括车轴中心坐标及车轮半径。
进一步的，所述步骤S3，建立用于从侧面识别货车车型的深度学习模型，利用标注好的样本数据集，训练深度学习模型，得到训练好的深度学习模型，具体包括：
步骤S31，使用迁移学习方法，建立深度学习二分类模型，用于区分车辆车型信息；
步骤S32，建立改进的YOLOX目标检测模型，具体改进过程包括：
步骤S321，将YOLOX的主干网络替换为DenseNet网络；在DenseNet网络中，采用稠密连接机制，互相连接所有的层，即每个层都会接受其前面所有层作为其额外的输入，保留上下文信息；
步骤S322，将YOLOX-HEAD中的普通卷积修改替换为金字塔卷积，所述的金字塔卷积将卷积核平分为若干组，每组卷积核尺寸按照(2n+1，n∈N)增加，同时各组卷积核也会再次进行分组，如果卷积核尺寸越大，则分组越多，其中n为金字塔层数序号，N为自然数；
步骤S323，引入FOCAL LOSS损失函数，根据样本分辨的难易程度给样本对应的损失添加权重，减少样本不均衡的影响；FOCAL LOSS损失函数的公式如下：
FL(Pt)＝-αt(1-Pt)γlog(Pt)
式中αt为平衡正负样本参数，γ为调节简单样本权重降低的速率参数，FL(Pt)为损失计算值，Pt为样本属于某一类目标的概率；
步骤S324，将YOLOX的矩形检测框替换为圆形的检测框，并返回检测框的中心坐标以及半径，将YOLOX的IOU损失函数替换为cIOU损失函数；
步骤S325，使用车辆车身图片训练改进后的YOLOX模型，直至模型收敛。
进一步的，所述步骤S4，采集车辆侧面图像，将采集的车辆侧面图像输入到上述训练好的深度学习模型，根据深度学习模型输出的车辆信息确定货车车型信息，包括：
步骤S41，根据深度学习模型输出的车辆信息确定货车车型信息；
步骤S42，根据步骤S31中得到的车型信息，如果获得的车型信息为客车，后续不做处理；
步骤S43，根据S31中得到的车型信息，如果获得的车型信息为货车，使用改进后的YOLOX模式，输出车辆车轴信息；
步骤S44，进行车轴正确性校验。
进一步的，针对汽车运输车或其他车轴异常情况，所述步骤S44进行车轴正确性校验，具体包括：
步骤S441，获取车轴的中心坐标信息；
步骤S442，将所有车轴的高度信息按照升序排列；
步骤S443，比较前n项高度信息，若存在n+1高度与前n项差异大于预设阈值的信息，则存在汽车运输车或其他车轴异常情况，该项及以后数据均删除，n即为车辆轴数；
步骤S424，根据n确定货车车型；
步骤S4241，当n＝2时，参考车牌颜色信息，车牌为非黄时，为一型货车，车牌黄色时，为二型货车；
步骤S4242，当n＝[3,4,5,6]时，分别为三型、四型、五型、六型货车；
步骤S4243，当n>6时，记为超大型货车。
根据本发明的另一方面，本发明还提出一种货车车型识别系统，包括：
车辆侧面图像获取模块，用于获取车辆侧面图像，并建立样本数据集；
车辆侧面图像信息标注模块，用于对样本数据集中的车辆信息进行标注；
侧面识别深度学习模型，建立用于从侧面识别货车车型的深度学习模型，利用标注好的样本数据集，训练深度学习模型，得到训练好的深度学习模型；
车辆车型识别模块，采集车辆侧面图像，将采集的车辆侧面图像输入到上述训练好的深度学习模型，根据深度学习模型输出的车辆信息确定货车车型信息。
附图说明
图1：本发明的一种货车车型识别方法流程图；
图2：本发明实施例的金字塔卷积的卷积核分组数量示意图；
图3：本发明的c IOU损失函数示意图；
图4：本发明的一种货车车型识别系统框图；
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、完整的描述，显然，所描述的实施例仅为本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
根据本发明的实施例，提出一种货车车型识别方法，如图1所示，包括如下步骤：
步骤S1，获取车辆侧面图像，并建立样本数据集；
具体的，所述的步骤S1获取车辆侧面图像建立样本数据集，其中，所述的车辆侧面图像包括高速公路入出口站点抓拍的车辆侧面图像，或者省界监控采集系统抓拍图像。
步骤S2，对样本数据集中的车辆信息进行标注；
具体的，所述步骤S2对样本数据集中的车辆信息进行标注，包括标注车辆的车型、车轴信息，车型信息包括客车、货车，车轴信息包括车轴中心坐标及车轮半径。
步骤S3，建立用于从侧面识别货车车型的深度学习模型，利用标注好的样本数据集，训练深度学习模型，得到训练好的深度学习模型；具体包括：
步骤S31，使用迁移学习方法，建立深度学习二分类模型，用于区分车辆车型信息；
步骤S32，建立改进的YOLOX目标检测模型，由于车轮相对于整张图片属于小目标，为了增加检测效果，需要对模型进行改进，本发明实施例具体改进过程包括：
步骤S321，将YOLOX的主干网络替换为DenseNet网络；在DenseNet网络中，采用稠密连接机制，互相连接所有的层，即每个层都会接受其前面所有层作为其额外的输入，保留上下文信息；通过稠密连接机制将所有的层互联，可以很好的保留上下文信息，提升模型的准确度；
步骤S322，将YOLOX-HEAD中的普通卷积修改替换为金字塔卷积，所述的金字塔卷积将卷积核平分为若干组，每组卷积核尺寸按照(2n+1，n∈N)增加，同时各组卷积核也会再次进行分组，如果卷积核尺寸越大，则分组越多，如图2中的G所示，为分组数目，其中n为金字塔层数序号，N为自然数；如图2所示；
步骤S323，引入FOCAL LOSS损失函数，根据样本分辨的难易程度给样本对应的损失添加权重，减少样本不均衡的影响；
FOCAL LOSS损失函数的公式如下：
FL(pt)＝-αt(1-Pt)γlog(pt)
式中αt为平衡正负样本参数，γ为调节简单样本权重降低的速率参数，FL(Pt)为损失计算值，Pt为样本属于某一类目标的概率；
步骤S324，将YOLOX的矩形检测框替换为圆形的检测框，并返回检测框的中心坐标以及半径，将YOLOX的IOU损失函数替换为cIOU损失函数；
如图3所示，圆A的圆心OA坐标为(Ax，Ay)圆B的圆心OB坐标为(Bx，By)，圆A的半径为rA，圆B的半径为rB，圆A和圆B相交与C1、C2点，将圆A的圆心OA(Ax，Ay)与圆B的圆心OB(Bx，By)相连，连线的长度为d，从C1点向OAOB作垂线，垂点为D，C1D的长度为Ly，OAD的长度为Lx，Area表示面积，U为并集运算，∩为相交运算，cIOU损失函数计算公式如下：
式中
步骤S325，使用车辆车身图片训练改进后的YOLOX模型，直至模型收敛。
步骤S4，采集车辆侧面图像，将采集的车辆侧面图像输入到上述训练好的深度学习模型，根据深度学习模型输出的车辆信息确定货车车型信息。具体包括：
步骤S41，根据深度学习模型输出的车辆信息确定货车车型信息；
步骤S42，根据步骤S31中得到的车型信息，如果获得的车型信息为客车，后续不做处理；
步骤S43，根据S31中得到的车型信息，如果获得的车型信息为货车，使用改进后的YOLOX模式，输出车辆车轴信息；
步骤S44，进行车轴正确性校验。
进一步的，所述步骤S44进行车轴正确性校验，具体包括：
步骤S441，获取车轴的中心坐标信息；
步骤S442，将所有车轴的高度信息按照升序排列；
步骤S443，比较前n项高度信息，若存在n+1高度与前n项差异大于预设阈值的信息，则存在汽车运输车或其他车轴异常情况，该项及以后数据均删除，n即为车辆轴数；
步骤S424，根据n确定货车车型；
步骤S4241，当n＝2时，参考车牌颜色信息，车牌为非黄时，为一型货车，车牌黄色时，为二型货车；
步骤S4242，当n＝[3,4,5,6]时，分别为三型、四型、五型、六型货车；
步骤S4243，当n>6时，记为超大型货车。
本发明实施例的基于深度学习的识别货车车型的方法，在YOLOX的基础上通过修改主干网络和YOLOX-HEAD的卷积，优化了特征提取方式，针对车轴创新性的采用了圆形标注框，引入FOCAL LOSS和c IOU LOSS对圆形目标计算车型识别的损失，可以快速、准确的识别货车车型。
根据本发明的另一个方面，参见图4，还提出一种货车车型识别系统，包括：
车辆侧面图像获取模块41，用于获取车辆侧面图像，并建立样本数据集；
车辆侧面图像信息标注模块42，用于对样本数据集中的车辆信息进行标注；
侧面识别深度学习模型43，建立用于从侧面识别货车车型的深度学习模型，利用标注好的样本数据集，训练深度学习模型，得到训练好的深度学习模型；
车辆车型识别模块44，采集车辆侧面图像，将采集的车辆侧面图像输入到上述训练好的深度学习模型，根据深度学习模型输出的车辆信息确定货车车型信息。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，且应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (3)

1.一种货车车型识别方法，其特征在于，包括如下步骤：
步骤S1，获取车辆侧面图像，并建立样本数据集；
步骤S2，对样本数据集中的车辆信息进行标注；
步骤S3，建立用于从侧面识别货车车型的深度学习模型，利用标注好的样本数据集，训练深度学习模型，得到训练好的深度学习模型；所述步骤S3，建立用于从侧面识别货车车型的深度学习模型，利用标注好的样本数据集，训练深度学习模型，得到训练好的深度学习模型，具体包括：
步骤S31，使用迁移学习方法，建立深度学习二分类模型，用于区分车辆车型信息；
步骤S32，建立改进的YOLOX目标检测模型，具体改进过程包括：
步骤S321，将YOLOX的主干网络替换为DenseNet网络；在DenseNet网络中，采用稠密连接机制，互相连接所有的层，即每个层都会接受其前面所有层作为其额外的输入，保留上下文信息；
步骤S322，将YOLOX中的普通卷积修改替换为金字塔卷积，所述的金字塔卷积将卷积核平分为若干组，每组卷积核尺寸按照2n+1增加，其中n∈N，同时各组卷积核也会再次进行分组，如果卷积核尺寸越大，则分组越多，其中n为金字塔层数序号，N为自然数；
步骤S323，引入FOCAL LOSS损失函数，根据样本分辨的难易程度给样本对应的损失添加权重，减少样本不均衡的影响；FOCAL LOSS损失函数的公式如下：
FL(pt)＝-αt(1-pt)γlog(pt)
式中αt为平衡正负样本参数，γ为调节简单样本权重降低的速率参数，FL(Pt)为损失计算值，Pt为样本属于某一类目标的概率；
步骤S324，将YOLOX的矩形检测框替换为圆形的检测框，并返回检测框的中心坐标以及半径，将YOLOX的IOU损失函数替换为cIOU损失函数；
步骤S325，使用车辆车身图片训练改进后的YOLOX模型，直至模型收敛；
步骤S4，采集车辆侧面图像，将采集的车辆侧面图像输入到上述训练好的深度学习模型，根据深度学习模型输出的车辆信息确定货车车型信息；
所述步骤S4，采集车辆侧面图像，将采集的车辆侧面图像输入到上述训练好的深度学习模型，根据深度学习模型输出的车辆信息确定货车车型信息，包括：
步骤S41，根据深度学习模型输出的车辆信息确定车型信息；
步骤S42，根据步骤S31中得到的车型信息，如果获得的车型信息为客车，后续不做处理；
步骤S43，根据S41中得到的车型信息，如果获得的车型信息为货车，使用改进后的YOLOX模式，输出车辆车轴信息；
步骤S44，进行车轴正确性校验；
针对汽车运输车或其他车轴异常情况，所述步骤S44进行车轴正确性校验，具体包括：
步骤S441，获取车轴的中心坐标信息；
步骤S442，将所有车轴的高度信息按照升序排列；
步骤S443，比较前n项高度信息，若存在第n+1项的高度与前n项差异大于预设阈值的信息，则存在汽车运输车或其他车轴异常情况，该项及以后数据均删除，n即为车辆轴数；
步骤S424，根据n确定货车车型；
步骤S4241，当n＝2时，参考车牌颜色信息，车牌为非黄时，为一型货车，车牌黄色时，为二型货车；
步骤S4242，当n＝[3,4,5,6]时，分别为三型、四型、五型、六型货车；
步骤S4243，当n>6时，记为超大型货车。
2.根据权利要求1所述的一种货车车型识别方法，其特征在于，所述的步骤S1获取车辆侧面图像建立样本数据集，其中，所述的车辆侧面图像包括高速公路入出口站点抓拍的车辆侧面图像，或者省界监控采集系统抓拍图像。
3.根据权利要求1所述的一种货车车型识别方法，其特征在于，所述步骤S2对样本数据集中的车辆信息进行标注，包括标注车辆的车型、车轴信息，车型信息包括客车、货车，车轴信息包括车轴中心坐标及车轮半径。
CN202310207825.XA 2022-12-29 2023-02-27 一种货车车型识别方法和系统 Active CN116189113B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202211702833 2022-12-29
CN2022117028333 2022-12-29

Publications (2)

Publication Number Publication Date
CN116189113A CN116189113A (zh) 2023-05-30
CN116189113B true CN116189113B (zh) 2024-03-08

Family

ID=86447395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310207825.XA Active CN116189113B (zh) 2022-12-29 2023-02-27 一种货车车型识别方法和系统

Country Status (1)

Country Link
CN (1) CN116189113B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106441529A (zh) * 2016-08-30 2017-02-22 山西万立科技有限公司 一种基于视频图像技术的车型识别与作弊诊断系统
CN107273802A (zh) * 2017-05-16 2017-10-20 武汉华目信息技术有限责任公司 一种铁路列车闸瓦钎环故障的检测方法及装置
CN111325146A (zh) * 2020-02-20 2020-06-23 吉林省吉通信息技术有限公司 一种货车车型和轴型识别方法和系统
CN111860384A (zh) * 2020-07-27 2020-10-30 上海福赛特智能科技有限公司 一种车型识别方法
CN113673621A (zh) * 2021-08-30 2021-11-19 哈尔滨工业大学（威海） 一种基于卷积神经网络和maml算法的类圆目标检测方法
CN114003849A (zh) * 2021-10-29 2022-02-01 中远海运科技股份有限公司 一种多车道非接触式车轴数自动计算方法及系统
CN114565864A (zh) * 2022-02-28 2022-05-31 中科合肥智慧农业协同创新研究院 一种基于深度学习的果实识别方法
CN114758307A (zh) * 2022-04-07 2022-07-15 上海闪马智能科技有限公司 一种危化品车检测方法、装置、存储介质及电子装置
CN114898125A (zh) * 2022-07-14 2022-08-12 武汉东沃慧达科技有限公司 基于光场成像技术的轮轴识别方法、系统及存储介质
CN114913523A (zh) * 2022-05-30 2022-08-16 河南大学 基于yolox的植物气孔多功能实时智能识别系统
CN115512321A (zh) * 2022-09-27 2022-12-23 北京信路威科技股份有限公司 一种车辆限重信息识别方法、计算设备及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106441529A (zh) * 2016-08-30 2017-02-22 山西万立科技有限公司 一种基于视频图像技术的车型识别与作弊诊断系统
CN107273802A (zh) * 2017-05-16 2017-10-20 武汉华目信息技术有限责任公司 一种铁路列车闸瓦钎环故障的检测方法及装置
CN111325146A (zh) * 2020-02-20 2020-06-23 吉林省吉通信息技术有限公司 一种货车车型和轴型识别方法和系统
CN111860384A (zh) * 2020-07-27 2020-10-30 上海福赛特智能科技有限公司 一种车型识别方法
CN113673621A (zh) * 2021-08-30 2021-11-19 哈尔滨工业大学（威海） 一种基于卷积神经网络和maml算法的类圆目标检测方法
CN114003849A (zh) * 2021-10-29 2022-02-01 中远海运科技股份有限公司 一种多车道非接触式车轴数自动计算方法及系统
CN114565864A (zh) * 2022-02-28 2022-05-31 中科合肥智慧农业协同创新研究院 一种基于深度学习的果实识别方法
CN114758307A (zh) * 2022-04-07 2022-07-15 上海闪马智能科技有限公司 一种危化品车检测方法、装置、存储介质及电子装置
CN114913523A (zh) * 2022-05-30 2022-08-16 河南大学 基于yolox的植物气孔多功能实时智能识别系统
CN114898125A (zh) * 2022-07-14 2022-08-12 武汉东沃慧达科技有限公司 基于光场成像技术的轮轴识别方法、系统及存储介质
CN115512321A (zh) * 2022-09-27 2022-12-23 北京信路威科技股份有限公司 一种车辆限重信息识别方法、计算设备及存储介质

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Zheng Ge,at el..YOLOX:Exceeding YOLO Series in 2021.arXiv.2021,1-7. *
基于目标跟踪和迁移学习的多车型流量检测方法;曾星宇等;桂林电子科技大学学报;第39卷(第2期);119-123 *
朱勇 ; 刘涛 ; .基于RetinaNet的精细化车辆型号识别研究.数字技术与应用.2019,(第11期),全文. *
李晖晖等.《深度学习与计算及视觉》.西北工业大学出版社,2021,20-21. *
李景文等.《地表覆盖神经网络分类理论与方法》.冶金工业出版社,2022,91. *
王亮等.《智能光电感知》.中国青年出版社,2022,523-531. *
董洪义.《深度学习之PyTorch物体检测实战》.机械工业出版社,2020,221-223. *

Also Published As

Publication number Publication date
CN116189113A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN110969160B (zh) 一种基于深度学习的车牌图像校正、识别方法及系统
CN111325146B (zh) 一种货车车型和轴型识别方法和系统
CN106203330A (zh) 一种基于卷积神经网络的车辆分类方法
CN105488453A (zh) 一种基于图像处理的驾驶员未系安全带检测识别方法
CN111292432A (zh) 基于车型识别和轮轴检测的车辆收费类型判别方法与装置
CN112084890A (zh) 基于gmm和cqfl的多尺度识别交通信号标志的方法
CN103390166B (zh) 基于车前脸特征的车辆型号一致性判别方法
CN106919925A (zh) 一种基于小波熵与人工神经网络的福特汽车检测方法
Mammeri et al. North-American speed limit sign detection and recognition for smart cars
CN110263836B (zh) 一种基于多特征卷积神经网络的不良驾驶状态识别方法
Wong et al. Vehicle classification using convolutional neural network for electronic toll collection
Xu et al. A machine learning approach to vehicle occupancy detection
Mammeri et al. Design of a semi-supervised learning strategy based on convolutional neural network for vehicle maneuver classification
CN116189113B (zh) 一种货车车型识别方法和系统
CN109977862A (zh) 一种车位限位器的识别方法
CN106295546A (zh) 一种基于视频的交通标志检测与识别方法
US11367215B2 (en) Positive azimuth towing guidance method for road rescue equipment based on license plate corner features
CN113033363A (zh) 一种基于深度学习的车辆稠密目标检测方法
CN116805409A (zh) 一种利用行车视频进行路面状态识别与平整性评估的方法
CN110555425A (zh) 一种视频流实时行人检测方法
CN114973169A (zh) 基于多目标检测和跟踪的车辆分类计数方法及系统
CN115049992A (zh) 基于大数据的物流监控系统及方法
US20230237584A1 (en) Systems and methods for evaluating vehicle insurance claims
CN114898309A (zh) 一种基于视觉ai技术的城市智能巡检车系统及巡检方法
CN111523417A (zh) 一种基于图像匹配的货车超载识别方法和装置

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