• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于改進(jìn)YOLO算法的車位自動(dòng)檢測(cè)系統(tǒng)

      2020-06-19 08:45:58陳俊松何自芬張印輝
      軟件導(dǎo)刊 2020年4期
      關(guān)鍵詞:機(jī)器視覺卷積神經(jīng)網(wǎng)絡(luò)

      陳俊松 何自芬 張印輝

      摘要:隨著社會(huì)汽車數(shù)量的急劇增加,停車難已成為城市發(fā)展過程中的難題之一。針對(duì)這一問題,提出一種基于改進(jìn)YOLO算法的停車場(chǎng)車位檢測(cè)系統(tǒng)。通過網(wǎng)絡(luò)獲取、相機(jī)拍攝、三維建模3種方式分別獲取不同場(chǎng)合、不同時(shí)間段及不同光照環(huán)境下的數(shù)據(jù)集。通過改變YOLOv3網(wǎng)絡(luò)輸入分辨率、增大動(dòng)量、增大權(quán)值衰減值、增大批尺寸、減小抖動(dòng)、選擇合適的ignore_thresh值等6種不同措施對(duì)原網(wǎng)絡(luò)進(jìn)行改進(jìn),得到相對(duì)原網(wǎng)絡(luò)檢測(cè)效果更好的新網(wǎng)絡(luò)YOL0-288x288。當(dāng)IOU=50時(shí),改進(jìn)網(wǎng)絡(luò)的平均檢測(cè)精度由原來的86.5%提升到90.5%,查準(zhǔn)率雖然降低了3%,但查全率提高了10%,平均IOU提高了1%。實(shí)驗(yàn)結(jié)果表明,新的YOL0-288x288網(wǎng)絡(luò)優(yōu)于原網(wǎng)絡(luò),其具有更高的檢測(cè)精度、查全率及可靠性,能滿足停車場(chǎng)的車位檢測(cè)需求。

      關(guān)鍵詞:YOLO網(wǎng)絡(luò);車位檢測(cè);機(jī)器視覺;卷積神經(jīng)網(wǎng)絡(luò)

      DOI: 10. 11907/rjdk.191974

      開放科學(xué)(資源服務(wù))標(biāo)識(shí)碼(OSID):

      中圖分類號(hào):TP303

      文獻(xiàn)標(biāo)識(shí)碼:A

      文章編號(hào):1672-7800(2020)004-0037-05

      Automatic Parking Space Detection System Based on Improved YOLO Algorithm

      CHEN Jun-song, HE Zi-fen . ZHANG Yin-hui

      (Faculty of Me.chanical and Electrical Engineering,Kurzming Univer.sity of Science and Teclznology , Kunming 65 05 00.China )Abstract: The numher of cars iii today ' s society has increased dramatically and parking difficulties have become one of the problemsin urban development. To solve this prohlem, a parking lot parking detection system based on the improved YOLO algorithm is pro-posed in this paper. The data sets in diff'erent occasions. different time periods and different illumination environments are obtained bythree methods: network acquisition. camera shooting and three-dimensional modeling. By changing the input resolution of YOLOv3network. increasing momentum. increasing weight attenuation. increasing batch size, reducing jitter and selecting appropriate ig-nore_thres value. a YOL0-288x288 network with better detection ef'fect was obtained. When IOU=50. the average detection accuracyof the improved network was increased from 86.5% t0 90.5%. Although the precision rate was reduced by 3c7e . the recall rate was in-creased by 10% and the average IOU was increased by l%. The experimental results shoWthat the new YOL0-288x288 network is su-perior to the original network, with higher detection accuracy , recall and reliahility and can meet the detection requirements of parkingspaces.Key Words : YOLO network ; parking space detection ; machine vision ; convolutional neural network

      O引言

      “智慧城市”是許多城市的建設(shè)目標(biāo),但由于汽車數(shù)量的急劇增加,停車難已經(jīng)成為“智慧城市”建設(shè)中的難題之一[1-2]。

      目前有多種車位檢測(cè)方法,主要分為兩大類,一類是基于雷達(dá)與傳感器的車位檢測(cè)方法[3-8],另一類則是基于機(jī)器視覺的車位檢測(cè)方法[9-11]。利用雷達(dá)與多傳感器對(duì)車位進(jìn)行識(shí)別相對(duì)于機(jī)器視覺方式具有獨(dú)特優(yōu)勢(shì),例如對(duì)環(huán)境變化的適應(yīng)能力較強(qiáng)、檢測(cè)精度較高等。但該方法也有諸多缺點(diǎn),例如傳感器與雷達(dá)對(duì)周圍環(huán)境敏感度很高,容易把其它物體判定為汽車,從而造成誤檢或錯(cuò)檢;雷達(dá)與傳感器造價(jià)相對(duì)昂貴,且安裝施丁過程繁瑣、成本較高,因此大多數(shù)中低端停車場(chǎng)并沒有資金預(yù)算對(duì)停車場(chǎng)車位進(jìn)行改造,難以全面推廣使用。通過機(jī)器視覺方法對(duì)車位進(jìn)行識(shí)別檢測(cè),不僅不易受到其它物體干擾而產(chǎn)生誤檢情況,而且目前市場(chǎng)上的圖像采集設(shè)備價(jià)格比較經(jīng)濟(jì)實(shí)惠;大多數(shù)停車場(chǎng)都有監(jiān)控設(shè)備,不需要再次安裝圖像采集裝置;卷積神經(jīng)網(wǎng)絡(luò)的性能越來越強(qiáng)大,其具有多層結(jié)構(gòu),可有效學(xué)習(xí)與反映輸入和輸出的復(fù)雜關(guān)系[12-13]。因此,基于機(jī)器視覺的車位檢測(cè)是目前的研究熱點(diǎn)之一[14-15],

      針對(duì)基于雷達(dá)與傳感器的車位檢測(cè),龐家成等“。提出一種以AMR磁阻傳感器采集車位節(jié)點(diǎn)信號(hào),通過ZigBee無線傳感組網(wǎng),以STM32F10X微控制器為協(xié)調(diào)器收集并分析處理信號(hào)裝置以檢測(cè)車位占用情況的檢測(cè)方法;祁海祿[2]設(shè)計(jì)一種基于地磁與雷達(dá)檢測(cè)的無線車位檢測(cè)器,通過將地磁靜態(tài)檢測(cè)與雷達(dá)動(dòng)態(tài)檢測(cè)相結(jié)合實(shí)現(xiàn)對(duì)空閑車位的檢測(cè);宋向前等[3]設(shè)計(jì)基于NB-IoT與地磁傳感器的車位檢測(cè)模塊,以MAG3110三軸地磁傳感器作為感知單元完成車位檢測(cè);Abad等[4]提出一種傳感器三維建模方式,并通過對(duì)比計(jì)算出來的兩車位之間距離與本身車長(zhǎng)判斷是否有空閑車位。

      針對(duì)基于機(jī)器視覺的車位檢測(cè),張一楊等[9]提出基于KL變換( Karhunen-Loeve Transform,KL)與支持向量機(jī)的空閑車位檢測(cè)方法,首先對(duì)經(jīng)過灰度化和濾波處理后的車位圖像進(jìn)行KL變換,將車位圖像從圖像空間映射至特征子空間,從而提取出用于檢測(cè)的特征參量,在此基礎(chǔ)上利用訓(xùn)練后的支持向量機(jī)完成空閑車位檢測(cè);安旭驍?shù)萚10]提出基于迷你卷積神經(jīng)網(wǎng)絡(luò)的停車場(chǎng)空車位檢測(cè)方法,對(duì)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn),通過減少網(wǎng)絡(luò)層數(shù)以縮短網(wǎng)絡(luò)訓(xùn)練與識(shí)別時(shí)間;王梨等[11]提出基于視覺分析的室內(nèi)停車場(chǎng)車位檢測(cè),對(duì)采集到的實(shí)時(shí)圖像先進(jìn)行分塊處理,通過灰度共生矩陣提取圖像塊O。、45。、90。、135。的能量、對(duì)比度、熵3個(gè)紋理特征參數(shù),構(gòu)建特征向量,并利用支持向量機(jī)(SVM)[16]方法對(duì)其進(jìn)行分類,從而實(shí)現(xiàn)車位檢測(cè)。

      為了解決傳統(tǒng)停車場(chǎng)車位檢測(cè)存在的問題,彌補(bǔ)基于傳感器與雷達(dá)檢測(cè)方法的不足之處,實(shí)現(xiàn)對(duì)車位的智能管理,本文提出一種基于改進(jìn)YOLO(You Onlv Look Once)的停車場(chǎng)車位檢測(cè)方法,通過對(duì)YOLO算法的改進(jìn),得到一個(gè)檢測(cè)效果更好的檢測(cè)模型,以進(jìn)一步提高停車場(chǎng)的智能化水平。

      1相關(guān)研究工作

      1.1YOLO介紹

      YOLO算法是由Redmon等[17]于2015年首先提出的,其主要采用直接回歸的思路,對(duì)輸入圖像進(jìn)行S*S的網(wǎng)格劃分,物體中心在哪個(gè)網(wǎng)格,哪個(gè)網(wǎng)格就負(fù)責(zé)對(duì)該物體進(jìn)行預(yù)測(cè),每個(gè)網(wǎng)格需要預(yù)測(cè)B個(gè)邊界框以及C個(gè)類別概率。YOLO通過設(shè)置閾值過濾掉概率低的候選框,再對(duì)保留的候選框進(jìn)行非極大值抑制,即得到最終檢測(cè)結(jié)果。YOLO存在諸多缺點(diǎn),如對(duì)于密集的小目標(biāo)種群以及近距離目標(biāo)檢測(cè)效果不理想、檢測(cè)結(jié)果定位誤差較大等。

      2016年,Redmon等[18]。針對(duì)YOLOvl的缺點(diǎn)進(jìn)行改進(jìn),提出YOLOv2網(wǎng)絡(luò)模型。YOLOv2網(wǎng)絡(luò)主要是在分類準(zhǔn)確度不變的情況下,提高網(wǎng)絡(luò)的查全率及定位精度。YO-LOv2模型通過提高訓(xùn)練圖像分辨率、在網(wǎng)絡(luò)中加入an-chor hox結(jié)構(gòu),以及利用卷積層替代YOLO vl中輸出層的全連接層等措施進(jìn)行改進(jìn)。YOLOv2網(wǎng)絡(luò)包含19個(gè)卷積層以及5個(gè)最大池化層,所以也被稱為Darknet19,最終YOLOv2模型在識(shí)別精度、定位精度、查全率等方面都得到了較大提升。

      針對(duì)兩個(gè)近距離的同類或異類目標(biāo)檢測(cè)問題,很多新算法不斷被提出,YOLOv3便是其中之一。YOLOv3網(wǎng)絡(luò)在近距離目標(biāo)與小目標(biāo)檢測(cè)上有很好的魯棒性,在一定程度上解決了這一問題。YOLOv3網(wǎng)絡(luò)是在YOLOv2模型基礎(chǔ)上,針對(duì)YOLOv2模型的一些問題作出改進(jìn),連續(xù)使用3x3和lxl卷積層;參考?xì)埐罹W(wǎng)絡(luò),在新網(wǎng)絡(luò)的一些層之間添加快捷鏈路,形成一個(gè)深度達(dá)到53層的網(wǎng)絡(luò);利用多尺度特征進(jìn)行對(duì)象檢測(cè),通過獲得不同尺度的感受野,加強(qiáng)對(duì)不同尺度對(duì)象的檢測(cè);用能夠支持多標(biāo)簽對(duì)象的Logistic分類器替換YOLOv2模型中softmax[19]分類器。經(jīng)過改進(jìn),最終提出了YOLOv3模型[20],也被稱Darknet53。

      1.2 改進(jìn)YOLO算法

      本文通過減小YOLOv3網(wǎng)絡(luò)輸入分辨率、增大動(dòng)量、增大權(quán)值衰減值、增大批尺寸、減小抖動(dòng)、選擇合適的ig-nore_ thresh值等6種不同措施對(duì)原網(wǎng)絡(luò)進(jìn)行改進(jìn),通過vo-lov3.conv.81預(yù)訓(xùn)練權(quán)重進(jìn)行加速訓(xùn)練,并對(duì)各組參數(shù)用網(wǎng)絡(luò)搜索方法進(jìn)行實(shí)驗(yàn),最終得到相對(duì)原網(wǎng)絡(luò)具有更高平均精度、查全率、查準(zhǔn)率及平均IOU( Intersection over Union.IOU)的新網(wǎng)絡(luò)YOL0-288x288。

      在損失函數(shù)中加入一些正則項(xiàng)可以防止網(wǎng)絡(luò)過擬合。在隨機(jī)梯度下降(SGD)中加入正則項(xiàng)對(duì)損失函數(shù)進(jìn)行規(guī)范化。

      由式(1)可知,權(quán)值衰減參數(shù)入越大,權(quán)重w則會(huì)不斷衰減。由式(2)可知權(quán)重w的衰減使得Z值不斷減小,實(shí)際上Z的取值范圍很小,因此激活函數(shù)呈相對(duì)線性,整個(gè)神經(jīng)網(wǎng)絡(luò)會(huì)計(jì)算離線性函數(shù)近的值,該線性函數(shù)相對(duì)簡(jiǎn)單且不會(huì)發(fā)生過擬合。權(quán)值衰減參數(shù)入越大,對(duì)過擬合的抑制能力越強(qiáng)。本文通過網(wǎng)絡(luò)搜索方式對(duì)0.0005(基準(zhǔn))、0.0010、0.0015、0.0020等4組參數(shù)進(jìn)行訓(xùn)練,結(jié)果顯示,當(dāng)權(quán)值衰減取0.0015時(shí),平均檢測(cè)精度最大,達(dá)到72.23%。

      利用數(shù)據(jù)抖動(dòng)可產(chǎn)生更多數(shù)據(jù),防止過擬合。抖動(dòng)是裁剪參數(shù),抖動(dòng)為0.2即在0-0.2中進(jìn)行裁剪。在本文中,當(dāng)抖動(dòng)為0.2時(shí),平均精度達(dá)到最大值72.32%,此時(shí)裁剪前后圖像見圖1、圖2。動(dòng)量會(huì)影響梯度下降到最優(yōu)值的速度,由式(3)可知,梯度下降法參數(shù)更新只與當(dāng)前梯度有關(guān)。但動(dòng)量梯度下降法是先求每個(gè)mini-batch的梯度,然后進(jìn)行指數(shù)加權(quán)平均得到新參數(shù)Vv與Vv用于更新之前的參數(shù)。由于指數(shù)加權(quán)平均后的梯度中含有之前梯度更新方向的信息,所以利用指數(shù)加權(quán)平均之后的梯度對(duì)參數(shù)進(jìn)行更新得出最終更新方向,是一種較優(yōu)的梯度下降方法,其過程如式(4)所示。動(dòng)量梯度下降算法不僅能夠增強(qiáng)穩(wěn)定性,而且還能避免局部最優(yōu)。若當(dāng)前梯度與歷史梯度一致,則增強(qiáng)該梯度,反之,則梯度衰減以抑制震蕩,其作用效果如圖3所示。通過實(shí)驗(yàn),當(dāng)本文動(dòng)量取0.92時(shí),平均精度達(dá)到最大值72.39%。

      ignore_thresh是指參與計(jì)算的IOU閾值大小。ig-nore_t11-esh大小的選擇很重要,其決定參與loss計(jì)算的檢測(cè)框數(shù)量,igno-re_thresh值若過大則可能造成過擬合,但若ignore_thresh值過小,義會(huì)使參與計(jì)算的檢測(cè)框數(shù)量過多,并造成欠擬合現(xiàn)象。ignore_thresh通常會(huì)在0.5-0.7之間選取一個(gè)值,本文中ignore_thresh值取0.7時(shí),平均檢測(cè)精度最高。

      通常網(wǎng)絡(luò)輸入分辨率越高,對(duì)小目標(biāo)的識(shí)別效果越好。由于全卷積網(wǎng)絡(luò)總共對(duì)輸入圖像進(jìn)行了5次下采樣(步長(zhǎng)為2的卷積或池化層),所以原圖應(yīng)為最終特征圖的32倍。因此,輸入圖像大小應(yīng)為32的倍數(shù)關(guān)系[21]。本文待檢測(cè)目標(biāo)為空閑車位和有車的車位,兩者均不是小目標(biāo),且在圖片中都相對(duì)較大,所以通過對(duì)不同輸入分辨率的對(duì)比訓(xùn)練實(shí)驗(yàn)發(fā)現(xiàn),當(dāng)輸入圖像分辨率為288×288、輸出網(wǎng)格尺寸為9x9時(shí)檢測(cè)效果最好,平均檢測(cè)精度達(dá)到75.43%,其網(wǎng)絡(luò)結(jié)構(gòu)見圖4。

      批尺寸表示一次迭代訓(xùn)練中輸入的圖片數(shù)量,批尺寸值越大,網(wǎng)絡(luò)訓(xùn)練時(shí)間越長(zhǎng),但能夠找到更好的梯度下降方向,收斂的也越精細(xì),因此在電腦顯存允許的情況下,需要盡可能地增大批尺寸值。但批尺寸值也不能過大,否則可能會(huì)陷入局部最優(yōu)。綜上可知,合適的批尺寸值會(huì)使電腦內(nèi)存利用率以及矩陣乘法的并行化效率都得到提高,一個(gè)epoch中迭代次數(shù)減少,并找到更好的梯度下降方向。過大的批尺寸值會(huì)使得電腦內(nèi)存不足,訓(xùn)練時(shí)間增長(zhǎng),對(duì)參數(shù)的修正也變得更加緩慢,梯度下降方向也基本不會(huì)因?yàn)榕叽缰档脑龃蠖侔l(fā)生改變。本文通過增大批尺寸提高了平均檢測(cè)精度,當(dāng)批尺寸為160時(shí),平均檢測(cè)精度達(dá)到最優(yōu)值80.56%。

      1.3超參數(shù)優(yōu)化結(jié)果

      表l中所列為權(quán)值衰減、抖動(dòng)、動(dòng)量、ig-nore_thresh、網(wǎng)絡(luò)輸入分辨率、批尺寸等6個(gè)不同參數(shù)的數(shù)值組,用vo-lov3.conv.81預(yù)訓(xùn)練權(quán)重對(duì)表1中的不同參數(shù)由上往下使用網(wǎng)絡(luò)搜索方法進(jìn)行訓(xùn)練,每次訓(xùn)練次數(shù)為4000次,使得網(wǎng)絡(luò)的平均檢測(cè)精度、查全率、平均IOU、F1-score逐步得到提高,最終得到Y(jié)OL0-288x288網(wǎng)絡(luò)模型。

      通過網(wǎng)絡(luò)搜索方式對(duì)參數(shù)進(jìn)行篩選,取其中的最優(yōu)值。當(dāng)權(quán)值衰減增大時(shí),檢測(cè)效果有一定程度提高。當(dāng)抖動(dòng)增加時(shí),檢測(cè)結(jié)果反而不如基準(zhǔn)結(jié)果,但當(dāng)抖動(dòng)減小為0.2時(shí),檢測(cè)效果義有一定程度提高。當(dāng)動(dòng)量與批尺寸值提高時(shí),網(wǎng)絡(luò)可得到較好的檢測(cè)效果。網(wǎng)絡(luò)搜索比較后所確定的最終參數(shù)見表2。

      2實(shí)驗(yàn)與結(jié)果討論

      2.1數(shù)據(jù)集準(zhǔn)備

      本文數(shù)據(jù)集主要通過網(wǎng)絡(luò)獲取、相機(jī)拍攝、三維建模3種方式獲取,其中包括不同時(shí)間段、不同光照條件、不同環(huán)境等多種情況下的不同圖片。本文數(shù)據(jù)集共包含493張圖片。其中355張圖片作為訓(xùn)練集,138張圖片作為測(cè)試集。將數(shù)據(jù)集標(biāo)注為A、B兩類,其中A是停有汽車的車位,B是空閑車位。數(shù)據(jù)集如圖5所示,其中包括有陽光的室外停車場(chǎng)圖像、傍晚室外停車場(chǎng)圖像、陰天室外停車場(chǎng)圖像、地下停車場(chǎng)圖像、三維建模圖像等多種不同條件下的圖像。

      2.2實(shí)驗(yàn)平臺(tái)

      實(shí)驗(yàn)主要在PC端完成,PC主要配置為:i7處理器,電腦運(yùn)行內(nèi)存為16G,GPU(GTX-1060),顯存為6G。開發(fā)環(huán)境為Vi-sual Studi0 2015,需要配置CUDA-9.0、C-UDANN-9.0、OpenCV3.0和YOLOv3物體檢測(cè)框架。

      2.3實(shí)驗(yàn)結(jié)果與分析

      用YOL0-288x288網(wǎng)絡(luò)對(duì)darknet53.conv.7預(yù)訓(xùn)練模型進(jìn)行訓(xùn)練,訓(xùn)練次數(shù)為4000次,得到一系列檢測(cè)模型,訓(xùn)練結(jié)果見圖6。由圖6可知,訓(xùn)練到2200次時(shí),檢測(cè)模型平均檢測(cè)精度最高,再分別令I(lǐng)OU=50與IOU=75對(duì)最優(yōu)模型進(jìn)行檢測(cè),檢測(cè)結(jié)果見表3、表4。由表3可知,當(dāng)IOU=50時(shí),改進(jìn)后網(wǎng)絡(luò)平均檢測(cè)精度提高了4%,達(dá)到90.5%,查準(zhǔn)率降低了3%,為92%,但是查全率達(dá)到88%,相比改進(jìn)前網(wǎng)絡(luò)提高了10%,平均IOU提高到75.75%,F(xiàn)1-score提高到0.9。當(dāng)IOU=75時(shí),改進(jìn)后網(wǎng)絡(luò)的平均檢測(cè)精度、查準(zhǔn)率、查全率、平均IOU、F1-score等都有大幅提高。從實(shí)驗(yàn)結(jié)果可以看出,改進(jìn)后網(wǎng)絡(luò)優(yōu)于原網(wǎng)絡(luò),相比改進(jìn)前模型具有更高的檢測(cè)精度以及查全率,因此認(rèn)為改進(jìn)后的網(wǎng)絡(luò)更加可靠。

      2.4測(cè)試結(jié)果對(duì)比分析

      由于當(dāng)IOU=50時(shí),檢測(cè)模型的檢測(cè)精度較高,所以本文對(duì)IOU=50時(shí)改進(jìn)后檢測(cè)模型與原網(wǎng)絡(luò)檢測(cè)模型進(jìn)行測(cè)試,結(jié)果見圖7、圖8。在圖7(a)中從左往右,兩個(gè)空閑車位檢測(cè)精度分別為99%、96%。有車輛停放的車位檢測(cè)精度為91%,且檢測(cè)邊框位置不夠準(zhǔn)確,而在圖7(b)中從左往右,兩個(gè)空閑車位檢測(cè)精度分別為99%、99%,有車輛停放的車位檢測(cè)精度為100%,且檢測(cè)邊框位置相對(duì)來說較為準(zhǔn)確;在圖8(a)中從左往右,3個(gè)空閑車位檢測(cè)精度分別為95%、72%、91%,對(duì)于有車輛停放的車位并沒有檢測(cè)到結(jié)果,出現(xiàn)了漏檢,且檢測(cè)邊框位置不夠準(zhǔn)確,尤其是從左往右第二個(gè)車位的檢測(cè)邊框位置與實(shí)際位置相差較大。在圖8(b)中從左往右,3個(gè)空閑車位檢測(cè)精度分別為100%、100%、100%,對(duì)有車輛停放的車位檢測(cè)精度為85%,且車位檢測(cè)邊框位置相對(duì)來說較為準(zhǔn)確。由對(duì)比結(jié)果可以看出,由于改進(jìn)后模型具有更高的平均檢測(cè)精度、查全率、平均IOU以及F1-score,所以檢測(cè)效果明顯優(yōu)于

      陳俊松,何白芬,張印輝:基于改進(jìn)YOLO算法的車位白動(dòng)檢測(cè)系統(tǒng)改進(jìn)前模型,不僅檢測(cè)精度明顯提高,而且有更高的查全率以及更好的泛化能力與定位精度,不易發(fā)生漏檢情況。

      3結(jié)語

      本文提出一種基于改進(jìn)YOLO算法的停車場(chǎng)空閑車位檢測(cè)方法,通過改變輸入網(wǎng)絡(luò)的分辨率、權(quán)值衰減、抖動(dòng)、動(dòng)量、ignore_thre-sh、批尺寸等不同參數(shù)進(jìn)行優(yōu)化調(diào)節(jié),最終得到新的YOL0-288×288網(wǎng)絡(luò)。然后利用YO-L0-288x288網(wǎng)絡(luò)對(duì)包含不同時(shí)間段、不同光照條件、不同環(huán)境圖片的數(shù)據(jù)集進(jìn)行訓(xùn)練,最后得到一個(gè)相對(duì)改進(jìn)前模型效果更好的檢測(cè)模型。當(dāng)IOU=50時(shí),其平均檢測(cè)精度達(dá)到90.5%,查準(zhǔn)率達(dá)到92%,查全率達(dá)到88%,平均IOU達(dá)到75.75%,F(xiàn)1-score=0.9。實(shí)驗(yàn)結(jié)果表明,該方法能滿足停車場(chǎng)空閑車位檢測(cè)需求,有利于智能停車場(chǎng)建設(shè),進(jìn)而推動(dòng)智慧城市建設(shè)。在后續(xù)研究中將通過改進(jìn)網(wǎng)絡(luò)層數(shù)、對(duì)不同圖像進(jìn)行不同預(yù)處理等方法,進(jìn)一步提高模型泛化能力與檢測(cè)精度。

      參考文獻(xiàn):

      [1]史添添,曾潔,趙宏凱,等智能停車場(chǎng)的車位信息檢測(cè)及管理系統(tǒng)[J]電子設(shè)計(jì)工程,2017,25(4):185-188

      [2]劉婧,關(guān)宏志,賀玉龍大城市中心區(qū)停車尋位研究[J].公路交通科技,2016,33(1):135-139.

      [3]龐家成,徐新民.基于AMR磁阻傳感器的無線車位檢測(cè)設(shè)計(jì)[J].微型機(jī)與應(yīng)用,2019,35(12):28-30.

      [4]]祁海祿基于地磁和雷達(dá)檢測(cè)的無線車位檢測(cè)器設(shè)計(jì)[J]智能感知與儀器儀表,2018,37(7):78-81.

      [5]宋向前,呂卅,趙蓉基于NB-IoT和地磁傳感器的車位檢測(cè)模塊設(shè)計(jì)[J].中外企業(yè)家,2018(8):133.

      [6]ABAD F. BENDAHAN R, WYBO S,et al. Parking space detection[EB /OL].[2017-05-10].https://www.researchgat-e.net/puhlication/2287 1 6676_Parking_s-pace_detection.

      [7]嚴(yán)曉明.一種基于改進(jìn)幀差法的運(yùn)動(dòng)目標(biāo)檢測(cè)[J].莆田學(xué)院學(xué)報(bào),2011(5):69-72.

      [8]李鍵,丁學(xué)明.視頻前景提取算法研究[J].軟件導(dǎo)刊,2018(2):135-139.

      [9]張一楊,姚明林.基于KL變換和支持向量機(jī)的空閑車位檢測(cè)方法[J]機(jī)械設(shè)計(jì)與制造,2018(5):197-199.

      [10]安旭驍,鄧洪敏,史興宇.基于迷你卷積神經(jīng)網(wǎng)絡(luò)的停車場(chǎng)空車位檢測(cè)方法[J].計(jì)算機(jī)應(yīng)用,2018,38(4):935-938.

      [II]王梨,王飛,陳亮杰,等基于視覺分析的室內(nèi)停車場(chǎng)車位檢測(cè)[J].軟件導(dǎo)刊,2019,18(4):13-15.

      [12]俞汝劫,楊貞.基于深度卷積神經(jīng)網(wǎng)絡(luò)的航空器的識(shí)別和檢測(cè)[J].計(jì)算機(jī)應(yīng)用,2017,37(6):1702-1707.

      [13]李玉罐,張婷.深度學(xué)習(xí)導(dǎo)論及案例分析[M].北京:機(jī)械工業(yè)出版社.2017

      [14]李宇成,李國輝,趙興彩.基于ARM嵌入式系統(tǒng)的空閑車位檢測(cè)方法[J].科學(xué)技術(shù)與工程,2013,13(21):6118-6123.

      [15]鄒初建,錢正洪,白茹基于三軸CMR傳感器的無線車位檢測(cè)系統(tǒng)[J]儀表技術(shù)與傳感器,2014(9):62-65.

      [16]GHASSABEH Y A. Asymptotic stability of equilihrium points ofmean shift algorithmEJl. Machine Learning, 2015, 98(3):359-368

      [17]REDMON J, DIVVALA S, CIRSHICK R. et al. You onlv look once:u nified, real-time object detection[C].CVPR, 2016.

      [18]REDMON J, FARHADI A. YOL09000: better, faster, stronger[DB/OL J. https: //arxiv.org/pdf/1506.02640.pdf.

      [19]LIU W,WEN Y. YL Z, et al. Large-margin softmax loss for conVolu-tional neural networks[C].Internatinnal Conference on InternationalConference on Machine Learning, 2016: 507-5 16.

      [20]REDMON J,F(xiàn)ARHADI A.YOLOv3: an incremental improve ment[DB/OL].https: //arxiv.org/pdf/1804.02767.pdf

      [21]譚康霞,平鵬,秦文虎基于YOLO模型的紅外圖像行人檢測(cè)方法[J].激光與紅外,2018,48(11):1436-1442。

      (責(zé)任編輯:黃?。?/p>

      收稿日期:2019-07-09

      基金項(xiàng)目:國家自然科學(xué)基金項(xiàng)目( 61761024,61461022)

      作者簡(jiǎn)介:陳俊松(1996-),男,昆明理工大學(xué)機(jī)電工程學(xué)院碩士研究生,研究方向?yàn)橛?jì)算機(jī)視覺、深度學(xué)習(xí);何自芬(1976-),女,博士,

      昆明理工大學(xué)機(jī)電工程學(xué)院副教授、碩士生導(dǎo)師,研究方向?yàn)閳D像處理;張印輝(1977-),男,博士,昆明理工大學(xué)機(jī)電工程

      學(xué)院教授、博士生導(dǎo)師,研究方向?yàn)閳D像處理、模式識(shí)別。本文通訊作者:何自芬。

      猜你喜歡
      機(jī)器視覺卷積神經(jīng)網(wǎng)絡(luò)
      基于卷積神經(jīng)網(wǎng)絡(luò)溫室智能大棚監(jiān)控系統(tǒng)的研究
      基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體識(shí)別算法
      全自動(dòng)模擬目標(biāo)搜救系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
      基于機(jī)器視覺的自動(dòng)澆注機(jī)控制系統(tǒng)的研究
      科技視界(2016年26期)2016-12-17 17:31:58
      大場(chǎng)景三維激光掃描儀在研究生實(shí)踐教學(xué)培養(yǎng)中的應(yīng)用
      深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
      基于機(jī)器視覺的工件鋸片缺陷檢測(cè)系統(tǒng)設(shè)計(jì)
      軟件工程(2016年8期)2016-10-25 15:55:22
      基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實(shí)現(xiàn)
      軟件工程(2016年8期)2016-10-25 15:47:34
      基于機(jī)器視覺技術(shù)的動(dòng)態(tài)“白帶”常規(guī)檢測(cè)系統(tǒng)的開發(fā)
      科技視界(2016年20期)2016-09-29 11:11:40
      基于卷積神經(jīng)網(wǎng)絡(luò)的樹葉識(shí)別的算法的研究
      永济市| 贡觉县| 喜德县| 宁河县| 吕梁市| 梁河县| 平舆县| 安达市| 吐鲁番市| 张掖市| 永嘉县| 邵阳市| 太白县| 芜湖县| 井冈山市| 汝州市| 沿河| 荆门市| 武清区| 南雄市| 宜城市| 海南省| 云浮市| 秭归县| 芜湖市| 广东省| 平昌县| 土默特右旗| 高邮市| 故城县| 涡阳县| 和田县| 镇赉县| 阿瓦提县| 准格尔旗| 锦州市| 阿勒泰市| 田阳县| 阿城市| 长白| 运城市|