CN111027499A - 一种基于卷积神经网络的货车低排放限行识别方法 - Google Patents
一种基于卷积神经网络的货车低排放限行识别方法 Download PDFInfo
- Publication number
- CN111027499A CN111027499A CN201911303326.0A CN201911303326A CN111027499A CN 111027499 A CN111027499 A CN 111027499A CN 201911303326 A CN201911303326 A CN 201911303326A CN 111027499 A CN111027499 A CN 111027499A
- Authority
- CN
- China
- Prior art keywords
- truck
- type
- emission
- low
- information
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于卷积神经网络的货车低排放限行识别方法,在互联网上获取货车车型的参数信息,提取货车车型图片和对应排放标准信息;使用one‑stage的InceptionV3算法训练货车车型识别模型;利用训练好的货车车型识别模型对货车图片进行具体分类,完成对货车车型识别;识别出货车车型后关联排放信息,完成对低排放货车的识别。与现有技术相比,本发明能够快速、准确识别出低排放限行的货车,便于推广使用。
Description
技术领域
本发明涉及智能交通控制技术领域,特别是一种基于卷积神经网络的货车低排放限行识别方法。
背景技术
机动车特别是黄标车、老旧车排放是大气污染物的重要来源,由于其使用年限较长,污染控制水平较差,排放的废气中含有大量有毒有害的污染物,主要有颗粒物、挥发性有机物、氮氧化物和一氧化碳。这些污染物又极易在高温、高湿、无风等不利气象条件下发生物理和光化学反应形成PM2.5和臭氧污染,导致PM2.5和臭氧浓度超标,大气能见度下降,是形成灰霾的重要因素。由于机动车尾气主要集中在人口密集的城区,且贴近人体呼吸带,对人群健康具有较直接的影响。
随着社会经济的发展,机动车保有量急剧增加,黄标车的治理难度愈加提升并逐年上升趋势,目前针对这些问题,虽然一些重要技术手段已经能够解决违法性的情况发生,但在对黄标车的识别方面还存在一定的缺陷:
1、传统算法只能实现对车型的识别,实现功能相对比较单一。
2、车型号众多,模型算法分类效率低,运行时间长。
发明内容
本发明的目的是要解决现有技术中存在的不足,提供一种基于卷积神经网络的货车低排放限行识别方法。
为达到上述目的,本发明是按照以下技术方案实施的:
一种基于卷积神经网络的货车低排放限行识别方法,包括以下步骤:
S1、在互联网上获取货车车型的参数信息,提取货车车型图片和对应排放标准信息;
S2、使用One-stage的InceptionV3算法训练货车车型识别模型;
S3、利用训练好的货车车型识别模型对货车图片进行具体分类,完成对货车车型识别;
S4、识别出货车车型后关联排放信息,完成对低排放货车的识别。
进一步,所述S1中是通过Scrapy框架的网络爬虫爬取货车车型和对应排放标准信息,具体步骤如下:
从互联网上获取包含货车车型的参数信息的种子URL,不断地将网页中要提取的子节点即货车车型的参数信息的超链接提取出来,其次将获得的超链接依次解析,并不断保存网页信息,以此方式进行抓取货车车型和对应排放标准信息。
进一步,所述S2中货车车型识别模型训练好后使用Docker打包。
与现有技术相比,本发明具有以下有益效果:
本发明针对货车的排放标准难以人为判断的难题,首先对货车进行车型识别,由于车辆种类繁多,识别场景复杂多样,从检测精度及算法效率方面综合考虑,使用爬虫技术与人工智能技术相结合,达到通过检测车型识别排放标准的目的,使用one-stage的InceptionV3算法,提高目标识别的精度和速度,使用Docker打包模型,提高移植效率性。综述,本发明能够快速、准确识别出低排放限行的货车,便于推广使用。
附图说明
图1为本发明的识别流程图。
图2为本发明的网络爬虫爬取货车车型和对应排放标准信息的流程图。
图3为本发明使用的GoogLeNet的网络结构图。
图4为本发明最终识别出的低排放的车辆图片。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明,并不用于限定发明。
如图1所示,本实施例提供了一种基于卷积神经网络的货车低排放限行识别方法,其特征在于,包括以下步骤:
S1、如图2所示,从互联网上通过Scrapy框架的网络爬虫爬取货车车型和对应排放标准信息,具体是:从互联网上获取包含货车车型的参数信息的种子URL,不断地将网页中要提取的子节点即货车车型的参数信息的超链接提取出来,其次将获得的超链接依次解析,并不断保存网页信息,以此方式进行抓取货车车型和对应排放标准信息;将网络爬虫爬取的货车车型与对应排放标准映射,建立后台数据库添加映射表;
S2、使用one-stage的InceptionV3算法训练货车车型识别模型,InceptionV3不仅能够扩大网络参数增加计算量,又充分利用了网络的随机疏连接,例如在降低参数方面:将卷积核5×5换成2个3×3的结构,在降低参数的情况下保证不降低性能,除此之外,将全连接层甚至一般的卷积层替换为稀疏连接,改使用这种模块化的结构能够在保持网络的效率的情况下,进一步提高计算机的性能,而在解决训练过程中的模型梯度消失方面:继续使用BN节,保证网络的广度和深度,因此,InceptionV3结构是一个很窄很深的网络结构。货车车型识别模型训练好后使用Docker打包;即可以使用Docker打包到可以指定容器当中,也可以实现虚拟化,提高模型的移植性;
S3、利用训练好的货车车型识别模型对货车图片进行具体分类,完成对货车车型识别;
S4、参照映射表,识别出货车车型后关联排放信息,完成对低排放货车的识别。识别出的车辆在进行信息关联后,通过设定的排放标准的阈值即可对识别目标进行过滤,实现对低排放车辆的识别以及过滤。
本发明的技术方案不限于上述具体实施例的限制,凡是根据本发明的技术方案做出的技术变形,均落入本发明的保护范围之内。
Claims (3)
1.一种基于卷积神经网络的货车低排放限行识别方法,其特征在于,包括以下步骤:
S1、在互联网上获取货车车型的参数信息,提取货车车型图片和对应排放标准信息;
S2、使用one-stage的InceptionV3算法训练货车车型识别模型;
S3、利用训练好的货车车型识别模型对货车图片进行具体分类,完成对货车车型识别;
S4、识别出货车车型后关联排放信息,完成对低排放货车的识别。
2.根据权利要求1所述的基于卷积神经网络的货车低排放限行识别方法,其特征在于,所述S1中是通过crapy框架的网络爬虫爬取货车车型和对应排放标准信息,具体步骤如下:
从互联网上获取包含货车车型的参数信息的种子URL,不断地将网页中要提取的子节点即货车车型的参数信息的超链接提取出来,其次将获得的超链接依次解析,并不断保存网页信息,以此方式进行抓取货车车型和对应排放标准信息。
3.根据权利要求1所述的基于卷积神经网络的货车低排放限行识别方法,其特征在于:所述S2中货车车型识别模型训练好后使用Docker打包。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911303326.0A CN111027499A (zh) | 2019-12-17 | 2019-12-17 | 一种基于卷积神经网络的货车低排放限行识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911303326.0A CN111027499A (zh) | 2019-12-17 | 2019-12-17 | 一种基于卷积神经网络的货车低排放限行识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111027499A true CN111027499A (zh) | 2020-04-17 |
Family
ID=70210058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911303326.0A Pending CN111027499A (zh) | 2019-12-17 | 2019-12-17 | 一种基于卷积神经网络的货车低排放限行识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027499A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104269062A (zh) * | 2014-10-23 | 2015-01-07 | 重庆市城投金卡信息产业股份有限公司 | 基于网络的黄标车检测***及检测方法 |
CN105844289A (zh) * | 2016-03-17 | 2016-08-10 | 湖南大学 | 一种汽车充电接口识别方法 |
CN105868700A (zh) * | 2016-03-25 | 2016-08-17 | 哈尔滨工业大学深圳研究生院 | 一种基于监控视频的车型识别与跟踪方法及*** |
CN106289796A (zh) * | 2016-06-22 | 2017-01-04 | 吴明 | 汽车综合性能检测调用车型参数的方法 |
CN108254495A (zh) * | 2017-12-13 | 2018-07-06 | 上海市环境科学研究院 | 一种隧道机动车污染物监测方法及*** |
US20190139262A1 (en) * | 2017-02-16 | 2019-05-09 | Ping An Technology (Shenzhen) Co., Ltd. | Method and device for vehicle identification |
-
2019
- 2019-12-17 CN CN201911303326.0A patent/CN111027499A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104269062A (zh) * | 2014-10-23 | 2015-01-07 | 重庆市城投金卡信息产业股份有限公司 | 基于网络的黄标车检测***及检测方法 |
CN105844289A (zh) * | 2016-03-17 | 2016-08-10 | 湖南大学 | 一种汽车充电接口识别方法 |
CN105868700A (zh) * | 2016-03-25 | 2016-08-17 | 哈尔滨工业大学深圳研究生院 | 一种基于监控视频的车型识别与跟踪方法及*** |
CN106289796A (zh) * | 2016-06-22 | 2017-01-04 | 吴明 | 汽车综合性能检测调用车型参数的方法 |
US20190139262A1 (en) * | 2017-02-16 | 2019-05-09 | Ping An Technology (Shenzhen) Co., Ltd. | Method and device for vehicle identification |
CN108254495A (zh) * | 2017-12-13 | 2018-07-06 | 上海市环境科学研究院 | 一种隧道机动车污染物监测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sharma et al. | Forecasting air pollution load in Delhi using data analysis tools | |
CN108197731A (zh) | 一种基于共同训练的机动车尾气遥测与车检结果一致性方法 | |
CN106682699B (zh) | 一种基于聚类分析的车辆尾气排放特征分析处理方法 | |
Iodice et al. | Atmospheric pollution from point and diffuse sources in a National Interest Priority Site located in Italy | |
Chang et al. | Analysis of correlation between secondary PM2. 5 and factory pollution sources by using ANN and the correlation coefficient | |
Li et al. | The application of machine learning to air pollution research: A bibliometric analysis | |
CN110634300A (zh) | 机动车尾气遥感监测*** | |
CN102253943A (zh) | 一种网页评级方法和网页评级*** | |
CN112819217A (zh) | 移动源污染排放主要影响因素预测方法、***及存储介质 | |
CN110516691A (zh) | 一种车辆尾气检测方法和装置 | |
Uhrner et al. | Volatile nanoparticle formation and growth within a diluting diesel car exhaust | |
Lee et al. | Machine learning applied to the NOx prediction of diesel vehicle under real driving cycle | |
Chen et al. | Effects of atmospheric dry deposition on external nitrogen supply and new production in the northern South China Sea | |
CN109145401B (zh) | 一种计算机动车排放清单的方法、***及终端设备 | |
CN111027499A (zh) | 一种基于卷积神经网络的货车低排放限行识别方法 | |
Venu | Traffic Management by Monitoring Weather Parameters and Pollutants Remote system based on IoT using Raspberry Pi | |
Park et al. | Characterizing black carbon emissions from gasoline, LPG, and diesel vehicles via transient chassis-dynamometer tests | |
CN117540229A (zh) | 一种基于聚类算法的大气环境监测方法 | |
CN112131523A (zh) | 一种基于有限监测点位的时空数据生成方法及*** | |
Sharma et al. | Action plans to reduce PM2. 5 concentrations in hotspots of Delhi-NCR using a one-way coupled modeling approach | |
CN112560323B (zh) | 一种用于促进细颗粒物团聚的工业废水筛选方法 | |
Patel et al. | Air pollution prediction system for smart city using data mining technique: a survey | |
Sun | Automatic Monitoring System of Vehicle Pollutant Emission Based on Fusion Algorithm | |
CN111983146A (zh) | 机动车尾气监测*** | |
CN111216520A (zh) | 一种基于车载移动式的环境空气净化方法和装置 |
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 |