基于级联多任务深度神经网络的施工现场车辆进出检测与识别算法

Cascaded multi-task deep neural network based algorithm for construction site vehicle entry and exit detection and recognition

扫码查看

原文链接

国家科技期刊平台
NETL
NSTL
万方数据

中文摘要：施工场景下,对于进出车辆的管理涉及到建筑工地财产安全,以及对被污染车牌识别不准确等问题.针对这些问题,提出了一种低算力的车辆进出检测、识别与追踪算法,大幅减少了人力管理成本,实现了施工现场的车辆智能化管理.考虑到施工现场车型识别及车牌识别涉及大小目标的混合检测,提出了一种级联多任务端到端的神经网络框架.利用YOLO网络实现了对施工现场车辆的检测与车型识别,在此基础上实现车牌定位和识别以及车辆目标跟踪.车牌识别借助轻量级神经网络实现了端到端的精准识别,基于改进的DeepSort目标跟踪算法实现了对场内所有车辆的进出轨迹追踪.针对施工现场数据集缺乏问题,基于现有的门岗监控数据,构建施工现场车辆检测数据集对多任务级联神经网络进行训练,并在COCO2017数据集上对算法进行了进一步验证,结果表明了算法的有效性与可靠性.

外文关键词：

vehicle access managementdeep learningtarget detectioncascading multitasking

作者：

喻捷、杨倩、冯欣、葛永新

展开 >

作者单位：

重庆建工住宅建设有限公司, 重庆 400000

重庆理工大学计算机科学与工程学院, 重庆 400054

重庆大学大数据与软件学院, 重庆 401331

关键词：

车辆进出管理深度学习目标检测级联多任务

基金：

重庆市自然科学基金重庆市技术创新与应用发展重点项目

项目编号：

CSTB2022NSCQ-MSX0493cstc2021jscxdxwtBX0018

出版年：

2023

DOI：

10.3969/j.issn.1674-8425(z).2023.10.028

重庆理工大学学报

重庆理工大学

重庆理工大学学报

CSTPCD北大核心

影响因子：0.567

ISSN：1674-8425

年,卷(期)：2023.37(19)

参考文献量5