重庆理工大学学报2023，Vol.37Issue(19) ：247-254.DOI:10.3969/j.issn.1674-8425(z).2023.10.028

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

喻捷 杨倩 冯欣 葛永新
重庆理工大学学报2023，Vol.37Issue(19) ：247-254.DOI:10.3969/j.issn.1674-8425(z).2023.10.028
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据

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

喻捷 1杨倩 2冯欣 2葛永新3
扫码查看

作者信息

  • 1. 重庆建工住宅建设有限公司, 重庆 400000
  • 2. 重庆理工大学 计算机科学与工程学院, 重庆 400054
  • 3. 重庆大学 大数据与软件学院, 重庆 401331
  • 折叠

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.

关键词

车辆进出管理/深度学习/目标检测/级联多任务

Key words

vehicle access management/deep learning/target detection/cascading multitasking

引用本文复制引用

基金项目

重庆市自然科学基金(CSTB2022NSCQ-MSX0493)

重庆市技术创新与应用发展重点项目(cstc2021jscxdxwtBX0018)

出版年

2023
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
参考文献量5
段落导航相关论文