典型文献
融合改进YOLO和背景差分的道路抛洒物检测算法
文献摘要：
针对现有道路抛洒物检测算法识别准确率低、识别种类有限、实时检测效率低的问题,探索了将深度学习目标检测和传统图像处理相结合的抛洒物检测算法.提出在YOLOv5s目标检测算法基础上,对模型结构进行修改以满足实时性需求.具体地,使用卷积优化YOLO中的降采样模块,采用Ghost网络替代原始的特征提取网络以减少计算量,根据抛洒物检测对象的特点设计符合数据集的锚框以提高目标识别准确度.使用优化后的YOLO检测道路场景中车辆、行人作为交通参与者得到检测框,在检测框周围设定感兴趣区域,并在感兴趣区域内用背景差分算法实现前景目标识别.计算前景目标与YOLO检测结果的交并比,排除交通参与者目标后实现道路抛洒物的识别.针对交通参与者检测的实验结果表明,改进后的YOLO检测算法在整体识别精度没有损失的情况下单帧检测速度为20.67 ms,比原始YOLO检测算法速度提升16.42％.真实道路抛洒物实验结果表明,在没有抛洒物训练数据情况下,传统混合高斯模型算法平均精度值为0.51,采用融合改进YO-LO和背景差分的抛洒物检测算法平均精度值为0.78,算法检测精度提高52.9％.改进后算法可适用于没有抛洒物数据或正样本数据稀少的情况.该算法在嵌入式设备Jetson Xavier NX上单帧检测速度达到24.4 ms,可实现抛洒物的实时检测.
文献关键词：
交通工程;抛洒物识别;目标检测;YOLO算法;混合高斯模型
中图分类号：
作者姓名：
周勇;张炳振;张枭勇;刘宇鸣
作者机构：
深圳市城市交通规划设计研究中心股份有限公司 广东 深圳 518000
文献出处：
引用格式：
[1]周勇;张炳振;张枭勇;刘宇鸣-.融合改进YOLO和背景差分的道路抛洒物检测算法)[J].交通信息与安全,2022(05):112-119
A类：
抛洒物识别
B类：
背景差分,算法识别,识别准确率,别种,实时检测,检测效率,学习目标,YOLOv5s,目标检测算法,模型结构,改以,性需求,卷积优化,降采样,样模,Ghost,特征提取网络,减少计算量,锚框,目标识别,使用优化,道路场景,感兴趣区域,差分算法,算法实现,交并比,识别精度,有损,下单,单帧检测,检测速度,ms,训练数据,混合高斯模型,模型算法,平均精度值,检测精度,稀少,嵌入式设备,Jetson,Xavier,NX,交通工程
AB值：
0.273411
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
