典型文献
基于YOLO V3神经网络的轨道车辆识别技术研究
文献摘要：
传统铁路货车图像识别以车辆号码特征识别为主,存在着受现场环境光照干扰大、安装不便等不足之处,对铁路车辆的识别率低,存在一定安全隐患.针对这一问题,本文利用近年来发展迅速的卷积神经网络、YOLO V3模型、深度学习技术,建立了铁路车辆识别模型,优化了YOLO V3识别算法,利用GPU加速技术减少了CPU的工作负荷,实现了铁路车辆高速通过环境下的车型识别与统计.搭建了简易的试验系统,通过采集图像、数据分析、特征提取等完成铁路车辆车型的识别,在多种环境下进行了试验,并与其它深度学习算法进行了比对,证明设计的有效性及先进性.为进一步提高铁路货运保障技术提供技术铺垫,可以应用在铁路生产、运营、维保等诸多方面,助力铁路货车智能化发展.
文献关键词：
图像识别;深度学习;YOLO V3;卷积神经网络;特征提取
中图分类号：
作者姓名：
郑正
作者机构：
中车山东机车车辆有限公司,山东 济南 250022
文献出处：
引用格式：
[1]郑正-.基于YOLO V3神经网络的轨道车辆识别技术研究)[J].智慧轨道交通,2022(01):34-38
A类：
B类：
YOLO,V3,轨道车辆,车辆识别,识别技术研究,铁路货车,图像识别,号码,特征识别,现场环境,环境光照,铁路车辆,识别率,定安,深度学习技术,识别模型,识别算法,GPU,加速技术,CPU,工作负荷,车型识别,试验系统,采集图像,成铁,辆车,深度学习算法,提高铁路,铁路货运,保障技术,铺垫,维保,诸多方面,智能化发展
AB值：
0.407674
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。
