基于卷积神经网络的汽车试验场外物入侵识别

doi:10.3969/j.issn.1674-0696.2020.01.02

重庆交通大学学报（自然科学版） ›› 2020, Vol. 39 ›› Issue (01): 8-14.DOI: 10.3969/j.issn.1674-0696.2020.01.02

• 交通+大数据人工智能 • 上一篇下一篇

基于卷积神经网络的汽车试验场外物入侵识别

向华荣1,2，曾敬1,2

(1. 重庆西部汽车试验场管理有限公司,重庆 408300； 2. 中国汽车工程研究院股份有限公司,重庆 401122)

收稿日期:2018-04-17 修回日期:2019-11-22 出版日期:2020-01-12 发布日期:2020-01-12
作者简介:向华荣(1979—), 男, 重庆人, 高级工程师，硕士,主要从事汽车试验技术方面的研究。E-mail：xianghuarong@cxapg.com。
基金资助:
工业强基工程项目 (0714-EMTC02-5593/20)

Recognition on Invaders into Automobile Proving Ground Based on Convolution Neural Network

XIANG Huarong1,2，ZENG Jing1,2

(1.Chongqing Xibu Automotive Proving Ground Management Co., Ltd., Chongqing 408300, China; 2. China Automotive Engineering Research Institute Co., Ltd., Chongqing 401122, China)

Received:2018-04-17 Revised:2019-11-22 Online:2020-01-12 Published:2020-01-12

摘要/Abstract

摘要： 为了对汽车试验场的外物入侵进行识别并预警，结合现有监控系统，利用Tensorflow搭建Faster-RCNN框架，分别使用InceptionV2和ResNet101作为核心卷积神经网络，用自建的标注数据集进行最终训练，利用得到的模型进行迁移测试，试验结果表明：InceptionV2系统的平均精度值为81.7%，ResNet101系统的平均精度值为84.1%。将两种系统结合Opencv的图像抓取功能及现有摄像监控设备进行联合测试，结果表明两种系统均能在阴天和低像素摄像头搭配下实时对高速或慢速移动的物体进行识别、分类、标注、预警。

关键词: 车辆工程, 汽车试验场, 外物入侵, 卷积神经网络, 目标检测

Abstract: In order to recognize and alarm invaders which entered into automobile proving ground, Faster-RCNN framework was established by Tensorflow, combining with current video monitoring system. InceptionV2 and ResNet101 were taken as core convolution neural network respectively. The final training was carried out with the self-built annotation data set, and the migration test was carried out with the obtained model. The experimental results show that the average precision value of InceptionV2 system and ResNet101 system reaches 81.7% and 84.1% respectively. The joint test combining the two systems with the image capture function of Opencv and current video monitoring system was carried out. The results prove that both systems can recognize, classify, mark and alarm the high-speed or low-speed moving objects in real time under cloudy weather or low-pixel camera condition.

Key words: vehicle engineering, automobile proving ground, invaders, convolution neural network, target detection

中图分类号:

U467.5+1

向华荣1,2，曾敬1,2. 基于卷积神经网络的汽车试验场外物入侵识别[J]. 重庆交通大学学报（自然科学版）, 2020, 39(01): 8-14.

XIANG Huarong1,2，ZENG Jing1,2. Recognition on Invaders into Automobile Proving Ground Based on Convolution Neural Network[J]. Journal of Chongqing Jiaotong University(Natural Science), 2020, 39(01): 8-14.

参考文献

［1］陈红,韦凌翔,李高峰,等. 城市轨道交通行人通道交通状态识别研究［J］.重庆交通大学学报(自然科学版),2016,35(3):134-140.
CHEN Hong, WEI Lingxiang, LI Gaofeng, et al. Pattern recognition of traffic condition of urban rail transit pedestrian passage［J］. Journal of Chongqing Jiaotong
University(Natural Science), 2016,35(3):134-140.
［2］ LECYN Y, BENGIO Y, HINTON G. Deep learning［J］. Nature, 2015, 521(7553):436-444.
［3］ HINTON G, SALAKHUTDINOV R. Reducing the dimensionality of data with neural networks ［J］. Science, 2006, 313(5786):504-507.
［4］潘卫军,段英捷,张强,等. 基于AlexNet卷积神经网络的激光雷达飞机尾涡识别研究［J］.光电工程,2019,46(7):121-128.
PAN Weijun,DUAN Yingjie, ZHANG Qiang, et al. Research on aircraft wake vortex recognition using AlexNet［J］. Opto-Electronic Engineering, 2019,46(7):121-128.
［5］蒋昂波,王维维. ReLU激活函数优化研究［J］.传感器与微系统,2018,37(2):50-52.
JIANG Angbo,WANG Weiwei. Research on optimization of ReLU activation function［J］. Transducer and Microsystem Technologies, 2018,37(2):50-52.
［6］张选,胡晓娟. 基于GoogLeNet和ResNet的深度融合神经网络在脉搏波识别中的应用［J］.计算机系统应用,2019,28(10):15-26.
ZHANG Xuan, HU Xiaojuan. Pulsewave recognition using deep hybrid neural networks based on GoogLeNet and ResNet［J］. Computer Systems & Applications, 2019,28
(10):15-26.
［7］徐建鹏,卜凡亮. 基于Faster-RCNN神经网络的回环检测优化算法［J/OL］.(2019-08-05) ［2019-10-07］. http:∥www.arocmag.com/article/02-2019-12-095.html.
XU Jianpeng, BU Fanliang. Optimized loop closure detection algorithm based onFaster-RCNN neural network ［J/OL］. (2019-08-05) ［2019-10-07］.
http:∥www.arocmag.com/article/02-2019-12-095.html.
［8］彭聪,刘秋锦, 杨克.一种基于CFD的车辆行驶状态识别方法［J］.重庆交通大学学报(自然科学版),2018,37(11):119-126.
PENG Cong, LIU Qiujin, YANG Ke. One method for vehicle driving state recognition based on CFD［J］. Journal of Chongqing Jiaotong University(Natural Science),
2018,37(11):119-126.
［9］邢艳芳,段红秀,何光威. TensorFlow在图像识别系统中的应用［J］.计算机技术与发展,2019,29(5):192-196.
XING Yanfang, DUAN Hongxiu, HE Guangwei. Application of TensorFlow inimage recognition system［J］.Computer Technology and Development, 2019,29(5):192-196.
［10］梅舒欢,闵魏庆,刘林虎,等. 基于Faster R-CNN的食品图像检索和分类［J］.南京信息工程大学学报(自然科学版),2017,9(6):635-641.
MEI Shuhuan, MIN Weiqing, LIU Linhu, et al. Faster R-CNN based food image retrieval and classification［J］.Journal of Nanjing University of Information Science
and Technology(Natural Science Edition), 2017,9(6):635-641.
［11］曹诗雨,刘跃虎,李辛昭. 基于Fast R-CNN的车辆目标检测［J］.中国图象图形学报,2017,22(5):671-677.
CAO Shiyu, LIU Yuehu, LI Xinzhao. Vehicle detection method based on Fast R-CNN ［J］. Journal of Image and Graphics, 2017,22(5):671-677.
［12］王万国,田兵,刘越,等. 基于RCNN的无人机巡检图像电力小部件识别研究［J］.地球信息科学学报,2017,19(2):256-263.
WNAG Wanguo, TIAN Bing, LIU Yue, et al. Study on the electrical devices detection in UAV images based on region based convolutional neural networks ［J］. Journal
of Geo-information Science, 2017,19(2):256-263.

[1]	辛亮1,2，杜子学1，杨震2，许舟洲2. 单轴转向架跨座式单轨车辆的主动控制研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 123-127.
[2]	张东东，宗子淳，冯金芝. 基于NSGA-Ⅱ算法的两挡AMT换挡规律多目标优化[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 128-135.
[3]	李胜永1，张智华1，王胜男2，王孟2. 面向交通工具金属材料的缺损识别算法[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 136-144.
[4]	杜子学，邬浩鑫. 悬挂参数对直线电机跨座式单轨车辆气隙稳定性和运行平稳性影响[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 124-129.
[5]	邓明阳1,2，郭应时1. 电动汽车插补耦合无线充电技术的研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 130-135.
[6]	杜子学，马川翔. 车体铰接式跨座式单轨列车运行稳定性分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 122-128.
[7]	余曼,赵炜华,吴玲,李郁菡. 基于K-均值聚类和支持向量机的电动汽车行驶工况研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 129-139.
[8]	曹源文1，陈作1，赵江2，张晓强3，郑婷婷4. 多路况下轮式装载机行驶稳定性研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 140-146.
[9]	杜子学，邬浩鑫，杨震. 直线电机跨座式单轨车辆曲线通过能力分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(04): 127-132.
[10]	邓涛1，李鑫2. 智能车辆横纵向运动综合控制方法研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(04): 133-140.
[11]	李耀华，刘洋，宋伟萍，邵攀登，任田园. 基于行驶工况的零部件耐久性测试工况构建[J]. 重庆交通大学学报（自然科学版）, 2021, 40(04): 141-146.
[12]	刘祯1,3，林鑫1,2，吴华伟1,3，叶从进1,3，耿向阳4. 基于STAR-CCM+的IGBT散热翅片结构设计研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(03): 128-134.
[13]	李军，张俊，张世义. 基于ABP-EKF算法的锂电池SOC估计[J]. 重庆交通大学学报（自然科学版）, 2021, 40(03): 135-140.
[14]	郝刚1,2，金涛1. 基于隐马尔科夫模型的滚动轴承性能衰退评估[J]. 重庆交通大学学报（自然科学版）, 2021, 40(02): 123-128.
[15]	刘朝涛,狄科宏,杜子学,杨震. 跨座式单轨弓网耦合主动控制研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(02): 129-135.

基于卷积神经网络的汽车试验场外物入侵识别

Recognition on Invaders into Automobile Proving Ground Based on Convolution Neural Network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics