小榄镇做网站公司,图书馆网站开发需求分析,返利网站建设服务,网站内链404 not found危险品的运输涉及从离开仓库到由车辆运输到目的地的风险。监控事故、车辆运动动态以及车辆通过特定区域的频率对于监督车辆运输危险品的过程至关重要。 在线工具推荐#xff1a; 三维数字孪生场景工具 - GLTF/GLB在线编辑器 - Three.js AI自动纹理化开发 - YOLO 虚幻合成数…危险品的运输涉及从离开仓库到由车辆运输到目的地的风险。监控事故、车辆运动动态以及车辆通过特定区域的频率对于监督车辆运输危险品的过程至关重要。 在线工具推荐 三维数字孪生场景工具 - GLTF/GLB在线编辑器 - Three.js AI自动纹理化开发 - YOLO 虚幻合成数据生成器 - 3D模型在线转换 - 3D模型预览图生成服务 危险品是指具有爆炸性、易燃性、中毒杀人、烧成放射性等特性在运输、装卸与存放的保管过程中容易造成人身伤害需要特别保护的物品造成财产损失。随着社会经济的发展危险品的生产和使用量呈逐年上升趋势而中国是世界上仅次于美国的危险品生产第二大国这恰恰使得危险品的监督管理需要人们高度重视。2009年20月秘鲁天然气运输卡车和一辆长途汽车撞到后面造成10人死亡5000人受伤。同年美国运送有毒化学品的卡车氢萤石倾覆并造成2005名居民紧急疏散。30年400月国产京沪高速一代液氨运输车被揭露造成近多人死亡多人中毒l居民万人以上被疏散大量家畜和农作物死亡。造成的危害是巨大的因此危险品在公路运输过程中显然处于危险之中因此加强危险品运输过程的管理是极其紧迫的势在必行的。
危险品车辆的GPS定位是动态车辆运动监控的主要基础。摄像机识别的车辆的次数和连续检测时间可用于确定危险货物车辆通过特定地点的具体频率和事故情况。危险品车辆识别的准确性受到环境特征如照明、凌乱的背景和部分遮挡的显着影响。
基于图像和深度学习的危险品车辆识别技术
两种基本的车辆识别技术是基于图像的也是基于深度学习的。
基于图像的检测方法主要通过车辆图像特征和方向梯度直方图特征来识别车辆目标。基于车辆图像纹理和边缘特征的车辆检测系统的根本缺点是照明和车辆完整性会显着影响它们。然而随着深度学习的不断进步越来越多的研究人员正在研究使用深度学习进行车辆检测的主题。
在这项研究中使用深度学习技术实现了车辆检测。为了实现快速、精确的车辆识别研究人员增强了深度学习YOLO模型的训练阶段并构建了阶段性训练模型。首先使用高效的深度学习模型对危险品车辆进行训练然后利用训练好的模型对危险品车辆进行识别。
本文介绍了一种基于基于图像和深度学习的危险品车辆识别技术的YOLO模型。YOLO架构速度快每秒可处理45帧使基于YOLO的架构可用于危险品车辆检测。
在本文章将使用UnrealSynth虚幻合成数据生成器 来生成训练所需要的数据集用户只需要将3D模型导入UnrealSynth中经过简单的配置就可以自动生成数据集非常的简单方便 基于YOLO的实时计算机视觉危险品车辆检测
1. 场景准备
将模型导入到场景。配置场景先关参数如生成的图片数据集的图片分辨率、生成的图片的数量等。 2. 生成数据集
设置参数后点击【确定】后会在本地目录中...\UnrealSynth\Windows\UnrealSynth\Content\UserData 生成本地合成数据集本地数据包含两个文件夹以及一个 yaml 文件images、labels、test.yaml 文件images中存放着生成的图片数据集labels中存放着生成的标注数据集。 images和labels目录下各有两个目录train 和 valtrain 目录表示训练数据目录val 表示验证数据目录标注数据的格式如下所示
0 0.68724 0.458796 0.024479 0.039815
0 0.511719 0.504167 0.021354 0.034259
0 0.550781 0.596759 0.039062 0.04537
0 0.549219 0.368519 0.023438 0.044444
0 0.47526 0.504167 0.009896 0.030556
0 0.470313 0.69537 0.027083 0.035185
0 0.570052 0.499074 0.016146 0.040741
0 0.413542 0.344444 0.022917 0.037037
0 0.613802 0.562037 0.015104 0.027778
0 0.477344 0.569444 0.017188 0.016667
synth.yaml是数据的配置文件数据格式如下
path:
train: images
val: images
test:
names:0: Oil tank truck
3、YOLOv5模型训练
生成数据集后下一步就是利用Yolo来训练模型第一步打开 ultralytics hub 在线训练工具将刚才生成的数据集上传到ultralytics hub 将合成数据上传后选择YOLO模型版本确定好YOLO模型版本后点击【continue】就可以开始使用ultralytics来训练集我们的模型了如下所示 选择YOLO模型后点击下一步将会生成用户key值这个key值将在下一步模型训练时用到 复制【step1】中中的内容点击【step2】进入到google Colab页面如下所示 首先先点击step中的播放按钮安装环境依赖如上图所示环境安装成功后接下来将【Start】中的整个内容给都换掉用在上一步中复制的key值整体替换里面原来的信息如图 然后点击播放按钮开始训练模型如下图所示 模型训练需要一段时间...
4、训练模型验证
模型训练完成之后可以用训练好的模型验证一下用几张工地工人干活的场景图片导入用图片来验证一下操作步骤如图所示 图片验证结果如下 转载机器学习之危险品车辆目标检测
