[发明专利]一种基于卷积神经网络的货车低排放限行识别方法

说明书

本发明公开了一种基于卷积神经网络的货车低排放限行识别方法，在互联网上获取货车车型的参数信息，提取货车车型图片和对应排放标准信息；使用one‑stage的InceptionV3算法训练货车车型识别模型；利用训练好的货车车型识别模型对货车图片进行具体分类，完成对货车车型识别；识别出货车车型后关联排放信息，完成对低排放货车的识别。与现有技术相比，本发明能够快速、准确识别出低排放限行的货车，便于推广使用。

技术领域

本发明涉及智能交通控制技术领域，特别是一种基于卷积神经网络的货车低排放限行识别方法。

背景技术

机动车特别是黄标车、老旧车排放是大气污染物的重要来源，由于其使用年限较长，污染控制水平较差，排放的废气中含有大量有毒有害的污染物，主要有颗粒物、挥发性有机物、氮氧化物和一氧化碳。这些污染物又极易在高温、高湿、无风等不利气象条件下发生物理和光化学反应形成PM2.5和臭氧污染，导致PM2.5和臭氧浓度超标，大气能见度下降，是形成灰霾的重要因素。由于机动车尾气主要集中在人口密集的城区，且贴近人体呼吸带，对人群健康具有较直接的影响。

随着社会经济的发展，机动车保有量急剧增加，黄标车的治理难度愈加提升并逐年上升趋势，目前针对这些问题，虽然一些重要技术手段已经能够解决违法性的情况发生，但在对黄标车的识别方面还存在一定的缺陷：

1、传统算法只能实现对车型的识别，实现功能相对比较单一。

2、车型号众多，模型算法分类效率低，运行时间长。

发明内容

本发明的目的是要解决现有技术中存在的不足，提供一种基于卷积神经网络的货车低排放限行识别方法。

为达到上述目的，本发明是按照以下技术方案实施的：

一种基于卷积神经网络的货车低排放限行识别方法，包括以下步骤：

S1、在互联网上获取货车车型的参数信息，提取货车车型图片和对应排放标准信息；

S2、使用One-stage的InceptionV3算法训练货车车型识别模型；

S3、利用训练好的货车车型识别模型对货车图片进行具体分类，完成对货车车型识别；

S4、识别出货车车型后关联排放信息，完成对低排放货车的识别。

进一步，所述S1中是通过Scrapy框架的网络爬虫爬取货车车型和对应排放标准信息，具体步骤如下：

从互联网上获取包含货车车型的参数信息的种子URL，不断地将网页中要提取的子节点即货车车型的参数信息的超链接提取出来，其次将获得的超链接依次解析，并不断保存网页信息，以此方式进行抓取货车车型和对应排放标准信息。

进一步，所述S2中货车车型识别模型训练好后使用Docker打包。

与现有技术相比，本发明具有以下有益效果：

本发明针对货车的排放标准难以人为判断的难题，首先对货车进行车型识别，由于车辆种类繁多，识别场景复杂多样，从检测精度及算法效率方面综合考虑，使用爬虫技术与人工智能技术相结合，达到通过检测车型识别排放标准的目的，使用one-stage的InceptionV3算法，提高目标识别的精度和速度，使用Docker打包模型，提高移植效率性。综述，本发明能够快速、准确识别出低排放限行的货车，便于推广使用。

附图说明

图1为本发明的识别流程图。

图2为本发明的网络爬虫爬取货车车型和对应排放标准信息的流程图。

图3为本发明使用的GoogLeNet的网络结构图。

图4为本发明最终识别出的低排放的车辆图片。