针对高速公路环境下的车型识别问题,利用深度学习Caffe框架中的Alex Net和传统方法支持向量机(SVM),分别对车辆图像进行网络训练与测试,得到两种车型识别方法的准确率并进行比较验证。实验结果表明:卷积神经网络的分类方法具有较高的车型识别精度,车型识别准确率高。 约束项对权值ci求导的贡献。规则化项Ω(α)对αi求导为:?Ω?αi=λsign(αi)。然后通过链式法则，对ci求导?Ω?ci=∑k?Ω?αk?αk?ci=λ|αi|－αi∑k|αk(|)(4)式中权值ci最终的梯度为?E～n?ci=?En?ci+?Ω?ci。1．3AlexNet结构流程通过图形可视化工具将Caffe使用的AlexNet结构流程如图1，由于网络结构稍复杂，省略了部分卷积层和池化层的核数量模块。图1AlexNet结构流程2实验分析2．1数据集实验采用已经建好的高速公路车型图片数据集，所有原始数据均采集于高速公路卡口实际监控过程中的真实照相设备。为了确保实验的可靠性，本文有张家港市泰宇机械有限公司全自动滚圆机采集网络整理 http://www.gunyuanji.com  人工将各个卡口的高清图片进行标注智能识别方法-数控滚圆机滚弧机价格低电动液压滚圆机滚弧机多少钱，分别为卡车、客车、微面、小车4类图像。共采集不同尺度、光照、角度的车辆图片共86775张，其中，小车54690张，微面15693张，卡车11732张，客车4663张，根据比例选取其中的10%作为验证集，其余90%作为训练集。由于每张图片的大小不一，为了满足深度学习中卷积神经网络的输入要求，实验中，4种车型均归一化为高×宽为256×256同一尺度。图2给出了数据集的具体情况，部分车型如图3。2．2实验结果分析数据集中所有彩色图像均为真实采集的原图像，并未图2数据集(针对车载自组网中,节点密度较高时,容易出现网络拥堵的情况,提出了一种动态调整消息发射功率的方法。通过信道忙闲比例(CBR)评估节点的网络状况,并在出现网络拥堵时泛洪广播拥堵信息,通知其他节点作出相应的功率调整。综合考虑功率覆盖范围和覆盖节点数两方面因素,设计了功率调整曲线。实验结果表明:方法能根据网络状况自适应地调整发射功率,降低了发生信道过载的可能性,并提高了信标消息传递的成功率为快速准确地自动识别指针式仪表读数,采用机器视觉技术,结合减影法和Hough变换法对仪表读数进行智能识别。对指针式仪表图像进行图像二值化、形态学处理和边缘检测预处理;利用Hough变换检测仪表中的指针,计算得到指针方向和定位圆形,实现指针式仪表的智能识别。实验结果表明:读数识别的平均相对误差为0.91%,精度较高,能较好地识别指针式仪表读数。 智能识别方法-数控滚圆机滚弧机价格低电动液压滚圆机滚弧机多少钱本文有张家港市泰宇机械有限公司全自动滚圆机采集网络整理 http://www.gunyuanji.com