第２３卷第１期２０２３年２月交通运输工程学报ＪｏｕｒｎａｌｏｆＴｒａｆｆｉｃａｎｄＴｒａｎｓｐｏｒｔａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇＶｏｌ．２３Ｎｏ．１Ｆｅｂ．２０２３收稿日期：２０２２－０７－３１基金项目：国家自然科学基金项目（５２１７８３４１）；山西省回国留学人员科研项目（２０２００３８）作者简介：张念（１９８４－），男，湖北襄阳人，太原理工大学副教授，工学博士，从事算法优化与工程安全研究。引用格式：张念，张亮．基于深度学习的公路货车车型识别［Ｊ］．交通运输工程学报，２０２３，２３（１）：２６７－２７９．Ｃｉｔａｔｉｏｎ：ＺＨＡＮＧＮｉａｎ，ＺＨＡＮＧＬｉａｎｇ．Ｔｙｐｅｒｅｃｏｇｎｉｔｉｏｎｏｆｈｉｇｈｗａｙｔｒｕｃｋｓｂａｓｅｄｏｎｄｅｅｐｌｅａｒｎｉｎｇ［Ｊ］．ＪｏｕｒｎａｌｏｆＴｒａｆｆｉｃａｎｄＴｒａｎｓｐｏｒｔａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，２０２３，２３（１）：２６７－２７９．文章编号：１６７１－１６３７（２０２３）０１－０２６７－１３基于深度学习的公路货车车型识别张念１，２，张亮２（１．太原理工大学土木工程学院，山西太原０３００２４；２．太原科技大学交通与物流学院，山西太原０３００２４）摘要：为判断公路货车车型，并提升货车车型识别的速度与精度，提出基于深度学习的方法对公路货车及其轮轴进行精细化目标检测；采用道路监控拍摄和网络爬取的方式获得了１６４０３张公路货车侧方图像，建立了货车侧方图像数据集，并采用Ｒｅｔｉｎｅｘ理论和加入限制对比度的自适应直方图均衡化（ＣＬＡＨＥ）等视觉增强方法预处理所采集图像中的光照不均图像和夜视图像；通过理论分析和对比试验选取单阶段检测网络ＹＯＬＯｖ３作为公路货车车型识别的目标检测网络，并从调整先验框和模型输入大小以及引入注意力机制３个方面优化了检测模型；针对单帧图像可能同时出现多辆货车的情况，采用基于目标位置信息挖掘的算法分析了货车与轮轴的位置信息，提出一种通过轮轴中心点与货车预测框位置信息判定公路货车与轮轴隶属关系的方法。研究结果表明：图像经过预处理可显著增强车辆的特征信息，优化后检测模型的网络性能得到提高，通过对目标位置信息的挖掘与利用可以很好地解决货车车型判定问题；优化后的检测模型实时检测速度可达４７帧·ｓ－１，对公路货车车型的识别综合准确率达到了９４．４％。该方法实现了对公路货车车型的无接触、快速和准确识别...
