17、智能城市中的深度学习交通监测与电力电子能源整合

智能城市中的深度学习交通监测与电力电子能源整合

1. 深度学习在智能交通监测中的应用

1.1 模型性能评估

在车辆识别方面，对 Model_Comp 和 YOLOv2 进行了性能评估。基于 Kaggle 数据集，以 0.5 为阈值，通过召回准确率和平均交并比（IOU）作为测试数据集的评估指标。从以下表格可以看出，YOLOv2 模型具有更好的检测准确性，其召回率、精确率和平均 IOU 均优于 Comp_model。
| 模型 | 召回率（%） | 平均 IOU（%） | 精确率（%） |
| — | — | — | — |
| Comp_model | 98.60 | 84.97 | 95.70 |
| YOLOv2 | 99.29 | 85.40 | 96.41 |

同时，使用“mAP”参数来衡量模型性能。YOLOv2 模型的 mAP 最高达到 97.45%，平均值为 96.41%。车辆识别检测的平均速度为 0.074 秒，这意味着在实时场景中，该模型每秒大约可以处理 39 张图片，这一特性在智能交通系统的实时车辆识别中至关重要。

1.2 与其他模型的比较

YOLOv2 模型比 R - CNN 快很多，R - CNN 的平均车辆识别速度为 0.9 秒，尽管 YOLOv2 和 Comp_model 的 AP 类别非常接近。YOLOv2 网络去除了高阶的重复卷积层，在设计网络的初始阶段，这些层效果不佳，但在车辆识别过程中对高收敛率更有效。

1.3 不同天气条件下的性能

YOLOv2 模型在不同天气条件下（晴天、阴天或夜间）都能准确识别车辆类型。从相关图像