基于量子化卷积神经网络的实时低成本流量监控,用于CNOSSOS-EU噪声模型
Domenico Profumo1, Gonzalo de León2, Alessandro Monticelli3
1IPOOL S.R.L., Via Antonio Cocchi, 3, 56121 Pisa, Italy.
Sensors (Basel, Switzerland)
|March 14, 2026
概括
本研究介绍了一种低成本的实时车辆识别系统,使用边缘计算来准确地绘制城市噪音图. 该系统有效地对车辆进行分类,大大提高了交通监测的准确性和环境声学建模的成本效益.
科学领域:
- 环境声学环境声学
- 城市规划是城市规划.
- 计算机视觉 计算机视觉 计算机视觉
背景情况:
- 精确的城市噪音映射依赖于与声学模型 (如CNOSSOS-EU) 兼容的详细交通数据.
- 当前的交通监控系统在分类,成本效益和可扩展性方面往往不足以广泛使用.
研究的目的:
- 开发一个具有成本效益的,实时的多车辆识别系统,用于城市噪音映射.
- 使用边缘计算,根据CNOSSOS-EU标准进行精确的车辆分类以进行聚合.
主要方法:
- 量子化YOLOv8卷积神经网络 (CNN) 与树Pi 4和Coral TPU上的跟踪算法的集成.
- 在15,000张图像数据集上训练CNN,并使用8位后训练定量化来优化推理速度.
- 实时检测和分类车辆到五个不同的类别.
主要成果:
- 在白天条件下实现了14 FPS的推断速度和92.2%的平均平均精度 (mAP@50).
- 在嵌入式设备上展示了强大的性能,适用于资源有限的环境.
- 在一个案例研究中,该系统实现了6.6%的加权百分比误差,远远超过商业解决方案 (59.9%) 并接近手动准确率 (1.4%).
结论:
- 开发的边缘计算系统为实时城市交通监控提供了高度准确和具有成本效益的解决方案.
- 这项技术弥合了手动数据收集和当前自动化系统之间的差距,增强了城市噪音映射能力.
- 该系统的效率和准确性使其适合在智能城市计划中大规模部署.
