基于Tensor Flow的危险车辆识别
这是大二下学期的综合课程设计的一个题目，本来四周的课时，前两周因为和信安大赛、数学建模冲突了，第三周才开始。各个模块都太仓促了，尤其卷积神经网络那块，其实可以做的稍微好一点的。只是按时按要求完成了任务要求，并没有什么很好的创新点，尤其是在模型方面####
主要任务要求为 ：
利用Tenserflow框架，开发实现危险车辆识别模型，进行模型训练和验证
详细功能说明：
-
使用网络爬虫软件，自动从网络上下载正常车辆和危险车辆（易燃易爆品运输车辆）图片，图片数量超过千张
-
安装Tenserflow框架，开发实现危险车辆识别模型
-
完成模型的训练
-
进行模型验证和调优，争取识别率达到70%以上
模块设计
摘要
危险运输品运输量逐年增加，危险品运输车辆在经过城市或乡镇街区时,一旦发生事故,后果影响很大。为了减少危险化学品车辆运输事故及其造成的损失,首先要解决的就是危险运输车辆识别的问题。
因此，对载有易燃易爆危险物品的车辆进行识别成为交通管理的首要任务。
本课程设计希望实现一种处理速度快,能够准确识别危险运输车型的识别方案。具体实现方法如下：
通过编写python网络爬虫脚本，自动从网络中采集易燃易爆车辆及正常运输车辆，获得训练数据集。此脚本可以根据用户输入的关键词、图片数量从百度图库中自动抓取图片数据并保存。同时此程序对常见的异常进行处理，保证了异常情况下脚本仍能自动进行下去，鲁棒性及自动化程度较高。
对图像数据进行初步清洗处理，模仿经典的LeNet-5卷积网络模型,实现一个简单的卷积网络模型，完成对危险车辆类别的识别。此预测模型包括卷积特征提取层，最大池化层，以及全连接层，共计11层。通过对模型的训练，发现此模型在测试集图片数据上，对于危险车辆的识别率能够达到75%左右。通过对数据集的扩充，以及模型参数调优，识别率上升至83.15%。
实现一个GUI界面，能够调用本地训练好的模型，对选取的车辆图片进行预测，输出其是否为易燃易爆车辆，同时显示其置信度。
总之,论文设计出的罐车危化品车辆识别系统,应能够比较快速、准确地识别出车辆类型,这就要求所采用的算法简练、运算量小。。
关键词：Python 数据挖掘 卷积神经网络 深度学习 GUI QT图形界面
目录
目 录
摘 要 III
目 录 IV
第一章 绪 论 6
1.1 研究工作的背景 6
1.2.1 深度学习概述 6
1.2.2 CNN卷积网络模型特点 7
1.2.3Tensor flow深度学习框架摘要 7
1.2.4 网络爬虫概述 7
1.3 本文的主要工作与实现 7
1.4 研究意义 8
第二章 网络图片爬虫模块 9
2.1 网络爬虫概述 9
2.2 功能设计与分析 9
2.3 Python语言爬虫相关库 9
2.4 算法步骤描述 10
2.5 实验结果与分析 11
2.6本章小结 13
第三章 危险车辆识别模型 14
3.1 卷积神经网络模型概述 14
3.2 危险车辆识别模型 14
3.2.1 图片预处理 14
3.2.2 模型基本结构 15
3.2.3 危险车辆预测模型 17
3.2.3 训练方法 18
3.2.4 性能评估 21
3.2.5 参数调优与模型优化 23
3.3 模型测试结果验证 23
3.4 本章小结 24
第四章 图形界面预测模块 25
4.1 图形界面功能设计 25
4.2 PYQT 模块 25
4.3 界面逻辑架构 25
4.4 界面结果展示与测试 26
第五章 全文总结与展望 28
5.1 全文总结 28
5.2 后续工作展望 28
致 谢 29
参考文献 30.
参考文献
[1].郭利荣,基于Python的网络爬虫程序设计_郭丽蓉.2013.
[2].贾棋然, 基于Python专用型网络爬虫的设计及实现. 电脑知识与技术, 2017(12):第47-49页.
[3].姜杉彪等, 基于Python的专业网络爬虫的设计与实现. 企业科技与发展, 2016(08):第17-19页.
[4].李琳, 基于Python的网络爬虫系统的设计与实现. 信息通信, 2017(09):第26-27页.
[5].刘强与于娟, 主题网络爬虫研究综述_于娟. 计算机工程与科学, 2015.
[6].卢宏涛, 深度卷积神经网络在计算机视觉中的应用研究综述_卢宏涛. Journalof Data and Information Quality, 2016.
[7].孙三祥等, 易燃易爆物品运输车辆的分类与检测. 公路与汽运, 2006(05):第26-28页.
[8].涂辉, 王锋与商庆伟, Python3编程实现网络图片爬虫. 电脑编程技巧与维护, 2017(23):第21-22页.
[9].尹宝才, 深度学习研究综述_尹宝才. 北京工业大学学报, 2015.
[10]. 于成龙, 网络爬虫技术研究_于成龙. 2011.
[11]. 周飞燕, 卷积神经网络研究综述_周飞燕. 计算机学报, 2017.
[12].周志华， 机器学习，清华大学出版社，2015
[13].龙飞，王永兴，深度学习入门与实践，2017
[14], Ian Goodfellow, Yoshua Bengio, AaronCourville, Deep Learning 2016
[15],王战魁. 基于PCA与BP神经网络的危险化学品车辆识别[D].首都经济贸易大学,2006.
[16],徐博. 基于卷积神经网络的车辆属性识别[D].北京理工大学,2016.