周睿璇，汪俊霖，孙 宏，何秋生

(太原科技大学，山西 太原 030024)

0 引言

传统识别货车超重的方法主要是检测人员用眼睛观察，根据经验判断是否超重，但是这样误差大。现在可以用视觉识别的方法来解决这一问题。根据国家货车车型对应标准(GB1589)，货车车轴的数量以及分布与货车的型号相关联，可以通过检测货车车轴的数量和分布分辨货车车型判断其核载重量，再结合货车实际载重量判断是否超重。YOLO系列算法是比较成熟的神经网络算法，但也有不足之处，比如在检测特定的物体时算法中原先设定的先验框有的就不适用了，本项目以识别货车的车轮为例，对YOLO v3算法进行改进。

1 YOLO V3原理

1.1 检测过程

经典的YOLO算法中输入的图片经过Darknet-53输出三种尺度特征，分别用于检测小、中、大的物体，每个特征层有3个先验框。每个网格点预测出与所在层三个先验框对应的三个预测框，每个预测框包含C+5个信息，其中C是物体的类别数，5包括中心点的偏移量tx和ty、长宽th和tw、置信度[1]。这时的tx、ty、th、tw并不能直接反应预测框的空间信息，还需要经过下面公式获取预测框的长宽bh、bw和中心位置bx、by。

bx=σ(tx)+cx
by=σ(ty)+cy
bw=attw
bh=aheth

(1)

其中:cx、cy是网格点在网格中的坐标;ah和aw是先验框的长和宽[2]。iou是预测框和真实框的交集和并集的比，可以反映出两个框的重合程度，计算每个预测框和真实框的iou，与真实框iou值最大的预测框为最终的检测结果。

1.2 损失函数

损失函数可以作为深度神经网络对误检测样本惩罚的根据，YOLO v3的损失函数采用二交叉熵的形式[3]。……