深度学习案例（矩案例）

案例速递

交通是兴国之要、强国之基。随着城市的快速发展、车辆和行人数量的日益增多，交通问题日益严重，实施有效的交通监控对于解决日益增长的交通问题具有积极意义。

但目前大多数的交通监控系统存在系统维护复杂、成本高、计算量大等缺点，且强依赖人力管控的传统交通治理模式在交通拥堵治理、信号调控、秩序改善等典型场景上，都遇到种种挑战。

企业难题

为了保持道路的通畅，智能交通应运而生，车型的识别也随之成了一个十分重要的部分。

如何有效提高对交通问题的治理效率，实现全方位、24小时的异常情况预警与智能分析，成了客户最头疼的问题。

由于道路车流量变化较大，车型种类多，且车辆移动速度变化大，在智能交通领域，由于有些图像采集中车辆重叠、遮挡比较严重，视野中有时候只有局部的车身特征，无法做到有效识别。

此外，图像中相同类型车辆近大远小的现象比较明显，直接导致使用传统的目标检测方法在使用中错误率较高。

所以，传统的目标检测方法，根本无法满足客户检测需求。

解决方案

目前，机器视觉和深度学习技术广泛用于智能交通系统，如车牌识别、车流量检测、车辆违章检测、道路车辆类型识别等领域。

其中车辆识别是指应用机器视觉技术将摄像机采集到的数字图像或者视频作为图像输入，利用深度学习中的目标检测框架识别出图像中的车辆类型，并作为车辆违章的判断依据之一。

矩视智能低代码开发平台，将机器视觉与深度学习紧密结合，通过将训练后的结果再通过判定条件再次识别测试，对采集的道路汽车图像再进行处理，输出最终汽车类型检测结果，尽可能降低汽车类型识别错误率。

使用功能：目标定位

检测方式如下：

采取样图（不小于30张），根据轿车、公交、MPV、小客车等不同的车型建立相应标签。

选择相应标签对车辆类型进行逐一标注。

标注前

标注后

最后一键进入训练测试阶段，经客户反馈，采用此检测方式后，可以实现交通监控的智能化升级，辅助大数据调节交通流量，畅通公众出行，检测准确率高达98.9%，大大降低了错检率。

测试后的效果

其实，在交通的视觉应用中，交通事件检测、非现场执法、卡口抓拍识别，到路面病害分析、桥梁健康计算、高铁弓网检测等专业领域，机器视觉技术无不发挥着关键核心作用。

在未来，矩视智能低代码平台会持续丰富场景化能力，围绕人、车、路、环境不断拓展垂类能力，新增车辆分析相关能力，以最低门槛、最高性能为初心，助力智慧交通实现运行模式的智能化、信息化升级， 助力“双碳”目标更好实现。

矩视智能机器视觉低代码平台是一个面向机器视觉应用的云端协同开发平台，始终秉承0成本、0代码、0门槛、0硬件的产品理念。

平台以人工智能技术为核心，在机器视觉应用开发环节，为开发者提供图像采集、图像标注、算法开发、算法封装和应用集成的一站式完整工具链。覆盖字符识别、缺陷检测、尺寸测量、目标定位等上百项通用功能，致力于成为全球用户量最多，落地场景最广泛的机器视觉低代码平台。

更多功能正在开发中，最新信息会第一时间在官方公众号“矩视智能”进行公布，大家持续关注哦！