基于量化卷积神经网络的实时低成本交通监控技术，适用于CNOSSOS-EU噪声模型 多梅尼科·普罗富莫（Domenico Profumo）、 冈萨洛·德莱昂（Gonzalo de León）、 亚历山德罗·蒙蒂切利（Alessandro Monticelli）、 卢卡·弗雷迪亚内利（Luca Fredianelli） 以及加埃塔诺·利西特拉（Gaetano Licitra）

《Sensors》：Real-Time Low-Cost Traffic Monitoring Based on Quantized Convolutional Neural Networks for the CNOSSOS-EU Noise Model Domenico Profumo, Gonzalo de León, Alessandro Monticelli, Luca Fredianelli and Gaetano Licitra

　　

摘要

准确的城市噪声映射需要与特定的声学模型（如CNOSSOS-EU）相匹配的详细交通流量特征分析。现有的监测解决方案通常缺乏在大规模资源受限环境中部署所需的具体分类能力、成本效益或灵活性。为了解决这一挑战，本研究描述了一种基于低成本边缘计算硬件（特别是Raspberry Pi 4与Coral TPU加速器结合）的实时多车辆识别系统的开发。所提出的方法将量化的YOLOv8卷积神经网络（CNN）与跟踪算法集成在一起，以实现车辆的实时检测和分类，并将其分为五个不同的类别，从而能够根据CNOSSOS-EU标准进行精确汇总。该模型在包含15,000张图像的专有数据集上进行了训练，并进行了8位训练后量化处理，以优化推理速度。实验结果表明，该系统在白天条件下的推理速度达到14 FPS，平均精度（mAP@50）为92.2%，在嵌入式设备上保持了稳定的性能。在一个实际案例研究中，所提出的系统显著优于商业交通监测解决方案，其加权百分比误差仅为6.6%，而商业系统的误差为59.9%，有效地弥合了人工计数精度（1.4%误差）与自动化效率之间的差距。