解决具有利润约束的大型多维修工问题实例：一种贪婪型超启发式方法

《Computers and Electrical Engineering》：Solving large instances of multiple traveling repairman problem with profits: A greedy hyper-heuristic approach

本文提出基于边缘智能的ViT-YOLOv5车辆检测与自适应多尺度掩膜区域CNN图像分割模型，通过迭代依赖阿基米德优化算法优化MRCNN参数，在四组数据集上分别达到97.25%、94.42%、94%和95.7%的检测精度，有效解决传统云系统检测的带宽与延迟问题，提升复杂场景下的车辆识别准确率与处理效率。

　　

K. Saiveena | P. Praveen

计算机科学与人工智能学院，SR大学，瓦朗加尔，特伦甘纳邦 - 506371，印度

摘要

近年来，基于边缘智能（Edge Intelligence, EI）的车辆检测技术直接在特定设备上获取视觉信息，从而有助于减少云系统中出现的带宽和延迟问题。这种方法通过融入实时感知能力来提升智慧城市和车辆设备的性能，这对交通管理和驾驶系统尤为重要，进而通过即时决策提高安全性、效率和可靠性。因此，在本研究中，我们基于深度学习方法开发了一种结合EI的车辆检测和图像分割模型。首先，为了检测车辆，采用了基于视觉变换器（Vision Transformers, ViT）的YOLOv5（ViT-YOLOv5）模型，其中ViT与YOLOv5方法相结合。这种组合方法有助于提升车辆检测能力。其次，为了提高图像分割的准确性，引入了自适应多尺度掩码区域卷积神经网络（Adaptive Multiscale Mask Region-based Convolutional Neural Network, AM-MRCNN）。在该模型中，通过迭代依赖的阿基米德优化（Iteratively-dependent Archimedes Optimization, IAO）算法优化了MRCNN的参数以提升性能。最后，对开发出的模型进行了广泛的实验分析，结果显示：数据集1的准确率为97.25%，数据集2为94.42%，数据集3为94%，数据集4为95.7%。结果表明，所提出的模型能够提供准确且高效的检测和分割结果，这得益于IAO算法的改进特性，同时该模型还能通过多尺度卷积处理不同尺度的物体。

引言

交通设备在日常生活中至关重要。因此，近年来这一研究领域投入了大量精力。智能交通已成为人工智能（AI）领域的一个创新课题，为城市管理、自动驾驶、交通规划以及桥梁和高速公路等基础设施的维护提供了重要支持[1]。车辆识别一直是对象识别领域的一个潜在研究方向，它受到了民用和军事领域的广泛关注，包括军事调查、智能交通和智慧城市等方面[2]。智能传感系统是车辆互联网（Internet of Vehicles, IoV）和智慧城市的基础，它们利用智能摄像头和传感器收集和分析数据[3]。获取车辆信息的方法大致可分为两类：非接触式传感和侵入式传感。侵入式传感依赖于具有高鲁棒性和精度的传感器，但这些传感器的部署、更换和维护较为困难[4]。非接触式传感技术则主要依赖于视频辅助、红外探测器和雷达系统。道路事故可能导致危及生命的伤害，如内部损伤、眼部受伤、骨折、背部或骨骼损伤、脑部损伤以及头部创伤，这些伤害通常由超速行驶和恶劣的道路条件引起[5]。此外，损坏的道路还会增加车辆的燃油消耗[6]。为了减少车辆机械故障和事故率，需要道路设备来监控道路安全并进行公路建设，以识别潜在的风险和损害。

为了防止因超速行驶而引发的安全威胁，及时识别减速带非常重要[7]。在智能交通系统（Intelligent Transportation Systems, ITS）中，利用车载传感器及其相应的估算功能来识别异常路面和交通流中的问题，对于减少对人员和车辆的潜在损害至关重要[8]。目前的视频辅助机制主要集中在车辆分类、3D边界框的生成、车辆计数和速度测量等方面[9]。然而，每种方法只能检测到少量车辆信息，未能充分利用视频辅助设备的功能，这也为攻击者创造了机会，导致数据隐私和安全问题[10]。因此，现有的视频监控应用主要用于离线取证分析，而非在问题发生前预防异常行为[11]。如今，基于卷积神经网络（Convolutional Neural Networks, CNNs）的对象识别方法因其独特的表示能力而受到重视[12]。利用CNN特征提取进行的视觉识别几乎与人类的视觉方式相同[13]。深度神经网络（Deep Neural Networks, DNNs）因其竞争优势而在许多领域得到广泛应用，使车辆能够解释自身行驶状态并据此采取行动。

为了更好地识别随机位置的对象，已经实现了几种基于边界框的识别技术[14]。尽管这些智能技术计算资源消耗大且成本高昂，但它们依然非常强大[15]。此外，专家们也在研究事件驱动的可视化方法，以帮助用户检索视频并重新配置网络摄像头[16]。然而，传统的云中心识别方法仍存在观测设备延迟敏感性的问题，因为效率提升不足[17]。使用传统模型有时难以捕捉长距离依赖关系和上下文数据，而这些在检测复杂动态环境中的车辆时尤为重要。因此，基于变换器（transformer）构建模型成为解决这些问题的实际方案，同时也有助于提升模型的功能。

因此，本研究开发了一种结合了ViT和YOLOv5的改进型高效检测和分割模型。ViT的引入有助于捕捉图像中的全局关系，这对于检测形状和大小各异的车辆尤为重要。YOLOv5则能更快更有效地提取特征，使模型能够轻松处理高分辨率和低分辨率图像，同时降低计算开销。这种混合网络通过融合这两种技术，有效提升了模型的处理速度、准确性和计算效率，使其更适合在边缘设备上部署。此外，该模型还能在遮挡区域和不同环境因素下保持快速响应，从而在交通管理中实现更安全、更创新的结果。

所开发的基于EI的车辆检测和图像分割系统的主要贡献如下：

•

通过引入有效的深度学习策略，实现了基于EI的车辆检测和图像分割框架，减少了延迟并节省了交通资源。该自动模型有效降低了数据攻击和数据丢失的风险，从而提升了整体道路安全和交通管理水平。

•

开发了ViT-YOLOv5技术，用于识别道路CCTV视频帧中的车辆。该技术结合了ViT和YOLOv5的优点：ViT准确提取相关复杂图像特征，而YOLOv5从ViT中提取特征并准确检测视频帧中的车辆。即使车辆被其他障碍物遮挡，该技术也能有效识别车辆。

•

通过改进传统的阿基米德优化算法（Archimedes Optimization Algorithm, AOA），引入基于迭代值的随机整数，提高了算法的收敛速度。这种改进的IAO算法在传统AOA的探索和利用阶段得到了优化，从而缩短了执行时间并提高了收敛速率。改进后的IAO被用于选择RCNN模型参数，进而提高了图像分割的准确率。

•

提出了一种AM-MRCNN图像分割技术。该技术以RCNN作为基础模型，结合多尺度操作以获取更多输入图像的像素信息。此外，IAO算法用于RCNN参数的优化，使得模型能够更准确地进行对象分割。

所实现的基于EI的车辆检测和图像分割系统包括以下部分：第二部分介绍了传统的车辆检测方法；第三部分详细说明了视频数据集和提出的车辆检测与分割模型；第四部分介绍了利用基于ViT的模型和优化方法进行车辆识别的过程；第五部分详细说明了AM-MRCNN技术在车辆检测中的应用；第六部分展示了所提出的基于EI的车辆检测和图像分割系统的实验验证；第七部分总结了整个系统的设计要点。

相关工作

相关研究

2023年，Chen等人[18]设计了一种基于EI的改进型Yolov4车辆识别方法，以提高车辆识别能力。随后，实现了一种基于边缘智能的增强型Deep Lab v3图像分割流程，通过结合MobileNet v2扩展了网络架构，并采用软池化技术（soft pool technique）在提高分割准确性的同时减小了网络规模。

2022年，Liang等人[19]提出了一种对象识别方法

视频数据集详情

从Kaggle平台获取了用于实现车辆检测和图像分割框架的资源。这些资源如下：

数据集1（8类车辆检测 | 对象检测）：该资源通过以下链接获取：https://www.kaggle.com/datasets/sakshamjn/vehicle-detection-8-classes-object-detection：访问日期：2024–10–28。该数据集用于识别8种不同类型的车辆。

检测模型：ViT辅助的Yolov5

车辆检测是计算机视觉任务之一，用于识别视频帧中的车辆。该过程还能定位场景中的车辆并输出它们的坐标或边界框。然而，在图像中识别车辆是一项具有挑战性的任务，因为车辆可能被其他车辆或障碍物遮挡。因此，为了提高道路安全，识别车辆至关重要。本研究采用了ViT辅助技术

基于掩码区域的CNN

MRCNN[45]是一种高效的模型，因其实例分割能力而被广泛应用。它通过在快速RCNN模型的基础上进行改进而实现，其中包含了用于每个感兴趣区域（Region Of Interest, ROI）的分割掩码预测功能，以及传统的分类和对象识别模块。与其它方法相比，MRCNN更易于训练和开发。

仿真设置

车辆检测和图像分割算法在Python平台上实现，并对其性能进行了验证。实验使用了10组数据、50次迭代和3种染色体长度。通过现有模型（如CNN[47]、Edge Yolo[19]、YoloV3[22]和YoloV5[48]）分析了基于ViT-YOLOv5的对象检测性能。此外，还分析了基于AMM-RCNN的分割性能

结论

本研究开发了一种基于深度学习的创新模型，用于准确检测和分割车辆。该模型结合了ViT-YOLOv5这一改进型检测模型，实现了稳健的检测效果。随后，通过AM-MRCNN完成了分割过程，该模型通过IAO算法进行了优化，从而减少了过拟合问题。此外，IAO算法通过提高dice系数进一步提升了分割效果

伦理声明

本文未涉及任何作者进行的涉及人类参与者或动物的研究。

作者贡献声明

所有作者均参与了研究的设计与实现、结果分析以及手稿的撰写。

资金声明

本研究未使用任何外部资金。

数据可用性

本文描述的研究未使用任何数据。