连接视觉与排放：基于行为AI的道路设计碳排放估计
计算机视觉与模式识别
2025-06-25 v1 人工智能
摘要
我们提出了增强版YOLOv8实时车辆检测和分类框架，用于估计城市环境中的碳排放。该系统增强了YOLOv8架构，以检测、分割和跟踪来自实时交通视频流中的车辆。一旦定位了车辆，便采用专用的深度学习识别模块来识别车牌并对车辆类型进行分类。由于YOLOv8缺乏用于细粒度识别任务（如读取车牌或确定车辆属性超出类别标签）的内置能力，因此我们的框架采用混合管道，其中每个检测到的车辆都被跟踪，其边界框被裁剪并传递给深度光学字符识别（OCR）模块。该OCR系统由多个卷积神经网络（CNN）层组成，为字符级检测和车牌解码在各种条件下（如运动模糊、遮挡和多样化字体样式）进行专门训练。此外，识别出的车牌信息将通过实时API与外部车辆登记数据库进行交叉引用，以确保分类和排放估计的准确性。该多阶段方法实现了对每个车辆碳排放的精确、自动化计算。进行了广泛的评估，使用多样化的车辆数据集丰富了分割掩码并标注了车牌。YOLOv8检测器在边界框上的平均平均精度（[email protected]）约为71%，分割掩码为70%。字符级OCR准确率达到最佳-performing CNN模型的99%。这些结果确认了将实时目标检测与深度OCR结合用于智能交通系统部署的可行性，为自动化、面向车辆的碳排放监测提供了可扩展的解决方案。
引用
@article{arxiv.2506.18924,
title = {Connecting Vision and Emissions: A Behavioural AI Approach to Carbon Estimation in Road Design},
author = {Ammar K Al Mhdawi and Nonso Nnamoko and Safanah Mudheher Raafat and M. K. S. Al-Mhdawi and Amjad J Humaidi},
journal= {arXiv preprint arXiv:2506.18924},
year = {2025}
}