基于深度学习AlexNet模型的车型识别方法设计

湖南商务职业技术学院毕业设计

目录

1引言...............................................................................................................................1

1.1项目背景.............................................................................................................1

1.2开发环境与工具.................................................................................................1

1.2.1Python简介................................................................................................1

1.2.2AlexNet简介..............................................................................................2

1.2.3Python第三方库简介................................................................................2

2需求分析.......................................................................................................................2

2.1可行性需求分析.................................................................................................2

2.2关键技术分析.....................................................................................................3

2.2.1AlexNet模型..............................................................................................3

2.2.2网络爬虫技术...........................................................................................4

3数据采集与处理...........................................................................................................4

3.1数据采集.............................................................................................................4

3.2数据集处理.........................................................................................................5

4模型构建及评估...........................................................................................................6

4.1搭建AlexNet模型..............................................................................................6

4.2训练模型.............................................................................................................7

4.3模型的应用.........................................................................................................8

5小结.............................................................................................................................10

参考资料.........................................................................................................................11

I

湖南商务职业技术学院毕业设计

基于深度学习AlexNet模型的车型识别方法设计

1引言

目前，人工智能是一个发展迅速的领域，对人才的需求很高。与其他技术

性工作相比，竞争更低，工资相对更高。因此，现在是进入人工智能领域的时

候了。研究还表明，超过三个人获得了更具商业吸引力的技能，这一趋势越来

越明显。因此，IT技术人员需要在获得技术的同时获得更多的技能！

1.1项目背景

深度学习技术在计算机视觉领域中得到了广泛的应用，其中车型识别是一

个非常有挑战性的任务。随着汽车行业的发展和普及，人们对于汽车的需求也

越来越高，因此车型识别技术的应用也变得越来越重要。

本毕业设计旨在使用深度学习AlexNet模型进行车型识别，包括数据采集、

数据预处理、模型训练和预测等流程。首先，我们将从网上收集大量的车型图

片，并对这些图片进行预处理，包括图像大小调整、归一化等操作，以便于训

练模型。接着，我们将使用深度学习AlexNet模型对经过预处理的数据集进行

训练，以便于对车型进行分类识别。最后，我们使用训练好的模型，对新的车

型图片进行预测和识别。

1.2开发环境与工具

1.2.1Python简介

Python是由GuidoRossum于1989年诞生。2005-2012年，Google大量应

用python，引起广泛关注，促进了python的发展。2012年云计算兴起，其中

最主要的OpenStack框架由python开发，使得python火了一把。2014年AI兴

起，AI中大量关键算法都是由python开发，因为python中含有很好的第三方

库特别适合做算法，加上入门低、开发效率高，这样又进一步促使python的火

爆。

2017年python走进大众视野（指非IT人士），走进学科教育。如今已经

发展成一门广泛使用的高级编程语言。它可应用于网络爬虫、机器学习、数据

分析和可视化等多种领域。它的特点是开源（免费）、丰富的库、简单易学、

支持跨平台而且可移植性强。

1

湖南商务职业技术学院毕业设计

1.2.2AlexNet简介

Alexnet的网页设计模型Alex于2012年提供。2008年应用于神经网络的

浪潮在2012年夺冠。2008年，CNN成为一种用于对图像进行分类的算法模型。

AlexNet模型分为8层、5层可折叠层和3层完整接口。每个折叠层包括激活

RELU和LRN的处理，然后执行半处理。AlexNet是2012年开发的。2008年

ImageNet大师Hinton和他的学生AlexKrievsky。今年以来，人们提出了更深

入的神经网络，比如优秀的vgg和GoogleNet。这在用于分类机器学习的传统算

法中是显而易见的。AlexNet包含了一些相对较新的技术点，使ReLU、

Dropout、LRNCNN等技术首次获得成功。同时，AlexNet使用显卡加快操作速度。

AlexNet创新点：1.Relu激活函数；2.数据增强；3.重叠池化：一般的池

化是不重叠的，池化区域的窗口大小与步长相同；4.使用局部归一化的方案有

助于增加泛化能力：核心思想就是利用临近的数据做归一化，这个策略贡献了

1.2%的Top-5错误率。

AlexNet的缺陷：1、第一个卷积层使用了非常大的卷积核，导致计算量大；

2、网络的深度不够。

1.2.3Python第三方库简介

Numpy:它旨在处理大型多维数组和矩阵，并且广泛的高级数学函数和实现

的方法的集合。

Matplotlib:是一个用于创建二维图表和图形的低级库，可以使用它构建各

种图表从直方图和散点图到非笛卡尔坐标图。

Tensorflow：是一个流行的深度和机器学习框架，它提供了使用具有多个

数据集的人工神经网络的能力。

OpenCV：是一个开源的计算机视觉库,它提供了很多函数,这些函数非常高

效地实现了计算机视觉算法(最基本的滤波到高级的物体检测皆有涵盖)。

Pillow：是一个具有强大图像处理能力的第三方库。图像的组成:由RGB三

原色组成,RGB图像中,一种彩色由R、G、B三原色按照比例混合而成。

2需求分析

2.1可行性需求分析

1.数据集的收集：目前网络上已经有大量的车型图片数据集可以使用，如

StanfordCarsDataset等。同时，我们也可以自己搜集相关的车型图片，并对

2

湖南商务职业技术学院毕业设计

其进行预处理。

2.AlexNet模型的应用：AlexNet是一种经典的卷积神经网络模型，在计

算机视觉领域中广泛应用，尤其在图像分类任务中表现良好。因此，选用Alex

Net模型进行车型识别是十分可行的。

3.模型训练的硬件支持：目前，深度学习平台和框架的发展已经使得深度

学习模型训练变得非常便捷和高效。使用GPU等硬件设备进行训练，可以有效

加快训练速度。

预测结果的验证：对于车型识别任务，我们可以使用准确率、召回率等指

标对模型的预测结果进行验证，以确保模型的可行性。

2.2关键技术分析

2.2.1AlexNet模型

AlexNet是一种卷积神经网络模型，由AlexKrizhevsky等人在2012年设

计和实现。这个模型使用ReLU激活函数、Dropout技术以及重叠池化等方法来

提高识别准确率，并在ImageNetLargeScaleVisualRecognitionChallenge

比赛中获得了第一名。

AlexNet的结构包括5个卷积层和3个全连接层。其中，第一、第二层是卷

积层，第三层是池化层，第四、五层是卷积层，最后的三层是全连接层。AlexNet

使用了GPU进行计算，使得速度得以显著提高。

图2-1AlexNet模型结构

AlexNet被广泛应用于计算机视觉领域，尤其是图像识别和分类任务中。它

3

湖南商务职业技术学院毕业设计

为其他深度学习模型的设计和实现奠定了基础，也为大规模图像数据处理提供

了有力的工具。

2.2.2网络爬虫技术

网络爬虫（也称为网络蜘蛛，位于FOAF社区中间的网络机器人，通常也称

为网络猎人）是根据特定规则自动从网站捕获信息的程序或脚本。通常使用的

其他名称包括蚂蚁、自动索引、有模拟器或蠕虫。它是搜索引擎的重要组成部

分，从万维互联网下载搜索引擎站点。传统索引从一个或多个原始网站的URL

开始搜索原始网站的URL，直到满足停止系统的某些条件为止，当前页Izzie搜

索新地址，排队滚动页面。爬虫的操作相对复杂，因此需要一种算法来过滤不

相关的链接，保存有用的链接，并分析网页以放置爬虫的地址。然后根据特定

的搜索策略滚动，然后页面选择地的URL并重复此过程，直到系统状态停止。

索引代理还将分析未来的查询和查询。存储为过滤和索引而收集的所有网站。

对于焦点指数，通过该过程获得的分析结果也可以作为反馈的来源，并为今后

的指数管理提供指导。

3数据采集与处理

数据采集与处理（包括数值的和非数值的）进行分析和加工的技术过程。包

括对各种原始数据的分析、整理、计算、编辑等的加工和处理。

3.1数据采集

1、收集图像数据集：爬取百度上的车辆图片并保存到文件夹

图3-1爬取图片代码

4

湖南商务职业技术学院毕业设计

3.2数据集处理

1、用标注工具对图像进行标注：对于每个图像，首先确定照片中的车辆是

什么车型，并且标记出来，将标记的车辆分别放入对应得文件夹

图3-2将图片分类保存

图3-2标记图中车辆类型

2、数据集预处理：对图像进行预处理可以加快训练速度并提高准确性。常

见的预处理方法包括图像大小调整、数据扩增、归一化和标准化等。可以使用

Python中的OpenCV和Pillow库完成图像预处理。

图3-3图片预处理代码

5

湖南商务职业技术学院毕业设计

3、训练集、验证集和测试集划分：将数据集分成训练集、验证集和测试集

可以帮助评估模型的性能。可以使用Python中的scikit-learn库完成数据集

的分割。

图3-4对数据集分割代码

4模型构建及评估

4.1搭建AlexNet模型

图4-1搭建AlexNet模型并输出

6

湖南商务职业技术学院毕业设计

4.2训练模型

在进行训练之前，需要将预处理后的数据集导入到模型中。

图4-2导入训练集和测试集并训练模型

将导入的数据集传输到AlexNet模型中进行训练。训练可以通过在数据集

上迭代许多次来完成，每次迭代称为一个“epoch”（epoch=20）。本文使用

Python中的TensorFlow框架进行模型训练。

图4-3训练过程中的精度和损失的变化过程

7

湖南商务职业技术学院毕业设计

4.3模型的应用

图4-4模型应用1

图4-4模型应用2

8

湖南商务职业技术学院毕业设计

图4-5模型应用3

图4-6模型应用4

9

湖南商务职业技术学院毕业设计

5小结

近年来，随着深度学习技术的不断发展，图像识别和分类等领域也取得了

很大的进展。其中，基于卷积神经网络（CNN）的图像识别技术成为了研究热点。

本文将介绍基于深度学习alexnet模型的车型识别系统。

车型识别技术是智能交通系统中的重要应用之一，可以帮助交通管理部门

实现自动化监控和管理。目前，车型识别技术已经广泛应用于停车场管理、道

路交通监控、车辆安全等领域。

AlexNet是2012年ImageNet图像识别比赛的冠军，它采用了深度卷积神经

网络来提高图像识别的准确率。AlexNet模型由5个卷积层和3个全连接层组成，

其中卷积层用于提取图像特征，全连接层用于分类。本文基于AlexNet模型设

计了一个车型识别系统，主要包括以下步骤：

数据集准备：从网络上下载包含不同车型的图像数据集，并将其划分为训

练集和测试集。图像预处理：对图像进行预处理，包括调整大小、裁剪、归一

化等操作，以适应AlexNet模型的输入要求。模型训练：使用训练集对AlexNet

模型进行训练，调整模型参数以提高分类准确率。模型测试：使用测试集对已

经训练好的模型进行测试，评估模型的分类准确率。系统优化：根据