基于深度学习的交通灯智能识别系统设计与夜间场景优化.docxVIP

PAGE2

基于深度学习的交通灯智能识别系统设计与夜间场景优化

摘要

随着智能交通系统与自动驾驶技术的快速发展，交通灯的高精度、高鲁棒性识别成为保障行车安全与提升交通效率的关键。然而，现有识别系统在夜间、雨雾等低照度及恶劣天气条件下，识别率与稳定性显著下降，难以满足全天候应用需求。为此，本课题设计并实现了一套基于深度学习的交通灯智能识别系统，并重点针对夜间场景进行优化。

本设计遵循“需求分析→总体设计→详细设计→实现→测试”的工程化流程。首先，通过需求分析明确了系统需具备实时视频流处理、交通灯状态（红、黄、绿）与位置精确识别、夜间场景增强等核心功能，并确立了识别准确率、实时性等量化指标。其次，在总体设计中，确立了“数据采集与预处理→目标检测→状态分类→结果输出”的系统架构，并完成了模块划分与数据流设计。

详细设计阶段，核心在于优化了YOLOv5目标检测模型，并引入图像增强模块以应对夜间光线不足、光晕干扰等问题。系统实现基于PyTorch框架，整合了视频流处理、模型推理与结果可视化模块。测试结果表明，系统在白天标准数据集上平均精度（mAP）达到98.2%，在自建的夜间测试集上，经优化后的mAP从75.1%提升至92.7%，单帧处理时间低于50ms，满足实时性要求。

本设计的核心创新点在于：提出了一种结合自适应直方图均衡化（CLAHE）与特定颜色空间滤波的预处理流程，有效抑制了夜