目标检测YOLO实战应用案例100讲-分布式光纤振动传感的深度学习图像检测（续）

目录

4 交通监测研究 

4.1 研究区域 

4.2 DAS数据预处理 

4.3 车流量检测和速度估计  

4.3.1 YOLOv5检测车辆和估计速度 

4.3.2 倾斜叠加检测车辆和估计速度 

4.3.3 事件峰值法检测车辆 

4.4 车流量检测和分析  

4.4.1 车流量检测结果的比较和验证

4.4.2 车流量检测结果分析 

4.5 车辆速度估计和结果分析 

4.6 振幅分类 

5 图像模板匹配地震检测定位研究 

5.1 研究区域 

5.2 数据和方法  

5.2.1 数据预处理 

5.2.2 深度学习图像检测地震事件 

5.2.3 图像模板匹配地震事件 

5.2.4 图像模板匹配事件的到时和震级标定 

5.3 图像模板匹配结果分析 

---

本文篇幅较长，分为上下两篇，上篇详见分布式光纤振动传感的深度学习图像检测

4 交通监测研究 

4.1 研究区域 

2021年12月初，我们在北京市昌平区温榆河北侧(图4.1)附近布设了约3km光 缆，进行了为期约24天的DAS交通监测实验，并且进行了主动源实验，记录了大 量观测数据。布设的光缆附近的道路为当地的主要通行道路，所以DAS记录了大量 的车辆行驶产生的振动信号。DAS能够实时记录车辆行驶的振动信号，在图像上显
示为一条条时空轨迹，根据轨迹长度和通行时间可以计算得到速度。所以，我们可 以通过实时检测轨迹的数量、速度来监测交通信息。 
DAS在密集观测同时也会产生海量的数据。使用传统的地震台阵处理方法分析
交通模式，通常需要大量的计算资源，使得远距离实时交通监测不现实。人工智能
算法可以有效处理海量数据。在DAS波形或波场图像上应用人工智能算法可以减少
数据处理时间