用深度学习做黑烟检测的论文

黑烟抓拍是一套集视频采集，车辆检测，黑烟尾气抓拍及录像，GPS定位，智能分析为一体的取证执法系统。系统可对黑烟车实时监测，智能取证预警，实现快速执法，广泛应用于黑烟车监管。黑烟车是大气污染的重要原因之一在移动源污染排放贡献中，黑烟车氮氧化物的排放量。占机动车排放总量的，颗粒物占到总量的99%以上，是大气污染的重要原因之一。

黑烟车智能监控系统是一种固定安装于龙门架或L杆上，对道路上行驶的车辆进行在线监控，且能自动判别清洁车辆和冒黑烟车辆的智能系统。该系统对冒黑烟车视为“异常情况”，并能自动筛选、报警和传输。

产品特色技术领先黑烟识别准确率业界领先，运用了人工智能深度学习算法，且准确率随着数据量的增加而不断提升。 现阶段黑烟车识别成功率白天可达92%以上边缘技术、前端分析，识别过程对网络要求不高 安装便捷、建设成本低支持4G/5G传输，安装便捷，机动灵活，想安装在哪便可安装在哪系统将预警照片和视频段推送至后台，非实时将视频流传后端，相比网络专线，大幅降低建设和运营费用使用简单可视化界面，界面友好操作简单。

在学术界中，诚实和透明是非常重要的，因此大部分深度学习论文的实验数据都应该是真实可靠的。为了确保数据的真实性，研究人员应该遵循一系列共同约定的实践，比如采用一些常见的数据集，如MNIST、CIFAR、ImageNet等，或者充分公开数据集来源和预处理方法，在论文中详细描述实验步骤和参数设置，并允许其他人重复实验来验证其结果。而这些步骤在学术界中也经常被称为“实验复现”。但是，也存在一些在实验数据上作弊或篡改数据的行为。一些研究人员可能会使用实验结果的最佳情况，而隐藏失败的实验结果，或者通过微调模型或其他方式来优化结果。这种行为是不道德的，也违反了学术界的伦理道德。总的来说，在学术界中，大部分深度学习论文的实验数据都是真实可靠的，但仍需保持警惕，判断这些数据的可靠性需要综合考虑多种因素。