企业官网建设流程全解析

简介：面向计算机视觉方向毕业设计或目标检测入门学习者，这套黑烟车自动识别深度学习方案完整覆盖了从数据准备、模型训练到结果评估与论文撰写的全流程。包内代码基于ResNet骨架搭建检测模型，配合自建带标注数据集、大量图像增广、迁移学习和参数调优，最终在测试集上取得0.9752的mAP，能够有效缓解交管部门长期以来对黑烟车人工监管费时费力的问题。压缩包共2000个文件，约75.27MB，以902个jpg车辆图像、988个xml标注文件、18个Python源码文件为主体，另含答辩PPT、论文文档、使用说明、实验记录及多种格式的辅助资料，目录结构清晰，便于按需查阅。目前已有358人学习/下载。整套材料强调从零搭建到结果复现的完整链路，既可作为毕业设计参考范本，也适合在此基础上扩展算法思路。

1. 黑烟车自动识别系统：把视频变成环保证据的一个 CV 毕设方向

路边固定摄像头拍到一辆柴油货车的屁股冒出一团黑烟，环保监测平台上就该自动弹出一条带时间戳、带车牌的抓拍证据。这套基于深度学习的黑烟车自动识别系统，就是干这个的：它把“人盯几十路监控”的苦差事，换成“模型先找出车辆尾部，再判定有没有冒黑烟”。做过的人都知道，难的不是找到车，而是烟这个东西本身——半透明、边缘模糊、随风飘散，还时常和阴影、雨雾混在一起。对毕设来说，这个题目好处很明显：任务边界清晰、可解释性强、有真实社会价值，数据、模型、部署、论文四件套能形成完整闭环。适合想认真做一次落地的同学，也适合拿来扩展成环保监测类的作品。

2. 数据先行：用合成烟羽把样本量做上去，这一关躲不掉

2.1 为什么黑烟样本只能靠“自己造”

做黑烟车识别第一个卡住你的不是模型，是数据。公开数据集里能找到车辆检测、车牌识别、烟雾火灾的数据集，但“柴油车尾气黑烟”这种垂直场景几乎没人专门整理过。你能拿到的通常只有两类东西：一是环保部门零星的一段路测视频，二是网上搜到的新闻片段。这些素材数量少、分辨率参差、拍摄角度不统一，直接拿去训练，模型连“烟该出现在车尾哪个位置”都学不牢。

常见做法是搭建一条“真实视频抽帧 + 合成烟羽叠加”的数据生产线。先找几段不同天气、不同时段的车尾监控视频，抽帧得到干净背景；再把黑烟纹理以半透明方式叠加到车尾排气管附近。这么做的好处是：每张真实背景图可以生成几十种不同形态的烟，样本量立刻上去，而且标注位置天然是已知的。

2.2 用透明纹理叠加生成烟羽：一个能直接跑的增强脚本

合成黑烟的思路是准备一张灰度烟羽纹理图，把它的亮度值转成透明度，再贴到车尾区域。下面这段代码基于 OpenCV 完成叠加：

import cv2 import numpy as np def overlay_smoke(frame, smoke_tex, center, max_size=160): """ 在车尾附近叠加一块半透明黑烟。 frame: 背景帧, BGR smoke_tex: 灰度烟羽纹理, 值越大表示烟越浓 center: 排气管大致位置 (x, y) max_size: 烟羽最大边长 """ h, w = smoke_tex.shape[:2] # 随机缩放烟羽，模拟烟团扩散程度 scale = np.random.uniform(0.6, 1.2) new_w = int(w * scale * max_size / 100) new_h = int(h * scale * max_size / 100) smoke = cv2.resize(smoke_tex, (new_w, new_h)) # 把灰度图归一化到 0~1，作为不透明度 alpha = (smoke.astype(np.float32) / 255.0) * 0.75 alpha = alpha[..., np.newaxis] x0 = int(center[0] - new_w // 2) y0 = int(center[1] - new_h // 2) x1 = min(x0 + new_w, frame.shape[1]) y1 = min(y0 + new_h, frame.shape[0]) x0 = max(0, x0) y0 = max(0, y0) roi = frame[y0:y1, x0:x1].astype(np.float32) a = alpha[:y1-y0, :x1-x0] # 黑烟颜色偏向深灰黑，以 BGR 形式直接压低亮度 dark = np.zeros_like(roi) blended = roi * (1 - a) + dark * a frame[y0:y1, x0:x1] = blended.astype(np.uint8) return frame

这段代码的核心是alpha通道：烟羽纹理越亮的位置透明度越高，叠加后原图被压暗得越明显。scale控制烟团大小，这里取 0.6~1.2 的随机值，模拟刚起步时的小烟团和行驶中的大烟团。0.75是最大不透明度，设太高会把背景完全盖死，失去“半透明烟羽”的真实感；设太低烟又不显眼，分类器学不到特征。实际调试时建议对同一张背景生成 30 张不同形态的样本，扫一眼确认烟的浓度梯度是渐变的，而不是一块生硬的灰斑。

2.3 三类标签与标注格式：轻烟、浓烟、无烟怎么划分

训练时标签不能只分“有烟/无烟”，你得把烟的浓度等级拆出来。我的分类标准是：无烟、轻烟（烟团面积小于车尾一半，透明度高，能看到车尾轮廓），浓烟（烟团覆盖车尾大部分区域，车尾细节基本不可见）。三类样本的比例控制在 2:3:5 左右，其中浓烟多一点，让模型先学会“明确的黑烟长什么样”，再用轻烟样本去拉低漏检。

合成样本的标注框信息不用手动打，因为烟羽叠加的位置是已知的，代码里直接生成 YOLO 格式的 txt 即可。但要注意：检测框的标签名不要叫 “smoke”，而是叫 “black_smoke” 配合一个浓度属性字段，比如black_smoke light和black_smoke heavy。后面训练时如果你用的是 YOLOv8 这种自带分类头的检测器，可以把浓度直接放进类别；如果走两阶段路线——先检车尾再判烟的方案，浓度就作为分类模型的标签，和检测模型解耦。

3. 模型选型与训练：两阶段为什么比端到端稳

3.1 检测加分类分离，抗背景干扰能力更强

端到端方案是输入整帧图像直接输出黑烟框和置信度。听起来很省事，但实际效果并不稳定：烟是整个画面里占比很小、对比度又低的目标，让一个检测模型同时完成“找车”和“找烟”两件事，它很容易被车身上的深色图案、挡泥板阴影带偏，训练时 loss 来回震荡。毕设场景里评审看的是“能不能稳定抓拍”，而不是“有没有 fancy 的端到端结构”，所以我一般推荐两阶段方案。

第一阶段用 YOLOv8 检测车辆尾部区域；第二阶段把裁剪出来的车尾图喂给一个轻量分类器，输出无烟/轻烟/浓烟。这样做有三个好处：分类器看到的全是车尾局部，背景被裁掉了，不容易被路面颜色干扰；两阶段可以分别调优，检测模型 mAP 掉了不用动分类模型；推理时可以只在检测框置信度高于阈值时才跑第二段，省算力。

3.2 用 YOLOv8 在自建黑烟数据集上跑通训练

训练数据准备好之后，按 YOLOv8 的标准目录结构组织数据集：

smoke_dataset/ ├── images/ │ ├── train/ # 约 6000 张 │ └── val/ # 约 800 张 ├── labels/ │ ├── train/ # 对应 txt 标注 │ └── val/ └── smoke.yaml # 类别配置

数据目录里每张图对应一个同名 txt，内容是class x_center y_center width height，坐标全部归一化到 0~1。smoke.yaml里写入类别名和路径：

path: ./smoke_dataset train: images/train val: images/val names: 0: vehicle_tail 1: black_smoke

训练命令按 YOLOv8 的写法执行即可：

yolo detect train \ data=smoke_dataset/smoke.yaml \ model=yolov8n.pt \ epochs=120 \ imgsz=640 \ batch=16 \ lr0=0.005 \ mosaic=0.5

参数里有三个值得注意的地方。mosaic=0.5要调低：黑烟车数据里车尾和烟的位置关系很重要，mosaic 拼接会把一辆车的车尾和另一辆车的烟拼在一起，产生大量“车不对烟”的假样本，前几轮训练会把模型带偏。imgsz=640不需要加太大，烟羽是小目标没错，但检测阶段只需要框住车尾和烟团的大致范围，真正的精细区分交给分类器，图像再大收益有限，显存倒是吃得很猛。lr0=0.005对yolov8n这种小模型比较稳，如果你换成yolov8s以上，建议降到 0.002，不然前 10 个 epoch 的 loss 容易出现平台期。

3.3 第二段分类模型：ResNet18 就够，别一上来就上大网络

当检测框画出车尾之后，裁剪出来的图像尺寸其实很小——大多在 96×96 到 160×160 之间。这种分辨率下用 ResNet18 已经绰绰有余，往大了换 ResNet50 不仅训练慢，还容易在少量真实样本上过拟合，验证集准确率反而不如小模型。

import torch import torch.nn as nn import torchvision.models as models model = models.resnet18(pretrained=True) model.fc = nn.Linear(model.fc.in_features, 3) # 无烟/轻烟/浓烟 # 冻结前 4 层，只微调最后两层和全连接，避免在小数据集上把底层特征带偏 for name, param in model.named_parameters(): if name.startswith("layer4") or name.startswith("fc"): param.requires_grad = True else: param.requires_grad = False

冻结策略是这类小数据分类任务里容易被忽略但很有用的细节。烟和普通物体的视觉差异主要在高频纹理和局部明暗上，底层卷积学到的通用边缘、颜色特征本来就够用，动了反而可能被标注噪声带飞。只放开layer4和fc，让模型在“表层语义”上去适应烟的浓度差异，训练更稳。优化器用 SGD 加动量，学习率设 0.001，比 Adam 在小数据集上收敛更平滑。训练时把裁剪图做随机平移和亮度抖动，不要做水平翻转，因为排气管位置在图像里是有物理含义的，翻转之后烟的方向就反了。

4. 时序判定与部署兜底：单帧检测不能当证据用

4.1 为什么单帧结果靠不住

模型训练完，很多人直接把单帧检测结果当输出，结果拿路测视频一跑，发现同一辆车在 2 秒内被报了三次，其中一次是车尾阴影被当成黑烟。这个问题的根源在于：单帧图像的信息量是有限的，黑烟和深色车厢、车辆起步时扬起的尘土、雨天轮胎带起的水雾，在单张图上都表现为“车尾区域变暗”，模型很容易混淆。但真实场景里，黑烟的浓度是波动的，烟团会持续变化，阴影不会在几百毫秒内突然变浓又变淡。

所以部署时一定要加时序判定：连续若干帧里，如果车尾区域持续被判定为黑烟状态，才触发抓拍证据链。这样既能滤掉单帧误报，又能把“烟在生长”的过程记录下来，作为后续人工复核的依据。

4.2 连续 N 帧投票判定：一个带缓冲队列的实现

每天多长时间的判定窗口需要根据摄像头帧率来定。主流监控摄像头帧率在 12~25 FPS，我一般取 5 帧里至少 3 帧命中黑烟作为触发条件，既保证抗抖动，又不会因为烟团在帧间短暂消失而漏掉真实冒烟事件。直接上代码：

from collections import deque class SmokeVoter: def __init__(self, window=5, hit_thresh=3): self.window = window self.hit_thresh = hit_thresh self.buffer = deque(maxlen=window) def add_frame(self, smoke_label, confidence): # smoke_label: 0 无烟 / 1 轻烟 / 2 浓烟 # confidence: 分类器输出的置信度 is_smoke = 1 if smoke_label >= 1 and confidence > 0.6 else 0 self.buffer.append(is_smoke) if len(self.buffer) < self.window: return False return sum(self.buffer) >= self.hit_thresh def reset(self): self.buffer.clear()

这里把轻烟和浓烟都计为命中，但置信度阈值不一样会更合理。比如浓烟要求置信度大于 0.5 就算数，轻烟要大于 0.75 才算数，否则轻烟误报会直接拉高触发率。这个投票机制的问题在于缓冲队列是无状态的，如果一辆车在画面里停了 10 秒持续冒烟，队列会不停地触发；所以实际应用里还要配合车辆跟踪 ID，同一个跟踪 ID 在 3 秒内只允许触发一次。

4.3 抓拍与回放存储设计：关键帧加前后 3 秒

触发判定之后，真正要存下来的不是一张图，而是一小段证据视频。我的做法是：触发时保存当前帧作为“关键证据帧”，同时从环形缓冲区里取出触发前 3 秒的视频帧、以及触发后 2 秒的视频帧，合成一个 5 秒的短视频片段。这样人工复核时能看到烟从无到有再到消散的完整过程，比看一张静态图好判断得多。

这段存储逻辑在工程上不复杂，但有一点要注意：监控画面里通常还有一个气体流动方向的问题。排气管喷出的烟会往斜后方飘，所以你在叠加合成数据时，烟羽中心位置不能始终固定在车尾中心，否则视频判定阶段模型对“烟飘出车尾框”的那几帧会突然丢检测。我在部署时一般会预留一个路线上固定的 ROI（感兴趣区域），只统计 ROI 内的黑烟比例，不在全图上做检测，这样能大幅减少公交车、行人等非目标对象的干扰。

5. 黑烟车识别的 5 个常见坑：从弱烟漏检到逆光误报的排错记录

5.1 轻烟样本太少，导致弱烟几乎全部漏检

现象：模型对浓烟抓得特别准，置信度能到 0.9 以上；但视频里一辆车只冒淡淡一缕烟，模型完全没反应。检查分类阈值降到 0.3 之后，能检出一些，但伴随大量误检。

原因：合成数据时为了效果明显，把烟羽叠加浓度都往浓了调，轻烟样本占比不到 20%，模型学到的本质是“大片暗色区域”，对透明感强的弱烟没有特征响应。

解决：把轻烟样本比例提到 30% 以上，叠加时把 alpha 最大值从 0.75 降到 0.35~0.5，并增加烟羽透明度渐变的模拟。另外在分类模型的训练集里轻烟图片不要只裁取烟团局部，要保留一部分车尾边缘，让模型学会“透过烟能看到车尾轮廓但局部对比度下降”这种弱特征。

5.2 深色货箱和地面阴影被当成黑烟

现象：晴天下午，一辆深蓝色货车的车尾在阳光照射下形成明暗分界，分类器输出轻烟置信度 0.82，触发了误报。

原因：黑烟和阴影的视觉特征高度相似，都表现为图像局部变暗、饱和度降低。两阶段方案裁剪车尾区域后，阴影和烟在局部图像里更难区分，模型只能靠“颜色暗”这个粗特征做判断。

解决：强制分类器的训练数据里加入“深色车尾 + 无烟”“车尾带阴影 + 无烟”类别，这是真实的硬负样本。我一般在相同时段去采集 30 辆不同颜色货车的车尾图，只标成无烟，加权到训练集里。另一个技巧是给分类器加一个motion_feature输入——连续两帧之间的差分图拼接在 RGB 三通道后面，烟是动态的，差分特征明显，阴影是静态的，差分接近零。

5.3 阴雨天和雾天整条路都在误报

现象：雨天模型触发率暴增，主干道上每十几秒就报一次。打开触发视频一看，车尾轮胎带起的水雾被模型识别成了黑烟。

原因：水雾和黑烟在单帧视觉上确实相似，都是半透明灰白色或灰黑色区域。但水雾集中在轮胎下方，且范围会快速扩散、消散，位置不稳定；黑烟从排气管喷出后有明显的持续浓度。

解决：把检测区域约束在排气管高度范围内，水雾因为位置偏下，会落到 ROI 外面。同时缩短投票窗口，从 5 帧命中 3 帧改成 6 帧命中 4 帧，让水雾那种“散得快”的干扰更容易被过滤。如果雨势太大，可以加一个天气状态开关：连续多帧整帧平均亮度低于某个阈值时，降低触发灵敏度。

5.4 帧率不匹配导致同一辆车重复触发

现象：模型明明已经触发过一次并保存了证据，但同一辆车在后续 20 秒里又被触发三次，存储里出现大量重复片段。

原因：视频流在隔帧检测时，跟踪 ID 没有建立；或者说你是按照“每 3 秒重置一次投票状态”来做的，而一辆车从进入画面到驶出画面可能持续 15 秒，中途只要有一次投票积攒了 2 帧又被打断，下一个 3 秒窗口重新累计，等于同一辆车的事件在时间上被切成了多段。

解决：用 IoU 跟踪给每辆车的检测框分配固定 ID，触发时以 ID 为粒度去重。更简单的做法是给触发事件加冷却时间，比如触发后 8 秒内同一个位置的检测框不再重复触发。冷却时间的长度取决于车速和画面宽度，一般取车辆从出现到驶出画面的 1/3 时长，我的经验值是 6~10 秒。

5.5 训练数据里使用了水平翻转，导致大量虚影干扰

现象：模型在训练集上 AP 有 0.85，放到路测视频里却对车尾左上角的一团虚影反复报烟。检查那辆车的实际车尾，干净无烟。

原因：合成烟羽时考虑了排气管位置，但训练检测模型时开启了 YOLO 默认的fliplr=0.5，水平翻转后烟羽被翻到车身另一侧，产生了 200 多张“烟在左侧、排气管在右侧”的伪样本。模型学到的位置特征被稀释了。

解决：训练配置里关掉fliplr，改成 0。烟羽方向在监控场景里是物理确定的，不需要翻转增强；如果觉得样本多样性不够，改用随机旋转 15 度以内或者随机遮挡车尾局部再让分类器判断，效果更好。

6. 交作业前的验证技巧：拿一段没进过训练集的路测视频测事件级召回

6.1 用事件级召回替代 mAP 讲故事

毕设答辩时，模型 mAP 只是一个数字，评审更关心的是“这套系统在路上能不能把冒烟车抓出来”。mAP 是逐帧计算的平均精度，而实际使用中你关心的是事件级结果：某辆车冒烟了，系统有没有至少触发一次报警。所以我在交付前会准备一段 30 分钟、包含约 10 次真实冒烟事件的路测视频，手工标记出每次冒烟事件起止时间，再跑一遍系统统计触发事件，用匹配逻辑计算召回率。

# 简化的事件级召回统计 def eval_event_recall(gt_events, det_events, iou_t=0.5): """ gt_events: [(start_frame, end_frame, vehicle_id), ...] det_events: [(start_frame, end_frame, vehicle_id), ...] """ matched_gt = set() for det_s, det_e, det_id in det_events: for gt_idx, (gt_s, gt_e, gt_id) in enumerate(gt_events): if gt_idx in matched_gt: continue if det_id != gt_id: continue overlap = min(det_e, gt_e) - max(det_s, gt_s) if overlap > 0 and overlap >= iou_t * min(det_e - det_s, gt_e - gt_s): matched_gt.add(gt_idx) break recall = len(matched_gt) / len(gt_events) fp_rate = (len(det_events) - len(matched_gt)) / max(len(det_events), 1) return recall, fp_rate

这个脚本里的匹配逻辑是按跟踪 ID 和时间窗口双重对齐：如果检测到的事件和真实事件是同一辆车，且两者时间窗口的重叠长度超过其中较短窗口的一半，就算命中。把误报次数也一并算出来，答辩时你能直接说“30 分钟路测视频里 10 次冒烟事件命中 9 次，误报 1 次”，这个说服力比任何训练曲线都强。

6.2 交付前再抠这三个细节

第一，把所有测试视频的帧率和分辨率统一转成和训练数据一致，不能用 4K 的测试视频去跑一个在 720p 上训练的模型，分辨率差异直接改变烟羽的纹理尺度。第二，给抓拍证据统一烧录时间戳和车道编号，这是毕设展示环节最容易被忽略但评审一定会问的地方。第三，建议在答辩演示里加一张“烟羽浓度随时间变化”的曲线图，从视频里提取连续帧的黑烟面积比例画成折线，既直观展示时序判定逻辑，又能验证调查取证过程的可追溯性。我自己当年第一次跑通这个系统时就被单帧 mAP 骗了，觉得效果很好，结果一上真实监控视频全是翻车现场，后来退回数据层面把轻烟样本做足、加上时序投票，性能才真正稳下来。做完上面这几步验证，再写使用文档和论文也就水到渠成，希望帮到你。

本文还有配套的精品资源，点击获取