随着社会机动车保有量的不断扩大,尾气污染问题日趋严重,如何做好污染防治工作的紧迫性日益凸显。当前,基于视觉的智能检测方法具有监视范围广、响应速度快和无需接触车辆等优势,极大地提高了防治工作的效率和效果,对保障人民身心健康、改善大气环境质量和提升城市形象具有重要的现实意义。虽然基于深度学习的汽车尾气检测研究取得了一定进展,但仍然存在一些挑战。首先,尾气黑烟作为非刚性目标,颜色、纹理、透明度和形态等特征变化迅速,语义特性难以提取;其次,模糊半透明的尾气在光线不足、阴影和深色背景等干扰下容易出现漏检和错检,区分能力难以提升;再者,尾气检测的对象涉及快速行驶的车辆,在保障检测精度的同时提升算法实时性能具有难度;最后,现有的尾气黑烟数据集较为匮乏,训练数据驱动的深度学习检测方法具有难度。因此,本文针对视觉汽车尾气检测目的,开展了轻量级语义分割方法研究,旨在进一步解决这些问题。本文主要工作如下:1.论文建立了一个汽车尾气数据集,样本均取材于真实交通场景,并针对尾气图像识别、尾气目标检测和尾气图像分割三种粒度的检测任务,分别进行人工标注,得到具有图像级、区域级和像素级注释的真值标签,以满足不同粒度算法的训练需求。2.论文设计了三类尾气检测任务的特征表达算法,结合传统描述符与卷积神经网络,聚焦于尾气黑烟的语义特性和区分能力表征。尾气识别任务中,提出了一种基于运动候选区的双流识别网络,紧密融合时间流和空间流特征。尾气目标检测任务中,将改进的高斯混合模型与目标检测算法相结合,实现了尾气黑烟的粗略定位,且降低了误检率。尾气分割任务中,在Deeplabv3网络的基础上,引入可变形卷积以捕获尾气的形变特征,并利用DenseCRF优化轮廓边缘,最终实现像素级的预测精度。此外,论文设计了一种模拟尾气图片的生成方法,通过数据增强和样本拓展,进一步提升了尾气黑烟的区分能力。3.论文提出了一种端到端的轻量级多任务语义分割网络,以实现尾气黑烟区域的快速准确分割。该网络能够同时完成分类和分割任务,分割模块的深层、浅层分支兼顾了尾气黑烟的高级语义获取和空间细节保留。跳跃模块、金字塔结构被用于扩展感受野、跨层融合多尺度特征。分类模块的全局抽象语义被用以缓解混淆类问题。此外,多任务联合训练损失函数的设计和分类模块的注意力聚焦,有力指导了网络学习尾气黑烟的可辨别特征。具有拆分混洗功能的轻量级残差模块被用作编码基本单元,非对称的轻量化架构也在一定程度上加快了网络推理过程。最后,在尾气分割区域的基础上,展开了林格曼烟度估计和尾气厚度可视化的后处理分析,进而为执法人员提供更为丰富的尾气信息。