随着物流行业飞速发展,物流安全运输是物流公司和社会所提倡的,物流运输中的厢式货车的厢门没有关严会对承运的货物造成不必要的损失和增加交通事故发生的概率,因此对物流运输行业中的重要载体厢式货车的检测识别研究十分必要,同时也便于对厢式货车的厢门状态进行监控,为物流安全运输提供保障。本论文主要实现对厢式货车的厢门状态进行检测,即对厢门开度的计算,实现对厢式货车的识别是实现开度计算的基础。基于深度学习的目标检测识别技术有着传统的识别算法不能比拟的优势,选择yolo-v3-tiny网络作为实现厢式货车识别的网络模型。共标注了3018张图片作为训练数据集,参考yolo-v3网络模型设置好训练参数,训练出模型1;改进yolo-v3-tiny网络结构,在特征提取网络增加3′3、1′1卷积层,配置与yolo-v3-tiny相同的训练参数,训练出模型2。通过对两个模型的loss曲线分析,得出在训练时长增加3小时情况下,增加网络结构的网络模型loss最小值小于未改进的网络模型。将两个模型测试同一测试数据集,改进后的模型对厢式货车van的正确检测识别率提升了3.58%;改进后的网络模型可以更好的将目标车型van与其他车型,如minibus、car、bus、truck等车型区分识别。本论文的使用场景为货场出口处,在厢式货车识别的基础之上,对厢式货车的厢门状态进行检测。由于拍摄的角度固定,使用四对像素坐标确定透视变换矩阵,进而实现对图片的透视变换;对转换视角后的图片做图像灰度化、图像二值化、膨胀处理、图像边缘检测等图像预处理,实现对厢门轮廓的提取;使用Hough变换对预处理后的图像进行直线检测,通过对直线斜率和直线长度设定阈值,筛选出厢门的轮廓直线;再通过两条直线斜率确定两条直线夹角的数学计算方法实现厢门的开度计算。对几个不同厢门开度的厢门区域进行处理计算,箱门开度的计算值和箱门开度的真实值误差小于等于±1~o,实现了厢门开度的计算。