回答1：
工程机械识别，主要是采用高清摄像机，配合前置的边缘计算终端，利用计算机视觉的方法，对图像序列进行自动分析，具有对动态场景中目标定位、识别和跟踪、分析和判断目标的行为。
系统可选用One-Stage网络中较为经典的YOLOv3作为基础框架。YOLOv3以Darknet53作为backbone，借用了ResNet的思想，引入残差模块，能有效解决深层次网络的梯度问题，加速网络；引入FPN结构，改进了传统CNN网络的特征提取方式，对于小目标的检测能力有很大的提升。
一、多特征识别，当前的目标检测算法是把工程车辆作为一个整体输入训练网络进行训练，第二阶段将加入局部特征识别，如颜色、执行机构、行走机构等，将多分类输出结果融合再输出，在降低误识别率的基础上，还可以精准判断出工程车辆的种类；
二、动态目标识别，结合摄像头自带的智能事件联动，如入侵检测、徘徊检测、滞留检测等，可有效剔除因复杂背景而造成的干扰。
三、云端服务器二次确认，受制于硬件的约束，边缘计算难以实现更为复杂的神经网络，而先在边缘设备上作基础检测，筛选掉90%以上的无用信息，再利用云端的高性能服务器进行更深层次的识别分析，这样既可平衡云端的负荷和带宽问题，又可把图像智能分析的性能最大化。
