[發(fā)明專利]基于深度學習的多任務車輛部件識別模型、方法和系統(tǒng)有效
| 申請?zhí)枺?/td> | 201810328845.1 | 申請日： | 2018-04-14 |
| 公開（公告）號： | CN108647700B | 公開（公告）日： | 2021-08-03 |
| 發(fā)明（設計）人： | 桑農(nóng);楊麗秦;李亞成;高常鑫 | 申請（專利權）人： | 華中科技大學 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62 |
| 代理公司： | 華中科技大學專利中心 42201 | 代理人： | 李智;曹葆青 |
| 地址： | 430074 湖北*** | 國省代碼： | 湖北;42 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 深度 學習 任務 車輛 部件 識別 模型 方法 系統(tǒng) | ||
1.一種基于深度學習的多任務車輛部件識別模型的訓練方法，其特征在于，包括：
(1)基于車輛圖像數(shù)據(jù)庫，建立車輛部件數(shù)據(jù)庫并對車輛部件進行標記，對車輛部件數(shù)據(jù)庫進行圖像數(shù)據(jù)增強，得到車輛部件訓練集；
(2)利用車輛部件訓練集訓練深度殘差網(wǎng)絡，在訓練時，將各個部件類別對應的圖片數(shù)量作為權值添加至Softmax損失函數(shù)中，進而得到車輛部件識別網(wǎng)絡；
(3)基于車輛圖像數(shù)據(jù)庫，統(tǒng)計多個車輛部件不同類型同時出現(xiàn)的概率，得到多個車輛部件的聯(lián)合概率，基于多個車輛部件的聯(lián)合概率建立多任務車輛部件識別的數(shù)據(jù)集和對應多標簽；
(4)利用多任務車輛部件識別的數(shù)據(jù)集和對應多標簽訓練車輛部件識別網(wǎng)絡，得到多任務車輛部件識別模型。
2.如權利要求1所述的一種基于深度學習的多任務車輛部件識別模型的訓練方法，其特征在于，所述車輛部件包括車標、車燈、后視鏡、擋風玻璃、車型和車身顏色。
3.如權利要求1或2所述的一種基于深度學習的多任務車輛部件識別模型的訓練方法，其特征在于，所述圖像數(shù)據(jù)增強包括圖像選取、鏡像、平移和加噪聲。
4.如權利要求1或2所述的一種基于深度學習的多任務車輛部件識別模型的訓練方法，其特征在于，所述深度殘差網(wǎng)絡為十層深度殘差網(wǎng)絡。
5.一種基于深度學習的多任務車輛部件識別方法，其特征在于，包括：
利用權利要求1-4任一所述的訓練方法訓練得到的多任務車輛部件識別模型對待檢測車輛圖像進行識別，得到待檢測車輛圖像中每個車輛部件的概率。
6.一種基于深度學習的多任務車輛部件識別系統(tǒng)，其特征在于，包括：
訓練集構建模塊，用于基于車輛圖像數(shù)據(jù)庫，建立車輛部件數(shù)據(jù)庫并對車輛部件進行標記，對車輛部件數(shù)據(jù)庫進行圖像數(shù)據(jù)增強，得到車輛部件訓練集；
網(wǎng)絡訓練模塊，用于利用車輛部件訓練集訓練深度殘差網(wǎng)絡，在訓練時，將各個部件類別對應的圖片數(shù)量作為權值添加至Softmax損失函數(shù)中，進而得到車輛部件識別網(wǎng)絡；
多任務數(shù)據(jù)集構建模塊，用于基于車輛圖像數(shù)據(jù)庫，統(tǒng)計多個車輛部件不同類型同時出現(xiàn)的概率，得到多個車輛部件的聯(lián)合概率，基于多個車輛部件的聯(lián)合概率建立多任務車輛部件識別的數(shù)據(jù)集和對應多標簽；
多任務訓練模塊，用于利用多任務車輛部件識別的數(shù)據(jù)集和對應多標簽訓練車輛部件識別網(wǎng)絡，得到多任務車輛部件識別模型；
車輛部件識別模塊，用于利用多任務車輛部件識別模型對待檢測車輛圖像進行識別，得到待檢測車輛圖像中每個車輛部件的概率。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于華中科技大學，未經(jīng)華中科技大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業(yè)授權和技術合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201810328845.1/1.html，轉載請聲明來源鉆瓜專利網(wǎng)。
