[發明專利]一種基于Nest DNN算法的交通標志動態循跡檢測優化方法

在審

• 申請號: 202010948880.0
• 申請日: 2020-09-10
• 公開（公告）號: CN112215072A
• 公開（公告）日: 2021-01-12
• 發明（設計）人: 萬千;林初染;彭國慶;謝振友;龍朝黨;陸盛康
• 申請（專利權）人: 華藍設計(集團)有限公司;桂林電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 成都東恒知盛知識產權代理事務所(特殊普通合伙) 51304
• 代理人: 何健雄;廖祥文

1.一種基于Nest DNN算法的交通標志動態循跡檢測優化方法，其特征在于：所述檢測優化方法包括：構建資源感知調度方案的步驟，所述構建資源感知調度方案的步驟包括：

根據公式為車載設備設置一個代價函數C，來保證派生模型m_v的處理精度和處理速度；

根據實際生成的派生模型大小對同時運行的檢測模型和識別模型進行調度方案設計，比較運行檢測模型和識別模型的程序規格，對具有最大代價的程序進行最小化優化，資源感知調度器通過約束條件和∑_v∈VS(m_v)≤S_max,∑_v∈Vu_v≤1被優化來公正分配運行資源給所有的并發應用程序，從而平衡他們的性能。

2.根據權利要求1所述的一種基于Nest DNN算法的交通標志動態循跡檢測優化方法，其特征在于：所述檢測優化方法還包括在所述構建資源感知調度方案步驟之前的訓練深度學習模型步驟和構建Nest DNN資源框架步驟。

3.根據權利要求2所述的一種基于Nest DNN算法的交通標志動態循跡檢測優化方法，其特征在于：所述訓練深度學習模型步驟包括獲取行車交通標志視頻、訓練交通標志檢測模塊和訓練交通標示識別模型。

4.根據權利要求3所述的一種基于Nest DNN算法的交通標志動態循跡檢測優化方法，其特征在于：所述獲取行車交通標示視頻包括：

通過數據采集設備獲取不同工作日、氣候、時間和地點下的行車視頻；

對獲取的視頻圖像進行預處理，保證所有圖像的分辨率保持一致，所含交通標志分辨率在預設范圍內，并保證交通標示為低于閾值大小的小目標；

將預處理后符合標準的圖像集等量地分為訓練集和測試集，用于深度學習模型的訓練與測試。

5.根據權利要求4所述的一種基于Nest DNN算法的交通標志動態循跡檢測優化方法，其特征在于：所述訓練交通標志檢測模型結構包含輸入層、卷積層、池化層、全連接層和輸出層，選取YOLOv3進行檢測模型訓練，具體步驟如下包括：

采用darknet深度學習框架，將所述訓練集圖像導入框架內，修改模型最后一層卷積層的卷積核個數與檢測任務匹配；

設置訓練參數，將初始學習率設置為le-2，迭代次數設置為8000次，并配置學習率在迭代次數在3000次與5000次時衰減為原學習率的十分之一；

采用在ImageNet數據集上預訓練好的darknet模型對YOLOv3參數初始化后開始訓練，訓練過程中，每迭代1000次保存一次模型，迭代到8000次時保存最后一次迭代的模型，此時模型已經收斂，再次迭代其精度不會發生變化，因此訓練過程共保存了6個模型；

對6個模型的查全率進行對比，在迭代次數為4000時獲取的模型查全率最高。

6.根據權利要求3所述的一種基于Nest DNN算法的交通標志動態循跡檢測優化方法，其特征在于：所述訓練交通標志識別模型包括：

從采集的數據視頻中截取訓練識別模型的圖像；

采用Adam優化算法進行訓練，將初始學習率設置為le-2，且每次參數更新后學習率衰減le-4；

訓練過程采用小批量梯度下降，批量大小設置為16，采用數據集擴充的方法減小過擬合；

以訓練集上迭代一遍表示訓練一個epoch，訓練過程若損失值在8個epoch內未下降，則將學習率調整為原來的十分之一，訓練時保存在測試集上表現最好的模型作為最終的分類模型。

7.根據權利要求3所述的一種基于Nest DNN算法的交通標志動態循跡檢測優化方法，其特征在于：所述構建Nest DNN資源框架步驟包括對輸入的模型進行模型剪枝、對剪枝后的種子模型進行模型復原和對最后的多容量模型根據設備規格進行模型分析。