[發明專利]一種基于改進的Faster R-CNN加油站靜電標志識別方法及系統

在審

• 申請號: 202011052340.0
• 申請日: 2020-09-29
• 公開（公告）號: CN112364687A
• 公開（公告）日: 2021-02-12
• 發明（設計）人: 陳志軍;關超華;周斯加
• 申請（專利權）人: 上善智城(蘇州)信息科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 溫州名創知識產權代理有限公司 33258
• 代理人: 陳加利

1.一種基于改進的Faster R-CNN加油站靜電標志識別方法，其特征在于，所述方法包括以下步驟：

S1、采集卸油作業現場包含車輛本體及車輛本體上設有靜電標志的車輛圖片，且將所述車輛圖片預處理成樣本數據集；

S2、構建Faster R-CNN神經網絡模型，并在所述樣本數據集導入所述Faster R-CNN神經網絡模型對RPN網絡進行端到端的聯合訓練時，結合所述Faster R-CNN神經網絡中ResNet結構來提取特征圖，得到靜電標志的目標區域和目標類別，且進一步將所得到的靜電標志的目標區域和目標類別整合至預設的Fast R-CNN神經網絡模型中，得到靜電標志的檢測模型；

S3、獲取卸油作業現場實時車輛圖片，并將所獲取的實時車輛圖片導入所述靜電標志的檢測模型中識別，確定所獲取的實時車輛圖片上靜電標志的類別和位置。

2.如權利要求1中所述的基于改進的Faster R-CNN加油站靜電標志識別方法，其特征在于，所述靜電標志為三角形形狀。

3.如權利要求1中所述的基于改進的Faster R-CNN加油站靜電標志識別方法，其特征在于，在所述步驟S2中，所述在所述樣本數據集導入所述Faster R-CNN神經網絡模型對RPN網絡進行端到端的聯合訓練時，結合所述Faster R-CNN神經網絡中ResNet結構來提取特征圖，得到靜電標志的目標區域和目標類別的步驟具體包括：

在對RPN網絡上半分支訓練中，將ResNet結構提取的特征圖分割成多個錨框anchor，并從所述多個錨框anchor中，選出目標區域proposal打上標簽label作為靜電標志的目標區域；

在對RPN網絡下半分支訓練中，獲取上半分支的目標區域proposal的位置作為靜電標志的目標類別。

4.如權利要求3所述的基于改進的Faster R-CNN加油站靜電標志識別方法，其特征在于，所述目標區域proposal的位置獲取的步驟具體為：

選出概率最高的N個目標區域proposal，并將所選的N個目標區域proposal做非極大值抑制，得到概率最高的M個目標區域proposal。

5.如權利要求3所述的基于改進的Faster R-CNN加油站靜電標志識別方法，其特征在于，所述RPN網絡進行訓練時兩個分支進行聯合訓練所產生的損失函數為：

Lcls(pi,pi*)＝-log[pi*pi+(1-pi*)(1-pi)]

Lreg(ti,ti*)＝R(ti-ti*)

其中，pi*表示圖片的目標概率值，i表示每個小批量中錨點的序號；pi表示錨點i的目標概率；p*表示標簽，0或1；t表示預測框的4個參數；t*表示標定框的參數；Lcls表示分類損失函數；Lreg表示回歸損失函數；p*i*Lreg表示回歸只對正樣本進行，其中負樣本時p*i＝0；cls和reg分別輸出pi和ti。

6.一種基于改進的Faster R-CNN加油站靜電標志識別系統，其特征在于，包括：

數據采集單元，用于采集卸油作業現場包含車輛本體及車輛本體上設有靜電標志的車輛圖片，且將所述車輛圖片預處理成樣本數據集；

檢測模型構建單元，用于構建Faster R-CNN神經網絡模型，并在所述樣本數據集導入所述Faster R-CNN神經網絡模型對RPN網絡進行端到端的聯合訓練時，結合所述Faster R-CNN神經網絡中ResNet結構來提取特征圖，得到靜電標志的目標區域和目標類別，且進一步將所得到的靜電標志的目標區域和目標類別整合至預設的Fast R-CNN神經網絡模型中，得到靜電標志的檢測模型；

檢測結果輸出單元，用于獲取卸油作業現場實時車輛圖片，并將所獲取的實時車輛圖片導入所述靜電標志的檢測模型中識別，確定所獲取的實時車輛圖片上靜電標志的類別和位置。

7.如權利要求6中所述的基于改進的Faster R-CNN加油站靜電標志識別系統，其特征在于，所述靜電標志為三角形形狀。