[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

本發明提供一種基于改進的Faster R?CNN加油站靜電標志識別方法，包括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，且將車輛圖片預處理成樣本數據集；構建Faster R?CNN神經網絡模型，并在樣本數據集導入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；獲取卸油作業現場實時車輛圖片在靜電標志的檢測模型中識別，確定實時車輛圖片上靜電標志的類別和位置。實施本發明，能夠實現實時檢測，不僅具有較快的自檢速度，還具有較高的檢測精確度。

技術領域

本發明涉及計算機視覺識別技術領域，尤其涉及一種基于改進的Faster R-CNN加油站靜電標志識別方法及系統。

背景技術

計算機的靜電標志的識別是指對于給定的一副圖片，采用一定的方法和策略來確定這副圖片中是否含有靜電標志，如果有的話則返回這個標志在這副圖片中的位置和大小。計算機對靜電標志的識別實際是一種模式識別，是指對事物或現象的不同形式的信息做分析和處理，從而得到一個對事物或現象做出描述、辨別和分類等的一個過程。

目前，計算機的靜電標志識別采用的是Faster R-CNN這種目標檢測算法。FasterR-CNN是在Faster R-CNN的基礎上發展來的，檢測速度和準確率方面有了很大的提升，但是還是存在一定缺陷，主要在于：Faster R-CNN不能進行實時檢測，且檢測速度和精度有待提高。

發明內容

本發明實施例所要解決的技術問題在于，提供一種基于改進的Faster R-CNN加油站靜電標志識別方法及系統，能夠實現實時檢測，不僅具有較快的自檢速度，還具有較高的檢測精確度。

為了解決上述技術問題，本發明實施例提供了一種基于改進的Faster R-CNN加油站靜電標志識別方法，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FasterR-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FasterR-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。

其中，所述靜電標志為三角形形狀。

其中，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。

其中，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。