[發(fā)明專利]一種基于可重構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的道路風險目標識別方法

在審

• 申請?zhí)枺?/td>: 202110190624.4
• 申請日: 2021-02-19
• 公開（公告）號: CN112766232A
• 公開（公告）日: 2021-05-07
• 發(fā)明（設(shè)計）人: 徐鶴;薛東輝;李鵬;王汝傳;朱楓;程海濤;季一木
• 申請（專利權(quán)）人: 南京郵電大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京正聯(lián)知識產(chǎn)權(quán)代理有限公司 32243
• 代理人: 王素琴

1.一種基于可重構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的道路風險目標識別方法，其特征在于：所述方法包括如下步驟：

步驟1，用戶對當前實際場景當中的需要進行識別的個體進行拍攝并上傳至識別端；

步驟2，識別端啟動圖像識別程序，選擇并保存用戶上傳的圖片；

步驟3，在識別端的界面選擇可重構(gòu)卷積神經(jīng)網(wǎng)絡(luò)模型，調(diào)用可重構(gòu)卷積神經(jīng)網(wǎng)絡(luò)模型進行識別，識別完成后將識別結(jié)果輸出到界面。

2.根據(jù)權(quán)利要求1所述的一種基于可重構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的道路風險目標識別方法，其特征在于：步驟1中，用戶選擇需要進行識別檢測的道路風險目標，然后利用移動終端提供的攝像頭設(shè)備或者用戶自己的拍攝設(shè)備，對目標進行拍攝，之后將所拍攝好的圖片上傳到終端，識別端為網(wǎng)頁端或者移動終端。

3.根據(jù)權(quán)利要求1所述的一種基于可重構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的道路風險目標識別方法，其特征在于：步驟2中，識別端運行可重構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)模型程序，在識別端界面選擇已經(jīng)拍攝好的、需要進行識別檢測的圖像，選擇好的圖像自動保存在識別端的數(shù)據(jù)庫系統(tǒng)中，用于后續(xù)優(yōu)化可重構(gòu)卷積神經(jīng)網(wǎng)絡(luò)模型和對相同圖片進行重復操作。

4.根據(jù)權(quán)利要求1所述的一種基于可重構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的道路風險目標識別方法，其特征在于：步驟3中，在界面選擇可重構(gòu)卷積神經(jīng)網(wǎng)絡(luò)模型進行檢測識別；識別端后臺接收到選擇可重構(gòu)卷積神經(jīng)網(wǎng)絡(luò)模型確定的指令后，調(diào)用保存在本地的經(jīng)過訓練的可重構(gòu)卷積神經(jīng)網(wǎng)絡(luò)模型，并開始識別已經(jīng)選定的圖片數(shù)據(jù)；識別端后臺完成檢測識別后，將后臺得到的圖像分類結(jié)果輸入到界面；前端界面接收到以后，將結(jié)果輸出在相應(yīng)的圖片中。

5.根據(jù)權(quán)利要求1所述的一種基于可重構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的道路風險目標識別方法，其特征在于：可重構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)模型，包括由多層卷積層與池化層相連接的卷積結(jié)構(gòu)。

6.根據(jù)權(quán)利要求5所述的一種基于可重構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的道路風險目標識別方法，其特征在于：建立的卷積神經(jīng)網(wǎng)絡(luò)模型將卷積層和池化層相互堆疊連接，形成一個四層組合，以及平面化圖層、隨機失活層和全連接層。

7.根據(jù)權(quán)利要求5所述的一種基于可重構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的道路風險目標識別方法，其特征在于：選擇最大池化作為池化層的運算，最大池化運算將從輸入進來的特種圖當中，滑動提取窗口，并輸出其中每個通道的最大值來代表這個窗口中的特征。

8.根據(jù)權(quán)利要求7所述的一種基于可重構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的道路風險目標識別方法，其特征在于：所述最大池化運算的滑動窗口大小為2×2，對特征圖進行下采樣操作，使前層輸出后的特征圖大小減半。

9.根據(jù)權(quán)利要求1所述的一種基于可重構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的道路風險目標識別方法，其特征在于：可重構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)模型對原始數(shù)據(jù)集其進行預處理和數(shù)據(jù)加強，然后圖像經(jīng)過數(shù)層卷積結(jié)構(gòu)操作之后，提取輸入的圖像中目標的特征，并經(jīng)過每一層池化層的降維處理，傳遞給最終的全連接層進行整合和分類。

10.根據(jù)權(quán)利要求9所述的一種基于可重構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的道路風險目標識別方法，其特征在于：所述數(shù)據(jù)預處理，將輸入的JPEG圖像文件轉(zhuǎn)碼為由RGB像素組成的圖像，然后將這些像素網(wǎng)格轉(zhuǎn)換化為浮點數(shù)張量，將像素值按比例縮放為[0,1]區(qū)間內(nèi)。