[發明專利]交通標志識別模型訓練方法及系統在審

申請號：	202110581522.5	申請日：	2021-05-26
公開（公告）號：	CN113486711A	公開（公告）日：	2021-10-08
發明（設計）人：	李文舉;張干	申請（專利權）人：	上海應用技術大學
主分類號：	G06K9/00	分類號：	G06K9/00;G06K9/62;G06N3/04;G06N3/08
代理公司：	上海漢聲知識產權代理有限公司 31236	代理人：	胡晶
地址：	200235 上海***	國省代碼：	上海;31
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	交通標志識別模型訓練方法系統
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【說明書】：

本發明提供了一種交通標志識別模型訓練方法及系統，包括如下步驟：獲取交通標志圖像以及每一交通標志圖像對應的標簽，將所述交通標志圖像分為訓練集和測試集；獲取基于YOLOV5的網絡模型，對所述網絡模型進行加載和設置；根據所述訓練集和測試集的類別設置所述網絡模型的分類損失的系數和超參數；采用混合精度訓練對所述網絡模型先進行熱身訓練，計算三種損失之和并反向傳播進行梯度放大；對熱身訓練后的網絡模型進行學習率衰減，然后通過對測試集網絡模型進行測試后保存所述網絡模型及權重生成交通標志圖像模型。本發明能夠有效的對交通標志進行實時檢測及分類。

技術領域

本發明涉及交通標志識別，具體地，涉及一種交通標志識別模型訓練方法及系統。

背景技術

據統計，在我國機動車駕駛人違法駕駛導致交通事故的比例達到90％以上，部分原因是由于駕駛人無法及時處理視覺信息中道路交通標志牌的指示，由此可以看出交通標志識別的實時性對于改善輔助駕駛系統非常重要，然而傳統的交通標志識別速度慢，檢測效果不理想，很難用于實際場景。

隨著卷積神經網絡、目標檢測算法被廣泛用于處理圖像識別和分類問題以及汽車產業對于安全性能的愈發重視，深度學習被廣泛應用于該方面的研究。陳名松等人采用基于改進CapsNet的交通標志分類模型，充分保留了圖像的空間特征；龍曼儀等人提出了基于輕量型卷積神經網絡來加快網絡速度和降低對硬件的需求；總體來說，主流的交通標志識別方法分為單階段和兩階段兩種。

道路交通安全是指在交通活動過程中，能將人身傷亡或財產損失控制在可接受水平的狀態。傳統的交通標志識別方法易受光線、遮擋、以及目標過小等影響，難以快速且精確的檢測交通標志，存在安全隱患，需要一種有效的方法來進行實時檢測及分類。

發明內容

針對現有技術中的缺陷，本發明的目的是提供一種交通標志識別模型訓練方法及系統。

根據本發明提供的交通標志識別模型訓練方法，包括如下步驟：

步驟S1：獲取交通標志圖像以及每一交通標志圖像對應的標簽，將所述交通標志圖像分為訓練集和測試集；

步驟S2：獲取基于YOLOV5的網絡模型，對所述網絡模型的參數進行加載和設置；所述網絡模型的主干網絡采用CSPDarkNet53模塊，設置空間金字塔池化模塊，將PANet網絡作為路徑聚合網絡；

步驟S3：根據所述訓練集和測試集的類別設置所述網絡模型的分類損失的系數和超參數；

步驟S4：采用混合精度訓練對所述網絡模型先進行熱身訓練，計算分類損失、回歸損失以及置信度損失之和并反向傳播進行梯度放大；

步驟S5：對熱身訓練后的網絡模型進行學習率衰減，然后通過測試集對網絡模型進行測試后保存所述網絡模型及訓練產生的權重生成交通標志圖像模型。

優選地，步驟S1中先將獲取的TT100K數據集的格式轉化為VOC數據集格式，再將VOC數據集格式的標簽轉化為YOLO格式的標簽集，以獲取所述交通標志圖像以及每一交通標志圖像對應的標簽劃。

優選地，初次訓練時，在步驟S2中檢查所述網絡模型的配置信息，獲取所述網絡模型的參數，確定所述訓練集和測試集的圖片路徑，對所述網絡模型設置凍結模型層、SGD優化器和學習率衰減方式。

優選地，所述網絡模型的參數包括保存權重的路徑，輪次，批次，總批次，權重和結果的保存權重。