CN107967468A - 一种基于无人驾驶汽车的辅助控制系统 - Google Patents
一种基于无人驾驶汽车的辅助控制系统 Download PDFInfo
- Publication number
- CN107967468A CN107967468A CN201810055725.9A CN201810055725A CN107967468A CN 107967468 A CN107967468 A CN 107967468A CN 201810055725 A CN201810055725 A CN 201810055725A CN 107967468 A CN107967468 A CN 107967468A
- Authority
- CN
- China
- Prior art keywords
- trading company
- represent
- deep learning
- pond
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 claims abstract description 115
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 9
- 238000010008 shearing Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 5
- 238000011017 operating method Methods 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 239000011521 glass Substances 0.000 description 6
- 230000005611 electricity Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000003475 lamination Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L15/00—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles
- B60L15/20—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles for control of the vehicle or its driving motor to achieve a desired performance, e.g. speed, torque, programmed variation of speed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/72—Electric energy management in electromobility
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明所公开的一种基于无人驾驶汽车的辅助控制系统,本发明利用摄像模块获取待识别的街景中商号的图像,经过对图像处理后,利用预先训练得到的深度学习网络识别所述待识别商号标识图像,利用计算机模拟人的判别准则去理解和识别商号标识图像,达到分析图像和提取被检测图像特征的目的,以控制使用电动机驱动的无人驾驶汽车减速,并以此达到对无人驾驶汽车的辅助控制的作用。
Description
技术领域
本发明涉及无人驾驶技术领域,尤其涉及一种基于无人驾驶汽车的辅助控制系统。
背景技术
无人驾驶汽车现在主要通过GPS及IMU进行导航定位,但是GPS存在着误差、多路径,以及更新频率低等问题,而IMU则以较高的更新频率提供准确性偏低的位置信息,综合其位置精度通过超过10米以上,特别在空间复杂的城市路段,采用GPS和IMU要准确到达某些指定位置的还存在很大困难,使无人驾驶汽车的使用体验大大下降。
发明内容
本发明的目的是公开一种基于无人驾驶汽车的辅助控制系统,以弥补现有技术存在的缺陷,本发明利用摄像模块获取待识别的街景中商号的图像,经以对图像处理后,利用预先训练得到的深度学习网络识别所述待识别商号标识图像,利用计算机模拟人的判别准则去理解和识别商号标识图像,达到分析图像和提取被检测图像特征的目的,当接近目标商号时控制使用电动机驱动的无人驾驶汽车减速,并以此达到对无人驾驶汽车的辅助控制的作用。
本发明的一种基于无人驾驶汽车的辅助控制系统,包括摄像模块、图像采集模块、前灯控制模块、深度卷积网络服务器、电动车驱动模块、电动机、辅助显示终端、前灯,其特征在于所述的摄像模块与图像采集模块连接,所述的图像采集模块与前灯控制模块连接,所述的前灯控制模块与深度卷积网络服务器连接,所述的深度卷积网络服务器与电动车驱动模块,所述电动车驱动模块分别与电动机和辅助显示终端连接,所述前灯控制模块与前灯连接;所述的前灯控制模块用于对来自摄像模块的图像亮度平均值进行检测,根据亮度平均值结果控制前灯;所述的辅助显示终端是10英寸的 投射显示器;所述的深度卷积网络服务器采用深度学习网络,所述深度学习网络包括卷积层1、池化层1、卷积层2、池化层2、卷积层3、卷积层4、池化层3、卷积层5、池化层4、全连接层1和全连接层2。
本发明中所述的深度学习网络,其特征在于所述深度学习网络的训练步骤具体包括:步骤一,获取带有属性及参数标记的商号标识图像样本;步骤二,利用预先设置有初始参数的深度学习网络对所述商号标识图像样本进行分类;根据所述深度学习网络输出结果与所述商号标识的属性信息之间的差异逐层反传至所述深度学习网络,训练所述深度学习网络的参数;步骤三利用预先设置有初始参数的深度学习网络对所述商号标识图像样本进行分类具体为:利用预先设置有初始参数的卷积核与所述商号标识图像样本进行卷积计算;经过池化层的池化操作以及全连接层1和全连接层2的全连接操作,得到所述商号标识图像样本的商号标识属性概率;所述根据所述深度学习网络输出结果与所述商号标识的属性信息之间的差异逐层反传至所述深度学习网络,训练所述深度学习网络的参数,具体为:当所述商号标识属性概率与所述商号标识的属性信息之间存在差异时,调整所述卷积核中的参数,直至输出的商号标识属性概率与所述商号标识的属性信息相符。 本发明中所述的深度学习网络,其特征在于,所述训练所述深度学习网络的参数具体为使用深度学习网络的训练工具通过tensorflow进行训练,从输入到输出的计算过程为:
,其中 表示输入,表示卷积核,表示偏置表示输出;
,其中表示输入,表示权值,表示偏置,表示输出;
,其中池化面)是输入,表示卷积核 ,表示偏置,其中 ,) ,表示输出;
,其中表示输入,表示权值,表示偏置,表示输出;
,其中池化面)是输入,表示卷积核 ,表示偏置,其中 ,) ,表示输出;
,其中池化面)是输入,表示卷积核 ,表示偏置,其中 ,) ,表示输出;
,其中表示输入,表示权值,表示偏置,表示输出;
,其中池化面)是输入,表示卷积核 ,表示偏置,其中 ,) ,表示输出;
,其中表示输入,表示权值,表示偏置,表示输出;
;
所述tensorflow的参数包括:卷积层1的卷积核尺寸为11×11,颜色通道为3,卷积核数量为64,卷积步长为4×4,图片每4×4区域只取样一次,横向间隔是4,纵向间隔是4,每次取样的卷积核为11×11;池化层1的池化尺寸为3×3,取样步长为2×2;卷积层2的卷积核尺寸为5×5,输入通道数为64,卷积核数量为192,卷积步长为1;池化层2的池化尺寸为3×3,取样步长为2×2;卷积层3的卷积核尺寸为3×3,输入通道数为192,卷积核数量为384,卷积步长为1;卷积层4的卷积核尺寸为3×3,输入通道数为384,卷积核数量为256,卷积步长为1;池化层3的池化尺寸为3×3,取样步长为2×2;卷积层5的卷积核尺寸为3×3,输入通道数为256,卷积核数量为256,卷积步长为1;池化层4的池化尺寸为3×3,取样步长为2×2;学习率为0.006~0.011,学习动量项为0.921~0.945,权重衰减系数为0.00044~0.0005 。
本发明中所述的深度学习网络,其特征在于所述深度学习网络的运行步骤包括:获取待识别商号标识图像,利用预先训练得到的深度学习网络识别所述待识别商号标识图像;识别通过所述卷积层1、池化层1、卷积层2、池化层2、卷积层3、卷积层4、池化层3、卷积层5、池化层4、全连接层1和全连接层2,于全连接层2输出节点为所述商号标识图像的商号标识属性概率,根据所述商号标识属性概率确定所述待识别商号标识图像的商号标识属性信息,当准确率超过95%时,所述的深度卷积网络服务器向所述电动车驱动模块发送低电平,所述电动车驱动模块调低输出电流,所述电动机转速下降;同时所述深度卷积网络服务器向所述辅助显示终端输出所述商号标识属性信息。在获取待识别商号标识图像之后、在所述利用预先训练得到的深度学习网络识别所述待识别商号标识图像之前,进一步包括:对所述待识别商号标识图像进行预处理;所述预处理至少包括以下一种操作:裁剪、边界填充、翻转、饱和度平衡、色调平衡、对比度平衡、直方图均衡、镜像操作、随机剪切、中心化、均值化、调整大小resize;步骤包括:获取待识别商号标识图像;训练深度学习网络;所述深度学习网络的网络结构包括卷积层、池化层和全连接层,所述卷积层的后面连接所述池化层,所述池化层后面连接所述全连接层,最后的全连接层上的每个输出节点为所述商号标识图像的商号标识属性概率;识别步骤是利用预先训练得到的深度学习网络识别所述待识别商号标识图像;根据所述商号标识属性概率确定所述待识别商号标识图像的商号标识属性信息,当准确率超过95%时,所述的深度卷积网络服务器向所述电动车驱动模块发送低电平,所述电动车驱动模块调低输出电流,所述电动机转速下降;同时所述深度卷积网络服务器向所述辅助显示终端输出所述商号标识属性信息。
本发明的有益效果如下: 本发明所公开的一种基于无人驾驶汽车的辅助控制系统,采用摄像模块获取待识别商号标识图像时,前灯控制模块对来自摄像模块的图像亮度平均值进行检测,根据亮度平均值结果控制前灯解决了深度学习图像识别技术中待识别商号标识所处环境光线亮度以及光照角度造成阴影而产生的误差的问题; 所述的辅助显示终端是10英寸的投射显示器用于前车玻璃的近距显示;在获取到待识别商号标识图像之后,利用预先训练得到的深度学习网络识别所述待识别商号标识图像,依次经过卷积层、池化层和全连接层后得到商号标识属性概率,从而确定商号标识属性信息。由于本发明所提供的方案利用了深度学习网络识别商号标识,深度学习网络足以刻画和区分物体,以解决现有技术中的对商号标识识别方法单一、效率低、准确率低的问题。本发明所公开的一种基于无人驾驶汽车的辅助控制系统,本发明利用摄像模块获取待识别的街景中商号的图像,经以对图像处理后,利用预先训练得到的深度学习网络识别所述待识别商号标识图像,利用计算机模拟人的判别准则去理解和识别商号标识图像,达到分析图像和提取被检测图像特征的目的,以控制使用电动机驱动的无人驾驶汽车减速,并以此达到对无人驾驶汽车的辅助控制的作用。
附图说明
图1为本发明一种基于无人驾驶汽车的辅助控制系统的结构示意图。
图2为本发明一种基于无人驾驶汽车的辅助控制系统中深度学习网络的结构示意图;
附图标记说明,图中:31.输入图像、32.卷积层1、33.池化层1、34.卷积层2、35.池化层2、36.卷积层3、37.卷积层4、38.池化层3、39.卷积层5、40.池化层4、46.全连接层1、47.全连接层2、48.输出讯息51.辅助显示终端,52. 摄像模块、53.前灯、55. 待识别商号标识、56电动机、61.图像采集模块、62.前灯控制模块、63.深度卷积网络服务器、64.电动车驱动模块。
具体实施方式
为了使本发明的技术方案及优点更加清楚明白,以下结合附图对本发明的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本发明的一部分实施例,而不是所有实施例的穷举。并且在不冲突的情况下,本说明中的实施及实施例中的特征可以互相结合。
本发明提出了一种基于无人驾驶汽车的辅助控制系统,下面进行说明。
图1为本发明一种基于无人驾驶汽车的辅助控制系统的结构示意图,图2为本发明一种基于无人驾驶汽车的辅助控制系统中深度学习网络的结构示意图;
如图所示,所述基于深度学习的商号标识识别装置的实施中可以包括如下步骤:
步骤101、通过网络爬虫从指定网站中获取的已知图像样本用于训练识别商号标识图像;
步骤102、采用摄像模块获取待识别商号标识图像时,采用前灯控制模块对来自摄像模块的图像亮度平均值进行检测,根据亮度平均值结果控制前灯的发光亮度,以解决深度学习图像识别技术中待识别商号标识所处环境光线亮度以及光照角度造成阴影而产生的误差的问题,经处理后的待识别商号标识图像进入深度卷积网络服务器,利用深度卷积网络服务器中预先训练得到的深度学习网络识别所述待识别商号标识图像;所述深度学习网络的网络结构包括卷积层1、池化层1、卷积层2、池化层2、卷积层3、卷积层4、池化层3、卷积层5、池化层4、全连接层1和全连接层2,最后的全连接层2上的每个输出节点为所述商号标识图像的商号标识属性概率;
步骤103、根据所述商号标识属性概率确定所述待识别商号标识图像的商号标识属性信息,当准确率超过95%时,所述的深度卷积网络服务器向所述电动车驱动模块发送低电平,所述电动车驱动模块调低输出电流,所述电动机转速下降;同时所述深度卷积网络服务器向所述辅助显示终端输出所述商号标识属性信息。,输出讯息,输出讯息由深度卷积网络服务器到电动车驱动模块、电动机到辅助显示终端。
其中,深度学习(deep learning)属于神经网络的一种,近年来在计算机视觉、语音识别等领域有较多应用,它是一种解决训练问题的深层神经网络,本发明实施例中的深度学习网络可以包括卷积层、池化层和全连接层这三个层次,其中:卷积层(Convolution),通过卷积运算使得原信号特征增强并降低噪音,采用tensorflow能对卷积层中的卷积运算进行加速的效果提高了基于深度学习的商号标识识别装置的运行效率,在本实施例中用tf.nn.conv2d函数。池化层(Pooling),减小过拟合,通过减小输入的尺寸来提高性能,对输入降采样,并为后续层保留重要信息,主要采用tensorflowr来减小输入的尺寸,实现池化层的效率,本实施例中用tf.nn.max_pool和tf.nn.tf.nn.avg_pool函数。全连接层(FullConnected),全连接层的每个神经元都与下一层的每个神经元相连,将所述待识别商号标识图像作为输入,从输入层到卷积层通过卷积操作,通过卷积后获得了所述待识别商号标识图像的特征;从卷积层到池化层的过程可以称为池化过程,目的在于减少上一层的特征数量;经过卷积层和池化层之后得到的特征会由全连接层进行分类,经过全连接层的计算处理,最终输出结果。所述全连接层上的每个输出节点为所述商号标识图像的商号标识属性概率,即每个输出节点上输出的是该商号标识属于某个属性的概率,例如:第一个输出节点为该商号标识属于星星便利店的概率、第二个输出节点为该商号标识属于白术的概率等,最终根据商号标识属性概率确定出该商号标识的属性信息,即,根据概率大小确定出该商号标识具体属于哪种名称,例如:第一个输出节点为该商号标识属于星星便利店的概率为90%,其他节点输出的概率均小于90%,则可以确定该商号标识为星星便利店。本发明实施例所提供的商号标识识别方法及装置,在获取到待识别商号标识图像之后,无需用户手动定义特征再进行分类,直接利用预先训练得到的深度学习网络即可识别所述待识别商号标识图像,依次经过卷积层、池化层和全连接层后得到商号标识属性概率,从而确定商号标识属性信息。由于本发明实施例所提供的方案利用的是深度学习网络识别商号标识,深度学习网络足以刻画和区分物体,相比现有的人工定义特征进行分类的方式准确性更高。
在实施例中,用于训练的图像样本的来源可以为很多方式,比如用网络爬虫从网上收集、中药图册或自行拍摄;本实施例中通过网络爬虫从指定网站中获取的已知图像样本后,再采用手工标注的方式进行标注,所述标记包括商号标识的属性信息。利用预先设置有初始参数的深度学习网络对所述商号标识图像样本进行分类;根据所述深度学习网络输出结果与所述商号标识的属性信息之间的差异逐层反传至所述深度学习网络,训练所述深度学习网络的参数。
具体实施时,可以获取若干商号标识图像样本,这些样本可以包括各类商号标识图像,标记商号标识的属性信息,属性信息中包括名称。例如:获取近2000类商号标识图像,将近2000类商号标识图像进行人工标定,标定数据的图像数量可以大于2万张。然后利用预先设置有初始参数的深度学习网络对所述商号标识图像进行softmax分类,计算各个样本属于的商号标识类别的概率,使用tf.argmax函数选择预测的输出值中具有最大概率的那个类别,将tf.equal与期望的类别进行比较,使用tf.reduce_mean计算准确率,经实验准确率可以达到约95%。
所述深度学习网络的全连接层上的每一个输出节点对应该图片是相应商号标识类别的概率。]将输出概率与真实标记(可以为与输出概率等长数组)进行比较,计算二者的差异。具体实施时,利用交叉熵损失函数来度量模型输出结果与真实值之间的差异。将该差异反逐层反传到所述深度学习网络中,进行模型的参数训练。本发明实施例利用深度学习网络模型不断训练参数,从而使得所述深度学习网络可以精确的识别商号标识,无需人工参与即可利用机器深度学习自动达到分类的目的。实施中,所述利用预先设置有初始参数的深度学习网络对所述商号标识图像样本进行分类,具体可以为:利用预先设置有初始参数的卷积核与所述商号标识图像样本进行卷积计算;经过池化层的池化操作以及全连接层的全连接操作,得到所述商号标识图像样本的商号标识属性概率; 所述根据所述深度学习网络输出结果与所述商号标识的属性信息之间的差异逐层反传至所述深度学习网络,训练所述深度学习网络的参数,具体可以为:当所述商号标识属性概率与所述商号标识的属性信息之间存在差异时,调整所述卷积核中的参数,直至输出的商号标识属性概率与所述商号标识的属性信息相符。例如:假设输出的商号标识属性概率为星星便利店的概率最大,如果所述预先标记的商号标识属性信息为白术,那么重新调整所述卷积核中的参数,再进行卷积层、池化层、全连接层的识别,直至所述输出的商号标识属性概率为星星便利店最大,与所述真实的商号标识属性信息相符,完成所述卷积核参数的训练。
在具体实施时,在所述深度学习网络的训练步骤具体包括:步骤一,获取带有属性及参数标记的商号标识图像样本;步骤二,利用预先设置有初始参数的深度学习网络对所述商号标识图像样本进行分类;根据所述深度学习网络输出结果与所述商号标识的属性信息之间的差异逐层反传至所述深度学习网络,训练所述深度学习网络的参数;步骤三利用预先设置有初始参数的深度学习网络对所述商号标识图像样本进行分类具体为:利用预先设置有初始参数的卷积核与所述商号标识图像样本进行卷积计算;经过池化层的池化操作以及全连接层1和全连接层2的全连接操作,得到所述商号标识图像样本的商号标识属性概率;所述根据所述深度学习网络输出结果与所述商号标识的属性信息之间的差异逐层反传至所述深度学习网络,训练所述深度学习网络的参数,具体为:当所述商号标识属性概率与所述商号标识的属性信息之间存在差异时,调整所述卷积核中的参数,直至输出的商号标识属性概率与所述商号标识的属性信息相符。
本发明实施中
所述训练所述深度学习网络的参数具体为使用深度学习网络的训练工具通过tensorflow进行训练,从输入到输出的计算过程为:
,其中 表示输入,表示卷积核,表示偏置表示输出;
,其中表示输入,表示权值,表示偏置,表示输出;
,其中池化面)是输入,表示卷积核 ,表示偏置,其中 ,) ,表示输出;
,其中表示输入,表示权值,表示偏置,表示输出;
,其中池化面)是输入,表示卷积核 ,表示偏置,其中 ,) ,表示输出;
,其中池化面)是输入,表示卷积核 ,表示偏置,其中 ,) ,表示输出;
,其中表示输入,表示权值,表示偏置,表示输出;
,其中池化面)是输入,表示卷积核 ,表示偏置,其中 ,) ,表示输出;
,其中表示输入,表示权值,表示偏置,表示输出;
;
所述tensorflow的参数包括:卷积层1的卷积核尺寸为11×11,颜色通道为3,卷积核数量为64,卷积步长为4×4,图片每4×4区域只取样一次,横向间隔是4,纵向间隔是4,每次取样的卷积核为11×11;池化层1的池化尺寸为3×3,取样步长为2×2;卷积层2的卷积核尺寸为5×5,输入通道数为64,卷积核数量为192,卷积步长为1;池化层2的池化尺寸为3×3,取样步长为2×2;卷积层3的卷积核尺寸为3×3,输入通道数为192,卷积核数量为384,卷积步长为1;卷积层4的卷积核尺寸为3×3,输入通道数为384,卷积核数量为256,卷积步长为1;池化层3的池化尺寸为3×3,取样步长为2×2;卷积层5的卷积核尺寸为3×3,输入通道数为256,卷积核数量为256,卷积步长为1;池化层4的池化尺寸为3×3,取样步长为2×2;学习率为0.006~0.011,学习动量项为0.921~0.945,权重衰减系数为0.00044~0.0005 。
根据所述初始参数的卷积核进行卷积计算,在经过池化层、全连接层,最终输出所述商号标识图像样本的商号标识属性概率。 判断所述输出的商号标识属性概率是否与所述商号标识的属性信息相符或一致,当图像的商号标识属性概率与所述商号标识的属性信息之间存在差异时,调整所述卷积计算的参数,直至输出的商号标识属性概率与所述商号标识的属性信息相符。 例如:假设输出的商号标识属性概率为星星便利店的概率最大,如果所述预先标记的商号标识属性信息为白术,那么重新调整所述卷积核中的参数,再进行卷积层、池化层、全连接层的识别,直至所述输出的商号标识属性概率为星星便利店最大,与所述真实的商号标识属性信息相符,完成所述卷积核参数的训练。 实施中,所述训练所述深度学习网络的参数具体可以为使用深度网络训练工具 tensorflow进行训练,所述tensorflow的参数包括:学习率为0.006~0.011,学习动量项为0.921~0.945,权重衰减系数为0.00044~0.0005 。
具体实施时,可以采用深度网络训练工具tensorflow进行模型训练,TensorFlow是相对高阶的机器学习库,支持自动求导,简化了线上部署的复杂度,并让手机这种内存和CPU资源都紧张的设备可以运行复杂模型。
使用tensorflow时参数可以设置为如下所示:学习率为0.006~0.011,学习动量项为0.921~0.945,权重衰减系数为0.00044~0.0005 。 本发明实施例采用深度网络训练工具对模型进行训练,发明人通过试验发现学习率为0.007~0.01,学习动量项为0.91~0.95,权重衰减系数为0.0004~0.0005时训练效果最佳。
在实施中,所述的深度卷积网络服务器采用深度学习网络,所述深度学习网络包括卷积层1、池化层1、卷积层2、池化层2、卷积层3、卷积层4、池化层3、卷积层5、池化层4、全连接层1和全连接层2;最后一个全连接层的输出个数为商号标识属性分类的数目。本发明实施例所设计的深度学习网络,在确保所述深度学习网络的计算量适中的同时提升了分类识别的准确性,克服浅层网络特征提取不充分的问题。实施中,所述利用预先训练得到的深度学习网络识别所述待识别商号标识图像具体可以为:在卷积层,将所述待识别商号标识图像与预先训练得到的卷积核进行卷积计算,输出一个或多个特征图像;在池化层,对所述卷积层的输出进行池化操作;在全连接层,对所述上一层的输出进行全连接操作,所述最后的全连接层的节点个数与商号标识属性分类的数目相同;对所述最后的全连接层的输出进行分类,得到商号标识属性概率。系统运行时,当准确率超过95%时,所述的深度卷积网络服务器向所述电动车驱动模块发送低电平,所述电动车驱动模块调低输出电流,所述电动机转速下降;同时所述深度卷积网络服务器向所述辅助显示终端输出所述商号标识属性信息。
实施例1,一种基于无人驾驶汽车的辅助控制系统,包括摄像模块、图像采集模块、前灯控制模块、深度卷积网络服务器、电动车驱动模块、电动机、辅助显示终端、前灯,其特征在于所述的摄像模块与图像采集模块连接,所述的图像采集模块与前灯控制模块连接,所述的前灯控制模块与深度卷积网络服务器连接,所述的深度卷积网络服务器与电动车驱动模块,所述电动车驱动模块分别与电动机和辅助显示终端连接,所述前灯控制模块与前灯连接;
所述的前灯控制模块用于对来自摄像模块的图像亮度平均值进行检测,根据亮度平均值结果控制前灯;
所述的辅助显示终端是10英寸的 投射显示器用于前车玻璃的近距显示;
所述的深度卷积网络服务器采用深度学习网络,所述深度学习网络包括卷积层1、池化层1、卷积层2、池化层2、卷积层3、卷积层4、池化层3、卷积层5、池化层4、全连接层1和全连接层2;
所述深度学习网络的运行步骤包括:采用摄像模块获取待识别商号标识图像时,前灯控制模块对来自摄像模块的图像亮度平均值进行检测,根据亮度平均值结果控制前灯解决了待识别商号标识所处环境光线亮度以及光照角度造成阴影而产生的误差;
所述的辅助显示终端是10英寸的 投射显示器用于前车玻璃的近距显示;
获取待识别商号标识图像,利用预先训练得到的深度学习网络识别所述待识别商号标识图像;识别通过所述卷积层1、池化层1、卷积层2、池化层2、卷积层3、卷积层4、池化层3、卷积层5、池化层4、全连接层1和全连接层2,于全连接层2输出节点为所述商号标识图像的商号标识属性概率,根据所述商号标识属性概率确定所述待识别商号标识图像的商号标识属性信息,当准确率超过95%时,所述的深度卷积网络服务器向所述电动车驱动模块发送低电平,所述电动车驱动模块调低输出电流,所述电动机转速下降;同时所述深度卷积网络服务器向所述辅助显示终端输出所述商号标识属性信息。在获取待识别商号标识图像之后、在所述利用预先训练得到的深度学习网络识别所述待识别商号标识图像之前,进一步包括:对所述待识别商号标识图像进行预处理;所述预处理至少包括以下一种操作:裁剪、边界填充、翻转、饱和度平衡、色调平衡、对比度平衡、直方图均衡、镜像操作、随机剪切、中心化、均值化、调整大小resize。 步骤包括:获取模块,用于获取待识别商号标识图像;训练模块,用于训练深度学习网络;所述深度学习网络的网络结构包括卷积层、池化层和全连接层,所述卷积层的后面连接所述池化层,所述池化层后面连接所述全连接层,最后的全连接层上的每个输出节点为所述商号标识图像的商号标识属性概率;识别步骤是利用预先训练得到的深度学习网络识别所述待识别商号标识图像:确定步骤是根据所述商号标识属性概率确定所述待识别商号标识图像的商号标识属性信息,当准确率超过95%时,所述的深度卷积网络服务器向所述电动车驱动模块发送低电平,所述电动车驱动模块调低输出电流,所述电动机转速下降;同时所述深度卷积网络服务器向所述辅助显示终端输出所述商号标识属性信息。
全连接层结点均为 4096。输出层结点数依据待识别商号标识类别数而定,即根据应用场景实际情况的经验或历史数据而定。例如,根据经验,商号标识种类约为2000种,则应用于商号标识识别时,输出成接点数定为2000。实施中,在获取待识别商号标识图像之后、在所述利用预先训练得到的深度学习网络。
识别所述待识别商号标识图像之前,所述方法可以包括:所述预先训练得到的卷积核可以与某种商号标识属性相对应,所述待识别商号标识图像可以分别与多个卷积核进行卷积计算,从而最后输出该待识别商号标识图像为不同种类的商号标识属性的概率。
实施中,在获取待识别商号标识图像之后,在所述利用预先训练得到的深度学习网络识别所述待识别商号标识图像之前,所述方法可以进一步包括:对所述待识别商号标识图像进行预处理;所述预处理至少包括以下一种操作:旋转、直方图均衡、白平衡、镜像操作、随机剪切、中心化、均值化、调整大小resize。
本发明实施中采用摄像模块获取待识别商号标识图像时,前灯控制模块对来自摄像模块的图像亮度平均值进行检测,根据亮度平均值结果控制前灯解决了待识别商号标识所处环境光线亮度以及光照角度造成阴影而产生的误差;通过在识别图像之前先对所述待识别商号标识图像进行预处理,从而改进后续识别的可靠性。
下面以实例进行说明。 具体实施时,本发明实施例中的商号标识识别过程可以为连续作业,摄像模块连续获取待识别商号标识图像进行识别,具体如下:步骤一、摄像模块拍摄待识别商号标识图像,以星星便利店为例;步骤二、图像采集模块将摄像模块拍摄的图像进行模数转换及对比度均衡;
步骤三、前灯控制模块对来自摄像模块的图像亮度平均值进行检测,根据亮度平均值结果控制前灯的补光量,解决了待识别商号标识所处环境光线亮度以及光照角度造成阴影而产生的误差;
步骤四、前灯控制模块将待识别商号标识图像传送给深度卷积网络服务器进行商号标识识别;深度卷积网络服务器采用深度学习网络,所述深度学习网络包括卷积层1、池化层1、卷积层2、池化层2、卷积层3、卷积层4、池化层3、卷积层5、池化层4、全连接层1和全连接层2;
所述训练所述深度学习网络的参数具体为使用深度学习网络的训练工具通过tensorflow进行训练,从输入到输出的计算过程为:
,其中 表示输入,表示卷积核,表示偏置表示输出;
,其中表示输入,表示权值,表示偏置,表示输出;
,其中池化面)是输入,表示卷积核 ,表示偏置,其中 ,),表示输出;
,其中表示输入,表示权值,表示偏置,表示输出;
,其中池化面)是输入,表示卷积核 ,表示偏置,其中 ,),表示输出;
,其中池化面)是输入,表示卷积核 ,表示偏置,其中 ,),表示输出;
,其中表示输入,表示权值,表示偏置,表示输出;
,其中池化面)是输入,表示卷积核 ,表示偏置,其中 ,) ,表示输出;
,其中表示输入,表示权值,表示偏置,表示输出;
;
所述tensorflow的参数包括:卷积层1的卷积核尺寸为11×11,颜色通道为3,卷积核数量为64,卷积步长为4×4,图片每4×4区域只取样一次,横向间隔是4,纵向间隔是4,每次取样的卷积核为11×11;池化层1的池化尺寸为3×3,取样步长为2×2;卷积层2的卷积核尺寸为5×5,输入通道数为64,卷积核数量为192,卷积步长为1;池化层2的池化尺寸为3×3,取样步长为2×2;卷积层3的卷积核尺寸为3×3,输入通道数为192,卷积核数量为384,卷积步长为1;卷积层4的卷积核尺寸为3×3,输入通道数为384,卷积核数量为256,卷积步长为1;池化层3的池化尺寸为3×3,取样步长为2×2;卷积层5的卷积核尺寸为3×3,输入通道数为256,卷积核数量为256,卷积步长为1;池化层4的池化尺寸为3×3,取样步长为2×2;学习率为0.006~0.011,学习动量项为0.921~0.945,权重衰减系数为0.00044~0.0005 。 全连接层结点均为 4096。输出层结点数依据待识别商号标识类别数而定,即根据应用场景实际情况的经验或历史数据而定。例如,根据经验,商号标识种类约为2000种,则应用于商号标识识别时,输出成接点数定为2000。
采用本发明实施例所提供的模型可以区分出将近2000类的商号标识,运行实验的准确率>90%。
实施例2,一种基于无人驾驶汽车的辅助控制系统,包括摄像模块、图像采集模块、前灯控制模块、深度卷积网络服务器、电动车驱动模块、电动机、辅助显示终端、前灯,其特征在于所述的摄像模块与图像采集模块连接,所述的图像采集模块与前灯控制模块连接,所述的前灯控制模块与深度卷积网络服务器连接,所述的深度卷积网络服务器与电动车驱动模块,所述电动车驱动模块分别与电动机和辅助显示终端连接,所述前灯控制模块与前灯连接;所述的前灯控制模块用于对来自摄像模块的图像亮度平均值进行检测,根据亮度平均值结果控制前灯;所述的辅助显示终端是10英寸的 投射显示器用于前车玻璃的近距显示;所述的深度卷积网络服务器采用深度学习网络,所述深度学习网络包括卷积层1、池化层1、卷积层2、池化层2、卷积层3、卷积层4、池化层3、卷积层5、池化层4、全连接层1和全连接层2;所述的一种基于无人驾驶汽车的辅助控制系统中摄像模块、辅助显示终端、前灯安装在眼镜外型的支架上。
所述深度学习网络的运行步骤包括:采用摄像模块获取待识别商号标识图像时,前灯控制模块对来自摄像模块的图像亮度平均值进行检测,根据亮度平均值结果控制前灯解决了待识别商号标识所处环境光线亮度以及光照角度造成阴影而产生的误差; 所述的辅助显示终端是10英寸的 投射显示器用于前车玻璃的近距显示,使用投射显示器,直接安装在支架上,使用时能同时观看到样本和获得输出讯息;获取待识别商号标识图像,利用预先训练得到的深度学习网络识别所述待识别商号标识图像;识别通过所述卷积层1、池化层1、卷积层2、池化层2、卷积层3、卷积层4、池化层3、卷积层5、池化层4、全连接层1和全连接层2,于全连接层2输出节点为所述商号标识图像的商号标识属性概率,根据所述商号标识属性概率确定所述待识别商号标识图像的商号标识属性信息,当准确率超过95%时,所述的深度卷积网络服务器向所述电动车驱动模块发送低电平,所述电动车驱动模块调低输出电流,所述电动机转速下降;同时所述深度卷积网络服务器向所述辅助显示终端输出所述商号标识属性信息。在获取待识别商号标识图像之后、在所述利用预先训练得到的深度学习网络识别所述待识别商号标识图像之前,进一步包括:对所述待识别商号标识图像进行预处理;所述预处理至少包括以下一种操作:裁剪、边界填充、翻转、饱和度平衡、色调平衡、对比度平衡、直方图均衡、镜像操作、随机剪切、中心化、均值化、调整大小resize。 步骤包括:获取模块,用于获取待识别商号标识图像;训练模块,用于训练深度学习网络;所述深度学习网络的网络结构包括卷积层、池化层和全连接层,所述卷积层的后面连接所述池化层,所述池化层后面连接所述全连接层,最后的全连接层上的每个输出节点为所述商号标识图像的商号标识属性概率;识别步骤是利用预先训练得到的深度学习网络识别所述待识别商号标识图像:确定步骤是根据所述商号标识属性概率确定所述待识别商号标识图像的商号标识属性信息,当准确率超过95%时,所述的深度卷积网络服务器向所述电动车驱动模块发送低电平,所述电动车驱动模块调低输出电流,所述电动机转速下降;同时所述深度卷积网络服务器向所述辅助显示终端输出所述商号标识属性信息。
全连接层结点均为 4096。输出层结点数依据待识别商号标识类别数而定,即根据应用场景实际情况的经验或历史数据而定。例如,根据经验,商号标识种类约为2000种,则应用于商号标识识别时,输出成接点数定为2000。实施中,在获取待识别商号标识图像之后、在所述利用预先训练得到的深度学习网络。
识别所述待识别商号标识图像之前,所述方法可以包括:所述预先训练得到的卷积核可以与某种商号标识属性相对应,所述待识别商号标识图像可以分别与多个卷积核进行卷积计算,从而最后输出该待识别商号标识图像为不同种类的商号标识属性的概率。
实施中,在获取待识别商号标识图像之后,在所述利用预先训练得到的深度学习网络识别所述待识别商号标识图像之前,所述方法可以进一步包括:对所述待识别商号标识图像进行预处理;所述预处理至少包括以下一种操作:旋转、直方图均衡、白平衡、镜像操作、随机剪切、中心化、均值化、调整大小resize。
本发明实施中采用摄像模块获取待识别商号标识图像时,前灯控制模块对来自摄像模块的图像亮度平均值进行检测,根据亮度平均值结果控制前灯解决了待识别商号标识所处环境光线亮度以及光照角度造成阴影而产生的误差;通过在识别图像之前先对所述待识别商号标识图像进行预处理,从而改进后续识别的可靠性。
下面以实例进行说明。 具体实施时,本发明实施例中的商号标识识别过程可以为连续作业,摄像模块连续获取待识别商号标识图像进行识别,具体如下:步骤一、摄像模块拍摄待识别商号标识图像,以星星便利店为例;步骤二、图像采集模块将摄像模块拍摄的图像进行模数转换及对比度均衡;
步骤三、前灯控制模块对来自摄像模块的图像亮度平均值进行检测,根据亮度平均值结果控制前灯的补光量,解决了待识别商号标识所处环境光线亮度以及光照角度造成阴影而产生的误差;
步骤四、前灯控制模块将待识别商号标识图像传送给深度卷积网络服务器进行商号标识识别;深度卷积网络服务器采用深度学习网络,所述深度学习网络包括卷积层1、池化层1、卷积层2、池化层2、卷积层3、卷积层4、池化层3、卷积层5、池化层4、全连接层1和全连接层2;
所述训练所述深度学习网络的参数具体为使用深度学习网络的训练工具通过tensorflow进行训练,从输入到输出的计算过程为:
,其中 表示输入,表示卷积核,表示偏置表示输出;
,其中表示输入,表示权值,表示偏置,表示输出;
,其中池化面)是输入,表示卷积核 ,表示偏置,其中 ,) ,表示输出;
,其中表示输入,表示权值,表示偏置,表示输出;
,其中池化面)是输入,表示卷积核 ,表示偏置,其中 ,) ,表示输出;
,其中池化面)是输入,表示卷积核 ,表示偏置,其中 ,) ,表示输出;
,其中表示输入,表示权值,表示偏置,表示输出;
,其中池化面)是输入,表示卷积核 ,表示偏置,其中 ,) ,表示输出;
,其中表示输入,表示权值,表示偏置,表示输出;
;
所述tensorflow的参数包括:卷积层1的卷积核尺寸为11×11,颜色通道为3,卷积核数量为64,卷积步长为4×4,图片每4×4区域只取样一次,横向间隔是4,纵向间隔是4,每次取样的卷积核为11×11;池化层1的池化尺寸为3×3,取样步长为2×2;卷积层2的卷积核尺寸为5×5,输入通道数为64,卷积核数量为192,卷积步长为1;池化层2的池化尺寸为3×3,取样步长为2×2;卷积层3的卷积核尺寸为3×3,输入通道数为192,卷积核数量为384,卷积步长为1;卷积层4的卷积核尺寸为3×3,输入通道数为384,卷积核数量为256,卷积步长为1;池化层3的池化尺寸为3×3,取样步长为2×2;卷积层5的卷积核尺寸为3×3,输入通道数为256,卷积核数量为256,卷积步长为1;池化层4的池化尺寸为3×3,取样步长为2×2;学习率为0.006~0.011,学习动量项为0.921~0.945,权重衰减系数为0.00044~0.0005 。 全连接层结点均为 4096。输出层结点数依据待识别商号标识类别数而定,即根据应用场景实际情况的经验或历史数据而定。例如,根据经验,商号标识种类约为2000种,常用品种为500种则应用于商号标识识别时,输出成接点数定为500。
采用本发明实施例所提供的模型可以区分出500类的商号标识,运行实验的准确率>90%。
本发明实施例采用了深度网络,由于深度网络有着一层层提取物体特征的优势,相比现有的浅层网络更能提取出待识别商号标识的本质特征,从而提升了模型效果,采用本发明实施例所提供的技术方案进行识别在一定程度上提高了准确性,降低了误识别和漏识别现象。当准确率超过95%时,所述的深度卷积网络服务器向所述电动车驱动模块发送低电平,所述电动车驱动模块调低输出电流,所述电动机转速下降;同时所述深度卷积网络服务器向所述辅助显示终端输出所述商号标识属性信息。本发明利用摄像模块获取待识别的街景中商号的图像,经过对图像处理后,利用预先训练得到的深度学习网络识别所述待识别商号标识图像,利用计算机模拟人的判别准则去理解和识别商号标识图像,达到分析图像和提取被检测图像特征的目的,以控制使用电动机驱动的无人驾驶汽车减速,并以此达到对无人驾驶汽车的辅助控制的作用,使无人驾驶汽车的使用体验和可用性大大提高。
Claims (4)
1.一种基于无人驾驶汽车的辅助控制系统,包括摄像模块、图像采集模块、前灯控制模块、深度卷积网络服务器、电动车驱动模块、电动机、辅助显示终端、前灯,其特征在于所述的摄像模块与图像采集模块连接,所述的图像采集模块与前灯控制模块连接,所述的前灯控制模块与深度卷积网络服务器连接,所述的深度卷积网络服务器与电动车驱动模块,所述电动车驱动模块分别与电动机和辅助显示终端连接,所述前灯控制模块与前灯连接;所述的前灯控制模块用于对来自摄像模块的图像亮度平均值进行检测,根据亮度平均值结果控制前灯;所述的辅助显示终端是10英寸的投射显示器;所述的深度卷积网络服务器采用深度学习网络,所述深度学习网络包括卷积层1、池化层1、卷积层2、池化层2、卷积层3、卷积层4、池化层3、卷积层5、池化层4、全连接层1和全连接层2。
2.如权利要求1所述的深度学习网络,其特征在于所述深度学习网络的训练步骤具体包括:步骤一,获取带有属性及参数标记的商号标识图像样本;步骤二,利用预先设置有初始参数的深度学习网络对所述商号标识图像样本进行分类;根据所述深度学习网络输出结果与所述商号标识的属性信息之间的差异逐层反传至所述深度学习网络,训练所述深度学习网络的参数;步骤三所述利用预先设置有初始参数的深度学习网络对所述商号标识图像样本进行分类具体为:利用预先设置有初始参数的卷积核与所述商号标识图像样本进行卷积计算;经过池化层的池化操作以及全连接层1和全连接层2的全连接操作,得到所述商号标识图像样本的商号标识属性概率;所述根据所述深度学习网络输出结果与所述商号标识的属性信息之间的差异逐层反传至所述深度学习网络,训练所述深度学习网络的参数,具体为:当所述商号标识属性概率与所述商号标识的属性信息之间存在差异时,调整所述卷积核中的参数,直至输出的商号标识属性概率与所述商号标识的属性信息相符。
3.如权利要求1所述的深度学习网络,其特征在于,所述训练所述深度学习网络的参数具体为使用深度学习网络的训练工具通过tensorflow进行训练,从输入到输出的计算过程为:
,其中 表示输入,表示卷积核,表示偏置表示输出;
,其中表示输入,表示权值,表示偏置,表示输出;
,其中池化面)是输入,表示卷积核 ,表示偏置,其中 ,) ,表示输出;
,其中表示输入,表示权值,表示偏置,表示输出;
,其中池化面)是输入,表示卷积核 ,表示偏置,其中 ,) ,表示输出;
,其中池化面)是输入,表示卷积核 ,表示偏置,其中 ,) ,表示输出;
,其中表示输入,表示权值,表示偏置,表示输出;
,其中池化面)是输入,表示卷积核 ,表示偏置,其中 ,) ,表示输出;
,其中表示输入,表示权值,表示偏置,表示输出;
;
所述tensorflow的参数包括:卷积层1的卷积核尺寸为11×11,颜色通道为3,卷积核数量为64,卷积步长为4×4,图片每4×4区域只取样一次,横向间隔是4,纵向间隔是4,每次取样的卷积核为11×11;池化层1的池化尺寸为3×3,取样步长为2×2;卷积层2的卷积核尺寸为5×5,输入通道数为64,卷积核数量为192,卷积步长为1;池化层2的池化尺寸为3×3,取样步长为2×2;卷积层3的卷积核尺寸为3×3,输入通道数为192,卷积核数量为384,卷积步长为1;卷积层4的卷积核尺寸为3×3,输入通道数为384,卷积核数量为256,卷积步长为1;池化层3的池化尺寸为3×3,取样步长为2×2;卷积层5的卷积核尺寸为3×3,输入通道数为256,卷积核数量为256,卷积步长为1;池化层4的池化尺寸为3×3,取样步长为2×2;学习率为0.006~0.011,学习动量项为0.921~0.945,权重衰减系数为0.00044~0.0005 。
4.如权利要求1所述的深度学习网络,其特征在于所述深度学习网络的运行步骤包括:获取待识别商号标识图像,利用预先训练得到的深度学习网络识别所述待识别商号标识图像;识别通过所述卷积层1、池化层1、卷积层2、池化层2、卷积层3、卷积层4、池化层3、卷积层5、池化层4、全连接层1和全连接层2,于全连接层2输出节点为所述商号标识图像的商号标识属性概率,根据所述商号标识属性概率确定所述待识别商号标识图像的商号标识属性信息,当准确率超过95%时,所述的深度卷积网络服务器向所述电动车驱动模块发送低电平,所述电动车驱动模块调低输出电流,所述电动机转速下降;同时所述深度卷积网络服务器向所述辅助显示终端输出所述商号标识属性信息;在获取待识别商号标识图像之后、在所述利用预先训练得到的深度学习网络识别所述待识别商号标识图像之前,进一步包括:对所述待识别商号标识图像进行预处理;所述预处理至少包括以下一种操作:裁剪、边界填充、翻转、饱和度平衡、色调平衡、对比度平衡、直方图均衡、镜像操作、随机剪切、中心化、均值化、调整大小resize;步骤包括:获取待识别商号标识图像;训练深度学习网络;所述深度学习网络的网络结构包括卷积层、池化层和全连接层,所述卷积层的后面连接所述池化层,所述池化层后面连接所述全连接层,最后的全连接层上的每个输出节点为所述商号标识图像的商号标识属性概率;识别步骤是利用预先训练得到的深度学习网络识别所述待识别商号标识图像;根据所述商号标识属性概率确定所述待识别商号标识图像的商号标识属性信息,当准确率超过95%时,所述的深度卷积网络服务器向所述电动车驱动模块发送低电平,所述电动车驱动模块调低输出电流,所述电动机转速下降;同时所述深度卷积网络服务器向所述辅助显示终端输出所述商号标识属性信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810055725.9A CN107967468A (zh) | 2018-01-19 | 2018-01-19 | 一种基于无人驾驶汽车的辅助控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810055725.9A CN107967468A (zh) | 2018-01-19 | 2018-01-19 | 一种基于无人驾驶汽车的辅助控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107967468A true CN107967468A (zh) | 2018-04-27 |
Family
ID=61993557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810055725.9A Pending CN107967468A (zh) | 2018-01-19 | 2018-01-19 | 一种基于无人驾驶汽车的辅助控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107967468A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991337A (zh) * | 2019-12-02 | 2020-04-10 | 山东浪潮人工智能研究院有限公司 | 一种基于自适应双路检测网络的车辆检测方法 |
CN112308922A (zh) * | 2020-11-25 | 2021-02-02 | 南京鸿昌智能货架有限公司 | 一种基于深度学习的穿梭车自动寻货定位方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654066A (zh) * | 2016-02-02 | 2016-06-08 | 北京格灵深瞳信息技术有限公司 | 一种车辆识别方法及装置 |
CN106873566A (zh) * | 2017-03-14 | 2017-06-20 | 东北大学 | 一种基于深度学习的无人驾驶物流车 |
-
2018
- 2018-01-19 CN CN201810055725.9A patent/CN107967468A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654066A (zh) * | 2016-02-02 | 2016-06-08 | 北京格灵深瞳信息技术有限公司 | 一种车辆识别方法及装置 |
CN106873566A (zh) * | 2017-03-14 | 2017-06-20 | 东北大学 | 一种基于深度学习的无人驾驶物流车 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991337A (zh) * | 2019-12-02 | 2020-04-10 | 山东浪潮人工智能研究院有限公司 | 一种基于自适应双路检测网络的车辆检测方法 |
CN110991337B (zh) * | 2019-12-02 | 2023-08-25 | 山东浪潮科学研究院有限公司 | 一种基于自适应双路检测网络的车辆检测方法 |
CN112308922A (zh) * | 2020-11-25 | 2021-02-02 | 南京鸿昌智能货架有限公司 | 一种基于深度学习的穿梭车自动寻货定位方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7120689B2 (ja) | 深層学習に基づく車載ビデオターゲット検出方法 | |
CN107451607B (zh) | 一种基于深度学习的典型人物的身份识别方法 | |
CN107092906A (zh) | 一种基于深度学习的中药材识别装置 | |
CN105825235B (zh) | 一种基于多特征图深度学习的图像识别方法 | |
CN106815604B (zh) | 基于多层信息融合的注视点检测方法 | |
CN107368787A (zh) | 一种面向深度智驾应用的交通标志识别算法 | |
CN105469400B (zh) | 电子元件极性方向的快速识别、标注的方法和系统 | |
CN107085696A (zh) | 一种基于卡口图像的车辆定位及型号识别方法 | |
CN108229397A (zh) | 基于Faster R-CNN的图像中文本检测方法 | |
CN110473164A (zh) | 一种基于注意力机制的图像美学质量评价方法 | |
CN106909886B (zh) | 一种基于深度学习的高精度交通标志检测方法及系统 | |
CN105956626A (zh) | 基于深度学习的对车牌位置不敏感的车牌识别方法 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN113469953B (zh) | 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法 | |
CN105654066A (zh) | 一种车辆识别方法及装置 | |
CN107688808A (zh) | 一种快速的自然场景文本检测方法 | |
CN108491797A (zh) | 一种基于大数据的车辆图像精确检索方法 | |
CN105590099B (zh) | 一种基于改进卷积神经网络的多人行为识别方法 | |
CN107507172A (zh) | 融合红外可见光的特高压线路绝缘子串深度学习识别方法 | |
CN108665441A (zh) | 一种近似重复图像检测方法及装置,电子设备 | |
CN107609485A (zh) | 交通标志的识别方法、存储介质、处理设备 | |
JPWO2020181685A5 (zh) | ||
CN111191608B (zh) | 基于YOLOv3改进的交通标志检测与识别方法 | |
CN110490238A (zh) | 一种图像处理方法、装置及存储介质 | |
CN110455306A (zh) | 一种基于深度学习的机器人场景识别与语义导航地图标注方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180427 |