CN110414391A - 基于深度学习算法的主动移动式车底危险品检测装置 - Google Patents
基于深度学习算法的主动移动式车底危险品检测装置 Download PDFInfo
- Publication number
- CN110414391A CN110414391A CN201910635228.0A CN201910635228A CN110414391A CN 110414391 A CN110414391 A CN 110414391A CN 201910635228 A CN201910635228 A CN 201910635228A CN 110414391 A CN110414391 A CN 110414391A
- Authority
- CN
- China
- Prior art keywords
- module
- vehicle bottom
- detection
- vehicle
- personal computer
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/141—Control of illumination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/147—Details of sensors, e.g. sensor lenses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/05—Recognition of patterns representing particular kinds of hidden objects, e.g. weapons, explosives, drugs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Vascular Medicine (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明为基于深度学习算法的主动移动式车底危险品检测装置,包括信息采集设备和工控机,信息采集设备和工控机通过无线通信,其中信息采集设备包括工业相机、补光灯、辐射传感器、气体传感器、无线传输模块,所述信息采集设备还包括移动平台,所述移动平台包括运动控制器、红外无线模块、遥控器,通过遥控器控制使移动平台通过‘U型’路线遍历车底;控制器通过红外无线模块与遥控器连接;在移动平台的机身上表面安装有工业相机,工业相机的前后两侧的机身上对称布置有补光灯,工控机内加载有深度学习算法。该装置为主动式移动检测装置,即停车后主动操作移动检测装置进入车底进行检测,能更好的实现危险目标检测,检测精度高。
Description
技术领域
本发明涉及机器人目标检测领域,具体为一种基于深度学习算法的主动移动式车底危险品检测装置。
背景技术
随着经济的快速发展,我国汽车的保有量急剧增加,截止2016年底,我国的民用汽车保有量已经达到1.8亿辆,汽车已成为我们生活必不可少的交通工具。但是由于车底位置极易藏匿危险品,其隐蔽性强、检查难度大,容易对社会造成重大危害。近年来,世界各国出于国际反恐、公共安全等多方面考虑,都将车底安检技术及装置的研究上升到国家发展战略的高度。
当前车底检测装置主要有固定式和移动式。固定式一般将相机和补光灯等在路面挖坑安装,当车辆从上面通过时,触发相机进行拍照扫描;移动式原理和固定式类似,就是将相机和补光灯等集成在一个可移动装置上,需要安检时将其放置路面中间,当车辆从上面通过时,触发相机进行拍照扫描,如申请人的在先申请CN2018114156704车辆底盘检测系统和车辆底盘检测方法,该装置采用被动式检测,即装置在需要时被放在路面上,车辆再从其上面经过触发线阵相机拍照扫描,但由于使用线阵相机获得的车底图像太大(一般能达到7000*2000),且所使用的图像识别技术的训练图像很难得到,导致其识别准确率不高。
现有车底检测装置可实现不停车检测,有检测速度快、检测方式简单等优点,但是针对一些对安检等级要求比较高的场合,例如大型国际性会场入口,军事场所入口,其对检测精度要求高于检测速度,现有技术一般利用车底整体扫描技术,然后利用人工检测,这样检测速度较快,一个车辆检测时间大概在5s左右,但是由于安检员检测主观因素较强,且长时间检测容易造成疲劳出现漏检。而若将人工检测改为传统目标检测技术检测,也存在识别精度低、定位不准确、检测目标不能进行分类等问题。
发明内容
针对上述问题,本发明拟解决的技术问题是,提供了一种基于深度学习算法的主动移动式车底危险品检测装置。该装置通过一个主动式移动平台携带面阵相机驶入停止状态的车辆底部进行拍摄,并通过深度学习算法对拍摄画面进行实时检测,如果检测出可疑物品,则装置进行报警。另外,装置上还安装有辐射探测器和气体探测器,当装置检测到辐射信息和指定气体浓度超标时也会进行报警。
本发明解决所述技术问题采用的技术方案是:
一种基于深度学习算法的主动移动式车底危险品检测装置,包括信息采集设备和工控机,信息采集设备和工控机通过无线通信,其中信息采集设备包括工业相机、补光灯、辐射传感器、气体传感器、无线传输模块,其特征在于,所述信息采集设备还包括移动平台,
所述移动平台包括机身、电机、电瓶、运动控制器、红外无线模块、遥控器及四个车轮,通过遥控器控制使移动平台通过‘U型’路线遍历车底;运动控制器控制机身实现移动平台的前进、后退、变速、转弯动作,控制器通过红外无线模块与遥控器连接,接收遥控器的指令;
在移动平台的机身上表面安装有工业相机,工业相机的前后两侧的机身上对称布置有补光灯,工业相机的左右两侧的机身上布置有辐射传感器、气体传感器,所述工业相机为面阵相机;移动平台的机身上还安装有无线传输模块,工业相机、补光灯、辐射传感器、气体传感器分别通过无线传输模块连接工控机;工控机同时连接报警设备,工控机内加载有深度学习算法。
所述深度学习算法的具体步骤是:
1)构建车底危险品混合数据集:
收集多种已知车底危险品的实拍图像和大量网络下载的危险品图像,并为每张图像中的危险品做上标记框同时记录每张图像中危险品的类别;对收集来的每张图像进行缩放处理,设置至少四种不同尺寸规格进行多尺度训练,所设置的每种尺寸规格均是32的整数倍,且为32的13~20倍,得到车底危险品混合数据集;
2)搭建改进的YOLOv3算法:
改进的YOLOv3算法包括输入层、DarkNet-53网络和三个输出分支,三个输出分支分别记为y1、y2、y3,其中在网络的输出分支y2、输出分支y3上分别增加一个Inception-res模块,使不同的分支的感受野不同,
DarkNet-53网络由53个卷积层组成,网络设置残差模块Res2、第一残差模块Res8、第二残差模块Res8、残差模块Res4,输出分支y1由DarkNet-53网络末尾引出,有较大感受野,负责检测较大目标;输出分支y2由第二残差模块Res8引出,负责检测适中大小目标;输出分支y3由第一残差模块Res8引出,负责检测较小目标;
3)使用步骤1)建立的混合数据集训练改进的YOLOv3算法,得到训练好的网络模型,用于对检测车底图像进行分类及标识,输出带标记框和分类名称的结果图像。
输出分支y2由浅层特征和深层特征拼接而成,其浅层特征由DarkNet-53网络第二残差模块8后面引出,然后经过Inception-res-b模块处理得到;其深层特征由输出分支y1中的第5个DBL模块后引出,然后经过一个DBL模块,并进行上采样得到;输出分支y2中浅层特征和深层特征拼接后,将拼接成的特征图再经过6个DBL模块和1个卷积层输出;输出分支y3的浅层特征由DarkNet-53网络第一残差单元8后面引出,然后经过Inception-res-a模块处理得到;输出分支y3的深层特征由输出分支y2拼接后的第5个DBL模块后引出,然后再经过一个DBL模块,并进行上采样得到;输出分支y3中由浅层特征和深层特征拼接后,将拼接成的特征图再经过6个DBL模块和1个卷积层输出。
Inception-res-a模块使用3x3、5x5卷积核进行卷积,Inception-res-b模块使用1x1、3x3卷积核进行卷积,Inception-res-a模块结构的两个分支的卷积核大小较Inception-res-b模块结构的两个分支的卷积核大小小。
一种基于深度学习算法的主动移动式车底危险品检测方法,使用上述的检测装置,该方法的步骤是:
(1)当车辆行驶至挡杆前指定停车位置时,令车辆停止,接受安检;
(2)手动控制信息采集设备进入车底,并打开工业相机、补光灯、辐射传感器、气体传感器;
(3)使用遥控器控制移动平台从车头部分进入车底按“U”型路线匀速运动到车尾部分并返回或者从车尾部分进入车底按“U”型路线匀速运动到车头部分并返回;
(4)实时对拍摄图像运用深度学习算法进行目标检测,同时对实时采集的辐射和气体信息进行检测;当检测结果异常时信息采集设备自动停止,并自动报警,屏幕显示检测结果,随后进行人工排查;如果排查无异常,则信息采集设备继续前进进行检测;
(5)检测结束,关闭工业相机、补光灯、辐射传感器、气体传感器,并手动控制信息采集设备驶出车底;
挡杆抬起,引导车辆安全通过。
与现有技术相比,本发明的有益效果是:
本发明的显著进步是:
(1)现有被动式移动车底检测设备,拍摄车底图像中危险物相对较小,且车底零件复杂,容易造成多检或漏检;利用本发明中的主动式车底检测设备,可以小范围逐步扫描车底,能够更好的进行危险品检测;工业相机固定在移动设备上,拍摄视角设定为170度,车底离地面距离一般15-20cm,移动设备高度10cm,则车底离相机大概5-10cm,相机只能测得900cm左右范围,视角再扩大畸变会严重,所以需要通过移动设备‘U’型运动来逐步扫描;检测算法存储在工控机中,扫描画面通过无线传输模块实时传送到工控机中,利用深度学习算法进行检测。
(2)现有主动式移动车底检测设备,一般利用人工检测或传统目标检测算法(模板匹配、SIFT算子特征提取等),检测效率较低、精度较差;利用本发明中改进的YOLOv3深度学习算法,可以更好的实现危险目标检测,实现拍摄图像的分类定位检测。
(3)结合视觉、辐射、气体等多通道传感器,多传感信息融合可以更全面的对车底各指标进行检测。
本发明突出的实质性特点是:
申请人之前的专利CN201811415670主要利用多通道传感器增加装置的检测维度,并利用图像识别技术判断检测图像内容。该检测装置操作方便,检测速度快(一般5s左右能检测完成)。但由于车底图像太大(一般能达到7000*2000),如果按原始图像大小训练则内存耗损巨大,训练速度非常慢;如果将图像等比例缩小到580*580左右训练,则危险物图像会变得很小,不利于检测,且由于现实中车底存在危险物的情况不常见,所以车底图像训练集很难得到,以致识别准确率较低,测试mAP值一般只有68%左右。另外该装置使用相机为线阵相机,价钱较贵,且对速度匹配模块要求较高(线阵相机每次拍摄为仅有几个像素的条形图像,由于车速非匀速,需要通过速度匹配模块检测车速来实时控制线阵相机的拍摄行频,否则会出现图像拉伸或压缩严重)。本申请将装置改为主动式移动检测装置,即停车后主动操作移动检测装置进入车底进行检测,这样可以通过面阵相机代替线阵相机,省去速度匹配模块,且实时传输车底局部画面进行检测,画面像素一般设置在580*580左右,这样可以避免使用难获取的车底危险品数据库,而可以采用拍摄的危险品照片和网络下载危险品图像作为数据库进行训练,测试mAP值可以达到82%。另外如若采用被动式移动检测装置,辐射传感器和气体传感器只能测得数值信息而不能定位,采用主动式移动检测设备利用移动过程中检测数数值信息的强弱变化可以很好实现危险源定位(检测数值离危险源中心越近数值越大,当检测数值信息最大时则是危险源所在位置。通过实时图像也能确定危险品位于车底的位置区域)。当然由于采用停车检测,一个车辆的检测速度会增加到30s左右,但是针对一些对检测精度要求严格的场合有很大应用意义,比如大型国际会场出入口,军事场所等,而且由于该设备可主动移动,且设备成本下降,可以布置多台装置同时检测。
附图说明
图1是本发明信息采集设备整体结构图。
图2是本发明多通道传感器信息传输图。
图3是本发明检测过程流程图。
图4是本发明改进YOLOv3网络结构图。
图5是本发明网络增加模块--Inception-res模块结构图。
图6是本发明网络算法训练及测试流程图。
图7是本发明深度学习算法输出的测试结果图。
图中,1、电机;2、无线传输模块;3、红外无线模块;4、运动控制器;5、车轮;6、机身;7、辐射传感器;8、工业相机;9、电瓶;10、补光灯;11、气体传感器。
具体实施方式
下面将结合附图和实施例对本发明进行进一步说明,但并不以此作为对本申请保护范围的限定。
本发明一种基于深度学习算法的主动移动式车底危险品检测装置包括信息采集设备和工控机,其中信息采集设备包括移动平台、工业相机8、补光灯10、辐射传感器7、气体传感器11、无线传输模块2,
所述移动平台包括机身、电机1、电瓶9、运动控制器4、红外无线模块3、遥控器及四个车轮5,通过遥控器控制可以使移动平台通过‘U型’路线遍历车底,即移动平台可以从待检测车辆的车头或车尾进入车底空间然后再从车尾或车头出车底空间,相当于在车底进行一个往返运动;电机1为移动平台提供动力,驱动车轮动作;遥控器与红外无线模块连接,运动控制器主要通过处理红外无线模块3接收的遥控器指令,来控制电机1以及传动机构和转向机构,实现移动平台的前进、后退、变速、转弯等动作。
在移动平台的机身上表面安装有工业相机8,工业相机8的前后两侧的机身上对称布置有两个补光灯10,工业相机的左右两侧的机身上布置有辐射传感器、气体传感器,所述工业相机为面阵相机;移动平台的机身上还安装有无线传输模块2,工业相机、补光灯10、辐射传感器7、气体传感器11分别通过无线传输模块连接工控机;工控机同时连接报警设备,工控机内加载有深度学习算法;
工业相机用于拍摄车底图像,并通过无线实时传输到工控机,通过深度学习算法检测是否存在危险物,如果检测出可疑危险物则将其标出显示在工控机的屏幕上,同时工控机控制报警设备进行自动报警。
补光灯用于工业相机拍摄补光,在工业相机前后各布置一个,使补光更均匀。
辐射传感器用于检测车底是否有超标强辐射源,并将检测数据通过无线实时传输到工控机,判断是否浓度超标,浓度超标则自动报警。
气体传感器用于检测车底是否有指定强气味源,可以是汽油等强气味易燃液体或者氯气等强气味有毒气体,并将检测数据通过无线实时传输到工控机,判断是否浓度超标,浓度超标则自动报警。
无线传输模块主要负责信息采集设备和工控机的通信。
工控机与其他设备独立,通过无线传输模块与信息采集设备中部件进行通信,工控机上带有显示器和键盘鼠标等输入设备(工控机可以用笔记本电脑替代)。工控机主要负责对图像的目标检测、对辐射信息和气体信息的处理,以及检测结果的显示。
本发明中车底图像的深度学习算法,主要用到改进的YOLOv3算法,YOLOv3算法是一种基于深度学习原理的目标检测算法。其首先通过大量图像进行训练,最终得到训练好的网络模型,测试时将车底图像实时输入网络并输出带标记框和分类名称的结果图像。算法的具体步骤是:
4)构建车底危险品混合数据集(混合数据库):
收集多种已知车底危险品的实拍图像和大量网络下载的危险品图像,并为每张图像中的危险品做上标记框同时记录每张图像中危险品的类别,由于危险品目标尺寸各异,对收集来的每张图像进行缩放处理,设置至少四种不同尺寸规格进行多尺度训练,所设置的每种尺寸规格均是32的整数倍,且为32的13~20倍;
如选取416x416、448x448、480x480、512x512、544x544五种尺寸进行多尺度训练,每输入一个批次(batch,训练时会提前设置一个批次尺寸值,即每次训练同时输入几张图像)从上述五种尺寸中随机选取一种输入尺寸。上述每个批次从五种尺度中随机选取一种尺度训练的方法即为多尺度图像训练方法,通过多尺度图像训练能够保证算法网络对各种不同尺寸的危险品都有较好识别能力。
5)搭建改进的YOLOv3算法:
改进的YOLOv3算法包括输入层、DarkNet-53网络和三个输出分支,三个输出分支分别记为y1、y2、y3,其中在网络的输出分支y2、输出分支y3上分别增加一个Inception-res模块,利用其增加了网络宽度,不同的分支的感受野是不同的,所以有多尺度的信息在里面。
DarkNet-53网络由53个卷积层组成,并对每层卷积结果进行批归一化处理以及用Leaky-ReLU函数激活,网络设置残差模块Res2、第一残差模块Res8、第二残差模块Res8、残差模块Res4,输出分支y1由DarkNet-53网络末尾引出,有较大感受野,主要负责检测较大目标;输出分支y2由第二残差模块Res8引出,主要负责检测适中大小目标;输出分支y3由第一残差模块Res8引出,主要负责检测较小目标;
Inception-res-a模块结构如图5(a)所示,使用3x3、5x5卷积核进行卷积,Inception-res-b模块结构如图5(b)所示使用1x1、3x3卷积核进行卷积,Inception-res-a模块结构的两个分支的卷积核大小较Inception-res-b模块结构的两个分支的卷积核大小小,这样可更好的提高网络对不同尺度目标的适应性。
6)使用步骤1)建立的混合数据集训练改进的YOLOv3算法,得到训练好的网络模型,用于对检测车底图像进行分类及标识,输出带标记框和分类名称的结果图像。
上述步骤1)中的图像包括编织袋、包裹枪或刀的布、纸箱等异物。
本发明中工业相机选用海康威视MV-CA050-10GC工业相机;气体传感器选用信立科技的XL61气体传感器;辐射传感器选用明核仪器的D1501辐射传感器。
为了更好提高网络对多尺度目标的适应性,使网络能够很好的适应多尺度目标,从而使检测结果更精确。
本发明适用于对检测要求较严格场景,例如大型国际会议场所等,检测时车辆处于停车状态,具体步骤如下:
(6)当车辆行驶至挡杆前指定停车位置时,令车辆停止,接受安检;
(7)手动控制信息采集设备进入车底,并打开工业相机、补光灯、辐射传感器、气体传感器;
(8)使用遥控器控制信息采集设备从车头部分进入车底按“U”型路线匀速运动到车尾部分并返回;
(9)实时对拍摄图像运用改进的YOLOv3算法进行目标检测,同时对实时采集的辐射和气体信息进行检测。当检测结果异常时信息采集设备自动停止,并自动报警,屏幕显示检测结果,随后进行人工排查。如果排查无异常,则信息采集设备继续前进进行检测。
(10)检测结束,关闭工业相机、补光灯、辐射传感器、气体传感器,并手动控制信息采集设备驶出车底;
(11)挡杆抬起,引导车辆安全通过。
实施例1
本实施例基于深度学习算法的主动移动式车底危险品检测装置,包括车底信息采集设备和工控机,信息采集设备的整体结构布置如图1所示,它由一个移动平台和各类传感器组成。
移动平台由电机1、车轮5、机身6、运动控制器4、红外无线模块3、电瓶9、遥控器等组成。电瓶9、电机1与图中未标出的传动变速机构、转向机构共同构成移动平台的动力系统,电瓶给系统供电,电机给系统提供动力。运动控制器4主要通过处理红外无线模块3接收的遥控器指令,来控制电机1以及传动机构和转向机构,实现移动平台的前进、后退、变速、转弯等动作。另外,运动控制器还可接收无线传输模块反馈的信号,当工控机判断出信号异常时立即反馈信号到运动控制器,令移动平台自动停止,当人工检测后再继续前进。工业相机置于机身轴线上,前后各布置一个补光灯使补光更均匀;沿车尾到车头方向,在工业相机左侧布置气体传感器,在工业相机右侧布置辐射传感器;将无线传输模块布置在车头位置,方便网络传输。
布置在移动平台上的传感器主要有工业相机8以及辐射传感器7和气体传感器11。
工业相机8是车底信息采集设备最重要的设备之一,它配有两个补光灯10。当装置进入车底时,补光灯打开,工业相机可以清晰的将车底画面通过无线传输模块2实时传输到工控机进行检测处理。当检测到可疑危险物时,工控机会进行报警。
辐射传感器7主要测试车底环境中的x射线、γ射线,测得辐射信息通过无线传输模块传到工控机,由工控机内置程序进行判断,判断车底是否藏有强辐射源危险品。测量时,辐射传感器测量信息实时通过无线传输模块2传到工控机,判断强度是否超标,当强度超标工控机驱动报警设备会自动报警,并且超标越严重,报警声越急促。从而通过辐射强度最大位置来判断辐射源的隐藏位置。
气体传感器11主要测试车底环境中的强气味易燃液体以及强气味有毒气体等。包括汽油、苯、农药、浓盐酸、氯气等,测试指定气味需使用对应气体传感器(一种气体传感器只能测试一种指定气体,所以测量之前是先指定好测什么气体,然后再选择相应传感器进行检测,本实施例选用的是氯气传感器)。它可以判断车底是否藏有强气味危险品。和辐射传感器类似,测量时,气体传感器测量信息实时通过无线传输模块2传到工控机,判断浓度是否超标,超标后自动报警,并根据浓度的最大位置来判断气体源可能的隐藏位置。
各传感器和工控机的通信如图2所示,信息采集设备将获取的图像信息、辐射信息、气体信息实时通过无线传输模块传送到工控机,然后通过深度学习算法(也就是基于深度学习的目标检测算法)以及阈值判断检测是否存在可疑危险物,并将结果反馈给运动控制模块,通过运动控制模块控制是否强制停车,即是否使本实施例的基于深度学习算法的主动移动式车底危险品检测装置停下来。
本实施例所述信息采集设备的移动平台高约10cm,长70cm,宽50cm,还包括移动平台运动所需的动力系统和控制系统,且能实现检测异常强制停车功能。
本实施例所述车底危险物检测流程如图3所示:
(1)当车辆驶入检测区域时,在挡杆前停车,准备接受检查;
(2)用遥控器控制信息采集设备进入车底,开始采集信息;
(3)车底相机、辐射传感器、气体传感器采集的图像信息、辐射信息以及气体信息通过无线传输模块实时传输到工控机进行检测。对图像信息使用图像检测算法进行检测,对辐射信息和气体信息进行阈值判断。
(4)如果检测无异常,则移动平台匀速前进,实时采集信息,循环检测;如果检测存在异常则控制信息采集设备停止运动;
(5)通过人工对移动平台停止位置的车底部分进行相应检测。如果检测正常,则使用遥控器重新启动信息采集设备,继续实时采集信息,进行循环检测;
(6)检测完毕,信息采集设备驶出车底;
(7)挡杆开启,车辆驶离检测区域。
本实施例所述图像检测算法采用改进的YOLOv3算法,其算法框图如图4所示。
改进的YOLOv3算法由输入层、DarkNet-53网络以及三个输出分支网络组成。DarkNet-53网络由DBL模块、残差模块1、残差模块2、第一残差模块8、第二残差模块8、残差模块4组成。其中DBL模块由一个卷积层、一个批归一化层和一个Leaky ReLU激活函数组成;残差模块由一个填零操作、一个DBL模块和n个残差单元组成,当n为1、2、8、4时,该残差模块相应称作残差模块1、残差模块2、残差模块8和残差模块4;残差单元由两个DBL模块串联,并通过快速通道,使卷积前数值与卷积后数值做残差。
输出分支y1由DarkNet-53网络末端残差模块4后引出,其由6个DBL模块和1个卷积层依次串联组成。输出分支y2由浅层特征和深层特征拼接而成,其浅层特征由DarkNet-53网络第二残差模块8后面引出,然后经过Inception-res-b模块处理得到;其深层特征由输出分支y1中的第5个DBL模块后引出,然后经过一个DBL模块,并进行上采样得到;浅层特征和深层特征拼接后,将拼接成的特征图再经过6个DBL模块和1个卷积层输出。输出分支y3类似分支y2,其浅层特征由DarkNet-53网络第一残差单元8后面引出,然后经过Inception-res-a模块处理得到;其深层特征由输出分支y2拼接后的第5个DBL模块后引出,然后再经过一个DBL模块,并进行上采样得到;由浅层特征和深层特征拼接后,将拼接成的特征图再经过6个DBL模块和1个卷积层输出。
检测时,由工业相机拍摄的图像先通过无线传输模块传到工控机,然后将图像(416*416*3)输入DarkNet-53网络,DarkNet-53网络由53个卷积层组成,并对每层卷积结果进行批归一化处理以及Leaky-ReLU函数激活,网络借鉴ResNet的残差模块,设置Res2、Res8、Res8、Res4模块,最终网络输出三个分支。y1分支主要负责检测较大目标;y2分支主要负责检测适中大小目标;y3分支主要负责检测较小目标。Inception-res模块结构如图5所示,其中Inception-res-a(图5(a))使用3x3、5x5卷积核进行卷积,Inception-res-b(图5(b))使用1x1、3x3卷积核进行卷积,这样可更好的提高网络对不同尺度目标的适应性。
YOLO系列网络只用一次神经网络和一次评价,就直接从输入的整幅图像预测边框和类别概率,整个检测流程是一个网络,所以运行速度非常快。YOLOv3采用了称之为Darknet-53的网络结构,将网络加深成53个卷积层。为了能够检测细粒度特征,采用了3个不同尺度的特征图进行对象检测;YOLOv3仍沿用YOLOv2的方法采取K-means聚类得到anchor,并将数量增加到9个,对于每个尺度的特征图分配3个不同的anchor,这样使网络在检测小尺寸对象时的能力大大提高;此外其还将预测层的softmax函数改为logistic函数,这样能够支持多标签对象的输出。本发明在YOLOv3的y2、y3分支分别增加Inception-res-a模块、Inception-res-b模块,两个Inception-res模块结构类似,为了检测不同大小目标,从而设置不同的卷积核大小和参数。并通过多尺度图像训练,使网络更能适应不同尺度的检测目标。
Inception-res-a模块中上层特征图分别通过1x1-1x3-3x1分支和1x1-1x5-5x1分支得到两个包含不同尺度信息的特征图,卷积核的个数均为512,然后将两个特征图进行拼接,对拼接图像再进行1x1卷积,以便综合两个不同尺度信息的特征图,最后将输出结果与原输入值进行残差处理,以避免特征消失现象。上述步骤中卷积操作中步长均为1。
Inception-res-b模块中上层特征图分别通过1x1-1x3-3x1分支和1x1分支得到两个包含不同尺度信息的特征图,然后将两个特征图进行拼接,对拼接图像再进行1x1卷积,最后将输出结果与原输入值进行残差处理,卷积操作步长为1。
本实施例采用深度学习算法对采集的数据进行处理,深度学习的目标检测算法加载在工控机中,使用之前需要先进行网络训练,然后将车底拍摄图像输入网络,得到识别结果图像。具体训练及测试流程图如图6所示。
(1)训练过程。首先对拍摄图像以及网络下载图像进行类别标注,并在图片危险品区域做上标记框,再进行标准化处理得到训练数据集;然后通过训练集中的训练图像对上述改进的YOLOv3网络模型进行训练,通过不断调整YOLOv3网络模型的权值参数以拟合到标记结果;最终得到训练好的网络模型。
(2)测试过程。首先通过车底检测设备(工业相机)拍摄车底图像作为测试图像;然后将测试图像输入训练好的网络模型中;通过网络计算输出标记好危险品类别及对图像中危险品做标记框的检测结果图像,即为测试结果图像,从测试结果图像中可以清楚地确定危险品位于车底中的位置区域(参见图7)。
本实施例装置设置在学校门口进行轿车测试,当车辆驶入挡杆前时,车辆停止,操作信息采集设备进入车底,检测完毕,挡杆开启,车辆经过。
使用深度学习算法进行检测,检测效果明显提高,准确率能达到82%。再配合人工复检,在减少安检员工作强度的同时,准确率可以达到90%以上。另外增加辐射传感器、气体传感器,可以检测肉眼无法得到的辐射、气味信息,大大增加了检测全面度。
以上对本发明所提供的一种基于深度学习算法的移动式车底危险品检测装置进行了详细介绍。本文中应用了具体的实施例对本发明的原理及实施方式进行了阐述。以上图像只是用于帮助理解本发明的方法和核心思想。对于本技术领域的普通技术人员,在不脱离本发明原理的前提下,对本发明进行若干的改进与修饰也应落在本发明的保护范围内。
本发明未述及之处适用于现有技术。
Claims (6)
1.一种基于深度学习算法的主动移动式车底危险品检测装置,包括信息采集设备和工控机,信息采集设备和工控机通过无线通信,其中信息采集设备包括工业相机、补光灯、辐射传感器、气体传感器、无线传输模块,其特征在于,所述信息采集设备还包括移动平台,
所述移动平台包括机身、电机、电瓶、运动控制器、红外无线模块、遥控器及四个车轮,通过遥控器控制使移动平台通过‘U型’路线遍历车底;运动控制器控制机身实现移动平台的前进、后退、变速、转弯动作,控制器通过红外无线模块与遥控器连接,接收遥控器的指令;
在移动平台的机身上表面安装有工业相机,工业相机的前后两侧的机身上对称布置有补光灯,工业相机的左右两侧的机身上布置有辐射传感器、气体传感器,所述工业相机为面阵相机;移动平台的机身上还安装有无线传输模块,工业相机、补光灯、辐射传感器、气体传感器分别通过无线传输模块连接工控机;工控机同时连接报警设备,工控机内加载有深度学习算法。
2.根据权利要求1所述的检测装置,其特征在于,工业相机用于拍摄车底图像,并通过无线实时传输到工控机,通过深度学习算法检测是否存在危险物,如果检测出可疑危险物则将其标出显示在工控机的屏幕上,同时工控机控制报警设备进行自动报警;
辐射传感器用于检测车底是否有超标强辐射源,并将检测数据通过无线实时传输到工控机,判断是否浓度超标,浓度超标则自动报警;
气体传感器用于检测车底是否有指定强气味源,并将检测数据通过无线实时传输到工控机,判断是否浓度超标,浓度超标则自动报警。
3.根据权利要求1所述的检测装置,其特征在于,所述深度学习算法的具体步骤是:
1)构建车底危险品混合数据集:
收集多种已知车底危险品的实拍图像和大量网络下载的危险品图像,并为每张图像中的危险品做上标记框同时记录每张图像中危险品的类别;对收集来的每张图像进行缩放处理,设置至少四种不同尺寸规格进行多尺度训练,所设置的每种尺寸规格均是32的整数倍,且为32的13~20倍,得到车底危险品混合数据集;
2)搭建改进的YOLOv3算法:
改进的YOLOv3算法包括输入层、DarkNet-53网络和三个输出分支,三个输出分支分别记为y1、y2、y3,其中在网络的输出分支y2、输出分支y3上分别增加一个Inception-res模块,使不同的分支的感受野不同,
DarkNet-53网络由53个卷积层组成,网络设置残差模块Res2、第一残差模块Res8、第二残差模块Res8、残差模块Res4,输出分支y1由DarkNet-53网络末尾引出,有较大感受野,负责检测较大目标;输出分支y2由第二残差模块Res8引出,负责检测适中大小目标;输出分支y3由第一残差模块Res8引出,负责检测较小目标;
3)使用步骤1)建立的混合数据集训练改进的YOLOv3算法,得到训练好的网络模型,用于对检测车底图像进行分类及标识,输出带标记框和分类名称的结果图像。
4.根据权利要求3所述的检测装置,其特征在于,输出分支y2由浅层特征和深层特征拼接而成,其浅层特征由DarkNet-53网络第二残差模块8后面引出,然后经过Inception-res-b模块处理得到;其深层特征由输出分支y1中的第5个DBL模块后引出,然后经过一个DBL模块,并进行上采样得到;输出分支y2中浅层特征和深层特征拼接后,将拼接成的特征图再经过6个DBL模块和1个卷积层输出;输出分支y3的浅层特征由DarkNet-53网络第一残差单元8后面引出,然后经过Inception-res-a模块处理得到;输出分支y3的深层特征由输出分支y2拼接后的第5个DBL模块后引出,然后再经过一个DBL模块,并进行上采样得到;输出分支y3中由浅层特征和深层特征拼接后,将拼接成的特征图再经过6个DBL模块和1个卷积层输出。
5.根据权利要求4所述的检测装置,其特征在于,Inception-res-a模块使用3x3、5x5卷积核进行卷积,Inception-res-b模块使用1x1、3x3卷积核进行卷积,Inception-res-a模块结构的两个分支的卷积核大小较Inception-res-b模块结构的两个分支的卷积核大小小。
6.一种基于深度学习算法的主动移动式车底危险品检测方法,使用根据权利要求1-5任一所述的检测装置,该方法的步骤是:
(1)当车辆行驶至挡杆前指定停车位置时,令车辆停止,接受安检;
(2)手动控制信息采集设备进入车底,并打开工业相机、补光灯、辐射传感器、气体传感器;
(3)使用遥控器控制移动平台从车头部分进入车底按“U”型路线匀速运动到车尾部分并返回或者从车尾部分进入车底按“U”型路线匀速运动到车头部分并返回;
(4)实时对拍摄图像运用深度学习算法进行目标检测,同时对实时采集的辐射和气体信息进行检测;当检测结果异常时信息采集设备自动停止,并自动报警,屏幕显示检测结果,随后进行人工排查;如果排查无异常,则信息采集设备继续前进进行检测;
(5)检测结束,关闭工业相机、补光灯、辐射传感器、气体传感器,并手动控制信息采集设备驶出车底;
(6)挡杆抬起,引导车辆安全通过。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910635228.0A CN110414391B (zh) | 2019-07-15 | 2019-07-15 | 基于深度学习算法的主动移动式车底危险品检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910635228.0A CN110414391B (zh) | 2019-07-15 | 2019-07-15 | 基于深度学习算法的主动移动式车底危险品检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110414391A true CN110414391A (zh) | 2019-11-05 |
CN110414391B CN110414391B (zh) | 2021-05-04 |
Family
ID=68361371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910635228.0A Active CN110414391B (zh) | 2019-07-15 | 2019-07-15 | 基于深度学习算法的主动移动式车底危险品检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414391B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110837860A (zh) * | 2019-11-06 | 2020-02-25 | 惠州皓赛技术有限公司 | 基于深度学习的贴片检测方法及相关系统 |
CN110929593A (zh) * | 2019-11-06 | 2020-03-27 | 哈尔滨工业大学(威海) | 一种基于细节辨别区别的实时显著性行人检测方法 |
CN111353481A (zh) * | 2019-12-31 | 2020-06-30 | 成都理工大学 | 基于激光点云与视频图像的道路障碍物识别方法 |
CN111402211A (zh) * | 2020-03-04 | 2020-07-10 | 广西大学 | 一种基于深度学习的高速列车车底异物识别方法 |
CN111898539A (zh) * | 2020-07-30 | 2020-11-06 | 国汽(北京)智能网联汽车研究院有限公司 | 一种多目标检测方法、装置、系统、设备及可读存储介质 |
CN112329658A (zh) * | 2020-11-10 | 2021-02-05 | 江苏科技大学 | 一种对于yolov3网络的检测算法改进方法 |
CN114280083A (zh) * | 2021-12-16 | 2022-04-05 | 重庆日联科技有限公司 | 一种基于线阵相机自动cnc编程实现工业x光无损检测大尺寸平整铸件的检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101847010A (zh) * | 2010-06-07 | 2010-09-29 | 东南大学 | 小型侦察机器人智能控制器 |
CN202403197U (zh) * | 2012-01-14 | 2012-08-29 | 张森 | 一种车底照明光源防护装置 |
CN202471996U (zh) * | 2012-01-14 | 2012-10-03 | 张森 | 一种三维车辆底盘安全检查系统 |
CN104967769A (zh) * | 2015-07-16 | 2015-10-07 | 深圳中安高科电子有限公司 | 一种车底扫描系统和方法 |
CN205071225U (zh) * | 2015-11-10 | 2016-03-02 | 德文能源股份有限公司 | 一种车底视频检查镜 |
CN108710826A (zh) * | 2018-04-13 | 2018-10-26 | 燕山大学 | 一种交通标志深度学习模式识别方法 |
CN208174860U (zh) * | 2018-03-29 | 2018-11-30 | 广州市科灵电子工程有限公司 | 一种移动式智能化车辆底盘拍照系统 |
CN109001833A (zh) * | 2018-06-22 | 2018-12-14 | 天和防务技术(北京)有限公司 | 一种基于深度学习的太赫兹危险品检测方法 |
CN109283592A (zh) * | 2018-11-26 | 2019-01-29 | 河北工业大学 | 车辆底盘检测系统和车辆底盘检测方法 |
CN109858389A (zh) * | 2019-01-10 | 2019-06-07 | 浙江新再灵科技股份有限公司 | 基于深度学习的直梯人数统计方法及系统 |
US10332245B1 (en) * | 2018-12-11 | 2019-06-25 | Capital One Services, Llc | Systems and methods for quality assurance of image recognition model |
-
2019
- 2019-07-15 CN CN201910635228.0A patent/CN110414391B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101847010A (zh) * | 2010-06-07 | 2010-09-29 | 东南大学 | 小型侦察机器人智能控制器 |
CN202403197U (zh) * | 2012-01-14 | 2012-08-29 | 张森 | 一种车底照明光源防护装置 |
CN202471996U (zh) * | 2012-01-14 | 2012-10-03 | 张森 | 一种三维车辆底盘安全检查系统 |
CN104967769A (zh) * | 2015-07-16 | 2015-10-07 | 深圳中安高科电子有限公司 | 一种车底扫描系统和方法 |
CN205071225U (zh) * | 2015-11-10 | 2016-03-02 | 德文能源股份有限公司 | 一种车底视频检查镜 |
CN208174860U (zh) * | 2018-03-29 | 2018-11-30 | 广州市科灵电子工程有限公司 | 一种移动式智能化车辆底盘拍照系统 |
CN108710826A (zh) * | 2018-04-13 | 2018-10-26 | 燕山大学 | 一种交通标志深度学习模式识别方法 |
CN109001833A (zh) * | 2018-06-22 | 2018-12-14 | 天和防务技术(北京)有限公司 | 一种基于深度学习的太赫兹危险品检测方法 |
CN109283592A (zh) * | 2018-11-26 | 2019-01-29 | 河北工业大学 | 车辆底盘检测系统和车辆底盘检测方法 |
US10332245B1 (en) * | 2018-12-11 | 2019-06-25 | Capital One Services, Llc | Systems and methods for quality assurance of image recognition model |
CN109858389A (zh) * | 2019-01-10 | 2019-06-07 | 浙江新再灵科技股份有限公司 | 基于深度学习的直梯人数统计方法及系统 |
Non-Patent Citations (2)
Title |
---|
PENG DU 等: "Research on Small Size Object Detection in Complex Background", 《2018 IEEE》 * |
吕攀飞 等: "无人机作战平台的智能目标识别方法", 《激光与光电子学进展》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110837860A (zh) * | 2019-11-06 | 2020-02-25 | 惠州皓赛技术有限公司 | 基于深度学习的贴片检测方法及相关系统 |
CN110929593A (zh) * | 2019-11-06 | 2020-03-27 | 哈尔滨工业大学(威海) | 一种基于细节辨别区别的实时显著性行人检测方法 |
CN110929593B (zh) * | 2019-11-06 | 2023-06-20 | 哈尔滨工业大学(威海) | 一种基于细节辨别区别的实时显著性行人检测方法 |
CN111353481A (zh) * | 2019-12-31 | 2020-06-30 | 成都理工大学 | 基于激光点云与视频图像的道路障碍物识别方法 |
CN111402211A (zh) * | 2020-03-04 | 2020-07-10 | 广西大学 | 一种基于深度学习的高速列车车底异物识别方法 |
CN111402211B (zh) * | 2020-03-04 | 2022-11-11 | 广西大学 | 一种基于深度学习的高速列车车底异物识别方法 |
CN111898539A (zh) * | 2020-07-30 | 2020-11-06 | 国汽(北京)智能网联汽车研究院有限公司 | 一种多目标检测方法、装置、系统、设备及可读存储介质 |
CN112329658A (zh) * | 2020-11-10 | 2021-02-05 | 江苏科技大学 | 一种对于yolov3网络的检测算法改进方法 |
CN112329658B (zh) * | 2020-11-10 | 2024-04-02 | 江苏科技大学 | 一种对于yolov3网络的检测算法改进方法 |
CN114280083A (zh) * | 2021-12-16 | 2022-04-05 | 重庆日联科技有限公司 | 一种基于线阵相机自动cnc编程实现工业x光无损检测大尺寸平整铸件的检测方法 |
CN114280083B (zh) * | 2021-12-16 | 2023-11-07 | 重庆日联科技有限公司 | 一种基于线阵相机自动cnc编程实现工业x光无损检测大尺寸平整铸件的检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110414391B (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414391A (zh) | 基于深度学习算法的主动移动式车底危险品检测装置 | |
CN101696947B (zh) | 一种x射线双能量透射与康普顿背散射图像智能融合方法 | |
EP3709134A1 (en) | Tool and method for annotating a human pose in 3d point cloud data | |
CN103400111B (zh) | 基于视频检测技术的高速公路隧道火灾事件检测方法 | |
CN110532852A (zh) | 基于深度学习的地铁站行人异常事件检测方法 | |
CN109724984A (zh) | 一种基于深度学习算法的缺陷检测识别装置和方法 | |
CN106297142A (zh) | 一种无人机山火勘探控制方法及系统 | |
CN110245663A (zh) | 一种用于钢卷信息识别的方法 | |
CN109978827A (zh) | 基于人工智能的违禁物识别方法、装置、设备和存储介质 | |
CN106238342A (zh) | 全景视觉马铃薯分选和缺陷检测装置及其分选检测方法 | |
CN206193265U (zh) | 跨境电子商务智能安检系统 | |
CN109506628A (zh) | 一种基于深度学习的卡车环境下目标物测距方法 | |
CN106096504A (zh) | 一种基于无人机机载平台的车型识别方法 | |
CN110136101A (zh) | 一种基于孪生距离比对的轮胎x光病疵检测方法 | |
CN108288055A (zh) | 基于深度网络与分级测试的电力机车受电弓及电弧检测方法 | |
CN107194343B (zh) | 基于位置相关的卷积与Fire模型的红绿灯检测方法 | |
CN108896577A (zh) | 一种刹车片轮廓缺陷的自动检测方法 | |
CN108664875A (zh) | 基于图像识别的井下皮带运输监控方法 | |
CN112712093A (zh) | 安检图像识别方法、装置、电子设备及存储介质 | |
CN110414421A (zh) | 一种基于连续帧图像的行为识别方法 | |
CN109117838A (zh) | 应用于无人船感知系统的目标检测方法及装置 | |
CN116129153A (zh) | 实现用于禁限带物品识别的智能分析处理方法、系统、装置、处理器及计算机可读存储介质 | |
CN116846059A (zh) | 一种用于电网巡检和监控的边缘检测系统 | |
CN111855667A (zh) | 一种适用于地铁车辆的新型智慧列检系统和检测方法 | |
CN206292821U (zh) | 物品安检判图系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |