CN113989769A - 一种基于深度学习的车辆检测模型构建方法 - Google Patents
一种基于深度学习的车辆检测模型构建方法 Download PDFInfo
- Publication number
- CN113989769A CN113989769A CN202111245900.9A CN202111245900A CN113989769A CN 113989769 A CN113989769 A CN 113989769A CN 202111245900 A CN202111245900 A CN 202111245900A CN 113989769 A CN113989769 A CN 113989769A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- detection
- model
- detection model
- deep learning
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 78
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000010276 construction Methods 0.000 title claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 5
- 240000007651 Rubus glaucus Species 0.000 abstract description 9
- 235000011034 Rubus glaucus Nutrition 0.000 abstract description 9
- 235000009122 Rubus idaeus Nutrition 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 abstract description 9
- 230000001537 neural effect Effects 0.000 abstract description 4
- 238000011897 real-time detection Methods 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的车辆检测模型构建方法，涉及车辆检测技术领域。本发明通过先对目标检测数据集进行制作，使其能够进行车辆目标检测；其次对YOLO v4目标检测模型结构进行优化，引入MobileNet v3改进了YOLO v4模型的CSPDarknet 53特征提取网络，并改进其损失函数；再利用阿里云服务器对模型进行训练，解决了个人计算机开发难度大等问题；再对改进模型利用检测精度和检测速度指标完成评估，在树莓派上部署了AI神经计算棒和车辆检测识别模型。本发明利用轻量级卷积神经网络改进现有目标检测算法，有效解决了树莓派用于图像计算的算力不足等问题，同时有解决了对目标车辆进行实时检测的难题，使得在算力资源有限的移动式设备上可以有效进行车辆实时检测。
Description
技术领域
本发明属于车辆检测技术领域，特别是涉及一种基于深度学习的车辆检测模型构建方法。
背景技术
随着自动驾驶技术的发展，使车辆对周围环境的感知更加严格，如何对前方车辆进行有效地检测识别，一直都是车辆环境感知领域的热门。
近年来，深度学习技术的进步，基于深度学习的车辆检测算法已经取代精度低和鲁棒性差的传统检测算法成为主流。
然而，目前基于深度学习的车辆检测算法模型结构复杂、计算量大，在算力资源有限的移动式设备上无法进行车辆实时检测。
为解决上述问题，本发明提出了相关优化方案。
发明内容
本发明的目的在于提供一种基于深度学习的车辆检测模型构建方法，以解决了现有的问题：目前基于深度学习的车辆检测算法模型结构复杂、计算量大，在算力资源有限的移动式设备上无法进行车辆实时检测。
为解决上述技术问题，本发明是通过以下技术方案实现的：一种基于深度学习的车辆检测模型构建方法，包括以下步骤：
利用集中的车辆图像，组成车辆训练数据集；
对车辆训练数据集的车辆图像进行标注，得到目标检测数据集；
改进 YOLO v4 目标检测模型的特征提取网络；
改进目标检测模型的损失函数；
构建出车辆检测识别模型。
进一步地，其中，利用集中的车辆图像，组成车辆训练数据集，主要包括：
提取 PASCAL VOC 数据集中车辆图像组合得到车辆训练数据集。
进一步地，所述标注为利用 labelImg 工具进行标注。
进一步地，其中，改进 YOLO v4 目标检测模型的特征提取网络，主要包括：
用深度可分离卷积的MobileNet v3 改进 YOLO v4 目标检测模型的 CSPDarknet53 特征提取网络。
进一步地，其中，改进目标检测模型的损失函数，主要包括：
去掉了损失函数中的类别置信度。
进一步地，还包括以下步骤：
在个人笔记本和/或云服务器上对车辆检测识别模型进行训练。
进一步地，还包括以下步骤：
利用检测精度和检测速度指标评估车辆检测识别模型。
本发明具有以下有益效果：
本发明通过先对目标检测数据集进行制作，使其能够进行车辆目标检测；其次对YOLO v4 目标检测模型结构进行优化，引入 MobileNet v3 改进了 YOLO v4 模型的CSPDarknet 53 特征提取网络，并改进其损失函数；再利用阿里云服务器对模型进行训练，解决了个人计算机开发难度大等问题；再对改进模型利用检测精度和检测速度指标完成评估，在树莓派上部署了 AI 神经计算棒和车辆检测识别模型，解决了树莓派用于图像计算的算力不足等问题，由此实现了车辆模型检测的高速度，使得在算力资源有限的移动式设备上可以有效进行车辆实时检测。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的整体流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1所示，本发明为一种基于深度学习的车辆检测模型构建方法。
本发明是针对树莓派移动端设备，提出了在树莓派上部署深度学习车辆检测模型并达到实时检测的方法。
本发明包括以下步骤：
步骤1：制作目标检测数据集。
利用 PASCAL VOC 数据集中的车辆图像，组成了车辆训练数据集；
对车辆训练数据集的车辆图像进行采集，利用 labelImg 工具进行标注，得到目标检测数据集。
步骤2：对 YOLO v4 目标检测模型进行优化。
用深度可分离卷积的MobileNet v3 改进 YOLO v4 目标检测模型的 CSPDarknet53 特征提取网络，通过采用深度可分离卷积的 MobileNet v3 比传统卷积计算量同比下降，改进了输入图像的特征，降低图像失真率；
改进其损失函数。对损失函数进行优化，通过去掉了损失函数中的类别置信度，减少输出维度，提高了模型检测精度和速度。
通过上述步骤，构建出车辆检测识别模型。
步骤4：在个人笔记本和/或云服务器（该云服务器可以为阿里云服务器）上对车辆检测识别模型进行训练。
其中，利用阿里云服务器对模型进行训练，解决了个人计算机开发难度大等问题。
在具体的训练过程中，模型训练时间由原来的 58 小时缩短至 2 小时，并且有效降低了模型训练失败的风险。
步骤5：对车辆检测识别模型评估。
本步骤利用检测精度和检测速度指标评估了检测后的模型；
检测结果为：改进模型比原模型的检测速度提升 4. 7倍；
最后在树莓派智能小车上部署了 AI 神经计算棒和车辆检测识别模型后，测试了模型的检测速度。
最后的数据为：检测速度提升 2.41 倍，达到 19 FPS。
综合上述：本法的方法可有效解决树莓派用于图像计算的算力不足等问题，由此实现了车辆模型检测的高速度，使得在算力资源有限的移动式设备上可以有效进行车辆实时检测。
以下，为进一步方便理解本发明，提供本发明的应用场景：
在商业方面，在部署检测模型后，可将树莓派与 AI 神经计算棒固化为检测识别硬件，用于矿山、港口及封闭园区对车辆检测识别，也可重新制作专用数据集，满足特殊场景检测识别目标需要。
在科研方面，企业端在向智能网联汽车领域转型时，研发人员可以将训练完成的检测模型在树莓派智能小车上部署，并进行模型验证与实车测试。
在教学方面，成本低、易上手、结构简单和对场地要求不高的树莓派智能小车，可用于教学场景应用，利于展开对自动驾驶领域相关技术的教学和学习。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (7)
1.一种基于深度学习的车辆检测模型构建方法，其特征在于：包括以下步骤：
利用集中的车辆图像，组成车辆训练数据集；
对车辆训练数据集的车辆图像进行标注，得到目标检测数据集；
改进 YOLO v4 目标检测模型的特征提取网络；
改进目标检测模型的损失函数；
构建出车辆检测识别模型。
2.根据权利要求1所述的一种基于深度学习的车辆检测模型构建方法，其特征在于：其中，利用集中的车辆图像，组成车辆训练数据集，主要包括：
提取 PASCAL VOC 数据集中车辆图像组合得到车辆训练数据集。
3.根据权利要求1所述的一种基于深度学习的车辆检测模型构建方法，其特征在于：所述标注为利用 labelImg 工具进行标注。
4.根据权利要求1所述的一种基于深度学习的车辆检测模型构建方法，其特征在于：其中，改进 YOLO v4 目标检测模型的特征提取网络，主要包括：
用深度可分离卷积的MobileNet v3 改进 YOLO v4 目标检测模型的 CSPDarknet 53特征提取网络。
5.根据权利要求1所述的一种基于深度学习的车辆检测模型构建方法，其特征在于：其中，改进目标检测模型的损失函数，主要包括：
去掉了损失函数中的类别置信度。
6.根据权利要求1所述的一种基于深度学习的车辆检测模型构建方法，其特征在于：还包括以下步骤：
在个人笔记本和/或云服务器上对车辆检测识别模型进行训练。
7.根据权利要求6所述的一种基于深度学习的车辆检测模型构建方法，其特征在于：还包括以下步骤：
利用检测精度和检测速度指标评估车辆检测识别模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111245900.9A CN113989769A (zh) | 2021-10-26 | 2021-10-26 | 一种基于深度学习的车辆检测模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111245900.9A CN113989769A (zh) | 2021-10-26 | 2021-10-26 | 一种基于深度学习的车辆检测模型构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113989769A true CN113989769A (zh) | 2022-01-28 |
Family
ID=79741398
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111245900.9A Pending CN113989769A (zh) | 2021-10-26 | 2021-10-26 | 一种基于深度学习的车辆检测模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113989769A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2019101133A4 (en) * | 2019-09-30 | 2019-10-31 | Bo, Yaxin MISS | Fast vehicle detection using augmented dataset based on RetinaNet |
| CN110781964A (zh) * | 2019-10-28 | 2020-02-11 | 兰州交通大学 | 一种基于视频图像的人体目标检测方法及系统 |
| CN113076858A (zh) * | 2021-03-30 | 2021-07-06 | 深圳技术大学 | 基于深度学习的车辆信息检测方法、存储介质及终端设备 |
| CN113486819A (zh) * | 2021-07-09 | 2021-10-08 | 广西民族大学 | 一种基于YOLOv4算法的船舶目标检测方法 |
-
2021
- 2021-10-26 CN CN202111245900.9A patent/CN113989769A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2019101133A4 (en) * | 2019-09-30 | 2019-10-31 | Bo, Yaxin MISS | Fast vehicle detection using augmented dataset based on RetinaNet |
| CN110781964A (zh) * | 2019-10-28 | 2020-02-11 | 兰州交通大学 | 一种基于视频图像的人体目标检测方法及系统 |
| CN113076858A (zh) * | 2021-03-30 | 2021-07-06 | 深圳技术大学 | 基于深度学习的车辆信息检测方法、存储介质及终端设备 |
| CN113486819A (zh) * | 2021-07-09 | 2021-10-08 | 广西民族大学 | 一种基于YOLOv4算法的船舶目标检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108537191B (zh) | 一种基于结构光摄像头的三维人脸识别方法 | |
| CN109146944B (zh) | 一种基于深度可分卷积神经网络的视觉深度估计方法 | |
| CN105787458A (zh) | 基于人工设计特征和深度学习特征自适应融合的红外行为识别方法 | |
| CN109359697A (zh) | 一种电力设备巡检中使用的图形图像识别方法及巡查系统 | |
| CN110020681A (zh) | 基于空间注意力机制的点云特征提取方法 | |
| CN112750129B (zh) | 一种基于特征增强位置注意力机制的图像语义分割模型 | |
| CN105023013B (zh) | 基于局部标准差和Radon变换的目标检测方法 | |
| CN111145222A (zh) | 一种结合烟雾运动趋势和纹理特征的火灾检测方法 | |
| CN109086803A (zh) | 一种基于深度学习与个性化因子的雾霾能见度检测系统及方法 | |
| CN108491828B (zh) | 一种基于层次的成对相似性PVAnet的停车位检测系统及方法 | |
| CN113239753A (zh) | 基于YOLOv4改进的交通标志检测与识别方法 | |
| Jin et al. | A semi-automatic annotation technology for traffic scene image labeling based on deep learning preprocessing | |
| Qiu et al. | A lightweight yolov4-edam model for accurate and real-time detection of foreign objects suspended on power lines | |
| CN113989769A (zh) | 一种基于深度学习的车辆检测模型构建方法 | |
| Yan et al. | An end-to-end traffic light detection algorithm based on deep learning | |
| CN116740547A (zh) | 基于数字孪生的变电站目标检测方法、系统、设备及介质 | |
| Wu et al. | A non-local attention feature fusion network for multiscale object detection | |
| CN113128461B (zh) | 基于人体关键点挖掘全尺度特征的行人重识别性能提升方法 | |
| CN114998866A (zh) | 一种基于改进YOLOv4的交通标志识别方法 | |
| CN110895681A (zh) | 基于yolo v3的行人识别方法 | |
| Wang et al. | Detection of transmission towers and insulators in remote sensing images with deep learning | |
| CN111859784A (zh) | 一种基于深度学习神经网络的rcs时间序列特征提取方法 | |
| CN115578246B (zh) | 基于风格迁移的非对齐可见光和红外模态融合目标检测方法 | |
| Li et al. | Improved YOLOV7 algorithm for transmission line metal fittings equipment detection: algorithm improvement for integrating attention mechanism | |
| Li et al. | Lightweight Real-time Object Detection System Based on Embedded AI Development Kit |
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 |