CN117789185B - 基于深度学习的汽车油孔姿态识别系统及方法 - Google Patents

Abstract

本申请涉及智能识别技术领域，其具体地公开了一种基于深度学习的汽车油孔姿态识别系统及方法，其采用基于深度学习的计算机视觉技术对由摄像头采集的汽车油盖箱的数字图像进行图像特征提取，捕捉到数字图像的本质语义特征表达，挖掘出汽车油盖箱的状态信息，从而智能识别汽车油盖箱是否锁定。这样，实现对汽车油盖箱状态的实时监测和识别，从而保证油孔以及油盖箱处于安全的状态，确保汽车的行驶安全，并提高汽车的智能化水平和用户体验。

Description

基于深度学习的汽车油孔姿态识别系统及方法

技术领域

本申请涉及智能识别技术领域，且更为具体地，涉及一种基于深度学习的汽车油孔姿态识别系统及方法。

背景技术

汽车油孔是汽车油盖箱的一部分，用于加注汽车燃油，是汽车加油系统的重要组成部分。汽车油盖箱的设计旨在防止灰尘、水和其他杂物进入油箱，同时保护油箱免受外部环境的影响。汽车油盖箱通常有锁定和解锁两种状态，在解锁状态下，才能够通过油孔加注燃油。

在汽车工业中，如果汽车油盖箱出现问题，则会影响汽车的正常使用和驾驶安全。因此，对于汽车油盖箱状态的准确识别是保证汽车安全的重要环节。然而，传统的油盖箱状态识别方法主要依赖于人工检查。人工检查的方法不仅浪费时间和人力，而且无法保证检查的准确性和实时性。因此，期待一种优化的解决方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于深度学习的汽车油孔姿态识别系统及方法，其采用基于深度学习的计算机视觉技术对由摄像头采集的汽车油盖箱的数字图像进行图像特征提取，捕捉到数字图像的本质语义特征表达，挖掘出汽车油盖箱的状态信息，从而智能识别汽车油盖箱是否锁定。这样，实现对汽车油盖箱状态的实时监测和识别，从而保证油孔以及油盖箱处于安全的状态，确保汽车的行驶安全，并提高汽车的智能化水平和用户体验。

相应地，根据本申请的一个方面，提供了一种基于深度学习的汽车油孔姿态识别系统，其包括：

数字图像获取模块，用于获取由摄像头采集的汽车油盖箱的数字图像；

数据增强模块，用于对所述汽车油盖箱的数字图像进行数据增强以得到汽车油盖箱图像的集合；

状态特征提取模块，用于提取所述汽车油盖箱图像的集合的汽车油盖箱状态特征以得到汽车油盖箱状态特征图的集合；

特征本质化模块，用于对所述汽车油盖箱状态特征图的集合进行特征强化和本质化提取以得到汽车油盖箱本质语义特征图；

识别结果生成模块，用于基于所述汽车油盖箱本质语义特征图，确定识别结果。

在上述基于深度学习的汽车油孔姿态识别系统中，所述状态特征提取模块，用于：将所述汽车油盖箱图像的集合中的各个汽车油盖箱图像分别通过基于卷积神经网络模型的图像特征提取器以得到所述汽车油盖箱状态特征图的集合。

在上述基于深度学习的汽车油孔姿态识别系统中，所述特征本质化模块，包括：重参数化强化单元，用于将所述汽车油盖箱状态特征图的集合中的各个汽车油盖箱状态特征图通过基于重参数化网络的特征图强化器以得到强化汽车油盖箱状态特征图的集合；本质化提取单元，用于将所述强化汽车油盖箱状态特征图的集合输入本质特征提取网络以得到所述汽车油盖箱本质语义特征图。

在上述基于深度学习的汽车油孔姿态识别系统中，所述重参数化强化单元，用于：以如下重参数化公式对所述汽车油盖箱状态特征图进行处理以得到所述强化汽车油盖箱状态特征图；其中，所述重参数化公式为：

其中，是所述汽车油盖箱状态特征图的均值，/>是所述汽车油盖箱状态特征图的方差，/>是从高斯分布中随机采样得到的第/>个值，/>是所述强化汽车油盖箱状态特征图中第/>个特征值。

在上述基于深度学习的汽车油孔姿态识别系统中，所述本质化提取单元，用于：以如下本质特征提取公式对所述强化汽车油盖箱状态特征图的集合进行处理以得到所述汽车油盖箱本质语义特征图；其中，所述本质特征提取公式为：

其中，是所述强化汽车油盖箱状态特征图的集合中第/>个强化汽车油盖箱状态特征图，/>是所述强化汽车油盖箱状态特征图的集合中第/>个强化汽车油盖箱状态特征图，表示特征图的2范数，/>为所述强化汽车油盖箱状态特征图的集合的长度-1，/>为所述强化汽车油盖箱状态特征图的集合的表示，/>表示语义特征差异系数，/>表示自然指数函数运算，/>表示所述语义差异系数的总数，/>为所述汽车油盖箱本质语义特征图。

在上述基于深度学习的汽车油孔姿态识别系统中，所述识别结果生成模块，包括：校正单元，用于对所述汽车油盖箱本质语义特征图进行特征分布校正以得到校正后汽车油盖箱本质语义特征图；结果划分单元，用于将所述校正后汽车油盖箱本质语义特征图通过分类器以得到识别结果，所述识别结果用于表示汽车油盖箱是否锁定。

在上述基于深度学习的汽车油孔姿态识别系统中，所述校正单元，用于：对所述汽车油盖箱本质语义特征图中的各个汽车油盖箱本质语义特征矩阵进行线性变换转化为正方矩阵以得到变换后汽车油盖箱本质语义特征图；对所述变换后汽车油盖箱本质语义特征图进行基于相邻特征矩阵的优化校正以得到所述校正后汽车油盖箱本质语义特征图。

在上述基于深度学习的汽车油孔姿态识别系统中，所述结果划分单元，用于：使用所述分类器以如下分类公式对所述校正后汽车油盖箱本质语义特征图进行分类处理以获得所述分类结果；其中，所述分类公式为：

其中，表示将所述校正后汽车油盖箱本质语义特征图投影为向量，至/>是权重矩阵，/>至/>为偏置向量，/>表示归一化指数函数，/>表示所述分类结果。

根据本申请的另一个方面，提供了一种基于深度学习的汽车油孔姿态识别方法，其包括：

获取由摄像头采集的汽车油盖箱的数字图像；

对所述汽车油盖箱的数字图像进行数据增强以得到汽车油盖箱图像的集合；

提取所述汽车油盖箱图像的集合的汽车油盖箱状态特征以得到汽车油盖箱状态特征图的集合；

对所述汽车油盖箱状态特征图的集合进行特征强化和本质化提取以得到汽车油盖箱本质语义特征图；

基于所述汽车油盖箱本质语义特征图，确定识别结果。

与现有技术相比，本申请提供的基于深度学习的汽车油孔姿态识别系统及方法，其采用基于深度学习的计算机视觉技术对由摄像头采集的汽车油盖箱的数字图像进行图像特征提取，捕捉到数字图像的本质语义特征表达，挖掘出汽车油盖箱的状态信息，从而智能识别汽车油盖箱是否锁定。这样，实现对汽车油盖箱状态的实时监测和识别，从而保证油孔以及油盖箱处于安全的状态，确保汽车的行驶安全，并提高汽车的智能化水平和用户体验。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的基于深度学习的汽车油孔姿态识别系统的框图。

图2为根据本申请实施例的基于深度学习的汽车油孔姿态识别系统的架构示意图。

图3为根据本申请实施例的基于深度学习的汽车油孔姿态识别系统中特征本质化模块的框图。

图4为根据本申请实施例的基于深度学习的汽车油孔姿态识别系统中识别结果生成模块的框图。

图5为根据本申请实施例的基于深度学习的汽车油孔姿态识别方法的流程图。

具体实施方式

下面，将结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。同时，附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的基于深度学习的汽车油孔姿态识别系统的框图。图2为根据本申请实施例的基于深度学习的汽车油孔姿态识别系统的架构示意图。如图1和图2所示，根据本申请实施例的基于深度学习的汽车油孔姿态识别系统100，包括：数字图像获取模块110，用于获取由摄像头采集的汽车油盖箱的数字图像；数据增强模块120，用于对所述汽车油盖箱的数字图像进行数据增强以得到汽车油盖箱图像的集合；状态特征提取模块130，用于提取所述汽车油盖箱图像的集合的汽车油盖箱状态特征以得到汽车油盖箱状态特征图的集合；特征本质化模块140，用于对所述汽车油盖箱状态特征图的集合进行特征强化和本质化提取以得到汽车油盖箱本质语义特征图；识别结果生成模块150，用于基于所述汽车油盖箱本质语义特征图，确定识别结果。

汽车油孔和汽车油盖箱的共同协作可以确保燃油加注的顺利进行，并保护油箱内部免受外部物质的影响。油盖箱的正确锁定可以防止灰尘、水和其他杂物进入油箱，从而保护燃油系统免受污染，延长汽车使用寿命，同时也有利于保护环境。如果油盖箱未正确锁定，可能会导致意外情况，例如燃油泄漏或被他人恶意添加其他物质到油箱中，从而影响行车安全。因此，对于汽车油盖箱状态的准确识别是保证汽车安全的重要环节。然而，然而，传统的油盖箱状态识别方法主要依赖于人工检查。人工检查的方法不仅浪费时间和人力，而且无法保证检查的准确性和实时性。

针对上述技术问题，本申请的技术构思为采用基于深度学习的计算机视觉技术对由摄像头采集的汽车油盖箱的数字图像进行图像特征提取，捕捉到数字图像的本质语义特征表达，挖掘出汽车油盖箱的状态信息，从而智能识别汽车油盖箱是否锁定。这样，实现对汽车油盖箱状态的实时监测和识别，从而保证油孔以及油盖箱处于安全的状态，确保汽车的行驶安全，并提高汽车的智能化水平和用户体验。

在上述基于深度学习的汽车油孔姿态识别系统100中，所述数字图像获取模块110，用于获取由摄像头采集的汽车油盖箱的数字图像。应可以理解，相较于其他的机械传感器识别方式，如激光扫描、超声波测距等，摄像头是一种常见的图像采集设备，价格相对便宜，且易于安装和维护。同时，摄像头采集的汽车油盖箱的数字图像可以提供汽车油盖箱的实时状态信息，如颜色、形状、纹理等，为汽车油盖箱的锁定状态识别提供了准确的信息基础。

在上述基于深度学习的汽车油孔姿态识别系统100中，所述数据增强模块120，用于对所述汽车油盖箱的数字图像进行数据增强以得到汽车油盖箱图像的集合。应可以理解，考虑到在实际应用中，通过摄像头采集的汽车油盖箱的数字图像可能受到光照、阴影、反光、污渍等因素的影响，导致图像的质量较低，从而降低汽车油盖箱状态识别的准确性和效率。因此，为了提高模型对不同条件下汽车油盖箱的数字图像的泛化能力，进一步对所述汽车油盖箱的数字图像进行数据增强处理。这里，数据增强技术是一种常用的图像处理技术，其可以通过对原始图像进行一些变换，如旋转、缩放、裁剪、翻转等，来生成更多的图像样本，从而提高模型的泛化能力。也就是，通过生成更多的图像样本，使得模型能够能够适应不同的场景和条件，学习到汽车油盖箱在不同角度、光照、距离、遮挡等情况下的特征表示，从而提高汽车油盖箱状态识别的准确性。

在上述基于深度学习的汽车油孔姿态识别系统100中，所述状态特征提取模块130，用于提取所述汽车油盖箱图像的集合的汽车油盖箱状态特征以得到汽车油盖箱状态特征图的集合。在本申请的一个具体示例中，提取所述汽车油盖箱图像的集合的汽车油盖箱状态特征以得到汽车油盖箱状态特征图的集合的编码方式是将所述汽车油盖箱图像的集合中的各个汽车油盖箱图像分别通过基于卷积神经网络模型的图像特征提取器以得到所述汽车油盖箱状态特征图的集合。本领域普通技术人员应知晓，卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习的模型，主要用于图像识别等领域。卷积神经网络的基本单元是卷积层，卷积层通常由多个卷积核组成，每个卷积核通过对输入数据进行滑动窗口的卷积操作，从而提取出数据中的局部特征表示。在本申请的技术方案中，使用基于卷积神经网络模型的图像特征提取器对所述汽车油盖箱图像的集合中的各个汽车油盖箱图像分别进行图像特征提取，所述图像特征提取器能够利用卷积层对各个图像分别进行局部特征提取，逐渐提取出图像的抽象特征表示，然后通过池化层和激活函数等组件来降低数据维度，增加模型的非线性和泛化能力，从而分别挖掘出出各个图像中有关于汽车油盖箱的锁定状态的特征信息，为后续的汽车油盖箱状态识别任务提供有价值的输入信息。

在上述基于深度学习的汽车油孔姿态识别系统100中，所述特征本质化模块140，用于对所述汽车油盖箱状态特征图的集合进行特征强化和本质化提取以得到汽车油盖箱本质语义特征图。应可以理解，为了降低所述汽车油盖箱状态特征图中的噪声和冗余信息的影响，增强特征的表征能力，在本申请的技术方案中，首先对所述汽车油盖箱状态特征图的集合中的各个汽车油盖箱状态特征图分别进行特征强化处理。然后，为了更好地表征所述汽车油盖箱的数字图像的本质特征，进一步对强化后的汽车油盖箱状态特征图的集合进行本质化特征提取，以加权融合的方式筛选出汽车油盖箱图像的本质语义特征，从而更好地理解和表征汽车油盖箱的状态。

图3为根据本申请实施例的基于深度学习的汽车油孔姿态识别系统中特征本质化模块的框图。如图3所示，所述特征本质化模块140，包括：重参数化强化单元141，用于将所述汽车油盖箱状态特征图的集合中的各个汽车油盖箱状态特征图通过基于重参数化网络的特征图强化器以得到强化汽车油盖箱状态特征图的集合；本质化提取单元142，用于将所述强化汽车油盖箱状态特征图的集合输入本质特征提取网络以得到所述汽车油盖箱本质语义特征图。

具体地，所述重参数化强化单元141，用于将所述汽车油盖箱状态特征图的集合中的各个汽车油盖箱状态特征图通过基于重参数化网络的特征图强化器以得到强化汽车油盖箱状态特征图的集合。应可以理解，重参数化网络是一种特征增强技术，能够有效地处理不可微分的随机变量，其主要通过随机变量的重参数化技巧来实现梯度的反向传播，从而实现高效的随机优化。在本申请的技术方案中，所述汽车油盖箱状态特征图被视为随机变量，所述基于重参数化网络的特征图强化器用于提取所述汽车油盖箱状态特征图的均值和方差作为两个可训练的权重参数，并通过从高斯分布中随机采样来对两个权重参数进行训练更新。也就是，通过引入随机噪声和重参数化技巧，使得每次重构时得到的汽车油盖箱状态特征图中的特征值都带有随机性，从而巧妙地起到了一个在特征空间中进行数据增强的效果。此外，由于所述特征图强化器的重参数化技巧，将采样过程转化为可微分的操作，使得网络的反向传播更加容易，从而提高了网络训练的稳定性、加速了收敛速度，并且有效地改善了一些梯度消失或梯度爆炸问题。

在本申请的一个具体示例中，所述重参数化强化单元141，用于：以如下重参数化公式对所述汽车油盖箱状态特征图进行处理以得到所述强化汽车油盖箱状态特征图；其中，所述重参数化公式为：

其中，是所述汽车油盖箱状态特征图的均值，/>是所述汽车油盖箱状态特征图的方差，/>是从高斯分布中随机采样得到的第/>个值，/>是所述强化汽车油盖箱状态特征图中第/>个特征值。

具体地，所述本质化提取单元142，用于将所述强化汽车油盖箱状态特征图的集合输入本质特征提取网络以得到所述汽车油盖箱本质语义特征图。应可以理解，本质特征提取网络是一种基于深度学习的图像处理方法，其能够从图像中提取出最具代表性和区分性的特征表示。具体来说，由于同一类别的样本在特征空间中应该是非常接近的，因此个别远离其他样本的特征并不能反映该类别样本的本质特征，应该减少对其的关注度，而对于距离较近的样本，应该增加对其的关注度。在本申请的技术方案中，通过计算所述强化汽车油盖箱状态特征图的集合中各个强化汽车油盖箱状态特征图与其他强化汽车油盖箱状态特征图之间的2范数来衡量同一类别的各个强化汽车油盖箱状态特征图与所有其他强化汽车油盖箱状态特征图在特征空间中的距离，进而基于各个强化汽车油盖箱状态特征图相对于整体特征的特征空间距离来增加其计算权重或降低其计算权重，从而过滤掉所述强化汽车油盖箱状态特征图中的噪声和冗余信息，有效地提取出所述强化汽车油盖箱状态特征图的本质语义特征，进而提高模型对汽车油盖箱状态的理解和识别能力。

在本申请的一个具体示例中，所述本质化提取单元142，用于：以如下本质特征提取公式对所述强化汽车油盖箱状态特征图的集合进行处理以得到汽车油盖箱本质语义特征图；其中，所述本质特征提取公式为：

其中，是所述强化汽车油盖箱状态特征图的集合中第/>个强化汽车油盖箱状态特征图，/>是所述强化汽车油盖箱状态特征图的集合中第/>个强化汽车油盖箱状态特征图，表示特征图的2范数，/>为所述强化汽车油盖箱状态特征图的集合的长度-1，/>为所述强化汽车油盖箱状态特征图的集合的表示，/>表示语义特征差异系数，/>表示自然指数函数运算，/>表示所述语义差异系数的总数，/>为所述汽车油盖箱本质语义特征图。

在上述基于深度学习的汽车油孔姿态识别系统100中，所述识别结果生成模块150，用于基于所述汽车油盖箱本质语义特征图，确定识别结果。具体地，图4为根据本申请实施例的基于深度学习的汽车油孔姿态识别系统中识别结果生成模块的框图。如图4所示，所述识别结果生成模块150，包括：校正单元151，用于对所述汽车油盖箱本质语义特征图进行特征分布校正以得到校正后汽车油盖箱本质语义特征图；结果划分单元152，用于将所述校正后汽车油盖箱本质语义特征图通过分类器以得到识别结果，所述识别结果用于表示汽车油盖箱是否锁定。

具体地，所述校正单元151，用于对所述汽车油盖箱本质语义特征图进行特征分布校正以得到校正后汽车油盖箱本质语义特征图。应可以理解，在本申请的技术方案中，所述强化汽车油盖箱状态特征图的集合中的每个强化汽车油盖箱状态特征图的特征矩阵表达相应的汽车油盖箱图像的强化的图像语义特征，且其特征矩阵之间遵循所述卷积神经网络模型的通道分布，这样，在将所述强化汽车油盖箱状态特征图的集合输入本质特征提取网络后，会基于各个汽车油盖箱图像的强化的图像语义特征的关联的本质特征来对各个强化汽车油盖箱状态特征图进行加权，在强化某些强化汽车油盖箱状态特征图的整体特征表示的同时，也会使得所述汽车油盖箱本质语义特征图沿通道维度的关联性降低，也就是，影响所述汽车油盖箱本质语义特征图的以特征矩阵特征分布为单位的分布整体性，从而影响所述汽车油盖箱本质语义特征图通过分类器进行分类时的类概率表示收敛效果，也就是，影响训练速度和分类结果的准确性。基于此，在本申请的技术方案中，首先，对所述汽车油盖箱本质语义特征图中的各个汽车油盖箱本质语义特征矩阵进行线性变换转化为正方矩阵以得到变换后汽车油盖箱本质语义特征图；然后，对所述变换后汽车油盖箱本质语义特征图进行基于相邻特征矩阵的优化校正以得到所述校正后汽车油盖箱本质语义特征图。

在本申请的一个具体示例中，以如下对优化校正公式对所述变换后汽车油盖箱本质语义特征图进行基于相邻特征矩阵的优化校正以得到所述校正后汽车油盖箱本质语义特征图；其中，所述优化校正公式为；

其中，/>和/>分别是所述汽车油盖箱本质语义特征图的第/>和第/>个特征矩阵，且/>和/>分别是特征矩阵/>和/>的全局均值，/>是所述校正后汽车油盖箱本质语义特征图的第/>个特征矩阵，/>表示矩阵乘法运算，/>表示按位置点乘。

这里，通过以所述汽车油盖箱本质语义特征图的特征矩阵沿通道分布的中心作为通道维度下的场景传递的种子点，来将所述汽车油盖箱本质语义特征图的特征矩阵的每个特征值通过矩阵相乘而进行稳健化的聚合和子采样提议，从而在所述汽车油盖箱本质语义特征图的特征矩阵的每个特征值的参与基础上进行相邻特征矩阵的分布边界框传递定向约束，以在所述汽车油盖箱本质语义特征图的整体沿通道维度由下而上的上下文关联的基础上提升所述汽车油盖箱本质语义特征图的特征表示的整体性，从而提升所述汽车油盖箱本质语义特征图通过分类器进行分类时的类概率表示收敛效果，也就是，改进训练速度和分类结果的准确性。

具体地，所述结果划分单元152，用于将所述校正后汽车油盖箱本质语义特征图通过分类器以得到识别结果，所述识别结果用于表示汽车油盖箱是否锁定。应可以理解，分类是一种监督学习方法，目的是根据已知的特征和标签，预测新数据的类别。在本申请的技术方案中，为了将所述校正后汽车油盖箱本质语义特征图中抽象的高级语义特征表示转化为具体的识别结果，从而更直观地表示汽车油盖箱的状态信息，进一步使用分类器对所述校正后汽车油盖箱本质语义特征图进行分类处理。也就是，将汽车油盖箱的状态识别问题转化为一个二分类任务，利用分类器的分类学习能力来学习所述校正后汽车油盖箱本质语义特征图的特征模式，并根据其特征模式将其映射到相应的类别标签中，即汽车油盖箱“锁定”或“未锁定”。这样，实现了汽车油盖箱锁定状态的智能化识别，进而可以根据识别结果提醒用户采取相应的措施，从而保证汽车安全。例如，当识别结果为汽车油盖箱未锁定时，系统可以发出警报来提醒驾驶员及时锁定油盖箱，避免潜在的问题发生。

在本申请的一个具体示例中，所述结果划分单元152，用于：使用所述分类器以如下分类公式对所述校正后汽车油盖箱本质语义特征图进行分类处理以获得所述分类结果；其中，所述分类公式为：

其中，表示将所述校正后汽车油盖箱本质语义特征图投影为向量，至/>是权重矩阵，/>至/>为偏置向量，/>表示归一化指数函数，/>表示所述分类结果。

综上，根据本申请实施例的基于深度学习的汽车油孔姿态识别系统被阐明，其采用基于深度学习的计算机视觉技术对由摄像头采集的汽车油盖箱的数字图像进行图像特征提取，捕捉到数字图像的本质语义特征表达，挖掘出汽车油盖箱的状态信息，从而智能识别汽车油盖箱是否锁定。这样，实现对汽车油盖箱状态的实时监测和识别，从而保证油孔以及油盖箱处于安全的状态，确保汽车的行驶安全，并提高汽车的智能化水平和用户体验。

图5为根据本申请实施例的基于深度学习的汽车油孔姿态识别方法的流程图。如图5所示，根据本申请实施例的基于深度学习的汽车油孔姿态识别方法，包括步骤：S1，获取由摄像头采集的汽车油盖箱的数字图像；S2，对所述汽车油盖箱的数字图像进行数据增强以得到汽车油盖箱图像的集合；S3，提取所述汽车油盖箱图像的集合的汽车油盖箱状态特征以得到汽车油盖箱状态特征图的集合；S4，对所述汽车油盖箱状态特征图的集合进行特征强化和本质化提取以得到汽车油盖箱本质语义特征图；S5，基于所述汽车油盖箱本质语义特征图，确定识别结果。

这里，本领域技术人员可以理解，上述基于深度学习的汽车油孔姿态识别方法中的各个步骤的具体操作已经在上面参考图1到图4的基于深度学习的汽车油孔姿态识别系统的描述中得到了详细介绍，并因此，将省略其重复描述。

以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述实施例的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元也可以由一个单元通过软件或者硬件来实现。

最后应说明的是，为了例示和描述的目的已经给出了以上描述。此外，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (7)

1.一种基于深度学习的汽车油孔姿态识别系统，其特征在于，包括：

数字图像获取模块，用于获取由摄像头采集的汽车油盖箱的数字图像；

数据增强模块，用于对所述汽车油盖箱的数字图像进行数据增强以得到汽车油盖箱图像的集合；

状态特征提取模块，用于提取所述汽车油盖箱图像的集合的汽车油盖箱状态特征以得到汽车油盖箱状态特征图的集合；

特征本质化模块，用于对所述汽车油盖箱状态特征图的集合进行特征强化和本质化提取以得到汽车油盖箱本质语义特征图；

识别结果生成模块，用于基于所述汽车油盖箱本质语义特征图，确定识别结果；

其中，所述特征本质化模块，包括：

重参数化强化单元，用于将所述汽车油盖箱状态特征图的集合中的各个汽车油盖箱状态特征图通过基于重参数化网络的特征图强化器以得到强化汽车油盖箱状态特征图的集合；

本质化提取单元，用于将所述强化汽车油盖箱状态特征图的集合输入本质特征提取网络以得到所述汽车油盖箱本质语义特征图；

其中，所述本质化提取单元，用于：

以如下本质特征提取公式对所述强化汽车油盖箱状态特征图的集合进行处理以得到所述汽车油盖箱本质语义特征图；其中，所述本质特征提取公式为：

其中，是所述强化汽车油盖箱状态特征图的集合中第/>个强化汽车油盖箱状态特征图，/>是所述强化汽车油盖箱状态特征图的集合中第/>个强化汽车油盖箱状态特征图，/>表示特征图的2范数，/>为所述强化汽车油盖箱状态特征图的集合的长度-1，/>为所述强化汽车油盖箱状态特征图的集合的表示，/>表示语义特征差异系数，/>表示自然指数函数运算，/>表示所述语义特征差异系数的总数，/>为所述汽车油盖箱本质语义特征图。

2.根据权利要求1所述的基于深度学习的汽车油孔姿态识别系统，其特征在于，所述状态特征提取模块，用于：

将所述汽车油盖箱图像的集合中的各个汽车油盖箱图像分别通过基于卷积神经网络模型的图像特征提取器以得到所述汽车油盖箱状态特征图的集合。

3.根据权利要求2所述的基于深度学习的汽车油孔姿态识别系统，其特征在于，所述重参数化强化单元，用于：

以如下重参数化公式对所述汽车油盖箱状态特征图进行处理以得到所述强化汽车油盖箱状态特征图；其中，所述重参数化公式为：

其中，是所述汽车油盖箱状态特征图的均值，/>是所述汽车油盖箱状态特征图的方差，/>是从高斯分布中随机采样得到的第/>个值，/>是所述强化汽车油盖箱状态特征图中第/>个特征值。

4.根据权利要求3所述的基于深度学习的汽车油孔姿态识别系统，其特征在于，所述识别结果生成模块，包括：

校正单元，用于对所述汽车油盖箱本质语义特征图进行特征分布校正以得到校正后汽车油盖箱本质语义特征图；

结果划分单元，用于将所述校正后汽车油盖箱本质语义特征图通过分类器以得到识别结果，所述识别结果用于表示汽车油盖箱是否锁定。

5.根据权利要求4所述的基于深度学习的汽车油孔姿态识别系统，其特征在于，所述校正单元，用于：

对所述汽车油盖箱本质语义特征图中的各个汽车油盖箱本质语义特征矩阵进行线性变换转化为正方矩阵以得到变换后汽车油盖箱本质语义特征图；

对所述变换后汽车油盖箱本质语义特征图进行基于相邻特征矩阵的优化校正以得到所述校正后汽车油盖箱本质语义特征图。

6.根据权利要求5所述的基于深度学习的汽车油孔姿态识别系统，其特征在于，所述结果划分单元，用于：

使用所述分类器以如下分类公式对所述校正后汽车油盖箱本质语义特征图进行分类处理以获得所述识别结果；其中，所述分类公式为：

其中，表示将所述校正后汽车油盖箱本质语义特征图投影为向量，/>至/>是权重矩阵，/>至/>为偏置向量，/>表示归一化指数函数，/>表示所述识别结果。

7.一种基于深度学习的汽车油孔姿态识别方法，其特征在于，包括：

获取由摄像头采集的汽车油盖箱的数字图像；

对所述汽车油盖箱的数字图像进行数据增强以得到汽车油盖箱图像的集合；

提取所述汽车油盖箱图像的集合的汽车油盖箱状态特征以得到汽车油盖箱状态特征图的集合；

对所述汽车油盖箱状态特征图的集合进行特征强化和本质化提取以得到汽车油盖箱本质语义特征图；

基于所述汽车油盖箱本质语义特征图，确定识别结果；

其中，对所述汽车油盖箱状态特征图的集合进行特征强化和本质化提取以得到汽车油盖箱本质语义特征图，包括：

将所述汽车油盖箱状态特征图的集合中的各个汽车油盖箱状态特征图通过基于重参数化网络的特征图强化器以得到强化汽车油盖箱状态特征图的集合；

将所述强化汽车油盖箱状态特征图的集合输入本质特征提取网络以得到所述汽车油盖箱本质语义特征图；

其中，将所述强化汽车油盖箱状态特征图的集合输入本质特征提取网络以得到所述汽车油盖箱本质语义特征图，包括：

以如下本质特征提取公式对所述强化汽车油盖箱状态特征图的集合进行处理以得到所述汽车油盖箱本质语义特征图；其中，所述本质特征提取公式为：

其中，是所述强化汽车油盖箱状态特征图的集合中第/>个强化汽车油盖箱状态特征图，/>是所述强化汽车油盖箱状态特征图的集合中第/>个强化汽车油盖箱状态特征图，/>表示特征图的2范数，/>为所述强化汽车油盖箱状态特征图的集合的长度-1，/>为所述强化汽车油盖箱状态特征图的集合的表示，/>表示语义特征差异系数，/>表示自然指数函数运算，/>表示所述语义特征差异系数的总数，/>为所述汽车油盖箱本质语义特征图。