【技术实现步骤摘要】
基于YOLO目标检测技术的智能车辆运动路况信息的检测方法
本专利技术属于智能车运动路况信息检测领域,具体涉及一种智能车辆运动路况信息的检测方法。
技术介绍
随着科技的不断发展和进步,智能车的应用也变得越来越普遍,智能车的不断应用在给人们的生活带来便捷的同时,也给人们的研究工作带来了新的挑战。由于智能车辆的运行过程中要完成前进、倒车、转向等一些基本操作,所以为了保证智能车辆的行车安全,必须能够快速、并实时地掌握和了解智能车辆的运动路况信息,传统的智能车辆控制系统往往是基于前置摄像头采集路况信息进而进行智能车辆运动的控制,但是这种采集智能车辆运动路况信息的方法的准确率较低、速度较慢。
技术实现思路
本专利技术的目的是为解决传统的采集智能车辆运动路况信息的方法的准确率较低、速度较慢的问题。本专利技术为解决上述技术问题采取的技术方案是:基于YOLO目标检测技术的智能车辆运动路况信息的检测方法,该方法包括以下步骤:步骤一、利用ImageNet数据库对YOLO目标检测模型做预训练,预训练完成后保留YOLO目标检测模型的卷积层和最大池化层,在保留的最后一个卷积层后依次添加一个平均池化层和一个全连接层用于分类任务;载入预训练好的参数值,并去掉添加的平均池化层和全连接层,在最后一个卷积层后再依次添加四个卷积层和两个全连接层,初始化全连接层的权重值以及偏置值,得到预训练好的YOLO目标检测模型;步骤二、利用摄像头采集智能车辆路况信息图像,每张图像均包括智能车辆、障碍物和终点三类目标;步骤三、采用添加随机椒盐噪声、添加高斯噪声和平移的方式对步骤二采集的图像进行图像数据增广,将增广后 ...
【技术保护点】
1.基于YOLO目标检测技术的智能车辆运动路况信息的检测方法,其特征在于,该方法包括以下步骤:步骤一、利用ImageNet数据库对YOLO目标检测模型做预训练,预训练完成后保留YOLO目标检测模型的卷积层和最大池化层,在保留的最后一个卷积层后依次添加一个平均池化层和一个全连接层用于分类任务;载入预训练好的参数值,并去掉添加的平均池化层和全连接层,在最后一个卷积层后再依次添加四个卷积层和两个全连接层,初始化全连接层的权重值以及偏置值,得到预训练好的YOLO目标检测模型;步骤二、利用摄像头采集智能车辆路况信息图像,每张图像均包括智能车辆、障碍物和终点三类目标;步骤三、采用添加随机椒盐噪声、添加高斯噪声和平移的方式对步骤二采集的图像进行图像数据增广,将增广后的图像数据分为训练集和测试集两部分;步骤四、将训练集样本输入到预训练好的YOLO目标检测模型中,采用计算机图形处理器GPU训练预训练好的YOLO目标检测模型,训练过程中输出损失函数的损失值;用TensorBoard实时可视化当前的损失值和正确率,训练停止后加载训练的模型,用测试集进行测试,测试完成后将训练结果存入计算机硬盘作为最终的训练模 ...
【技术特征摘要】
1.基于YOLO目标检测技术的智能车辆运动路况信息的检测方法,其特征在于,该方法包括以下步骤:步骤一、利用ImageNet数据库对YOLO目标检测模型做预训练,预训练完成后保留YOLO目标检测模型的卷积层和最大池化层,在保留的最后一个卷积层后依次添加一个平均池化层和一个全连接层用于分类任务;载入预训练好的参数值,并去掉添加的平均池化层和全连接层,在最后一个卷积层后再依次添加四个卷积层和两个全连接层,初始化全连接层的权重值以及偏置值,得到预训练好的YOLO目标检测模型;步骤二、利用摄像头采集智能车辆路况信息图像,每张图像均包括智能车辆、障碍物和终点三类目标;步骤三、采用添加随机椒盐噪声、添加高斯噪声和平移的方式对步骤二采集的图像进行图像数据增广,将增广后的图像数据分为训练集和测试集两部分;步骤四、将训练集样本输入到预训练好的YOLO目标检测模型中,采用计算机图形处理器GPU训练预训练好的YOLO目标检测模型,训练过程中输出损失函数的损失值;用TensorBoard实时可视化当前的损失值和正确率,训练停止后加载训练的模型,用测试集进行测试,测试完成后将训练结果存入计算机硬盘作为最终的训练模型;步骤五、利用摄像头采集包含智能车辆运动路况信息的图像,将采集到的图像输入到最终的训练模型中进行目标检测。2.根据权利要求1所述的基于YOLO目标检测技术的智能车辆运动路况信息的检测方法,其特征在于,所述步骤一的具体过程为:预训练的YOLO目标检测模型是一个卷积神经网络,它包括20个卷积层、5个池化层和1个全连接层,分别是:1个卷积核尺寸为7*7,个数为64的卷积层;1个2*2的最大池化层;1个卷积核尺寸为3*3,个数为192的卷积层;1个2*2的最大池化层;1个卷积核尺寸为1*1,个数为128的卷积层;1个卷积核尺寸为3*3,个数为256的卷积层;1个卷积核尺寸为1*1,个数为256的卷积层;1个卷积核尺寸为3*3,个数为512的卷积层;1个2*2的最大池化层;4个卷积核尺寸为1*1,个数为256的卷积层;4个卷积核尺寸为3*3,个数为512的卷积层;1个卷积核尺寸为1*1,个数为512的卷积层;1个卷积核尺寸为3*3,个数为1024的卷积层;1个2*2的最大池化层;2个卷积核尺寸为1*1,个数为512的卷积层;2个卷积核尺寸为3*3,个数为1024的卷积层;1个2*2的平均池化层:一个全连接层;利用ImageNet数据库对YOLO目标检测模型的前20层卷积层做预训练,设置学习率为0.0001,batch_size为256,不断进行迭代训练调整YOLO目标检测模型的卷积层的权重值以及偏置值,直到分类任务top5准确率不小于85%时,得到YOLO目标检测预模型前20层卷积层的权值;在YOLO目标检测模型的20层卷积层后依次添加一个平均池化层和一个全连接层用于分类任务,载入预训练好的参数值,并去掉添加的平均...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。