车辆改装识别方法、装置、系统、介质和设备制造方法及图纸

本发明专利技术公开了一种车辆改装识别方法、装置、系统、介质和设备，方法包括：首先获取已知改装情况的车辆样本图像并且获取构建的残差神经网络，作为训练样本的车辆样本图像对残差神经网络进行训练，得到车辆改装识别模型。针对于待识别车辆采集车辆图像后，通过车辆改装识别模型进行识别。其中，采用Focal Loss损失函数对残差神经网络进行训练，残差神经网络中，针对于全连接层输入之前的车辆图像特征图，以各种大小进行划分，得到各种大小的块；针对各个块分别提取出特征，并进行池化操作，由池化操作后的特征组合得到特征向量，作为全连接层的输入。本发明专利技术有效提高车辆改装识别的效率和准确率，节省了现有技术中人工审核带来的人力物力。

Vehicle modification identification method, device, system, medium and equipment

【技术实现步骤摘要】
车辆改装识别方法、装置、系统、介质和设备
本专利技术涉及车辆监测
，特别涉及一种车辆改装识别方法、装置、系统、介质和设备。
技术介绍
随着机动车保有量不断增加，车辆改装问题越来越突出，存在一定的安全隐患。而在监管过程中审核上传车辆图像信息时仍然主要依赖于人工审核，存在很大的弊端，人工方式进行改装识别耗时较长，且容易发生错检和漏检，存在人力资源投入成本大，审核压力较大，误判率高、效率低等问题。并且，由于在车辆拍照中，存在角度倾斜，明暗程度不同以及车型不一的问题，这些问题，使得依靠传统的图像处理方法，比如opencv等工具都很难解决。随着近年来深度学习的发展，深度学习结合工业领域解决实际工业问题取得了很多成果，深度学习的出现颠覆了传统图像特征提取的方式，通过强大的表达能力，通过充分的训练数据和训练过程可以学习到自主提取特征的能力，而且表达能力明显强于传统图像处理方法，能够处理各种角度，亮度变化的问题。鉴于此，如何克服现有人工审核存在的不足，使用人工智能和图像处理技术进行智能审核，避免人工审核成本大，效率低以及传统图像处理方法图像表达能力弱，准确率低等问题是本
亟待解决的问题。
技术实现思路
本专利技术的第一目的在于克服现有技术的缺点与不足，提供一种高效率、高准确度的车辆改装识别方法，有效解决了传统图像处理方法识别车辆改装存在准确率低和效率低的技术问题，节省了人力物力。本专利技术的第二目的在于提供一种车辆改装识别装置。本专利技术的第三目的在于提供一种车辆改装识别系统。本专利技术的第四目的在于提供一种存储介质。本专利技术的第五目的在于提供一种计算设备。本专利技术的第一专利技术目的通过下述技术方案实现：一种车辆改装识别方法，包括如下步骤：获取已知改装情况的车辆样本图像，构建训练样本集；针对各训练样本进行数据预处理；获取构建的残差神经网络；将预处理后的各训练样本输入残差神经网络，以各训练样本对应改装情况作为标签，采用FocalLoss损失函数对残差神经网络进行训练，得到车辆改装识别模型；针对于需要进行改装识别的车辆，首先获取该车辆图像，作为待识别车辆图像；针对待识别车辆图像进行数据预处理；将预处理后的待识别车辆图像输入到车辆改装识别模型中，识别出车辆改装情况；其中：针对于残差神经网络全连接层输入之前的车辆图像特征图，分别以各种大小的块进行划分；针对划分得到的各个块分别提取出特征，并进行池化操作，由池化操作后的特征组合得到特征向量，作为全连接层的输入。优选的，构建的残差神经网络为Resnet50神经网络架构，最后的全连接层为二分类输出层；所述方法还包括如下步骤：获取Resnet50神经网络架构在ImageNet数据集上不带全连接层的预训练模型；当训练残差神经网络时，在上述预训练模型上加上全连接层后，输入训练样本进行训练，得到车辆改装识别模型。优选的，还包括如下步骤：获取已知改装情况的车辆样本图像，构建验证样本集，针对各验证样本进行预处理；针对于训练样本每次训练后的残差神经网络，通过预处理后的验证样本集验证误差；若出现连续n次训练后，验证样本集的误差均未出现降低的情况，则停止训练，其中n为定值。优选的，对训练样本和待识别车辆图像进行数据预处理，具体包括对车辆图像进行色彩调整、亮度调整、对比度调整、缩放裁剪处理、旋转处理、高斯模糊处理和数据归一化处理。优选的，针对于残差神经网络全连接层输入之前的车辆图像特征图，以各种大小的块进行划分，具体以相应大小的块将特征图分别划分成8*8个块、4*4个块、2*2个块以及1*1个块，总共85个块。优选的，所述残差神经网络中，在卷积层之后使用Relu激活函数；每次在训练残差神经网络时，使用dropout随机失活，使得其中一部分神经元参与训练。本专利技术的第二专利技术目的通过下述技术方案实现：一种车辆改装识别装置，包括：样本获取模块，用于获取已知改装情况的车辆样本图像，构建训练样本集；第一数据处理模块，用于针对各训练样本进行数据预处理；神经网络获取模块，用于获取构建的残差神经网络；训练模块，用于将预处理后的各训练样本输入残差神经网络，以各训练样本对应改装情况作为标签，采用FocalLoss损失函数对残差神经网络进行训练，得到车辆改装识别模型；待识别车辆图像获取模块，用于针对于需要进行改装识别的车辆，首先获取该车辆图像，作为待识别车辆图像；第二数据处理模块，用于针对待识别车辆图像进行数据预处理；识别模块，将预处理后的待识别车辆图像输入到车辆改装识别模型中，识别出车辆改装情况；特征向量获取模块，用于针对于残差神经网络全连接层输入之前的车辆图像特征图，分别以各种大小的块进行划分；针对划分得到的各个块分别提取出特征，并进行池化操作，由池化操作后的特征组合得到特征向量，作为全连接层的输入。本专利技术的第三专利技术目的通过下述技术方案实现：一种车辆改装识别系统，包括图像采集设备和识别终端，所述图像采集设备连接识别终端；所述图像采集设备，用于采集待改装识别车辆的图像，得到待识别车辆图像，并且将待识别车辆图像发送给识别终端；所述识别终端，用于执行本专利技术第一目的所述的车辆改装识别方法。本专利技术的第四专利技术目的通过下述技术方案实现：一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现本专利技术第一目的所述的车辆改装识别方法。本专利技术的第五专利技术目的通过下述技术方案实现：一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现本专利技术第一目的所述的车辆改装识别方法。本专利技术相对于现有技术具有如下的优点及效果：(1)本专利技术车辆改装识别方法中，首先获取已知改装情况的车辆样本图像，作为训练样本对残差神经网络进行训练，得到车辆改装识别模型。针对于待识别车辆采集车辆图像后，通过车辆改装识别模型进行识别。其中本专利技术方法中，采用FocalLoss损失函数对残差神经网络进行训练，能够保证平衡正负训练样本本身的数量比例不均问题，对于数量少的改装车辆类别给予更高的权重，使得模型更关注改装车辆样本数据，对于提高模型准确率有很好的效果。(2)本专利技术车辆改装识别方法中，在残差神经网络输入车辆图像时，针对于残差神经网络全连接层输入之前的车辆图像特征图，分别以各种大小的块进行划分；针对划分得到的各个块分别提取出特征，并进行池化操作，由池化操作后的特征组合得到特征向量，作为全连接层的输入。因为车辆改装图片有些改装面积很大，有些很小，上述针对特征图进行不同大小的分块处理，对于识别各种改装类型有很好的效果。另外，本专利技术方法中，使用的残差神经网络由许多残差块组成，有助于解决梯度消失和梯度爆炸问题，让本专利技术方法训练更深网络的同时，又能保证良好的性能。(3)本专利技术车辆改装识别方法中，构建的残差神经网络为Resnet50神经网络本文档来自技高网...

【技术保护点】
1.一种车辆改装识别方法，其特征在于，包括如下步骤：/n获取已知改装情况的车辆样本图像，构建训练样本集；/n针对各训练样本进行数据预处理；/n获取构建的残差神经网络；/n将预处理后的各训练样本输入残差神经网络，以各训练样本对应改装情况作为标签，采用Focal Loss损失函数对残差神经网络进行训练，得到车辆改装识别模型；/n针对于需要进行改装识别的车辆，首先获取该车辆图像，作为待识别车辆图像；/n针对待识别车辆图像进行数据预处理；/n将预处理后的待识别车辆图像输入到车辆改装识别模型中，识别出车辆改装情况；/n其中：/n针对于残差神经网络全连接层输入之前的车辆图像特征图，分别以各种大小的块进行划分；针对划分得到的各个块分别提取出特征，并进行池化操作，由池化操作后的特征组合得到特征向量，作为全连接层的输入。/n

【技术特征摘要】
1.一种车辆改装识别方法，其特征在于，包括如下步骤：
获取已知改装情况的车辆样本图像，构建训练样本集；
针对各训练样本进行数据预处理；
获取构建的残差神经网络；
将预处理后的各训练样本输入残差神经网络，以各训练样本对应改装情况作为标签，采用FocalLoss损失函数对残差神经网络进行训练，得到车辆改装识别模型；
针对于需要进行改装识别的车辆，首先获取该车辆图像，作为待识别车辆图像；
针对待识别车辆图像进行数据预处理；
将预处理后的待识别车辆图像输入到车辆改装识别模型中，识别出车辆改装情况；
其中：
针对于残差神经网络全连接层输入之前的车辆图像特征图，分别以各种大小的块进行划分；针对划分得到的各个块分别提取出特征，并进行池化操作，由池化操作后的特征组合得到特征向量，作为全连接层的输入。


2.根据权利要求1所述的车辆改装识别方法，其特征在于，构建的残差神经网络为Resnet50神经网络架构，最后的全连接层为二分类输出层；
所述方法还包括如下步骤：获取Resnet50神经网络架构在ImageNet数据集上不带全连接层的预训练模型；
当训练残差神经网络时，在上述预训练模型上加上全连接层后，输入训练样本进行训练，得到车辆改装识别模型。


3.根据权利要求1所述的车辆改装识别方法，其特征在于，还包括如下步骤：
获取已知改装情况的车辆样本图像，构建验证样本集，针对各验证样本进行预处理；
针对于训练样本每次训练后的残差神经网络，通过预处理后的验证样本集验证误差；若出现连续n次训练后，验证样本集的误差均未出现降低的情况，则停止训练，其中n为定值。


4.根据权利要求1所述的车辆改装识别方法，其特征在于，对训练样本和待识别车辆图像进行数据预处理，具体包括对车辆图像进行色彩调整、亮度调整、对比度调整、缩放裁剪处理、旋转处理、高斯模糊处理和数据归一化处理。


5.根据权利要求1所述的车辆改装识别方法，其特征在于，针对于残差神经网络全连接层输入之前的车辆图像特征图，以各种大小的块进行划分，具体以...

【专利技术属性】
技术研发人员：吴祥淼，罗建康，葛武，张家豪，
申请(专利权)人：广州华工邦元信息技术有限公司，
类型：发明
国别省市：广东;44