基于卷积神经网络的非法危化品运输车辆识别方法及系统技术方案

本发明专利技术公开了基于卷积神经网络的非法危化品运输车辆识别方法，包括以下步骤：S100、获取训练数据，进行数据标准化处理；S200、利用卷积神经网络计算模型进行卷积运算，获得训练好的计算模型和最终标注图像库；S300、获取本地危化车数据库和待识别数据，对待识别数据进行计算识别，并与最终标注图像库进行对比判定，输出危化品车辆特征或疑似危化品车辆特征，接着与本地危化车数据库进行判定，区分标准危化品运输车辆和非法危化品运输车辆。本发明专利技术还公开了基于卷积神经网络的非法危化品运输车辆识别系统，利用图像识别和卷积神经网络计算模型，可识别出交通图片流中的标准危化品运输车辆和非法危化品运输车辆，耗时少，减轻人力成本。本。本。

【技术实现步骤摘要】
基于卷积神经网络的非法危化品运输车辆识别方法及系统


[0001]本专利技术涉及危化品物流的智能识别
，尤其涉及基于卷积神经网络的非法危化品运输车辆识别方法及系统。具体来说，属于IPC分类中的G06Q10/08。

技术介绍

[0002]随着我国经济的快速发展，道路和物流运输量不断增加，交通安全和畅通已成为重中之重，尤其是危险化学品的仓储和物流。由于其易燃、易爆、易中毒、易污染等特点，在运输过程中发生事故会造成巨大的损失。对于危化品的管控运输，需要涉及多个部门的的协同运作，这些部门之间需要实时的信息互通，并且还要根据需要在特定的情况下对不同的部门显示特定的信息，以提高信息的利用效率，但是现有技术中，往往很难做到危化品运输车辆的全面监控。
[0003]现有技术1：专利申请号为CN206610441U的公开了一种智能危化品车辆区域进出监控系统，包括安装在管控区域出入口处的视频/射频识别装置、安装在危化品物流车辆上的定位模块和车辆身份信息模块、和安装在危化品管控中心处的危化品区域进出管控设施。该技术方案可以实现在特定区域、对特定类型的危化品物流进行相应的管控，但在日常路面中除了标准的危化品专用运输车辆，还有一些没有资质的车辆也在运输相关危化品，对于没有资质的车辆运输危化品的管控无法实现，不适用于交通道路中危化品运输车辆的全面监管。
[0004]现有技术2：专利申请号为CN110689306A的公开了一种基于二维码的危化品公路运输管理系统及其运行方法，包括二维码解码装置、设置在危化品运输车辆上的二维码标签、资料管理服务器及分别与资料管理服务器通过网络连接的危化品公路运输信息采集装置、危化品基础信息数据库服务器与web服务器，公众可扫描二维码获得危化品名称、理化性质、危害特性、安全技术说明、装卸操作规程、运输要求及危化品泄漏后所需采取的处置方法。该技术方案通过识别危化品运输车辆上的二维码标签进行识别，不能识别出非法危化品运输车辆。
[0005]综上所述，现有技术均是针对有资质的合法危化品运输车辆进行监管，而日常路面中除了标准的危化品专用运输车辆，还有一些没有资质的车辆也在运输相关危化品，对于这种车辆的识别也是非常困难的。如何在巨大的车流量中，寻找到危化品或者疑似危化品的信息和轨迹是一个现实问题。若所有道路全面进行人工监管，则耗时长，人力成本高，无法实现。

技术实现思路

[0006]本专利技术的目的是提供基于卷积神经网络的非法危化品运输车辆识别方法及系统，可对交通图片流提取出危化品或者疑似危化品的信息和轨迹，识别出标准危化品运输车辆和非法危化品运输车辆，减轻人力成本。
[0007]为了实现上述目的，本专利技术采用了如下技术方案：
基于卷积神经网络的非法危化品运输车辆识别方法及系统，包括以下步骤：S100、获取训练数据，接着对训练数据进行数据标准化处理，所述训练数据为初始标注图像库，初始标注图像库包括标注过分类的危化品图片、危化品图标和标准危化品运输车辆例图；S200、利用卷积神经网络计算模型对处理后的训练数据进行卷积运算，进行学习、训练和修正，获得训练好的计算模型和最终标注图像库；S300、获取本地危化车数据库和待识别数据，利用训练好的计算模型对待识别数据进行计算识别，并与最终标注图像库进行对比判定，输出危化品车辆特征或疑似危化品车辆特征，将危化品车辆特征或疑似危化品车辆特征与本地危化车数据库进行判定，区分标准危化品运输车辆和非法危化品运输车辆。
[0008]其中步骤S100进一步包括：S110、图像灰度处理：对训练数据的图像进行高斯模糊，降低图像噪声，接着对图像的R,G,B三通道进行加权灰度处理；S120、图像边缘分析：使用canny算法对灰度化图像中的边缘进行检测，输出图像信息；S130、图像切割：基于图像边缘分析结果，对图像中不影响内容的部分进行切割，分割为几张不同的新图像，以提高识别率；S140、图像向量化；将图像向量化，转换为平面二维数组，每个像素点的灰度值信息，表示向量中一个特征的信息；S150、图像标准化：统一图像信息的分辨率大小，进行标准化处理。
[0009]所述步骤S150进一步包括：S151、规定输入图像分辨率为200*200；S152、采用最近邻插值法将图像的分辨率改写为200*200；S153、对图像的向量组进行归一化处理，所得结果放在原位置，得到归一化的向量组。
[0010]步骤S200进一步包括：S210、卷积运算和预测：将处理后的训练数据输入卷积神经网络计算模型，卷积神经网络计算模型包括两个卷积网络A和B，卷积网络A为高斯模糊
‑
灰度化处理的标准化向量卷积网络，卷积网络B为高斯模糊
‑
RGB全通道的标准化向量卷积网络，计算获得预测结果，预测结果包括A分类（A class）、A评分（A score）、B分类（B class）、B评分（B class），并规定预测结果对分类影响的初始权重分别为和，；S220、验证判定后进行激励：将每次预测结果中的A分类和B分类分别与对应训练数据标注的分类进行验证判定，若A分类和B分类均判定为正确或均判定为错误，则权重不变，即，；若A分类和B分类中仅有一个判定正确，则判定正确的进行正向激励，判定错误的进行负向激励，即A分类判定正确而B分类判定错误时，，，B分类判定正确而A分类判定错误时，，；其中，为后验激励率，，为激励后的影响A分类的权
重，为激励后的影响B分类的权重；S230、比较A分类和B分类、以及对应的权重，输出分类结果R和评分结果P：当A分类和B分类相同时，，；当A分类和B分类不同且时，，；当A分类和B分类不同且时，，；当A分类和B分类不同且时，对应的图像进入人工标注库；S240、设定评分阈值，当时，将对应初始标注图像输入到标注图像库中，并按预测分类进行标注；当时，对应初始标注图像进入人工标注库中；S250、人工标注：由人工对处于人工标注库中的图像进行标注后输出到修正标注图像库中，根据判定结果对相应权重、进行修正；S260、再学习：基于人工标注后的修正标注图像库，再次输入卷积神经网络计算模型进行预测计算，对卷积神经网络计算模型反复进行训练和修正，从而获得训练好的计算模型和最终标注图像库。
[0011]步骤S300中的本地危化车数据库为本地交通主管部门提供的登记在册的标准危化品运输车辆信息，待识别数据为批量交通图片流，批量交通图片流包括车身危化品图标、货物危化品图片、车辆行驶轨迹和车辆信息。
[0012]步骤S300进一步包括：S310、获取待识别数据中的车身危化品图标（密封车）、货物危化品图片（非密封车）、车辆行驶轨迹和车辆信息；S320、将车身危化品图标和货物危化品图片输入训练好的卷积神经网络计算模型进行计算，并与最终标注图像库进行对比判定，输出危化品车辆特征或疑似危化品车辆特征；S330、将危化品车辆特征或疑似危化品车辆特征和本地危化车数据库进行对比，若特征均吻合，则为合法危化车运输车辆，若有其中一项以上特征不吻合，则为非法危化车运输车辆。
[0013]步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于卷积神经网络的非法危化品运输车辆识别方法，其特征在于，包括以下步骤：S100、获取训练数据，接着对训练数据进行数据标准化处理，所述训练数据为初始标注图像库，初始标注图像库包括标注过分类的危化品图片、危化品图标和标准危化品运输车辆例图；S200、利用卷积神经网络计算模型对处理后的训练数据进行卷积运算，进行学习、训练和修正，获得训练好的计算模型和最终标注图像库；S300、获取本地危化车数据库和待识别数据，利用训练好的计算模型对待识别数据进行计算识别，并与最终标注图像库进行对比判定，输出危化品车辆特征或疑似危化品车辆特征，将危化品车辆特征或疑似危化品车辆特征与本地危化车数据库进行判定，区分标准危化品运输车辆和非法危化品运输车辆。2.根据权利要求1所述的基于卷积神经网络的非法危化品运输车辆识别方法，其特征在于，其中步骤S100进一步包括：S110、图像灰度处理：对训练数据的图像进行高斯模糊，降低图像噪声，接着对图像的R,G,B三通道进行加权灰度处理；S120、图像边缘分析：使用canny算法对灰度化图像中的边缘进行检测，输出图像信息；S130、图像切割：基于图像边缘分析结果，对图像中不影响内容的部分进行切割，分割为几张不同的新图像，以提高识别率；S140、图像向量化；将图像向量化，转换为平面二维数组，每个像素点的灰度值信息，表示向量中一个特征的信息；S150、图像标准化：统一图像信息的分辨率大小，进行标准化处理。3.根据权利要求2所述的基于卷积神经网络的非法危化品运输车辆识别方法，其特征在于，所述步骤S150进一步包括：S151、规定输入图像分辨率为200*200；S152、采用最近邻插值法将图像的分辨率改写为200*200；S153、对图像的向量组进行归一化处理，所得结果放在原位置，得到归一化的向量组。4.根据权利要求1所述的基于卷积神经网络的非法危化品运输车辆识别方法，其特征在于，步骤S200进一步包括：S210、卷积运算和预测：将处理后的训练数据输入卷积神经网络计算模型，卷积神经网络计算模型包括两个卷积网络A和B，卷积网络A为高斯模糊
‑
灰度化处理的标准化向量卷积网络，卷积网络B为高斯模糊
‑
RGB全通道的标准化向量卷积网络，计算获得预测结果，预测结果包括A分类、A评分、B分类、B评分，分别用、、、表示，并规定预测结果对分类影响的初始权重分别为和，；S220、验证判定后进行激励：将每次预测结果中的A分类和B分类分别与对应训练数据标注的分类进行验证判定，若A分类和B分类均判定为正确或均判定为错误，则权重不变，即，；若A分类和B分类中仅有一个判定正确，则判定正确的进行正向激励，判定错误的进行负向激励，即A分类判定正确而B分类判定错误时，，，B分类判定正确而A分类判定错误时，，；
其中，为后验激励率，，为激励后的影响A分类的权重，为激励后的影响B分类的权重；S230、比较A分类和B分类、以及对应的权重，输出分类结果R和评分结果P：当A分类和B分类相同时，，；当A分类和B分类不同且时，，；当A分类和B分类不同且时，，；当A分类和B分类不同且时，对应的图像进入人工标注库；S240、设定评分阈值，当时，将对应初...

【专利技术属性】
技术研发人员：宫跃峰，任衡，王阳，王璐，
申请(专利权)人：智广海联天津大数据技术有限公司，
类型：发明
国别省市：