基于深度学习的货车单双胎识别方法技术

本发明专利技术涉及一种基于深度学习的货车单双胎识别方法。包括：检测车轴的位置与车胎类型：利用YOLOv5s深度神经网络模型对输入视频的每一帧进行检测，若检测到目标即轮胎，则返回目标检测类别即单/双胎，以及目标检测框即轮胎所在矩形中心点的像素坐标与矩形框的宽度和高度；对检测到的车胎进行跟踪计数：对目标检测框的检测结果进行判断，若在检测区域内，执行SORT算法，判断是不是新出现的目标，若是新出现的目标，则计数器加1，即记录增加的是单/双胎数目；否则，更新目标位置；最后，输出车胎计数结果和记录的单双胎序列。本发明专利技术能够实现对地磅上缓缓开过的货车进行单双胎的识别，有效提高货车超重检测效率。效提高货车超重检测效率。效提高货车超重检测效率。

【技术实现步骤摘要】
基于深度学习的货车单双胎识别方法


[0001]本专利技术属于计算机视觉
，具体涉及一种基于深度学习的货车单双胎识别方法。

技术介绍

[0002]随着我国经济的迅速发展及路网结构的不断完善，我国民用载货汽车拥有量逐年增加，但因货车超载引发的道路交通事故时有发生。为有效预防和减少此类事件，货车超载检测势在必行。检测货车是否超载的做法为：根据货车轮轴数量与单双胎类型计算货车的标准载重量，与地磅测出的实际载重量进行对比，从而得出货车超载与否的结论。该方法有效地解决了人工检测成本高、不确定性强等问题，极大地提高了检测的精确度。
[0003]检测货车是否超重通常需要根据货车轮轴数量与单双胎类型计算货车的标准载重量，与地磅测出的实际载重量进行对比，从而得出货车超载与否的结论。检测过程中的一个关键步骤就是计算货车的标准载重量。传统的检测方式是用人眼对车辆车轴和车胎情况进行判断，该方法检测效率低、人工成本高且手动换算标准载重容易出错。随着人工智能技术的发展，计算机视觉技术在工业领域应用前景良好。利用摄像头代替人眼观察车轴、车胎，完成货车标准载重的计本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的货车单双胎识别方法，其特征在于，包括：S1、检测车轴的位置与车胎类型：利用YOLOv5s深度神经网络模型对输入视频的每一帧进行检测，若检测到目标即轮胎，则返回目标检测类别即单/双胎，以及目标检测框即轮胎所在矩形中心点的像素坐标与矩形框的宽度和高度；S2、对检测到的车胎进行跟踪计数：对目标检测框的检测结果进行判断，若在检测区域内，执行SORT算法，判断是不是新出现的目标，若是新出现的目标，则计数器加1，即记录增加的是单/双胎数目；否则，更新目标位置；最后，输出车胎计数结果和记录的单双胎序列。2.根据权利要求1所述的基于深度学习的货车单双胎识别方法，其特征在于，所述步骤S1具体实现如下：S11、图像预处理：对视频的帧图像进行图像缩放处理，将图像的长边缩放到320，短边以相同比例进行缩放，然后填充一定的灰色区域，缩放后图像的尺寸记为(X,Y)，X和Y的值可通过公式(1)
‑
(5)计算得到，其中，R为缩放的比例，H和W分别为输入图像的高度和宽度，dw为缩放后图像宽度方向上需要填充灰色像素点的列数，dh为缩放后图像高度方向上需要填充像素点的行数，int为向下取整，％为取余操作；dw＝[(320
‑
int(W
×
R))％64]/2
ꢀꢀꢀ
(2)dh＝[(320
‑
int(H
×
R))％64]/2
ꢀꢀꢀ
(3)X＝W
×
R+2
×
dw
ꢀꢀꢀ
(4)Y＝H
×
R+2
×
dh
ꢀꢀꢀ
(5)S12、将预处理后的图像输入YOLOv5s深度神经网络模型：1)预处理后的图像首先进入YOLOv5s深度神经网络模型的Focus模块，该模块将输入图像的宽度和高度变为原来的1/4，深度方向变为原来的4倍，具体做法为间隔一个像素进行采样，然后在深度方向上进行拼接；而后，在拼接好的图像上进行一次输出通道数为64、卷积核大小为3*3、步长为1的卷积；接着，对卷积后的特征图进行归一化操作和利用LeakReLU激活函数进行激活；2)YOLOv5s深度神经网络模型利用CONV模块与Bottleneck...

【专利技术属性】
技术研发人员：班榕，李佐勇，罗海波，黎刘斌，吴荣腾，余兆钗，
申请(专利权)人：闽江学院，
类型：发明
国别省市：