基于深度学习的危化品标志识别方法技术

一种基于深度学习的危化品标志识别方法，涉及计算机视觉、图像处理领域，包括步骤1)通过图像或视频采集设备采集若干危化品运输车辆的图像，制作所需数据集；步骤2)对危化品标志数据集进行图像标注，将数据集随机分为训练集和测试集；步骤3)将坐标注意力机制与yolov5s网络模型结合，构建CA

【技术实现步骤摘要】
基于深度学习的危化品标志识别方法


[0001]本专利技术涉及计算机视觉、图像处理领域，具体涉及一种基于深度学习的危化品标志识别方法。

技术介绍

[0002]随着社会经济的不断发展，危险化学品作为重要的生产经营原材料，需求和供给逐年增加。因危化品生产、存储的特殊性，运用车辆进行道路运输是危化品的主要运输方式。危化品车辆运输具有长距离、跨地区的特点，发生事故的时间和地点难以预知。由于其易燃、易爆、易中毒、易污染的特点，危化品事故不仅会造成经济损失，还会对环境产生污染，甚至会出现重大的人员伤亡情况。对危化品车辆运输的货物标志进行实时监控，在发生危化品运输事故时，高速公路监管人员能够在第一时间获得车辆的货物信息，进行针对性的紧急救援，避免盲目施救。
[0003]危化品标志识别成功与否有赖于两个关键技术的研究。首先是标志的检测，即在复杂的环境中进行目标分割，准确地从背景图像中分离出危化品标志。二是标志的识别，由于易燃、易爆、有毒等为危化品标志的多种类别，识别问题本质上是一个多分类问题。深度学习允许网络模型独立地学习特征，而传统神经网络需要手动选择特征。基于卷积神经网络的单阶段目标检测算法可以解决复杂环境下识别较差的问题，适用于本专利技术中的道路环境下的危化品标志识别。
[0004]但是危化品车辆运输的货物标志往往目标较小、且背景复杂，原单阶段目标检测算法yolov5s网络模型无法充分满足检测需求，存在漏检、误检的情况。

技术实现思路

[0005]针对以上现有技术的不足，本专利技术的目的在于提供一种基于深度学习的危化品标志识别方法，能够解决危化品车辆运输的货物标志往往目标较小、且背景复杂，原单阶段目标检测算法yolov5s网络模型无法充分满足检测需求，存在漏检、误检的技术问题。
[0006]为了实现上述目的，本专利技术提供如下技术方案：
[0007]一种基于深度学习的危化品标志识别方法，包括如下步骤：
[0008]步骤1)：通过图像或视频采集设备采集若干危化品运输车辆的图像，制作所需数据集；
[0009]步骤2)：对危化品标志数据集进行图像标注，并按照8∶2的比例，将数据集随机分为训练集和测试集；
[0010]步骤3)：将坐标注意力机制与yolov5s网络模型结合，构建CA
‑
yolov5s网络模型，将位置信息嵌入通道注意力中，使网络能够获得更广泛的区域信息；
[0011]步骤4)：结合CARAFE上采样算子，可以获得上下文语义信息，使更多的信息可以包含在特征融合中而不需要额外的计算；
[0012]步骤5)：在yolov5s的预测头中，将耦合头改为解耦头；
[0013]步骤6)：采用危化品标志数据训练集对改进后的yolov5s模型进行训练；
[0014]步骤7)：利用训练后的最佳网络模型对测试集的危化品标志图像进行检测与识别。
[0015]进一步的，在步骤2中，对危化品标志数据集的所以图片，使用LabelImg工具进行标注，将数据集的各类按照8∶2的比例随机分为训练集和测试集，最后将xml格式转换成符合yolov5s网络输入的txt格式。
[0016]进一步的，在步骤3中，以yolov5s为基础，在其Backbone和Head中增加了坐标注意力机制，通过将位置信息嵌入到通道注意力中，获取了对特征图的远距离依赖关系，更准确地获取了感兴趣区域。
[0017]进一步的，坐标注意力机制的核心思想是将候选框的位置信息添加到通道注意力中，避免二维全局池化将特征张量转化为单个特征向量而导致的位置信息丢失。采用两个并行一维特征码，沿垂直h方向和水平w方向的位置感受特征分别使用两个一维全局池化进行聚合，使网络结构可以获取更多感受野，代表通道c在高度h输出，计算公式为：
[0018][0019]Zc表示c通道的输出，代表通道c在宽度w输出，计算公式为：
[0020][0021]进一步的，在步骤4中，所述的CARAFE是一种轻量级的高效上采样算子。其具有三个优点：1)基于内容感知采样，上采样核可以与特征图的语义信息相结合；2)提供更大的感受野，因此可以更好地利用采样点的上下文信息；3)轻量级结构可以更有效地保留特征信息，同时保持一定的计算效率。
[0022]进一步的，CARAFE主要分为两个模块，分别是上采样核预测模块和特征重组模块。CARAFE的计算公式为：
[0023][0024]进一步的，在步骤5中，原始的yolov5s预测头在特征融合后，直接经过一层卷积得到最终预测头，预测头耦合了分类，定位和置信度的检测，这会影响检测精度。使用解耦头的方法，分类，定位和置信度检测采取不同的检测层。
[0025]进一步的，在步骤6中，搭建基于Pytorch的深度学习环境，采用危化品标志图像训练集对改进后的yolov5s网络模型进行训练。
[0026]进一步的，在步骤7中，利用训练后的最佳网络模型，识别测试集中危化品标志图片，得到危化品标志的分类信息与位置信息，改进的yolov5s网络模型在识别危化品标志时，用矩形框进行标记，并计算危化品标志的置信度。
[0027]与现有技术相比，本专利技术的有益效果为：
[0028](1)在yolov5s模型的Backbone和Head中增加坐标注意力模块，该方法不仅可以获取更多的远距离依赖关系，而且可以结合目标的空间结构信息。同时，将获取的特征图编码为方向感知和位置敏感的注意图，这两个注意图可互补地加入到输入特征图中，以帮助更
好地识别模型。
[0029](2)所采用的CARAFE是一种轻量级的高效上采样算子。其具有三个优点：1)基于内容感知采样，上采样核可以与特征图的语义信息相结合；2)提供更大的感受野，可以更好地利用采样点的上下文信息；3)轻量级结构可以更有效地保留特征信息，同时保持一定的计算效率。
[0030](3)本专利技术用解耦的yolo预测头代替yolov5s原始模型中的耦合头，极大地提高了收敛速度，改善了模型的检测性能。同时仅会增加很少的额外参数和计算成本。
附图说明
[0031]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0032]图1为本专利技术的基于深度学习的危化品标志识别方法的流程图。
[0033]图2为本专利技术的基于深度学习的危化品标志识别方法的坐标注意力模块结构图。
[0034]图3为本专利技术的基于深度学习的危化品标志识别方法的CARAFE上采样算子网络结构示意图。
[0035]图4为本专利技术的基于深度学习的危化品标志识别方法的解耦头示意图。
[0036]图5为本专利技术的基于深度学习的危化品标志识别方法的网络结构图。
[0037]图6为本专利技术的基于深度学习的危化品标志识别方法的CBS模块结构示意图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的危化品标志识别方法，其特征在于，包括以下步骤：步骤1)：通过图像或视频采集设备采集若干危化品运输车辆的图像，制作所需数据集；步骤2)：对危化品标志数据集进行图像标注，并按照8：2的比例，将数据集随机分为训练集和测试集；步骤3)：将坐标注意力机制与yolov5s网络模型结合，构建CA
‑
yolov5s网络模型，将位置信息嵌入通道注意力中，使网络能够获得更广泛的区域信息；步骤4)：结合CARAFE上采样算子，可以获得上下文语义信息，使更多的信息可以包含在特征融合中而不需要额外的计算；步骤5)：在yolov5s的预测头中，将耦合头改为解耦头；步骤6)：采用危化品标志数据训练集对改进后的yolov5s模型进行训练；步骤7)：利用训练后的最佳网络模型对测试集的危化品标志图像进行检测与识别。2.根据权利要求1所述的基于深度学习的危化品标志识别方法，其特征在于，所述步骤2对危化品标志数据集的所有图片，使用LabelImg工具进行标注，将数据集的各类按照8∶2的比例随机分为训练集和测试集，最后将xml格式转换成符合yolov5s网络输入的txt格式。3.根据权利要求1所述的基于深度学习的危化品标志识别方法，其特征在于，所述步骤3的具体方法为：以yolov5s为基础，在其Backbone和Head中增加了坐标注意力机制，通过将位置信息嵌入到通道注意力中，获取了对特征图的远距离依赖关系，更准确地获取了感兴趣区域。4.根据权利要求3所述的基于深度学习的危化品标志识别方法，其特征在于，步骤3所述的坐标注意力机制的核心思想是将候选框的位置信息添加到通道注意力中，避免二维全局池化将特征张量转化为单个特征向量而导致的位置信息丢失；采用两个并行一维...

【专利技术属性】
技术研发人员：闫连山，唐旭霞，姚涛，贺文伟，蒲桂东，
申请(专利权)人：艾迪恩山东科技有限公司，
类型：发明
国别省市：