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：