[发明专利]一种基于卷积神经网络识别绿通车车辆轴型的方法

权利要求书

1.一种基于卷积神经网络识别绿通车车辆轴型的方法，其特征在于，包括以下步骤：

步骤1，获取绿通车图像；

步骤2，通过图像质量评价方法中的相对评价法制定绿通车图像有效性判定标准，通过绿通车图像有效性判定标准挑选的图像作为后续分类识别实验卷积神经网络模型的训练样本；

步骤3，采用人工合成少数类样本对图像分类中的非均衡数据进行处理，采用数据增强的方法增加训练样本的数量；

步骤4，数据增强后，使用目标检测算法YOLOv2框架进行整轴检测，将车辆的轴组作为整体目标进行检测识别，得到车轴部位图像；

步骤5，在基于车厢长度的基础上，根据车辆轴组类型和轮组类型将车辆轴型进行分类，将绿通车车辆按车轴数量及车轴位置分为8类；前述所得车轴部位图像，作为卷积神经网络分类的训练数据，80％用于网络训练图像，20％用于测试分类准确率；

步骤6，分别使用AlexNet、VGG-16、ResNet-152三种卷积神经网络在训练集上对车轴类型分类进行训练；

步骤7，检测训练好的AlexNet、VGG-16、ResNet-152三种卷积神经网络，在测试集上运行三种网络，进行分类测试，得到三种网络分别的平均准确率和过拟合比，依据平均准确率和过拟合比判定训练好的神经网络，选用准确率最高的网络，对需要识别的绿通车车辆轴型进行判定；

步骤3中，数据增强为以已有的图像样本为基础使用随机变换的方法生成更多图像，生成的这些图像要保证从分类的角度依然与原始图像同类别，采用的方法包括：对图片进行水平翻转、调整饱和度或调整对比度。

2.根据权利要求1所述的一种基于卷积神经网络识别绿通车车辆轴型的方法，其特征在于，步骤1中，绿通车图像是从绿通车管理系统中的绿通车图像数据库中获取的；通过拍摄工具对被检查车辆拍照并存储在管理系统中，拍摄内容包括车辆的车侧部位、车头部位、车尾部位和运输货物。

3.根据权利要求1所述的一种基于卷积神经网络识别绿通车车辆轴型的方法，其特征在于，步骤2中，绿通车图像有效性判定标准为通过图像清晰度、背景复杂度、轮廓完整度、拍摄角度及关键部位遮挡五个方面将图像质量分为了五个等级。

4.根据权利要求1所述的一种基于卷积神经网络识别绿通车车辆轴型的方法，其特征在于，步骤4中，将车辆的轴组作为整体目标进行检测识别，YOLOv2网络输入图像的分辨率为416×416，输出网格尺寸为13×13，采用固定框后，每个网格预测9个预测框，达到1521个；识别出车轴部位后，指定目标区域被标识出，然后通过图像切割将图像中与目标无关的部分剔除，留下需要识别的车辆部位。

5.根据权利要求4所述的一种基于卷积神经网络识别绿通车车辆轴型的方法，其特征在于，图像切割是将目标检测环节中标识出的对象与其他部分分割的方法，图像中需要的目标区域和冗余区域以红色框线为边界，在图像中边界框处的像素点的RGB色彩值和其他区域像素点不同，将图像转化为矩阵，确定红色框线处的RGB值，图像切割首先提取图像中RGB值的点坐标，其次寻找红色点中左下顶点和右上顶点两个顶点坐标(x1，y1)，(x2，y2)作为边界点，如式下式所示：

x₁＝min{x[RGB(z)＝(坐标)]},y₁＝min{y[RGB(z)＝(坐标)]}

x₂＝max{x[RGB(z)＝(坐标)]},y₂＝max{y[RGB(z)＝(坐标)]}

从而确定出整个红色边框进行切割，切割后原始的图像中大部分冗余信息已被去除，最终图像分类只留下核心部位。

6.根据权利要求1所述的一种基于卷积神经网络识别绿通车车辆轴型的方法，其特征在于，步骤6中，首先在设置初始参数的三种网络上设置训练目标为损失函数最小，经过若干次迭代，当损失函数值降至预先限定的值后，得到训练好的网络。