[发明专利]一种基于卷积神经网络的车辆实时超载检测方法

权利要求书

1.一种基于卷积神经网络的车辆实时超载检测方法，其特征在于：基于YOLO-V3搭建检测车辆轮胎的目标检测网络，同时利用人工神经网络剪枝算法，基于L1正则化将YOLO网络稀疏化，然后对卷积神经网络进行通道剪枝压缩网络；

包含以下步骤：

步骤1，VOC数据集制作；

实地采集多种轴数车辆的图像，并利用labeling工具对采集的多种轴数车辆的图像进行标签包括车辆轴数，然后制作成VOC数据集；

VOC数据集包括四个部分，其中文件夹Annotations存放以xml为后缀名的所有图片的标签文件，文件夹JPEGImages存放所有的数据集图片，文件夹ImageSets存放以txt为后缀名的划分数据集之后产生的文件，文件夹labels存放由标签文件转换得到的以txt为后缀名的文件；

步骤2，配置YOLO-V3目标检测网络模型训练环境；

在ubuntu系统中，利用darknet深度学习框架，搭建YOLO-V3目标检测网络模型，并在darknet深度学习框架上完成YOLO-V3目标检测网络模型的训练；YOLO-V3目标检测网络模型的训练与测试在计算机上进行；

步骤3，对YOLO-V3目标检测网络模型进行训练；

利用YOLO-V3目标检测算法进行模型训练，同时利用剪枝算法精简网络模型，从而降低实际应用场景中对计算机的性能要求；

步骤4，将训练好的模型上传至服务器，摄像头将采集到的车辆图片上传到服务器进行检测，检测出车辆的轴数与相对轴距，利用轴数与相对轴距这两个参数与车辆载重国标GB1589-2016进行比对匹配，即得出车辆理论最大载重；然后通过铺设在道路下方的压电传感器可得到车辆的真实载重，通过比较理论最大载重和真实载重的数值判断车辆是否超载；

利用车轮边界框以及车身边界框的坐标信息，实现在检测车辆轴数时只计算在车身边界框内的车轮个数；

自动化车辆超载在线实时检测过程如下：

步骤1：车辆轴数、相对轴距获取

摄像头对车辆进行拍摄，将拍摄的照片上传至服务器进行实时检测；得出车辆单侧轮胎的个数从而得出车辆轴数，然后利用边界框中心点坐标进行计算得出相对轴距，利用轴数与相对轴距这两个参数与车辆载重国标GB1589-2016进行比对匹配，即得出车辆理论最大载重；

步骤2：检测效果评价

为验证车轮检测模型的有效性，对检测效果进行评价；目标检测评价指标分为准确率与查全率，公式如下：

其中，TP表示真正例，即检测结果是车轮，实际上也是车轮；FP表示假正例，即检测结果是车轮，实际上不是车轮；FN为假反例，即检测结果不是车轮，实际上是车轮；

单独使用精度或者查全率不能准确反映网络性能，因此引入AP平均精度来评价网络性能；AP的计算公式如下：

其中，P表示精度，r表示查全率，P是一个以r为参数的函数；求所求得的就是Precision-Recall曲线所包围的面积；AP值越高，代表训练出的模型在检测货车轴数和车轮时性能越好。

2.根据权利要求1所述的一种基于卷积神经网络的车辆实时超载检测方法，其特征在于：步骤3.1，利用Darknet53预训练YOLO-V3目标检测网络模型，利用步骤一制作成的VOC格式数据集进行训练；Darknet53是由一系列1×1和3×3的卷积层组成，每个卷积层后面跟一个BN层和一个LeakyReLU层，一共有53个卷积层，所以叫做Darknet53；

步骤3.2，对网络模型进行稀疏化训练，再按一定比例或者设定的阈值对网络进行通道剪枝，然后根据剪枝后的网络的精度进行迭代剪枝，直到检测精度达到要求；

步骤3.3，剪枝通道的选取；

剪枝通道的选取重点是找到对输出贡献较小的通道；卷积通道的选取是通过卷积通道自身参数的特性选择，如通过参数的平均值、L1范数、L2范数等数值特性，在整个通道上进行排序，然后根据排序结果按照一定比例或者阈值进行裁剪，将对车辆轴数、车轮检测精度影响较小的通道去掉，精简网络模型结构；使用BN层的γ参数作为稀疏因子，对γ参数进行L1正则化，使部分γ参数接近0，然后将低于阈值的卷积核裁减掉，完成模型训练。