[发明专利]一种基于深度学习的车辆检测模型构建方法

说明书

本发明公开了一种基于深度学习的车辆检测模型构建方法，涉及车辆检测技术领域。本发明通过先对目标检测数据集进行制作，使其能够进行车辆目标检测；其次对YOLO v4目标检测模型结构进行优化，引入MobileNet v3改进了YOLO v4模型的CSPDarknet 53特征提取网络，并改进其损失函数；再利用阿里云服务器对模型进行训练，解决了个人计算机开发难度大等问题；再对改进模型利用检测精度和检测速度指标完成评估，在树莓派上部署了AI神经计算棒和车辆检测识别模型。本发明利用轻量级卷积神经网络改进现有目标检测算法，有效解决了树莓派用于图像计算的算力不足等问题，同时有解决了对目标车辆进行实时检测的难题，使得在算力资源有限的移动式设备上可以有效进行车辆实时检测。

技术领域

本发明属于车辆检测技术领域，特别是涉及一种基于深度学习的车辆检测模型构建方法。

背景技术

随着自动驾驶技术的发展，使车辆对周围环境的感知更加严格，如何对前方车辆进行有效地检测识别，一直都是车辆环境感知领域的热门。

近年来，深度学习技术的进步，基于深度学习的车辆检测算法已经取代精度低和鲁棒性差的传统检测算法成为主流。

然而，目前基于深度学习的车辆检测算法模型结构复杂、计算量大，在算力资源有限的移动式设备上无法进行车辆实时检测。

为解决上述问题，本发明提出了相关优化方案。

发明内容

本发明的目的在于提供一种基于深度学习的车辆检测模型构建方法，以解决了现有的问题：目前基于深度学习的车辆检测算法模型结构复杂、计算量大，在算力资源有限的移动式设备上无法进行车辆实时检测。

为解决上述技术问题，本发明是通过以下技术方案实现的：一种基于深度学习的车辆检测模型构建方法，包括以下步骤：

利用集中的车辆图像，组成车辆训练数据集；

对车辆训练数据集的车辆图像进行标注，得到目标检测数据集；

改进 YOLO v4 目标检测模型的特征提取网络；

改进目标检测模型的损失函数；

构建出车辆检测识别模型。

进一步地，其中，利用集中的车辆图像，组成车辆训练数据集，主要包括：

提取 PASCAL VOC 数据集中车辆图像组合得到车辆训练数据集。

进一步地，所述标注为利用 labelImg 工具进行标注。

进一步地，其中，改进 YOLO v4 目标检测模型的特征提取网络，主要包括：

用深度可分离卷积的MobileNet v3 改进 YOLO v4 目标检测模型的 CSPDarknet53 特征提取网络。

进一步地，其中，改进目标检测模型的损失函数，主要包括：

去掉了损失函数中的类别置信度。

进一步地，还包括以下步骤：

在个人笔记本和/或云服务器上对车辆检测识别模型进行训练。

进一步地，还包括以下步骤：

利用检测精度和检测速度指标评估车辆检测识别模型。

本发明具有以下有益效果：