[发明专利]物流车辆识别与引导方法、装置、设备及存储介质

权利要求书

1.一种物流车辆识别与引导方法，其特征在于，包括如下步骤：

实时获取网点入口通道图像信息，通过密集网络(DenseNet)模型，判断是否有物流车辆进入网点；

通过光学字符识别(OCR)模型，识别所述进入网点物流车辆车牌号码；

根据识别的进入网点物流车辆车牌号码，获取车辆信息和货物信息；

根据车辆信息和货物信息判断物流车辆待进入的货仓并进行引导提示，车辆根据提示信息进入相应的货仓。

2.根据权利要求1所述的物流车辆识别与引导方法，其特征在于，所述实时获取网点入口通道图像，通过DenseNet模型，判断是否有物流车辆进入网点前建立DenseNet模型的方法包括：

随机收集网点入口监控系统监控样本数据集，进行包括有车辆、无车辆和其他至少三个类型的分类，对每一个类别定义一个标签并分配存储空间；

将随机收集的样本数据集分为训练数据集、验证数据集和测试数据集；

搭建输入层、四层稠密块层(Dense Block层)、三层过渡层(Transition Layers层)及分类层的密集网络(DenseNet)模型；设定增长率为32，输入层设64个7×7的卷积，稠密块层(Dense Block)设4层，在稠密块层(Dense Block)之间设3层过渡层(Transition Layers)，分类层设7×7的平均池化，1×1的卷积以及输出层(Softmax)；

所述输入层包括卷积层和最大池化层处理输入图像(Conv,MaxPool)，所述卷积层包括一个7×7的卷积，步长为2；所述最大池化层包括3×3的池化，步长为2；

所述稠密块层(Dense Block层)内设有多个密集块，各密集块之间输入和输出在通道维上连结，通道数增长率为K，若输入特征图的通道为K₀，则第L层通道数为K_L＝K₀+(L-1)K；

所述过渡层包括卷积层和池化层进行下采样；

所述密集网络是采用跨通道密集连接操作(concat)的形式拼接之前的所有特征，如公式(1)：

x_l＝H_l([x₀,x₁,…,x_l-1]) (1)

其中，H_l表示非线性组合函数：批标准化函数、修正线性函数及卷积函数，即BN+Relu+Conv；[x0,…，xl-1]表示第0，1，…，l-1层输出的特征图进行拼接，为了减少参数数量，非线性组合函数采用1×1卷积的组合函数，减少参数，再采用3×3卷积的组合函数，即非线性组合函数H_l设定为BN+Relu+1×1Conv+BN+Relu+3×3Conv；

使用训练数据集训练DenseNet分类模型具体包括如下步骤：

向输入层输入图像大小为224×224的训练集图像，经过7×7，步长为2的卷积操作和3×3，步长为2的最大池化操作处理输入图像(Conv,MaxPool)，输出尺寸为56×56的特征图64个，即输出通道为64；

然后将上述64个尺寸为56×56的特征图传入第一稠密块层(Dense Block)，第一稠密块层设6个密集块，通过非线性组合函数BN+Relu+1×1Conv+BN+Relu+3×3Conv，输出56×56的特征图256个，即输出通道为256；

将上述256个尺寸为56×56的特征图传入第一过渡层(Transition Layers层)经过1×1的卷积操作和2×2，步长为2的平均池化操作对输入图像进行下采样(Conv,AveragePool)，输出28×28的特征图128个，输出通道为128；

然后将上述128个尺寸为28×28的特征图传入第二稠密块层(Dense Block)，第二稠密块层设12个密集块，通过非线性组合函数BN+Relu+1×1Conv+BN+Relu+3×3Conv，输出28×28的特征图512个，即输出通道为512；

将上述512个尺寸为28×28的特征图传入第二过渡层(Transition Layers)经过1×1的卷积操作和2×2，步长为2的平均池化操作对输入图像进行下采样(Conv,AveragePool)，输出14×14的特征图256个，输出通道为256；

然后将上述256个尺寸为14×14的特征图传入第三稠密块层(Dense Block)，第三稠密块层设24个密集块，通过非线性组合函数BN+Relu+1×1Conv+BN+Relu+3×3Conv，输出14×14的特征图1024个，即输出通道为1024；

将上述1024个尺寸为14×14的特征图传入第三过渡层(Transition Layers)经过1×1的卷积操作和2×2，步长为2的平均池化操作对输入图像进行下采样(Conv,AveragePool)，输出7×7的特征图512个，输出通道为512；

然后将上述512个尺寸为7×7的特征图传入第三稠密块层(Dense Block)，第三稠密块层设16个密集块，通过非线性组合函数BN+Relu+1×1Conv+BN+Relu+3×3Conv，输出7×7的特征图1024个，即输出通道为1024；

将上述1024个尺寸为7×7的特征图传入分类层(ClassificationLayer),分类层设有7×7的平均池化，1×1的卷积以及输出层(Softmax)，分类层经过平均池化和卷积过滤后，输出分类结果；

使用验证集对DenseNet分类模型进行评估和调参；

使用测试数据集对DenseNet分类模型性能进行测试，采用包括准确率、召回率、F1分数和ROC作为DenseNet分类模型的评价指标。