[发明专利]一种基于深度学习的交通围蔽沙盘模拟考核自动分析的方法

权利要求书

1.一种基于深度学习的交通围蔽沙盘模拟考核自动分析的方法，其特征在于，利用交通标志识别模型对沙盘模拟中安全标志的摆放是否符合规范进行分析判断，包括以下步骤：

步骤一：交通围蔽沙盘模拟考核结束后，对摆放照片进行拍摄并上传；

步骤二：结合本次模拟的围蔽类型信息和所选用的底图，对底图中图标位置及图标类型进行分析；

步骤三：对上传的模拟考核照片中交通标志模型的类型和摆放位置进行分析；

步骤四：步骤二底图信息分析结果与步骤三考核照片分析结果进行比对，若考核照片分析结果与底图一致，则判定通过模拟考核；若考核照片分析结果与底图不一致，则判定交通标志摆放不符合要求，模拟考核不合格。

2.根据权利要求1所述的一种基于深度学习的交通围蔽沙盘模拟考核自动分析的方法，其特征在于，所述步骤四判定交通标志摆放不符合要求还包括对上传照片进行人工复核或重新上传照片进行考核。

3.根据权利要求1所述的一种基于深度学习的交通围蔽沙盘模拟考核自动分析的方法，其特征在于，所述步骤四分析对比指标包括：边框预测GloU(Generalized交并比)损失函数值，目标检测损失(loss)均值，分类损失(loss)均值，精度，召回率。

4.根据权利要求1所述的一种基于深度学习的交通围蔽沙盘模拟考核自动分析的方法，其特征在于，所述交通标志识别模型基于标准交通标志图片数据，还包括数据集采集处理与模型训练预测过程。

5.根据权利要求4所述的一种基于深度学习的交通围蔽沙盘模拟考核自动分析的方法，其特征在于，所述数据集采集处理包括以下步骤：

步骤S1：利用标准交通标志数据集中的交通标志图片数据生成交通围蔽沙盘模拟考核中的交通标志数据信息；

步骤S2：对生成的交通围蔽沙盘模拟考核中的交通标志数据进行数据增强；

步骤S3：采用labeling数据标注工具框选标注数据，整理出训练数据集和测试数据集。

6.根据权利要求5所述的一种基于深度学习的交通围蔽沙盘模拟考核自动分析的方法，其特征在于，所述数据增强包括计算机生成数据增加数据量和马赛克(Mosaic)数据增强方法。

7.根据权利要求4所述的一种基于深度学习的交通围蔽沙盘模拟考核自动分析的方法，其特征在于，所述模型训练预测包括以下步骤：

步骤A：获取交通标志数据集；

步骤B：引入基于YOLOv5的交通标志监检测网络；

步骤C：构建损失函数模型；

步骤D：训练模型，得到基于YOLOv5的交通标志检测网络；

步骤E：输入图片，进行预测。

8.根据权利要求7所述的一种基于深度学习的交通围蔽沙盘模拟考核自动分析的方法，其特征在于，所述步骤C损失函数模型中损失函数包括包含关系损失函数与互斥关系损失函数；所述包含关系的损失函数为：BCEWithLogitsLoss＝Sigmoid层+二分类交叉熵损失(BCEL oss)，BCELoss公式为：

其中，是模型预测样本是正例的概率，y为样本标签，如果样本属于正例，取值为1，否则取值为0；

所述互斥关系的损失函数为：CrossEntropyLoss＝归一化指数函数的对数函数(LogSoftm ax)+负对数似然损失(NLLLoss)，LogSoftmax公式为：

其中，M＝max(x_i)，i＝1，2，…，n即x_i最大值；取值范围为(0,1)，Z_i为第i个节点的输出值，C为输出节点的个数，即分类的类别个数过Softmax归一化指数函数将多分类的输出值转换为范围在[0,1]和为1的概率分布。