[发明专利]一种基于深度学习的车辆外观部件识别方法在审

专利信息
申请号: 201811521007.2 申请日: 2018-12-12
公开(公告)号: CN109657596A 公开(公告)日: 2019-04-19
发明(设计)人: 朱向雷;郭维明;刘森;朱倩倩;赵子豪 申请(专利权)人: 天津卡达克数据有限公司
主分类号: G06K9/00 分类号: G06K9/00;G06K9/34;G06K9/62
代理公司: 天津企兴智财知识产权代理有限公司 12226 代理人: 杨娥
地址: 300393 天津市西青区中*** 国省代码: 天津;12
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 车辆外观 部件识别 车辆图像 像素级 卷积神经网络 运算速度快 模型评估 模型算法 目标分割 外观部件 网络模型 现实生活 真实环境 学习 标注 车型 分割
【权利要求书】:

1.一种基于深度学习的车辆外观部件识别方法,其特征在于:包括:

步骤一:获取现实生活中的车辆图像并对车辆外观部件进行像素级分割标注;

步骤二:搭建深度卷积神经网络;

步骤三:使用搭建完成的网络模型开展训练;

步骤四:利用训练后的模型进行车辆外观部件识别与模型评估。

2.根据权利要求1所述的一种基于深度学习的车辆外观部件识别方法,其特征在于:步骤一中,采用自建数据集的方法收集多种拍摄角度、多个车型、多种环境下的车辆图像,其中包括白天、夜晚时车辆各个方位的车辆远景和近景图像。

3.根据权利要求2所述的一种基于深度学习的车辆外观部件识别方法,其特征在于:步骤一中,采用图像分割工具对车辆外观部件进行了像素级分割标注,将标注完成的数据集分成训练集、验证集和测试集。

4.根据权利要求1所述的一种基于深度学习的车辆外观部件识别方法,其特征在于:步骤二中,首先搭建主干网络,实现基于卷积神经网络模型(CNN)的特征提取,搭建区域建议网络RPN,将提取的图像特征作为输入,输出矩形建议框,作为下一阶段网络的输入;采用RoIAlign,取消量化操作,使用双线性内插的方法获得坐标为浮点数的像素点上的图像数值;模型的最后输出除了包括目标分类、候选框回归外,还包括目标图像的实例分割。

5.根据权利要求4所述的一种基于深度学习的车辆外观部件识别方法,其特征在于:步骤二中,模型的损失函数是分类、回归以及分割的损失函数之和,L=Lcls+Lbox+Lmask,其中Lcls为分类损失,Lbox为bounding-box回归损失,Lmask为实例分割损失。

6.根据权利要求5所述的一种基于深度学习的车辆外观部件识别方法,其特征在于:步骤三中,首先初始化网络中待训练的参数,向初始化后的网络中输入训练集进行前向传播;使用损失函数实现网络中参数的调整,进行迭代训练,直到损失值小于设定的阈值或达到最大迭代次数时训练结束;最终训练得到用于车辆外观部件识别的网络模型。

7.根据权利要求6所述的一种基于深度学习的车辆外观部件识别方法,其特征在于:步骤三中,网络模型的输出是车辆照片中外观部件的分割级识别,包括部件类型、部件位置以及部件分割级图像区域。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于天津卡达克数据有限公司,未经天津卡达克数据有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201811521007.2/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top