[发明专利]基于深度学习指示灯检测及颜色识别泛化能力提升算法

说明书

本发明公开了基于深度学习指示灯检测及颜色识别泛化能力提升算法，该算法包括以下步骤：收集需要识别的指示灯照片，并通过预先配置的标注方法对照片中指示灯的位置进行标注，保存标注结果；搭建深度学习神经网络，对已标注的照片进行特征提取得到标注数据，且对损失函数进行构建，并通过标注数据及损失函数对搭建的网络进行训练及方向推导，保存训练的模型；利用训练好的模型对需要识别的照片进行识别和检测，并将检测得到的色域与预先设定的颜色区域进行比较筛选和处理，得到指示灯颜色识别结果。有益效果：本发明识别速度更快，识别更为准确，对照片拍摄设备、指示灯、拍摄条件要求低，降低了算法算力要求，节省算法部署调试的时间。

技术领域

本发明涉及视觉技术和图像处理技术领域，具体来说，涉及基于深度学习指示灯检测及颜色识别泛化能力提升算法。

背景技术

传统的指示灯检测及颜色识别方法一般有以下几种方法：

1.目测法，这种识别方法只适用于人眼实时观察，在缺乏人力及无人情况下无法完成任务，且人力成本相对较高。

2.基于传统图像算法的指示灯检测及颜色识别的识别方法，这种识别方法识别速度较慢，且对图像的质量要求较高，算法鲁棒性较低，存在较多误检、漏检，对于指示灯曝光及指示灯中心泛白泛黄的情况不能准确识别颜色。

3.基于纯深度学习的指示灯检测及颜色识别的识别方法，这种方法对各个颜色的知识灯数据量要求较高，且数据标注成本大，指示灯颜色标注过程中人眼不好界定，导致训练出的深度学习模型效果不佳。

因此，现设计基于深度学习指示灯检测及颜色识别泛化能力提升算法，解决上述问题。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的问题，本发明提出基于深度学习指示灯检测及颜色识别泛化能力提升算法，以克服现有相关技术所存在的上述技术问题。

为此，本发明采用的具体技术方案如下：

基于深度学习指示灯检测及颜色识别泛化能力提升算法，该算法包括以下步骤：

S1、收集需要识别的指示灯照片，并通过预先配置的标注方法对照片中指示灯的位置进行标注，保存标注结果；

S2、搭建深度学习神经网络，对已标注的照片进行特征提取得到标注数据，且对损失函数进行构建，并通过标注数据及损失函数对搭建的网络进行训练及方向推导，保存训练的模型；

S3、利用训练好的模型对需要识别的照片进行识别和检测，并将检测得到的色域与预先设定的颜色区域进行比较筛选和处理，得到指示灯颜色识别结果。

进一步的，所述S1中收集需要识别的指示灯照片，并通过预先配置的标注方法对照片中指示灯的位置进行标注，保存标注结果包括以下步骤：

S11、收集需要识别的指示灯照片，并对照片中指示灯的位置进行标注，标注内容包括指示灯的位置x1、y1、x2、y2，分别对应指示灯左上角的横纵坐标及指示灯右下角的横纵坐标；

S12、将标注结果保存为xml格式的文件，且每个xml文件与照片一一对应。

进一步的，所述S2中搭建深度学习神经网络，对已标注的照片进行特征提取得到标注数据，且对损失函数进行构建，并通过标注数据及损失函数对搭建的网络进行训练及方向推导，保存训练的模型包括以下步骤：

S21、搭建深度学习神经网络，并对已标注的照片进行特征提取得到标注数据；

S22、基于指示灯分类损失及指示灯框回归损失构建损失函数；