[发明专利]电瓶车检测方法、装置、计算机设备及存储介质

权利要求书

1.电瓶车检测方法，其特征在于，包括：

获取来自电梯内摄像头所拍摄的图像，以得到初始图像；

将所述初始图像输入至识别模型内进行图像识别，以得到识别结果；

判断所述识别结果中是否出现电瓶车进入电梯的结果；

若所述识别结果中出现电瓶车进入电梯的结果，则对所述识别结果进行分析，以得到分析结果；

根据所述分析结果发送控制信号，以驱动电梯控制器进行电梯控制，且驱动显示单元以及语音单元进行预警；

若所述识别结果中未出现电瓶车进入电梯的结果，则执行所述获取来自电梯内摄像头所拍摄的图像，以得到初始图像；

其中，所述识别模型是通过若干个带有识别标签的图像集合作为样本集训练FasterR-CNN模型所得的。

2.根据权利要求1所述的电瓶车检测方法，其特征在于，所述识别模型是通过若干个带有识别标签的图像集合作为样本集训练Faster R-CNN模型所得的，包括：

获取若干个带有识别标签的图像集合，以得到样本集，对样本集进行划分，以得到训练集和测试集；

构建Faster R-CNN模型以及损失函数；

利用所述训练集对Faster R-CNN模型采用交替训练方式进行训练，以得到训练结果；

根据损失函数计算训练结果与对应的标签的损失值；

判断所述损失值是否维持不变；

若所述损失值未维持不变，则调整所述Faster R-CNN模型对应的参数，并执行所述利用所述训练集对Faster R-CNN模型采用交替训练方式进行训练，以得到训练结果；

若所述损失值维持不变，则将所述测试集输入至Faster R-CNN模型进行测试，以得到测试结果；

判断所述测试结果是否符合要求；

若所述测试结果符合要求，则将所述Faster R-CNN模型作为识别模型并进行存储；

若所述测试结果不符合要求，则执行所述调整所述Faster R-CNN模型对应的参数。

3.根据权利要求2所述的电瓶车检测方法，其特征在于，所述构建Faster R-CNN模型以及损失函数，包括：

构建Faster R-CNN模型用于将输入的图像尺寸进行归一化的第一层网络；

构建Faster R-CNN模型的卷积层和池化层，以用于产生特征映射图；

构建用于在特征映射图上提取电瓶车候选区域和区域得分的候选区域生成网络；

构建Faster R-CNN模型的输出层；

整合第一层网络、卷积层、池化层、候选区域生成网络以及输出层，以得到Faster R-CNN模型；

构建损失函数。

4.根据权利要求3所述的电瓶车检测方法，其特征在于，所述损失函数为：其中，i为训练集，p_i为候选区域是电瓶车的概率，t_i＝(t_x，t_y，t_iw，t_h)表示候选区域的边框坐标值，λ为平衡权重，λ＝1，L_cls为分类损失函数，L_reg为回归损失函数，且

5.根据权利要求2所述的电瓶车检测方法，其特征在于，所述利用所述训练集对FasterR-CNN模型采用交替训练方式进行训练，以得到训练结果，包括：

根据所述训练集以及利用ImageNet预训练的模型初始化候选区域生成网络的网络参数，且利用候选区域生成网络生成候选区域和区域得分；

使用候选区域训练FasterR-CNN模型，且采用ImageNet预训练的模型初始化Faster R-CNN模型的网络参数，以得到检测网络模型；

利用检测网络模型初始化一个新的候选区域生成网络，共享卷积层的参数，微调候选区域生成网络独有部分的参数；

微调Faster R-CNN模型的全连接层的参数，以得到Faster R-CNN模型的各个参数；

整合所述候选区域和区域得分，以得到训练结果。