[发明专利]物流货车准时到站识别方法、装置、设备和存储介质

权利要求书

1.一种物流货车准时到站识别方法，其特征在于，包括以下步骤：

S1：对物流货车的站台进行图像采集，获取样本图像集；

S2：基于Xception网络架构搭建Xception模型，所述Xception模型包括输入层、卷积层、池化层、全连接层和输出层，其中，将所述Xception模型的学习率调整为自适应，并对所述Xception模型加入用于减弱深层神经网络的过拟合效应的Dropout层；

S3：加载预先通过同类数据集训练好的预训练模型，输入搭建好的所述Xception模型中，通过所述样本图像集从所述预训练模型开始训练；

S4：对训练完成之后的模型进行测试，输出得到准时到站识别模型；

S5：通过所述准时到站识别模型对车站场景进行监控识别，判断是否有物流货车到站。

2.根据权利要求1所述的物流货车准时到站识别方法，其特征在于，所述步骤S2中，所述输入层包括以下图像处理步骤：

对输入的图像进行归一化的预处理，之后输入至所述卷积层。

3.根据权利要求2所述的物流货车准时到站识别方法，其特征在于，所述步骤S2中，所述卷积层包括以下图像处理步骤：

统一所述预处理之后的图像大小，并通过卷积进行初步特征提取，得到特征提取图；

通过尺寸不同的深度可分离卷积对所述特征提取图进行特征的进一步提取，依次提取得到初级特征、中级特征和高级特征。

4.根据权利要求3所述的物流货车准时到站识别方法，其特征在于，所述步骤S2中，所述池化层包括以下图像处理步骤：

通过每个所述深度可分离卷积模块中的最大池化层对所述初级特征、所述中级特征、所述高级特征进行筛选降维，其中，每个所述深度可分离卷积模块的连接采用残差连接；

对所述筛选降维之后的所述初级特征、所述中级特征、所述高级特征进行特征融合，之后输入所述全连接层。

5.根据权利要求4所述的物流货车准时到站识别方法，其特征在于，所述步骤S2中，所述全连接层和所述输出层包括以下图像处理步骤：

将所述特征融合之后的特征整合具有类别区分性的局部信息，并通过逻辑回归分类进行输出。

6.一种物流货车准时到站识别装置，其特征在于，包括：

数据采集模块，用于对物流货车的站台进行图像采集，获取样本图像集；

模型搭建模块，用于基于Xception网络架构搭建Xception模型，所述Xception模型包括输入层、卷积层、池化层、全连接层和输出层，其中，将所述Xception模型的学习率调整为自适应，并对所述Xception模型加入用于减弱深层神经网络的过拟合效应的Dropout层；

模型加载训练模块，用于加载预先通过同类数据集训练好的预训练模型，输入搭建好的所述Xception模型中，通过所述样本图像集从所述预训练模型开始训练；

模型测试输出模块，用于对训练完成之后的模型进行测试，输出得到准时到站识别模型；

到站识别模块，用于通过所述准时到站识别模型对车站场景进行监控识别，判断是否有物流货车到站。

7.根据权利要求6所述的物流货车准时到站识别装置，其特征在于，所述输入层用于对输入的图像进行归一化的预处理，之后输入至所述卷积层；

所述卷积层用于对所述预处理之后的图像进行大小统一，并通过卷积进行初步特征提取，得到特征提取图，以及通过尺寸不同的深度可分离卷积对所述特征提取图进行特征的进一步提取，依次提取得到初级特征、中级特征和高级特征；

所述池化层用于通过每个所述深度可分离卷积模块中的最大池化层对所述初级特征、所述中级特征、所述高级特征进行筛选降维，其中，每个所述深度可分离卷积模块的连接采用残差连接，以及对所述筛选降维之后的所述初级特征、所述中级特征、所述高级特征进行特征融合，之后输入所述全连接层；

所述全连接层和所述输出层用于将所述特征融合之后的特征整合具有类别区分性的局部信息，并通过逻辑回归分类进行输出。