[发明专利]基于深度学习的信号灯识别方法和装置、设备及存储介质

权利要求书

1.一种基于深度学习的信号灯识别方法，其特征在于，所述方法包括下述步骤：

接收图像采集设备发送的道路图像数据；

将所述道路图像数据输入至基于DIOU-YOLOv3算法以及DIOU损失的识别模型进行识别操作，得到信号灯标识信息；

输出所述信号灯标识信息。

2.根据权利要求1所述的基于深度学习的信号灯识别方法，其特征在于，在所述将所述道路图像数据输入至基于DIOU-YOLOv3算法的识别模型进行识别操作，得到信号灯标识信息的步骤之前，所述方法还包括：

读取本地数据库，在所述本地数据库中获取训练图像数据；

将所述训练图像数据输入至DarkNet53网络进行特征提取操作，获得信号灯特征数据；

对所述信号灯特征数据进行预测操作，获取初始预测结果数据；

基于k-means算法对所述预测结果数据进行检测与识别操作，获得最终预测结果与标注结果的损失数据；

基于随机梯度下降算法对所述损失数据进行优化操作，获得所述识别模型。

3.根据权利要求2所述的基于深度学习的信号灯识别方法，其特征在于，所述读取本地数据库，在所述本地数据库中获取训练图像数据的步骤具体包括：

在所述本地数据库中获取预设数量的随机图像数据；

对所述随机图像数据进行图像增强操作，获得所述训练图像数据。

4.根据权利要求2所述的基于深度学习的信号灯识别方法，其特征在于，所述将所述训练图像数据输入至DarkNet53网络进行特征提取操作，获得信号灯特征数据包括：

判断所述训练图像数据是否满足预设图像条件；

若所述训练图像数据满足所述预设图像条件，则将所述训练图像数据输入至所述DarkNet53网络进行特征提取操作，获得所述信号灯特征数据；

若所述训练图像数据不满足所述预设图像条件，则对所述训练图像数据进行预处理操作，获得规范图像数据；

将所述规范图像数据输入至所述DarkNet53网络进行特征提取操作，获得所述信号灯特征数据。

5.根据权利要求1所述的基于深度学习的信号灯识别方法，其特征在于，所述识别模型的损失函数表示为：

loss＝∑loss_xy+loss_wh+loss_class+loss_diou

其中，loss_xy表示预测框的中心点坐标损失；loss_wh表示预测框的宽高损失；loss_class表示类别损失；loss_diou表示DIOU损失。

6.根据权利要求1所述的基于深度学习的信号灯识别方法，其特征在于，在所述接收图像采集设备发送的道路图像数据的步骤之后，所述方法还包括：

将所述道路图像数据存储至区块链中。

7.一种基于深度学习的信号灯识别装置，其特征在于，所述装置包括：

图像数据接收模块，用于接收图像采集设备发送的道路图像数据；

识别操作模块，用于将所述道路图像数据输入至基于DIOU-YOLOv3算法以及DIOU损失的识别模型进行识别操作，得到信号灯标识信息；

信号灯标识输出模块，用于输出所述信号灯标识信息。