[发明专利]一种基于深度学习的信号平面图信号机识别方法及系统

权利要求书

1.一种基于深度学习的信号平面图信号机识别方法，其特征在于，

获取待识别的信号平面图；

采用信号机识别网络识别所述信号平面图中的信号机；

所述信号机识别网络为基于YOLOv5-s的神经网络。

2.根据权利要求1所述的基于深度学习的信号平面图信号机识别方法，其特征在于，获取待识别的信号平面图包括：

对整体信号平面图进行分割，形成多个局部区域图像；

对多个局部区域图像进行筛选，获取包含信号机的局部区域图像。

3.根据权利要求2所述的基于深度学习的信号平面图信号机识别方法，其特征在于，对整体信号平面图进行分割包括：

基于重叠率采用滑动窗口对整体信号平面图进行分割，以使得每个信号机完整出现于至少一个局部区域图像中。

4.根据权利要求2所述的基于深度学习的信号平面图信号机识别方法，其特征在于，对多个局部区域图像进行筛选，获取包含信号机的局部区域图像作为待识别的信号平面图包括：

对局部区域图像进行灰度化处理；

再对局部区域图像进行中值滤波处理，从而达到对噪声抑制的作用；

对处理后的局部区域图像根据霍夫检测参数进行霍夫圆形检测；

霍夫检测参数根据信号平面图中的信号机形状确定；

根据霍夫变化圆检测结果，去除不包含相关圆形区域的图像。

5.根据权利要求2所述的基于深度学习的信号平面图信号机识别方法，其特征在于，获取包含信号机的局部区域图像后，

对所述局部区域图像的信号机进行锚点框标注，形成自定义数据集，作为信号机识别网络的输入数据。

6.根据权利要求1-5中任一项所述的基于深度学习的信号平面图信号机识别方法，其特征在于，采用信号机识别网络识别所述信号平面图中的信号机包括：

在信号机识别网络的输入端，设置与信号机尺寸相适应的自定义锚点框尺寸，将标注有自定义锚点框的自定义数据集作为输入数据，通过信号机识别网络对自定义数据集自动完成锚定框的选取。

7.根据权利要求1-5中任一项所述的基于深度学习的信号平面图信号机识别方法，其特征在于，

所述信号机识别网络的宽度系数为YOLOv5-s模型的3倍。

8.根据权利要求7所述的基于深度学习的信号平面图信号机识别方法，其特征在于，

所述信号机识别网络中的第一种CSP结构CSP1中，每个CSP1的第一个CBL结构之后的残差组件数量是对应的YOLOv5-s模型的3倍；

所述信号机识别网络中的第二种CSP结构CSP2中，每个CSP2的第一个CBL结构之后的CBL组件的数量是对应的YOLOv5-s模型的3倍。

9.根据权利要求1-5中任一项所述的基于深度学习的信号平面图信号机识别方法，其特征在于，

所述信号机识别网络的通过增加Focus和CBL的卷积核数量，使得网络深度系数为YOLOv5-s模型的1.25倍。

10.根据权利要求1-5中任一项所述的基于深度学习的信号平面图信号机识别方法，其特征在于，

所述信号机识别网络的损失函数包括目标定位损失函数，目标置信度损失函数和目标类别损失函数；

设置目标置信度损失函数的权值，以降低由于数量不均衡所造成的影响，数量不均衡是指信号平面图中包含目标的边界预测框数量少于不包含目标的边界预测框数量。

11.一种基于深度学习的信号平面图信号机识别系统，其特征在于，包括：

获取模块，用于获取待识别的信号平面图；

识别模块，用于采用信号机识别网络识别所述信号平面图中的信号机；

所述信号机识别网络为基于YOLOv5-s的神经网络。