(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210538912.9 (22)申请日 2022.05.17 (71)申请人 南京理工大 学 地址 210018 江苏省南京市玄武区孝陵卫 街道孝陵卫 街200号 (72)发明人 张楠　何新　李世颖　于淼　 (74)专利代理 机构 北京鑫瑞森知识产权代理有 限公司 1 1961 专利代理师 王立普 (51)Int.Cl. G06V 20/40(2022.01) G06V 20/52(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/774(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于卷积神经网络的电动车入梯实时 检测方法 (57)摘要 本发明公开了一种基于卷积神经网络的电 动车入梯实时检测方法， 首先， 获取电动车入梯 视频， 截取可用关键帧进行尺寸统一规范命名， 建立数据集， 并按设定比例划分为训练集、 验证 集和测试集； 其次， 采用基于深度卷积神经网络 CNN的YOLOV4检测模型， 作为电动车检测的基线 网络架构， 修改参数， 优化检测模型， 利用训练集 和验证集进行模 型训练， 并利用测试集进行模型 测试； 最后， 使用训练好的检测模型对待检测的 电梯内图像进行检测， 得到电动车入梯检测结 果。 本发明利用卷积神经网络建立模 型进行数字 图像处理， 自动识别出电动车， 方法简单易操作， 可移植性强， 能够对电动车入梯 进行实时精准监 测。 权利要求书2页 说明书5页 附图2页 CN 114913460 A 2022.08.16 CN 114913460 A 1.一种基于卷积神经网络的电动车入梯实时检测方法， 其特 征在于， 包括以下步骤： S1， 获取电动车入梯视频， 截取可用关键帧进行尺寸统一规范命名， 建立数据集， 并按 设定比例划分为训练集、 验证集和 测试集； S2， 采用基于深度卷积神经网络CNN的YOLOV4检测模型， 作为电动车检测的基线网络架 构， 修改参数， 优化检测模型， 利用训练集和验证集进行模型训练， 并利用测试集进行模型 测试； S3， 使用训练好的检测模型对待检测的电梯内图像进行检测， 得到电动车入梯检测结 果。 2.根据权利要求1所述的基于卷积神经网络的电动车入梯实时检测方法， 其特征在于， 所述步骤S1中， 获取电动车入梯视频， 截取可用关键帧进行尺寸统一规范命名， 以VOC数据 集格式进行存放， 建立训练集、 验证集和 测试集， 具体包括： S101， 通过电梯内的摄像头采集电梯内图像， 从中获取电动车入梯视频， 截取可用关键 帧进行尺寸统一 规范命名， 以VOC数据集格式存放到数据集； S102， 利用数据标注软件， 对数据集 内电动车多个特征点进行提取标注， 可用关键帧的 图像内， 电动车多个特征点上分别标注一个目标框， 将标注完成的数据集按设定比例划分 为训练集、 验证集和 测试集。 3.根据权利要求2所述的基于卷积神经网络的电动车入梯实时检测方法， 其特征在于， 所述步骤S2中， 采用基于深度卷积神经网络CNN的YOLOV4检测模 型， 作为电动车检测的基线 网络架构， 修改参数， 优化检测模型， 利用训练集和测试集进行模型训练， 并利用验证集进 行模型测试， 具体包括： S201， 基于深度卷积神经网络CNN的YOLOV4检测模型采用YOLOV4 网络架构， 将训练集和 验证集输入YOLOV4网络架构中， 得到 权重文件和检测模型； S202， 对以电动车上的目标框为目标进行目标检测网络预测， 生成预测框， 并输出预测 框参数信息； S203， 进行检测模型的损失计算， 不断修改参数， 改进检测模型输出 结果。 4.根据权利要求3所述的基于卷积神经网络的电动车入梯实时检测方法， 其特征在于， 所述步骤S201中， 所述YOLOV4网络架构包括输入层、 主干层、 输出层， 输出层包括一组YOLO 层， 所述YOLOV4网络架构最小组件由卷积层、 批归一化层、 Mish激活函数组成， 最小组件和 多个残差模块 通过concat组成CS PX模块。 5.根据权利要求4所述的基于卷积神经网络的电动车入梯实时检测方法， 其特征在于， 所述YOLOV4网络架构中空间金字塔池化模块由多个最大池化组成， 主要进行1 ×1、 5×5、 9 ×9、 13×13四种最大值池化核心的池化操作， 并多尺度融合。 6.根据权利要求3所述的基于卷积神经网络的电动车入梯实时检测方法， 其特征在于， 所述步骤S202中， 所述预测 框的参数信息包括预测框信息、 特征点信息、 置信度； 所述预测 框信息包括预测框的中心点坐标、 预测框长度和宽度值； 所述置信度包括 目标置信度和目 标类别置信度， 目标置信度表示预测的位置是否包含目标， 目标类别置信度表示 目标的类 别是否为电动车。 7.根据权利要求3所述的基于卷积神经网络的电动车入梯实时检测方法， 其特征在于， 所述步骤S203中， 损失计算采用CIOU_l oss函数计算：权　利　要　求　书 1/2 页 2 CN 114913460 A 2其中， IOU＝A/B， 为目标框和预测框的交并比， A是目标框与预测框的交集， B是目标框 与预测框的并集； Distance_22是目标框中心点和预测框中心点的欧式距离， Distance_C2是 目标框最小外接矩阵和预测框最小外接矩阵的对角线距离； v是衡量预测框和目标框长宽 比一致性的参数。权　利　要　求　书 2/2 页 3 CN 114913460 A 3