一种车辆道闸防砸方法、装置、计算机设备及存储介质制造方法及图纸

本申请实施例属于道闸控制技术领域，涉及一种基于深度学习的车辆道闸防砸方法、装置、计算机设备及存储介质，该方法包括：当接收到与目标车辆道闸相对应的落闸指令时，采集目标车辆道闸的落闸区域图像信息；调用训练好的深度学习网络模型，将落闸区域图像信息输入至训练好的深度学习网络模型进行障碍物识别操作，得到障碍物识别结果，若障碍物识别结果为存在障碍物，则停止控制目标车辆道闸下落。本申请采用基于深度学习的AI智能技术，判断落闸区域的图像信息是否存在异常障碍物，当存在异常障碍物时，停止道闸下落，相较于传统基于地感线圈的道闸控制方法，有效识别除了车辆等金属物体意外的障碍物，从而有效减少行人或者其他异物被砸的情况。物被砸的情况。物被砸的情况。

【技术实现步骤摘要】
一种车辆道闸防砸方法、装置、计算机设备及存储介质


[0001]本申请涉及道闸控制
，尤其涉及一种基于深度学习的车辆道闸防砸方法、装置、计算机设备及存储介质。

技术介绍

[0002]随着科技的发展，停车体系也越来越智能。在停车体系中，出入口控制是关键环节。
[0003]目前，传统的电动道闸防砸车方案是在道闸的闸杆的正下方安装地感线圈，当车辆进入道闸区域时，地感线圈将检测到车辆，并将检测到的信息反馈给道闸服务器，由道闸服务器控制闸杆停止落闸或抬起闸杆，从而防止车辆被砸。
[0004]然而，申请人发现，传统的道闸控制方法所适用的地感线圈只对车辆等金属物体比较敏感，并不能对行人或者其他异物进行有效的识别，从而导致传统的道闸控制方法无法防止行人或者其他异物被砸的问题。

技术实现思路

[0005]本申请实施例的目的在于提出一种基于深度学习的车辆道闸防砸方法、装置、计算机设备及存储介质，以解决传统的道闸控制方法无法防止行人或者其他异物被砸的问题。
[0006]为了解决上述技术问题，本申请实施例提供一种基于深度学习的车辆道闸防砸方法，采用了如下所述的技术方案：
[0007]当接收到与目标车辆道闸相对应的落闸指令时，采集所述目标车辆道闸的落闸区域图像信息；
[0008]调用训练好的深度学习网络模型，将所述落闸区域图像信息输入至所述训练好的深度学习网络模型进行障碍物识别操作，得到障碍物识别结果，其中，所述训练好的深度学习网络模型由MobileNet V3网络以及U
‑
net网络组成；
[0009]若所述障碍物识别结果为不存在障碍物，则根据所述落闸指令控制所述目标车辆道闸下落；
[0010]若所述障碍物识别结果为存在障碍物，则停止控制所述目标车辆道闸下落。
[0011]进一步的，所述U
‑
net网络的层数为5层，所述5层U
‑
net网络分别与所述MobileNet V3网络的5层输出连接。
[0012]进一步的，在所述调用训练好的深度学习网络模型，将所述落闸区域图像信息输入至所述训练好的深度学习网络模型进行障碍物识别操作，得到障碍物识别结果的步骤之前，还包括下述步骤：
[0013]搭建所述U
‑
Net网络的下采样层；
[0014]搭建所述U
‑
Net网络的上采样层；
[0015]基于Skip Connection连接所述下采样层以及所述上采样层；
[0016]搭建Dropout层；
[0017]搭建所述U
‑
Net网络的网络输出模块；
[0018]设置所述U
‑
Net网络的网络参数。
[0019]进一步的，在所述调用训练好的深度学习网络模型，将所述落闸区域图像信息输入至所述训练好的深度学习网络模型进行障碍物识别操作，得到障碍物识别结果的步骤之前，还包括下述步骤：
[0020]获取训练数据集合，所述训练数据集合包括多张输入图像、每张输入图像中所述目标对象以及每张输入图像中与所述目标对象相对应的矩形区域；
[0021]获取初始深度学习网络模型，所述初始深度学习网络模型包括第一子网络以及第二子网络，所述第一子网络用于输出图像中目标对象，所述第二子网络用于输出图像中目标对象对应的矩形区域；
[0022]根据所述训练数据集合，对所述初始深度学习网络模型进行训练，获得所述训练好的深度学习网络模型。
[0023]进一步的，所述根据所述训练数据集合，对所述初始深度学习网络模型进行训练，获得所述训练好的深度学习网络模型的步骤具体包括：
[0024]获取所述初始深度学习网络模型的损失函数，所述损失函数包括用于表征所述第一子网络的交叉熵损失以及所述第二子网络的回归损失；
[0025]根据所述损失函数以及所述训练数据集合，并利用反向传播算法对所述初始深度学习网络模型进行训练，直至所述初始深度学习网络模型收敛，获得所述训练好的深度学习网络模型。
[0026]进一步的，在所述目标车辆道闸的落闸路径上设置有传感器，在所述若所述障碍物识别结果为存在障碍物，则停止控制所述目标车辆道闸下落的步骤之后，还包括下述步骤：
[0027]判断是否接收到所述传感器发送的电信号；
[0028]若所述传感器均未发送所述电信号，则根据所述落闸指令控制所述目标车辆道闸下落；
[0029]若所述传感器发送至少一个所述电信号，则停止控制所述目标车辆道闸下落。
[0030]为了解决上述技术问题，本申请实施例还提供一种基于深度学习的车辆道闸防砸装置，采用了如下所述的技术方案：
[0031]指令获取模块，用于当接收到与目标车辆道闸相对应的落闸指令时，采集所述目标车辆道闸的落闸区域图像信息；
[0032]障碍物识别模块，用于调用训练好的深度学习网络模型，将所述落闸区域图像信息输入至所述训练好的深度学习网络模型进行障碍物识别操作，得到障碍物识别结果，其中，所述训练好的深度学习网络模型由MobileNet V3网络以及U
‑
net网络组成；
[0033]第一识别结果模块，用于若所述障碍物识别结果为不存在障碍物，则根据所述落闸指令控制所述目标车辆道闸下落；
[0034]第二识别结果模块，用于若所述障碍物识别结果为存在障碍物，则停止控制所述目标车辆道闸下落。
[0035]进一步的，所述装置还包括：
[0036]电信号判断模块，用于判断是否接收到所述传感器发送的电信号；
[0037]第二道闸下落模块，用于若所述传感器均未发送所述电信号，则根据所述落闸指令控制所述目标车辆道闸下落；
[0038]第二道闸异常模块，用于若所述传感器发送至少一个所述电信号，则停止控制所述目标车辆道闸下落。
[0039]为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
[0040]包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的基于深度学习的车辆道闸防砸方法的步骤。
[0041]为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
[0042]所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的基于深度学习的车辆道闸防砸方法的步骤。
[0043]本申请提供了一种基于深度学习的车辆道闸防砸方法，包括：当接收到与目标车辆道闸相对应的落闸指令时，采集所述目标车辆道闸的落闸区域图像信息；调用训练好的深度学习网络模型，将所述落闸区域图像信息输入至所述训练好的深度学习网络模型进行障碍物识别操作，得到障碍物识别结果，其中，所述训练好的深度学习网络模型由MobileNet V3网络以及U
‑
net网络组成；若所述障碍物识别结果为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的车辆道闸防砸方法，其特征在于，包括下述步骤：当接收到与目标车辆道闸相对应的落闸指令时，采集所述目标车辆道闸的落闸区域图像信息；调用训练好的深度学习网络模型，将所述落闸区域图像信息输入至所述训练好的深度学习网络模型进行障碍物识别操作，得到障碍物识别结果，其中，所述训练好的深度学习网络模型由MobileNet V3网络以及U
‑
net网络组成；若所述障碍物识别结果为不存在障碍物，则根据所述落闸指令控制所述目标车辆道闸下落；若所述障碍物识别结果为存在障碍物，则停止控制所述目标车辆道闸下落。2.根据权利要求1所述的基于深度学习的车辆道闸防砸方法，其特征在于，所述U
‑
net网络的层数为5层，所述5层U
‑
net网络分别与所述MobileNet V3网络的5层输出连接。3.根据权利要求1所述的基于深度学习的车辆道闸防砸方法，其特征在于，在所述调用训练好的深度学习网络模型，将所述落闸区域图像信息输入至所述训练好的深度学习网络模型进行障碍物识别操作，得到障碍物识别结果的步骤之前，还包括下述步骤：搭建所述U
‑
Net网络的下采样层；搭建所述U
‑
Net网络的上采样层；基于Skip Connection连接所述下采样层以及所述上采样层；搭建Dropout层；搭建所述U
‑
Net网络的网络输出模块；设置所述U
‑
Net网络的网络参数。4.根据权利要求1所述的基于深度学习的车辆道闸防砸方法，其特征在于，在所述调用训练好的深度学习网络模型，将所述落闸区域图像信息输入至所述训练好的深度学习网络模型进行障碍物识别操作，得到障碍物识别结果的步骤之前，还包括下述步骤：获取训练数据集合，所述训练数据集合包括多张输入图像、每张输入图像中所述目标对象以及每张输入图像中与所述目标对象相对应的矩形区域；获取初始深度学习网络模型，所述初始深度学习网络模型包括第一子网络以及第二子网络，所述第一子网络用于输出图像中目标对象，所述第二子网络用于输出图像中目标对象对应的矩形区域；根据所述训练数据集合，对所述初始深度学习网络模型进行训练，获得所述训练好的深度学习网络模型。5.根据权利要求4所述的基于深度学习的车辆道闸防砸方法，其特征在于，所述根据所述训练数据集合，对所述初始深度学习网络模型进行...

【专利技术属性】
技术研发人员：廖高波，肖海，谢长荣，胡长远，
申请(专利权)人：远光软件股份有限公司，
类型：发明
国别省市：