【技术实现步骤摘要】
本专利技术涉及目标检测领域，具体涉及一种基于深度学习的新能源重卡后背式电池包检测方法、装置及可读介质。
技术介绍
1、新能源换电重卡主要采取“车电分离”的换电运营模式，随着此模式持续推广，换电重卡迎来了高速发展期。重卡后背式电池包检测是指在换电站中自动检测、定位和识别目标特征物的过程。
2、目前，重卡后背式电池包检测面临着以下挑战：电池包目标特征物识别泛化能力差：由于换电站属于露天暴露环境，电池包的目标特征物受到光线、污损等问题的影响，使得目标特征物被识别到的能力下降，不易进行目标检测。
3、目前基于深度学习的目标检测器仍存在以下缺点：
4、数据缺乏：由于重卡运营的环境恶劣，整个运营周期内的电池包法人目标特征物受环境影响外观变化较大，获取长时间下的电池包图像的难度较大、周期较长，当前可用的数据集较少，这给目标检测算法的研究带来了困难。
5、检测性能不稳定：由于重卡换电运营模式刚兴起不久，关于后背式电池包检测技术尚不完善以及运行环境的复杂性，目标特征物检测的性能在不同场景和条件下表现不稳定。
6、泛化能力不足：由于重卡运行环境的多样性，目标特征物受环境影响外观变化较大(比如灰尘覆盖、污损等)，训练好的模型可能无法适应新的环境，这使得模型的泛化能力有限，需要针对重卡运行环境会发生的相关变化进行调整和优化。
7、因此，如何在复杂的重卡运行环境中提升泛化能力是当前研究的热点和难点。因此，有必要开发一种基于深度学习的新能源重卡后背式电池包检测方法以解决上述问题。>
技术实现思路
1、针对上述提到现有重卡后背式电池包目标检测方法存在的泛化能力差的技术问题。本申请的实施例的目的在于提出了一种基于深度学习的新能源重卡后背式电池包检测方法、装置及可读介质，来解决以上
技术介绍
部分提到的技术问题。
2、第一方面，本专利技术提供了一种基于深度学习的新能源重卡后背式电池包检测方法，包括以下步骤：
3、获取待检测的重卡后背式电池包包顶部图像；
4、构建基于改进的yolov5网络的重卡后背式电池包检测模型并训练，得到经训练的重卡后背式电池包检测模型，重卡后背式电池包检测模型为在标准yolov5网络模型中的头部结构的第一个卷积层和第一个上采样层之间增加一个双层路由注意力模块后所形成的网络结构；
5、将重卡后背式电池包顶部图像输入经训练的重卡后背式电池包检测模型，识别出重卡后背式电池包顶部图像中的目标特征物的位置和类别信息。
6、作为优选，双层路由注意力模块的计算过程如下：
7、将头部结构的第一个卷积层输出的特征图的宽w和高h分别按s个步长进行区域划分，得到h*w/s个区域，根据h*w/s个区域通过线性变换函数qkvlinear，得到q矩阵、k矩阵和v矩阵；
8、将q矩阵先与k矩阵进行矩阵乘法，并进行softmax归一化，再将归一化后得到的矩阵与v矩阵进行矩阵乘法，得到双层路由注意力模块输出的注意力输出矩阵，表达式如下：
9、
10、其中，c为通道数，attention(q,k,v)为注意力输出矩阵。
11、作为优选，q矩阵为h*w/s个区域中的任意一个区域经过线性变换函数qkvlinear得到的矩阵，k矩阵和v矩阵分别是h*w/s个区域中的任意两个不同区域相加后在经过线性变换函数qkvlinear得到的矩阵。
12、作为优选，在双层路由注意力模块的计算过程中，将重卡后背式电池包包顶部图像中的右上角、右下角、左上角、左下角四个位置作为关注区域，关注区域中包含目标特征物。
13、作为优选，在关注区域的注意力学习过程中，q矩阵选取头部结构的第一个卷积层输出的特征图中的右上角或左下角位置的区域，k矩阵选取头部结构的第一个卷积层输出的特征图中的右上角、右下角、左上角、左下角四个位置中的其中两个不同位置的区域，v矩阵选取头部结构的第一个卷积层输出的特征图中的右上角、右下角、左上角、左下角四个位置中的另外剩余的两个位置的区域。
14、作为优选，标准yolov5网络模型为经训练的标准yolov5网络结构。
15、作为优选，标准yolov5网络结构和重卡后背式电池包检测模型的训练过程中采用相同的训练数据。
16、第二方面，本专利技术提供了一种基于深度学习的新能源重卡后背式电池包检测装置，包括：
17、图像获取模块，被配置为获取待检测的重卡后背式电池包包顶部图像；
18、模型构建模块，被配置为构建基于改进的yolov5网络的重卡后背式电池包检测模型并训练，得到经训练的重卡后背式电池包检测模型，重卡后背式电池包检测模型为在标准yolov5网络模型中的头部结构的第一个卷积层和第一个上采样层之间增加一个双层路由注意力模块后所形成的网络结构；
19、识别模块，被配置为将重卡后背式电池包顶部图像输入经训练的重卡后背式电池包检测模型，识别出重卡后背式电池包顶部图像中的目标特征物的位置和类别信息。
20、第三方面，本专利技术提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
21、第四方面，本专利技术提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
22、相比于现有技术，本专利技术具有以下有益效果：
23、(1)本专利技术提出的基于深度学习的新能源重卡后背式电池包检测方法在标准yolov5网络模型中的头部结构的第一个卷积层和第一个上采样层之间增加一个双层路由注意力模块，在粗粒度的区域级别过滤掉最不相关的键值对，而不是直接在细粒度的级别过滤掉，因此可以找到有价值的键值对以高效地进行机器学习。
24、(2)本专利技术提出的基于深度学习的新能源重卡后背式电池包检测方法在保持模型识别准确率不变的前提下，提高了模型检测的泛化能力。
25、(3)本专利技术提出的基于深度学习的新能源重卡后背式电池包检测方法将电池包顶部高清图像的目标特征物有效识别，能够解决因环境变化等一系列因素导致目标特征物识别不到的泛化能力差的问题，提供了良好的目标检测能力，适用于重卡换电场景以及较高泛化能力的重卡后背式电池包目标检测。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的新能源重卡后背式电池包检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的新能源重卡后背式电池包检测方法，其特征在于，所述双层路由注意力模块的计算过程如下：
3.根据权利要求2所述的基于深度学习的新能源重卡后背式电池包检测方法，其特征在于，所述Q矩阵为H*W/S个区域中的任意一个区域经过线性变换函数QKVlinear得到的矩阵，所述K矩阵和V矩阵分别是H*W/S个区域中的任意两个不同区域相加后在经过线性变换函数QKVlinear得到的矩阵。
4.根据权利要求3所述的基于深度学习的新能源重卡后背式电池包检测方法，其特征在于，在所述双层路由注意力模块的计算过程中，将重卡后背式电池包包顶部图像中的右上角、右下角、左上角、左下角四个位置作为关注区域，所述关注区域中包含所述目标特征物。
5.根据权利要求4所述的基于深度学习的新能源重卡后背式电池包检测方法，其特征在于，在所述关注区域的注意力学习过程中，所述Q矩阵选取所述头部结构的第一个卷积层输出的特征图中的右上角或左下角位置的区域，所述K矩阵选取所
6.根据权利要求1所述的基于深度学习的新能源重卡后背式电池包检测方法，其特征在于，所述标准YOLOv5网络模型为经训练的标准YOLOv5网络结构。
7.根据权利要求6所述的基于深度学习的新能源重卡后背式电池包检测方法，其特征在于，所述标准YOLOv5网络结构和重卡后背式电池包检测模型的训练过程中采用相同的训练数据。
8.一种基于深度学习的新能源重卡后背式电池包检测装置，其特征在于，包括：
9.一种电子设备，包括：
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
...【技术特征摘要】
1.一种基于深度学习的新能源重卡后背式电池包检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的新能源重卡后背式电池包检测方法，其特征在于，所述双层路由注意力模块的计算过程如下：
3.根据权利要求2所述的基于深度学习的新能源重卡后背式电池包检测方法，其特征在于，所述q矩阵为h*w/s个区域中的任意一个区域经过线性变换函数qkvlinear得到的矩阵，所述k矩阵和v矩阵分别是h*w/s个区域中的任意两个不同区域相加后在经过线性变换函数qkvlinear得到的矩阵。
4.根据权利要求3所述的基于深度学习的新能源重卡后背式电池包检测方法，其特征在于，在所述双层路由注意力模块的计算过程中，将重卡后背式电池包包顶部图像中的右上角、右下角、左上角、左下角四个位置作为关注区域，所述关注区域中包含所述目标特征物。
5.根据权利要求4所述的基于深度学习的新能源重卡后背式电池包检测方法，其特征在于，在所述关注区域的注意力学习过程中，所述q矩阵选取所述...
【专利技术属性】
技术研发人员：褚旭阳，张金一，庞明龙，吴勇雄，关荣，陈炜，胡展鹏，宋向阳，向睿恒，林伟龙，陈孝孟，
申请(专利权)人：厦门大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。