(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 202210459031.8 (22)申请日 2022.04.27 (71)申请人 四川云从 天府人工智能科技有限公 司 地址 610000 四川省成 都市中国 （四川） 自 由贸易试验区成都天府新区煎茶街道 菁蓉南三街99号 (72)发明人 李亚东　吴学纯　 (74)专利代理 机构 北京瀚仁知识产权代理事务 所(普通合伙) 11482 专利代理师 陈敏 (51)Int.Cl. G06V 20/54(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/80(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 车辆类型识别方法、 装置及存 储介质 (57)摘要 本发明涉及人工智能技术领域， 具体提供一 种车辆类型识别方法、 装置及存储介质， 旨在解 决现有的识别方法容易造成深度学习分类器矩 阵过大、 导致车辆类型的识别精度较差的技术问 题。 为此目的， 本发明的车辆类型识别方法包括 下述步骤： 获取车辆图像训练样本集， 为车辆图 像训练样本集中每一车辆图像训练样本添加标 签； 构建车辆类型识别模型； 利用车辆图像训练 样本集和车辆图像训练样本集中每一车辆图像 训练样本对应的标签训练车辆类型识别模型； 将 待识别车辆图像输入完成训练的车辆类型识别 模型， 得到待识别车辆图像对应的车辆类型信 息。 如此， 提高了识别精度。 权利要求书2页 说明书8页 附图2页 CN 114724095 A 2022.07.08 CN 114724095 A 1.一种车辆类型识别方法， 其特 征在于， 包括下述 步骤： 获取车辆图像训练样本集， 为所述车辆图像训练样本集中每一车辆图像训练样本添加 标签； 构建车辆类型识别模型； 利用所述车辆图像训练样本集和所述车辆图像训练样本集中每一车辆图像训练样本 对应的标签训练所述车辆类型识别模型； 将待识别车辆图像输入完成训练的所述车辆类型识别模型， 得到所述待识别车辆图像 对应的车辆类型信息 。 2.根据权利要求1所述的车辆类型识别方法， 其特征在于， 所述车辆类型识别模型包括 主干网络、 车辆基础类型分支网络、 货车车辆类型分支网络和货车载重类型分支网络； 构建 车辆类型识别模型包括： 以ResNet ‑50卷积神经网络架构作为所述主干网络； 将ResNet ‑50卷积神经网络架构的输出层分别与所述车辆基础类型分支网络、 货车车 辆类型分支网络和货车 载重类型分支网络的输入层连接， 以构建得到车辆类型识别模型。 3.根据权利要求2所述的车辆类型识别方法， 其特征在于， 所述标签包括第一标签、 第 二标签和 第三标签； 利用所述车辆图像训练样本集和所述车辆图像训练样本集中每一车辆 图像训练样本对应的标签训练所述车辆类型识别模型包括： 利用所述车辆图像训练样本集和所述车辆图像训练样本集中每一车辆图像训练样本 对应的第一标签对所述主干网络和车辆基础类型分支网络进行训练； 保持所述主干网络的权重不变， 利用所述车辆图像训练样本集和所述车辆图像训练样 本集中每一车辆图像训练样本对应的第二标签对所述货车车辆类型分支网络进行训练； 以 及 利用所述车辆图像训练样本集和所述车辆图像训练样本集中每一车辆图像训练样本 对应的第三标签对所述货车 载重类型分支网络进行训练。 4.根据权利要求3所述的车辆类型识别方法， 其特征在于， 所述第 一标签为车辆基础类 型标签； 利用所述车辆图像训练样本集和所述车辆图像训练样本集中每一车辆图像训练样 本对应的第一标签对所述主干网络和车辆基础类型分支网络进行训练包括： 将所述车辆图像训练样本集输入所述主干网络， 得到车辆特 征向量； 将所述车辆特 征向量输入所述车辆基础类型分支网络， 得到预设车辆基础类型； 基于所述预设车辆基础类型和所述第一标签 计算第一损失函数； 基于所述第 一损失函数分别更新所述主干网络和车辆基础类型分支网络的权重， 直至 所述第一损失函数收敛， 完成对所述主干网络和车辆基础类型分支网络的训练。 5.根据权利要求3所述的车辆类型识别方法， 其特征在于， 所述第 二标签为货车车辆类 型标签； 利用所述车辆图像训练样本集和所述车辆图像训练样本集中每一车辆图像训练样 本对应的第二标签对所述货车 车辆类型分支网络进行训练包括： 将所述车辆图像训练样本集输入所述主干网络， 得到车辆特 征向量； 将所述车辆特 征向量输入所述货车 车辆类型分支网络， 得到预设货车 车辆类型； 基于所述预设货车 车辆类型和所述第二标签 计算第二损失函数； 基于所述第 二损失函数更新所述货车车辆类型分支网络的权重， 直至所述第 二损失函权　利　要　求　书 1/2 页 2 CN 114724095 A 2数收敛， 完成对所述货车 车辆类型分支网络的训练。 6.根据权利要求3所述的车辆类型识别方法， 其特征在于， 所述第 三标签为货车载重类 型标签； 利用所述车辆图像训练样本集和所述车辆图像训练样本集中每一车辆图像训练样 本对应的第三标签对所述货车 载重类型分支网络进行训练包括： 将所述车辆图像训练样本 输入所述主干网络， 得到车辆特 征向量； 将所述车辆特 征向量输入所述货车 载重类型分支网络， 得到预设货车 载重类型； 基于所述预设货车 载重类型和所述第三标签 计算第三损失函数； 基于所述第 三损失函数更新所述货车载重类型分支网络的权重， 直至所述第 三损失函 数收敛， 完成对所述货车 载重类型分支网络的训练。 7.根据权利要求1所述的车辆类型识别方法， 其特征在于， 将待识别车辆图像输入完成 训练的所述车辆类型识别模型， 得到所述待识别车辆图像对应的车辆类型信息包括： 将所述待识别的车辆图像输入完成训练的所述车辆类型识别模型， 分别得到车辆基础 类型信息、 货车 车辆类型信息和货车 载重类型信息； 对所述车辆基础类型信息、 货车车辆类型信息和货车载重类型信息进行融合， 得到所 述待识别车辆图像对应的车辆类型信息 。 8.一种车辆类型识别装置， 其特 征在于， 包括： 获取模块， 被配置为获取车辆 图像训练样本集， 为所述车辆 图像训练样本集中每一车 辆图像训练样本添加标签； 构建模块， 被 配置为构建车辆类型识别模型； 训练模块， 被配置为利用所述车辆图像训练样本集和所述车辆图像训练样本集中每一 车辆图像训练样本对应的标签训练所述车辆类型识别模型； 识别模块， 被配置为将待识别车辆 图像输入完成训练的所述车辆类型识别模型， 得到 所述待识别车辆图像对应的车辆类型信息 。 9.一种电子设备， 包括处理器和存储装置， 所述存储装置适于存储多条程序代码， 其特 征在于， 所述程序 代码适于由所述处理器加载并运行以执行权利要求 1至7中任一项 所述的 车辆类型识别方法。 10.一种计算机可读存储介质， 其中存储有多条程序代码， 其特征在于， 所述程序代码 适于由处 理器加载并运行以执 行权利要求1至7中任一项所述的车辆类型识别方法。权　利　要　求　书 2/2 页 3 CN 114724095 A 3