一种车辆道闸防砸方法、装置、计算机设备及存储介质

技术领域

本申请涉及道闸控制技术领域，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。

背景技术

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。

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。

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。

发明内容

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。

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：

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。

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MobileNetV3网络的5层输出连接。

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：

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。

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：

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。

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：

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；

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。

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：

判断是否接收到所述传感器发送的电信号；

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；

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。

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：

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；

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；

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；

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。

进一步的，所述装置还包括：

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；

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；

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。

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：

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。

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：

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。

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。与现有技术相比，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，可以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。

附图说明

为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请可以应用于其中的示例性系统架构图；

图2是本申请实施例一提供的基于深度学习的车辆道闸防砸方法的实现流程图；

图3是本申请实施例一提供的深度学习网络模型的一种具体实施方式的结构示意图；

图4是图2中步骤S202之前的一种具体实施方式的流程图；

图5是图2中步骤S202之前的另一种具体实施方式的流程图；

图6是图2中步骤S204之后的一种具体实施方式的流程图；

图7是本申请实施例二提供的基于深度学习的车辆道闸防砸装置的结构示意图；

图8是根据本申请的计算机设备的一个实施例的结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。

需要说明的是，本申请实施例所提供的基于深度学习的车辆道闸防砸方法一般由服务器/终端设备执行，相应地，基于深度学习的车辆道闸防砸装置一般设置于服务器/终端设备中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

实施例一

继续参考图2，示出了本申请实施例一提供的基于深度学习的车辆道闸防砸方法的实现流程图，为了便于说明，仅示出与本申请相关的部分。

上述的基于深度学习的车辆道闸防砸方法，包括：步骤S201、步骤S202、步骤S203以及步骤S204。

在步骤S201中，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。

在本申请实施例中，落闸指令主要用于控制已拉起的车辆道闸执行落下操作，该落闸指令可以是接收上位机软件(无人值守客户端)发送的指令获得，应当理解，此处对获取落闸指令的举例仅为方便理解，不用于限定本申请。

在本申请实施例中，在车辆道闸的区域中预先设置有若干用于采集该车辆道闸区域的摄像装置，其中，至少有一个摄像装置能够采集该车辆道闸落闸区域的图像信息，以得到上述落闸区域图像信息。

在步骤S202中，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，其中，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。

在本申请实施例中，预先设置有训练好的深度学习网络模型，该深度学习网络模型的主干网络采用Mobilnet-v3,语义分割采用U-Net，对图像进行多实列语义分割。

在本申请实施例中，可以采用OpenCV DNN推理机将该训练好的深度学习网络模型部署到上位机软件(无人值守客户端)。

在步骤S203中，若障碍物识别结果为不存在障碍物，则根据落闸指令控制目标车辆道闸下落。

在步骤S204中，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。

在本申请实施例中，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，其中，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；若障碍物识别结果为不存在障碍物，则根据落闸指令控制目标车辆道闸下落；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。与现有技术相比，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，可以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。

参阅图3，示出了本申请实施例一提供的深度学习网络模型的一种具体实施方式的结构示意图，为了便于说明，仅示出与本申请相关的部分。

在本实施例的一些可选的实现方式中，U-net网络的层数为5层，5层U-net网络分别与MobileNet V3网络的5层输出连接。

在本申请实施例中，深度学习网络模型的特征提取主干网络采用Mobilnet-v3，实例分割采用Unet网络，为了把Mobil-v3网络的5层输出和Unet进行concat，对开源的Unet网络进行了改造，加深到5层网络，这打破一般传统的4层输出对接方式。

继续参阅图4，示出了图2中步骤S202之前的一种具体实施方式的流程图，为了便于说明，仅示出与本申请相关的部分。

在本实施例的一些可选的实现方式中，在步骤S202之前，还包括：步骤S401、步骤S402、步骤S403、步骤S404、步骤S405以及步骤S406。

在步骤S401中，搭建U-Net网络的下采样层。

在本申请实施例中，下采样层由多个(例如4个)卷积模块组成，每个卷积模块由两个3*3的卷积层、一个ReLU和一个2*2的最大池化层组成。

在步骤S402中，搭建U-Net网络的上采样层。

在本申请实施例中，上采样层由多个(例如4个)反卷积模块组成，每个反卷积模块由一个2*2的反卷积(Up-Convolution)层、两个3*3的卷积层和一个ReLU组成。

在步骤S403中，基于Skip Connection连接下采样层以及上采样层。

在本申请实施例中，将下采样层中卷积模块输出的特征层连接到相应上采样层的反卷积模块中，同上一层反卷积模块输入串联，一同作为输入特征。

在步骤S404中，搭建Dropout层。

在本申请实施例中，为避免网络训练过程发生过拟合，在下采样层中加入Dropout层。

在步骤S405中，搭建U-Net网络的网络输出模块。

在本申请实施例中，将上采样层的输出通过一个2*2和一个1*1的卷积层后得到U-Net的最终输出。从而保证U-Net可以对像素进行端到端的分割，即输入一幅图像，输出也是一幅同样大小的图像。

在步骤S406中，设置U-Net网络的网络参数。

在本申请实施例中，U-Net的网络参数设置包括卷积和反卷积模块数、优化器、损失函数、激活函数和Dropout等。本实施例中，数据集ISAR图片大小为512*512，因此U-Net网络下采样层设置为5个卷积模块，卷积处理后的特征维数依次设为16-32-64-128-256，相应的上采样层由5个反卷积模块组成，输出的特征维数依次设为128-64-32-16，两者成对称结构。由于输出层的输出为图像，因此除输出层的激活函数选用Sigmoid函数外，其他层的激活函数均选用ReLU函数。优化器选用结合了AdaGrad和RMSProp两种优化算法优点的Adam优化器，对内存需求更少，计算更高效。为了防止训练过程过拟合，设置Dropout层为50％的丢弃比例，即Dropout层将在训练过程中每次更新参数时随机断开50％的输入神经元连接。最后网络的损失函数选用二元交叉熵函数。

继续参阅图5，示出了图2中步骤S202之前的另一种具体实施方式的流程图，为了便于说明，仅示出与本申请相关的部分。

在本实施例的一些可选的实现方式中，在步骤S202之前，还包括：步骤S501、步骤S502以及步骤S503。

在步骤S501中，获取训练数据集合，训练数据集合包括多张输入图像、每张输入图像中目标对象以及每张输入图像中与目标对象相对应的矩形区域。

在本申请实施例中，针对前述实施例中的深度学习网络模型，本申请实施例中还包括对该深度学习网络模型的训练方法，值得说明的是，深度学习网络模型的训练可以是根据获取的训练数据集合预先进行的，后续在每次需要进行深度学习网络时，则可以利用深度学习网络模型进行，而无需每次进行目标对象的深度学习网络时对深度学习网络模型进行训练。

在本申请实施例中，训练数据集合可以包括多张输入图像、每张输入图像中的目标对象以及每张输入图像中目标对象的矩形区域。其中，输入图像可以为包含有目标对象的图像，例如，可以为1.车，2.人，3.小车，4.其它，在此不做限定。

在本申请实施例中，输入图像的数量可以不作为限定。作为一种可选的实施方式，输入图像的数量可以为多张，并对每张输入图像标注其对应的目标对象，以及每张输入图像对应的目标对象的矩形区域，可以分别根据每张输入图像以及对每张输入图像标注的目标对象、矩形区域，对初始模型进行训练，以提升训练后得到的深度学习网络模型的准确性。

在本实施例的一些可选的实现方式中，获取训练数据集合之后，可以对该训练数据集合的图片进行多种随机方式的动态的数据增强，作为示例，例如：旋转、镜像、平移、改变光照强度等数据增强方式，应当理解，此处对数据增强的举例仅为方便理解，不用于限定本申请。

在步骤S502中，获取初始深度学习网络模型，初始深度学习网络模型包括第一子网络以及第二子网络，第一子网络用于输出图像中目标对象，第二子网络用于输出图像中目标对象对应的矩形区域。

在本申请实施例中，在训练获得深度学习网络模型时，可以构建深度学习网络网络，该深度学习网络网络中可以包括有用于输出图像中的目标对象的第一子网络，以及用于输出图像中目标对象对应的矩形区域的第二子网络。

在本申请实施例中，深度学习网络网络可以根据deeplabv3+语义深度学习网络模型进行构建。其中，deeplabv3+语义深度学习网络模型是用于图像语义分割的深度学习模型，其目标是将语义标签(如姓名，性别，民族等)分配给输入图像的每个像素，以实现图像中目标对象的分割。deeplabv3+语义深度学习网络模型的ASPP结构的输出通常具有一个输出分支，该输出分值用于输出目标对象。

在本申请实施例中，在根据deeplabv3+语义深度学习网络模型对深度学习网络网络进行构建时，可以在原有的deeplabv3+网络的ASPP结构的输出引出另外一条输出分支，即在Encoder网络之后引出第二子网络，第二子网络可以为CNN神经网络，而原有的输出分支作为第一子网络，从而可以完成深度学习网络模型的构建。

在本申请实施例中，deeplabv3+语义深度学习网络模型中的Encoder网络通常具有ASPP空洞卷积的结构，以提取图像中的物体信息，并输出至Decoder网络。因此，可以在ASPP空洞卷积的结构的输出引出以上第二子网络，第二自网络可以为CNN神经网络，以根据ASPP结构输出的信息，输出目标对象的矩形区域。

在本申请实施例中，在基于deeplabv3+语义深度学习网络模型构建深度学习网络网络时，考虑到deeplabv3+语义深度学习网络模型的体积和运行时的运算量较大，在应用到手机等移动终端上时可能会造成运行时的卡顿，因此，可以将deeplabv3+语义深度学习网络模型中的backbone网络部分替换成mobilenetv3网络。其中，mobilenetv3网络是主要应用在移动端的轻量级CNN网络，它包含一个depthwise卷积和1x1卷积的pointwise卷积，这种结构将空间相关性和通道相关性分离，从而比传统的卷积相比，计算量和参数大幅降低，从而可以使得构建的深度学习网络网络中是基于mobilenetv3网络的，后续训练得到的深度学习网络模型在移动终端上运行时，可以避免运行时的卡顿。

在步骤S503中，根据训练数据集合，对初始深度学习网络模型进行训练，获得训练好的深度学习网络模型。

在本申请实施例中，电子设备可以利用获取的训练数据集合，对深度学习网络网络进行训练，以训练得到可以实现根据输入图像而输出输入图像中的目标对象以及目标对象对应的矩形区域的深度学习网络模型。其中，电子设备可以根据构建的总损失函数，再根据训练数据集合，并利用总损失函数对深度学习网络网络进行迭代训练，最终训练得到深度学习网络模型。

在本申请实施例中，上述迭代训练过程中，深度学习网络网络的结构的参数不断发生变化，最后迭代训练完成后的深度学习网络网络可以输出总损失函数值较小的结果，此时得到的深度学习网络网络的参数则可以实现根据输入图像而输出输入图像中的目标对象以及目标对象对应的矩形区域。

继续参阅图6，示出了图2中步骤S204之后的一种具体实施方式的流程图，为了便于说明，仅示出与本申请相关的部分。

在本实施例的一些可选的实现方式中，在所述目标车辆道闸的落闸路径上设置有传感器，在步骤S204之后，还包括：步骤S601、步骤S602以及步骤S603。

在步骤S601中，判断是否接收到传感器发送的电信号。

在步骤S602中，若传感器均未发送电信号，则根据落闸指令控制目标车辆道闸下落。

在步骤S603中，若传感器发送至少一个电信号，则停止控制目标车辆道闸下落。

在本申请实施例中，可以在基于深度学习的AI智能技术的基础上，结合传感器的检测结果，从而进一步确认车辆道闸是否可以落闸，从而进一步保证了现场设备的安全，避免了因落闸控制不准确而导致安全事故。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

实施例二

进一步参考图7，作为对上述图2所示方法的实现，本申请提供了一种基于深度学习的车辆道闸防砸装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图7所示，本实施例所述的基于深度学习的车辆道闸防砸装置200包括：指令获取模块210、障碍物识别模块220、第一道闸下落模块230以及第一道闸异常模块240。其中：

指令获取模块210，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；

障碍物识别模块220，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；

第一道闸下落模块230，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；

第一道闸异常模块240，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。

在本申请实施例中，落闸指令主要用于控制已拉起的车辆道闸执行落下操作，该落闸指令可以是接收上位机软件(无人值守客户端)发送的指令获得，应当理解，此处对获取落闸指令的举例仅为方便理解，不用于限定本申请。

在本申请实施例中，在车辆道闸的区域中预先设置有若干用于采集该车辆道闸区域的摄像装置，其中，至少有一个摄像装置能够采集该车辆道闸落闸区域的图像信息，以得到上述落闸区域图像信息。

在本申请实施例中，预先设置有训练好的深度学习网络模型，该深度学习网络模型的主干网络采用Mobilnet-v3,语义分割采用U-Net，对图像进行多实列语义分割。

在本申请实施例中，可以采用OpenCV DNN推理机将该训练好的深度学习网络模型部署到上位机软件(无人值守客户端)。

在本申请实施例中，提供了一种基于深度学习的车辆道闸防砸装置200，包括：指令获取模块210，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；障碍物识别模块220，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；第一道闸下落模块230，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；第一道闸异常模块240，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。与现有技术相比，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，可以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。

在本实施例的一些可选的实现方式中，U-net网络的层数为5层，5层U-net网络分别与MobileNet V3网络的5层输出连接。

在本申请实施例中，深度学习网络模型的特征提取主干网络采用Mobilnet-v3，实例分割采用Unet网络，为了把Mobil-v3网络的5层输出和Unet进行concat，对开源的Unet网络进行了改造，加深到5层网络，这打破一般传统的4层输出对接方式。

在本实施例的一些可选的实现方式中，上述基于深度学习的车辆道闸防砸装置200还包括：下采样层搭建模块、上采样层搭建模块、连接模块、Dropout层搭建模块、输出模块搭建模块以及网络参数设置模块，其中：

下采样层搭建模块，用于搭建U-Net网络的下采样层；

上采样层搭建模块，用于搭建U-Net网络的上采样层；

连接模块，用于基于Skip Connection连接下采样层以及上采样层；

Dropout层搭建模块，用于搭建Dropout层；

输出模块搭模块，用于搭建U-Net网络的网络输出模块；

网络参数设置模块，用于设置U-Net网络的网络参数。

在本申请实施例中，下采样层由多个(例如4个)卷积模块组成，每个卷积模块由两个3*3的卷积层、一个ReLU和一个2*2的最大池化层组成。

在本申请实施例中，上采样层由多个(例如4个)反卷积模块组成，每个反卷积模块由一个2*2的反卷积(Up-Convolution)层、两个3*3的卷积层和一个ReLU组成。

在本申请实施例中，将下采样层中卷积模块输出的特征层连接到相应上采样层的反卷积模块中，同上一层反卷积模块输入串联，一同作为输入特征。

在本申请实施例中，为避免网络训练过程发生过拟合，在下采样层中加入Dropout层。

在本申请实施例中，将上采样层的输出通过一个2*2和一个1*1的卷积层后得到U-Net的最终输出。从而保证U-Net可以对像素进行端到端的分割，即输入一幅图像，输出也是一幅同样大小的图像。

在本申请实施例中，U-Net的网络参数设置包括卷积和反卷积模块数、优化器、损失函数、激活函数和Dropout等。本实施例中，数据集ISAR图片大小为512*512，因此U-Net网络下采样层设置为5个卷积模块，卷积处理后的特征维数依次设为16-32-64-128-256，相应的上采样层由5个反卷积模块组成，输出的特征维数依次设为128-64-32-16，两者成对称结构。由于输出层的输出为图像，因此除输出层的激活函数选用Sigmoid函数外，其他层的激活函数均选用ReLU函数。优化器选用结合了AdaGrad和RMSProp两种优化算法优点的Adam优化器，对内存需求更少，计算更高效。为了防止训练过程过拟合，设置Dropout层为50％的丢弃比例，即Dropout层将在训练过程中每次更新参数时随机断开50％的输入神经元连接。最后网络的损失函数选用二元交叉熵函数。

在本实施例的一些可选的实现方式中，上述基于深度学习的车辆道闸防砸装置200还包括：训练集合获取模块、初始深度学习网络获取模块以及网络训练模块，其中：

训练集合获取模块，用于获取训练数据集合，训练数据集合包括多张输入图像、每张输入图像中目标对象以及每张输入图像中与目标对象相对应的矩形区域；

初始深度学习网络获取模块，用于获取初始深度学习网络模型，初始深度学习网络模型包括第一子网络以及第二子网络，第一子网络用于输出图像中目标对象，第二子网络用于输出图像中目标对象对应的矩形区域。

网络训练模块，用于根据训练数据集合，对初始深度学习网络模型进行训练，获得训练好的深度学习网络模型。

在本申请实施例中，针对前述实施例中的深度学习网络模型，本申请实施例中还包括对该深度学习网络模型的训练方法，值得说明的是，深度学习网络模型的训练可以是根据获取的训练数据集合预先进行的，后续在每次需要进行深度学习网络时，则可以利用深度学习网络模型进行，而无需每次进行目标对象的深度学习网络时对深度学习网络模型进行训练。

在本申请实施例中，训练数据集合可以包括多张输入图像、每张输入图像中的目标对象以及每张输入图像中目标对象的矩形区域。其中，输入图像可以为包含有目标对象的图像，例如，可以为1.车，2.人，3.小车，4.其它，在此不做限定。

在本申请实施例中，输入图像的数量可以不作为限定。作为一种可选的实施方式，输入图像的数量可以为多张，并对每张输入图像标注其对应的目标对象，以及每张输入图像对应的目标对象的矩形区域，可以分别根据每张输入图像以及对每张输入图像标注的目标对象、矩形区域，对初始模型进行训练，以提升训练后得到的深度学习网络模型的准确性。

在本实施例的一些可选的实现方式中，获取训练数据集合之后，可以对该训练数据集合的图片进行多种随机方式的动态的数据增强，作为示例，例如：旋转、镜像、平移、改变光照强度等数据增强方式，应当理解，此处对数据增强的举例仅为方便理解，不用于限定本申请。

在本申请实施例中，在训练获得深度学习网络模型时，可以构建深度学习网络网络，该深度学习网络网络中可以包括有用于输出图像中的目标对象的第一子网络，以及用于输出图像中目标对象对应的矩形区域的第二子网络。

在本申请实施例中，深度学习网络网络可以根据deeplabv3+语义深度学习网络模型进行构建。其中，deeplabv3+语义深度学习网络模型是用于图像语义分割的深度学习模型，其目标是将语义标签(如姓名，性别，民族等)分配给输入图像的每个像素，以实现图像中目标对象的分割。deeplabv3+语义深度学习网络模型的ASPP结构的输出通常具有一个输出分支，该输出分值用于输出目标对象。

在本申请实施例中，在根据deeplabv3+语义深度学习网络模型对深度学习网络网络进行构建时，可以在原有的deeplabv3+网络的ASPP结构的输出引出另外一条输出分支，即在Encoder网络之后引出第二子网络，第二子网络可以为CNN神经网络，而原有的输出分支作为第一子网络，从而可以完成深度学习网络模型的构建。

在本申请实施例中，deeplabv3+语义深度学习网络模型中的Encoder网络通常具有ASPP空洞卷积的结构，以提取图像中的物体信息，并输出至Decoder网络。因此，可以在ASPP空洞卷积的结构的输出引出以上第二子网络，第二自网络可以为CNN神经网络，以根据ASPP结构输出的信息，输出目标对象的矩形区域。

在本申请实施例中，在基于deeplabv3+语义深度学习网络模型构建深度学习网络网络时，考虑到deeplabv3+语义深度学习网络模型的体积和运行时的运算量较大，在应用到手机等移动终端上时可能会造成运行时的卡顿，因此，可以将deeplabv3+语义深度学习网络模型中的backbone网络部分替换成mobilenetv3网络。其中，mobilenetv3网络是主要应用在移动端的轻量级CNN网络，它包含一个depthwise卷积和1x1卷积的pointwise卷积，这种结构将空间相关性和通道相关性分离，从而比传统的卷积相比，计算量和参数大幅降低，从而可以使得构建的深度学习网络网络中是基于mobilenetv3网络的，后续训练得到的深度学习网络模型在移动终端上运行时，可以避免运行时的卡顿。

在本申请实施例中，电子设备可以利用获取的训练数据集合，对深度学习网络网络进行训练，以训练得到可以实现根据输入图像而输出输入图像中的目标对象以及目标对象对应的矩形区域的深度学习网络模型。其中，电子设备可以根据构建的总损失函数，再根据训练数据集合，并利用总损失函数对深度学习网络网络进行迭代训练，最终训练得到深度学习网络模型。

在本申请实施例中，上述迭代训练过程中，深度学习网络网络的结构的参数不断发生变化，最后迭代训练完成后的深度学习网络网络可以输出总损失函数值较小的结果，此时得到的深度学习网络网络的参数则可以实现根据输入图像而输出输入图像中的目标对象以及目标对象对应的矩形区域。

在本实施例的一些可选的实现方式中，上述基于深度学习的车辆道闸防砸装置200还包括：电信号判断模块、第二道闸下落模块以及第二道闸异常模块，其中：

电信号判断模块，用于判断是否接收到传感器发送的电信号；

第二道闸下落模块，用于若传感器均未发送电信号，则根据落闸指令控制目标车辆道闸下落；

第二道闸异常模块，用于若传感器发送至少一个电信号，则停止控制目标车辆道闸下落。

在本申请实施例中，可以在基于深度学习的AI智能技术的基础上，结合传感器的检测结果，从而进一步确认车辆道闸是否可以落闸，从而进一步保证了现场设备的安全，避免了因落闸控制不准确而导致安全事故。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图8，图8为本实施例计算机设备基本结构框图。

所述计算机设备300包括通过系统总线相互通信连接存储器310、处理器320、网络接口330。需要指出的是，图中仅示出了具有组件310-330的计算机设备300，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器310至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器310可以是所述计算机设备300的内部存储单元，例如该计算机设备300的硬盘或内存。在另一些实施例中，所述存储器310也可以是所述计算机设备300的外部存储设备，例如该计算机设备300上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器310还可以既包括所述计算机设备300的内部存储单元也包括其外部存储设备。本实施例中，所述存储器310通常用于存储安装于所述计算机设备300的操作系统和各类应用软件，例如基于深度学习的车辆道闸防砸方法的计算机可读指令等。此外，所述存储器310还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器320在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器320通常用于控制所述计算机设备300的总体操作。本实施例中，所述处理器320用于运行所述存储器310中存储的计算机可读指令或者处理数据，例如运行所述基于深度学习的车辆道闸防砸方法的计算机可读指令。

所述网络接口330可包括无线网络接口或有线网络接口，该网络接口330通常用于在所述计算机设备300与其他电子设备之间建立通信连接。

本申请提供的计算机设备，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，可以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。

本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于深度学习的车辆道闸防砸方法的步骤。

本申请提供的计算机可读存储介质，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，可以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。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。