基于深度學習AlexNet模型的交通標志識別方法設計

湖南商務職業(yè)技術學院畢業(yè)設計

目錄

1引言............................................................................................................................1

1.1項目背景......................................................................................................1

1.2開發(fā)環(huán)境與工具..........................................................................................1

1.2.1Python簡介..........................................................................................1

1.2.2PyCharm簡介........................................................................................2

1.2.3Python第三方庫簡介...........................................................................2

2需求分析....................................................................................................................3

2.1可行性需求分析..........................................................................................3

2.2數(shù)據(jù)采集功能分析......................................................................................4

2.3關鍵技術分析..............................................................................................4

2.3.1AlexNet網絡結構簡介..........................................................................4

2.3.2CNN卷積神經網絡技術分析................................................................4

2.3.3AlexNe算法原理.....................................................................................5

3數(shù)據(jù)集準備................................................................................................................5

3.1數(shù)據(jù)采集......................................................................................................5

3.2數(shù)據(jù)集獲取分析..........................................................................................6

3.3數(shù)據(jù)集獲取實現(xiàn)..........................................................................................7

4數(shù)據(jù)可視化與數(shù)據(jù)集預處理....................................................................................9

4.1數(shù)據(jù)預處理..................................................................................................9

4.2導入相關庫..................................................................................................9

4.3讀取訓練集，驗證集與測試集..................................................................9

5模型構建及評估分析..............................................................................................11

5.1.1AlexNet網絡模型結構......................................................................11

5.1.2構建模型.............................................................................................12

5.2模型編譯....................................................................................................13

5.2.1損失函數(shù)和優(yōu)化器設置.....................................................................13

5.2.2模型訓練設置.....................................................................................13

I

湖南商務職業(yè)技術學院畢業(yè)設計

5.2.3學習率調優(yōu).........................................................................................14

5.2.4batch_size設置................................................................................15

5.3模型部署....................................................................................................15

5.3.1系統(tǒng)前端部署.....................................................................................15

5.3.2系統(tǒng)展示.............................................................................................16

6小結..........................................................................................................................17

參考資料.........................................................................................................................18

II

湖南商務職業(yè)技術學院畢業(yè)設計

基于AlexNet模型的交通標志識別方法設計

1引言

交通標志識別是計算機視覺領域的一個重要應用，它可以在汽車自動駕駛、

智能交通管理等方面起到關鍵作用。而深度學習技術則是近年來在計算機視覺

領域中廣泛應用的一種方法。AlexNet是深度學習領域中的一個里程碑式的模型，

它是第一個在ImageNet圖像分類挑戰(zhàn)賽上獲勝的卷積神經網絡模型。AlexNet

擁有深度、寬度等特點，其具有優(yōu)秀的性能和泛化能力，并且被廣泛應用于各

種圖像識別任務中。

本文將介紹基于AlexNet的交通標志識別系統(tǒng)的設計與實現(xiàn)，通過對數(shù)據(jù)集

的處理、神經網絡模型的設計、訓練和測試等環(huán)節(jié)的詳細分析，探討如何利用

深度學習技術有效地進行交通標志的識別。

1.1項目背景

交通標志識別是智能交通系統(tǒng)的關鍵技術之一，它可以用于實現(xiàn)自動駕駛、

交通管理等方面的應用。傳統(tǒng)的交通標志識別方法主要基于人工特征提取和分

類器設計，這種方法存在著設計復雜、泛化性能差等問題。

隨著深度學習技術的發(fā)展，卷積神經網絡在圖像識別領域中取得了重大突

破。AlexNet是一個具有代表性的深度學習模型，在ImageNet圖像識別挑戰(zhàn)賽

上取得了顯著的成績。基于AlexNet的圖像識別方法已經廣泛應用于各個領域，

并且在圖像分類任務上達到了極高的準確率。

因此，本項目旨在利用深度學習技術和AlexNet模型，構建一個高效、準確

的交通標志識別系統(tǒng)。該系統(tǒng)可以對輸入的交通標志圖像進行快速處理和分類，

同時保持較高的準確率和穩(wěn)定性。通過本項目的研究和實踐，我們將探索如何

應用深度學習技術來解決交通標志識別中的難點問題，為智能交通系統(tǒng)的發(fā)展

做出貢獻。

1.2開發(fā)環(huán)境與工具

1.2.1Python簡介

Python是一種高級的、面向對象的解釋性語言，具有簡潔易讀的代碼風格

和較強的交互性。Python的哲學是代碼的可讀性和簡潔性，同時也受到動態(tài)語

1

湖南商務職業(yè)技術學院畢業(yè)設計

言和函數(shù)式編程的影響。Python擁有許多優(yōu)秀的第三方庫以及廣泛的應用領域，

例如Web開發(fā)、數(shù)據(jù)科學、人工智能等。

Python語言的特點包括以下特點。

1.語法簡潔明了，學習曲線較平緩。

2.代碼易讀易懂，具有較強的可讀性和模塊化的能力。

3.支持多范式編程，包括面向過程、面向對象和函數(shù)式編程。

4.擁有龐大的、活躍的社區(qū)，提供豐富的第三方庫和工具。

Python是一種跨平臺的語言，可以運行在多種操作系統(tǒng)下，例如Windows、

MacOS、Linux等。此外，Python還支持多種開發(fā)方式，包括交互式開發(fā)、腳

本式開發(fā)、應用開發(fā)等。

總之，Python是一種易于學習、易于使用并且具有廣泛應用的編程語言。

1.2.2PyCharm簡介

PyCharm是由JetBrains開發(fā)的一款Python集成開發(fā)環(huán)境（IDE），它提供

了豐富的功能，能夠幫助開發(fā)者更加高效地進行Python開發(fā)。PyCharm支持

Python語言的所有主流框架和庫，如Django、Flask、numpy、pandas等，可以

滿足各種Python開發(fā)需求。

具體來說，PyCharm提供了以下功能：

代碼編輯器：PyCharm的代碼編輯器支持語法高亮、代碼補全、重構、自

動縮進等功能，還可以快速跳轉到函數(shù)定義、變量引用等位置。

調試器：PyCharm內置調試器，可輕松調試Python代碼，支持設置斷點、

單步執(zhí)行、監(jiān)視變量等功能。

自動化工具：PyCharm支持自動化工具集成，如Git、Jenkins、Docker等，

方便開發(fā)者進行版本控制、測試、部署等操作。

代碼分析：PyCharm可以對代碼進行靜態(tài)分析，并提供錯誤檢查和修復建

議，從而提升代碼質量和效率。

重構：PyCharm支持重構功能，能夠自動識別代碼中的重復結構并提供重

構建議，方便開發(fā)者進行代碼優(yōu)化和維護。

總之，PyCharm是一款強大的Python開發(fā)工具，它可以幫助開發(fā)者提高代

碼質量和效率，是Python開發(fā)的不錯選擇。

1.2.3Python第三方庫簡介

1.NumPy：提供常用的數(shù)學和科學計算功能，以及多維數(shù)組的操作和處理。

2

湖南商務職業(yè)技術學院畢業(yè)設計

2.Pandas：為數(shù)據(jù)處理提供了豐富的函數(shù)和工具，可處理Excel、CSV等格

式的數(shù)據(jù)，能夠快速地進行數(shù)據(jù)清洗、數(shù)據(jù)分析和數(shù)據(jù)可視化等操作。

3.Matplotlib：是Python數(shù)據(jù)可視化中較為重要的一個庫，提供各種繪圖方

式，如直方圖、散點圖、線圖等?？梢栽跀?shù)據(jù)分析、數(shù)據(jù)挖掘、財務分析等領

域中使用。

4.Scikit-learn：是Python機器學習中的重要庫之一，提供了大量的機器學習

算法和工具，支持分類、回歸、聚類等任務。

5.TensorFlow：是Google推出的一個開源深度學習框架，可用于構建人工

智能系統(tǒng)，包括圖像、語音、文本等多個領域。

6.Pytorch：是另外一個非常好用的深度學習框架，也是由Facebook發(fā)布的。

和TensorFlow相比，它更加簡單易用，同時支持動態(tài)圖以及靜態(tài)圖等兩種模式。

7.Requests：是Python中常用的HTTP庫，可以用于模擬瀏覽器的行為和訪

問網絡上的資源，支持常用的HTTP方法，如GET、POST、PUT、DELETE等。

8.BeautifulSoup：專門用于解析HTML和XML文檔的庫，可以用于提取網

頁數(shù)據(jù)和信息。

9.Django：是Python中最流行的Web框架之一，提供了許多方便的工具和

API，則用于Web應用程序的開發(fā)。

2需求分析

2.1可行性需求分析

1.技術可行性

AlexNet是一種經典的卷積神經網絡模型，可以處理大量的圖像數(shù)據(jù)，并且

在圖像分類等任務中表現(xiàn)出色。交通標識識別系統(tǒng)需要處理的數(shù)據(jù)集也非常大，

其中包括了各種不同形狀、顏色和背景的交通標識圖片?；贏lexNet模型的識

別系統(tǒng)可以通過多層卷積和池化操作來提取特征，并使用全連接層進行分類。

另外，由于交通標識識別系統(tǒng)的實時性要求非常高，因此可以使用GPU加速算

法來提高識別速度。

2.項目可行性

交通標識識別系統(tǒng)具有很高的市場需求和商業(yè)價值。交通標識對于駕駛員

來說是非常重要的指示物，而這些標識的正確識別也是安全駕駛的關鍵。因此，

開發(fā)一個高效準確的交通標識識別系統(tǒng)可以幫助提高駕駛員的駕駛安全性，減

少交通事故的發(fā)生。

3

湖南商務職業(yè)技術學院畢業(yè)設計

同時，隨著自動駕駛技術的發(fā)展，交通標識識別系統(tǒng)也將成為實現(xiàn)自動駕

駛的必要技術之一。因此，從長遠的角度來看，交通標識識別系統(tǒng)具有廣闊的

市場前景和發(fā)展空間。

綜上所述，基于AlexNet模型的交通標識識別系統(tǒng)在技術和項目可行性上都

表現(xiàn)出較高的優(yōu)勢，具有良好的市場前景和商業(yè)價值。

2.2數(shù)據(jù)采集功能分析

此次項目的數(shù)據(jù)集來源于交通標志基準，對采集到的交通標志圖片進行初

步轉換跟清理，去除不合格的圖片。對采集到的43中交通標志圖片進行標注并

保存相關信息，將交通標志識別系統(tǒng)的數(shù)據(jù)采集功能需要考慮數(shù)據(jù)來源、規(guī)模、

標注、處理和存儲等方面的問題，以便為后續(xù)的訓練和測試提供高質量的數(shù)據(jù)

支持，并將采集到的數(shù)據(jù)需要進行存儲，以便后續(xù)的訓練和測試。數(shù)據(jù)的存儲

方式可以選擇數(shù)據(jù)庫、文件系統(tǒng)等多種形式，應根據(jù)數(shù)據(jù)規(guī)模和系統(tǒng)需求進行

選擇。

在實際操作中，需要考慮到采集到的數(shù)據(jù)需要進行存儲，以便后續(xù)的訓練

和測試。數(shù)據(jù)的存儲方式可以選擇數(shù)據(jù)庫、文件系統(tǒng)等多種形式，應根據(jù)數(shù)據(jù)

規(guī)模和系統(tǒng)需求進行選擇。

2.3關鍵技術分析

2.3.1AlexNet網絡結構簡介

AlexNet是一個經典的卷積神經網絡模型，由AlexKrizhevsky、IlyaSutskever

和GeoffreyHinton在2012年提出。該模型在ImageNet比賽中取得了顯著的成

果，使得深度學習技術在圖像識別領域得到廣泛應用。AlexNet網絡結構包含8

個層，其中前5個為卷積層，后面3個為全連接層。

AlexNet網絡結構包含了多個卷積層和全連接層，可以提取出更加復雜的特

征，并在ImageNet數(shù)據(jù)集上取得了非常好的效果。

2.3.2CNN卷積神經網絡技術分析

CNN的核心思想是利用卷積、池化等操作從原始輸入數(shù)據(jù)中提取出特征信

息，并將這些特征信息傳遞給后續(xù)的層次進行分類、回歸等任務。相比于傳統(tǒng)

的神經網絡模型，CNN的優(yōu)勢主要在于兩點。

1.局部連接和參數(shù)共享：CNN中的卷積層模擬了視覺系統(tǒng)中的感受野，即

4

湖南商務職業(yè)技術學院畢業(yè)設計

每個神經元只與前一層中局部區(qū)域內的神經元相連接，這樣可以減少模型參數(shù)

量，減輕過擬合問題；而卷積核的參數(shù)是共享的，即同一個卷積核在不同位置

的權重是相同的，這也可以讓模型更加高效地學習特征。

2.多層次抽象特征：CNN模型會通過多層卷積層、池化層等操作將原始輸

入數(shù)據(jù)從低層次的像素信息抽象到高層次的語義概念，這能夠讓模型更加有效

地學習輸入數(shù)據(jù)中的信息。

CNN在圖像識別、目標檢測、語音識別、自然語言處理等領域均獲得了廣

泛的應用。同時，為了進一步提升模型的性能，也有很多相關的技術和優(yōu)化手

段被提出，比如殘差網絡、注意力機制、Dropout等。

2.3.3AlexNe算法原理

AlexNet模型包括5個卷積層和3個全連接層，總共有60M個參數(shù)，其中

有ReLU激活函數(shù)、Dropout正則化技術和局部響應歸一化技術等，下面簡要介

紹一下AlexNet算法原理。

卷積層，第一層卷積層采用11x11的卷積核，步長為4，輸出的featuremap

大小為55x55，此時卷積層各個神經元感受野較小，只能提取部分圖像特征。

激活函數(shù)，AlexNet采用的是ReLU(RectifiedLinearUnit)激活函數(shù)，相比于

傳統(tǒng)的Sigmoid激活函數(shù)，ReLU可以大幅度提高計算速度，減小梯度消失的問

題

正則化，AlexNet使用兩種正則化技術：Dropout和局部響應歸一化。

池化，池化層主要用于縮小featuremap的尺寸，同時提取出更為魯棒的特

征。

總之，AlexNet算法是一種基于深度卷積神經網絡的圖像識別模型，其實現(xiàn)

原理是通過不斷堆疊卷積層、池化層和全連接層，并引入多種正則化技術和激

活函數(shù)，從而實現(xiàn)對大規(guī)模圖像數(shù)據(jù)的高效處理和精準識別。

3數(shù)據(jù)集準備

3.1數(shù)據(jù)采集

通過MicrosoftEdge瀏覽器，找到搜索引擎輸入鏈接德國交通標志基準

(rub.de)可獲取數(shù)據(jù)集。頁面如下（圖3-1）。

5

湖南商務職業(yè)技術學院畢業(yè)設計

圖3-1數(shù)據(jù)及獲取頁面

點擊下載，相關文件GTSRB_Final_Test_Images.zip和

GTSRB_Final_Training_Images.zip如圖所示。

圖3-2選擇數(shù)據(jù)集

3.2數(shù)據(jù)集獲取分析

下載后直接解壓縮會得到如下文件如圖所示。

6

湖南商務職業(yè)技術學院畢業(yè)設計

圖3-3GTSRB數(shù)據(jù)集

3.3數(shù)據(jù)集獲取實現(xiàn)

創(chuàng)建1.py進行數(shù)據(jù)轉換，代碼如圖所示。

圖3-4GTSRB數(shù)據(jù)轉換代碼

下圖為轉換之后數(shù)據(jù)集文件以及圖片。

7

湖南商務職業(yè)技術學院畢業(yè)設計

圖3-5文件夾展示圖

圖3-6數(shù)據(jù)集展示圖

由此獲取了該數(shù)據(jù)集中包含43類交通標志，分為39,209張訓練圖像和

12,630張測試圖片。

8

湖南商務職業(yè)技術學院畢業(yè)設計

4數(shù)據(jù)可視化與數(shù)據(jù)集預處理

4.1數(shù)據(jù)預處理

在實際應用中，初始數(shù)據(jù)一般是多數(shù)據(jù)源且格式多樣化的數(shù)據(jù)，這些數(shù)據(jù)

的質量通常是良莠不齊的，或多或少存在問題，不能直接被使用到數(shù)據(jù)分析或

數(shù)據(jù)挖掘工作中，直接使用會造成低質量的分析或挖掘結果。

初始數(shù)據(jù)在進行分析或挖掘之前需要經過一定的處理，調整成符合分析或

挖掘需求的數(shù)據(jù)。而從初始數(shù)據(jù)到得出分析或挖掘結果的整個過程中對數(shù)據(jù)經

過的一系列操作稱為數(shù)據(jù)預處理。

數(shù)據(jù)預處理是數(shù)據(jù)分析或數(shù)據(jù)挖掘前的準備工作，也是數(shù)據(jù)分析或數(shù)據(jù)挖

掘中必不可少的一環(huán)，它主要通過一系列的方法來處理“臟”數(shù)據(jù)、精準地抽取數(shù)

據(jù)、調整數(shù)據(jù)的格式，從而得到一組符合準確、完整、簡潔等標準的高質量數(shù)

據(jù)，保證該數(shù)據(jù)能更好地服務于數(shù)據(jù)分析或數(shù)據(jù)挖掘工作。

4.2導入相關庫

創(chuàng)建main.py文檔，通過import導入CV2等系列相關庫對數(shù)據(jù)進行處理操

作，如下圖所示。

圖4-1導入相關庫

4.3讀取訓練集，驗證集與測試集

首先將訓練和測試數(shù)據(jù)集獲取到文件夾中。然后我們將這些數(shù)據(jù)集組合起

來，在兩個數(shù)據(jù)集上一起運行某些操作。

9

湖南商務職業(yè)技術學院畢業(yè)設計

圖4-2圖片大小處理代碼及效果圖

切分數(shù)據(jù)集，為了對已實現(xiàn)的系統(tǒng)進行適當?shù)挠柧毢驮u估，將數(shù)據(jù)集分為3

組。數(shù)據(jù)集分割:20%測試集，20%驗證數(shù)據(jù)集，剩余的數(shù)據(jù)用作訓練數(shù)據(jù)集。

圖4-3切分數(shù)據(jù)集代碼圖

讀取數(shù)據(jù)集，該數(shù)據(jù)集包含34799張圖像，由43種類型的路標組成。這些

包括基本的道路標志，如限速、停車標志、讓路、優(yōu)先道路、禁止進入、行人

等。

圖4-4讀取數(shù)據(jù)集代碼圖

讀取展示如下圖所示。

10

湖南商務職業(yè)技術學院畢業(yè)設計

圖4-5讀取效果圖

5模型構建及評估分析

5.1.1AlexNet網絡模型結構

輸入層：AlexNet的輸入為一張224x224x3的彩色圖片。

卷積層1：使用96個11x11大小的卷積核，步長為4，進行卷積操作，并

加上偏置項，輸出結果為55x55x96的特征圖。

激活層1：使用ReLU作為激活函數(shù)，對卷積層1的結果進行非線性變換。

池化層1：使用3x3大小的池化核，步長為2，進行最大值池化操作，輸出

結果為27x27x96的特征圖。

歸一化層1：對池化層1的結果進行局部響應歸一化操作，增強模型的泛化

能力。

卷積層2：使用256個5x5大小的卷積核，步長為1，進行卷積操作，并加

上偏置項，輸出結果為27x27x256的特征圖。

激活層2：使用ReLU作為激活函數(shù)，對卷積層2的結果進行非線性變換。

池化層2：使用3x3大小的池化核，步長為2，進行最大值池化操作，輸出

結果為13x13x256的特征圖。

歸一化層2：對池化層2的結果進行局部響應歸一化操作，增強模型的泛化

能力。

卷積層3：使用384個3x3大小的卷積核，步長為1，進行卷積操作，并加

上偏置項，輸出結果為13x13x384的特征圖。

激活層3：使用ReLU作為激活函數(shù)，對卷積層3的結果進行非線性變換。

卷積層4：使用384個3x3大小的卷積核，步長為1，進行卷積操作，并加

上偏置項，輸出結果為13x13x384的特征圖。

11

湖南商務職業(yè)技術學院畢業(yè)設計

激活層4：使用ReLU作為激活函數(shù)，對卷積層4的結果進行非線性變換。

卷積層5：使用256個3x3大小的卷積核，步長為1，進行卷積操作，并加

上偏置項，輸出結果為13x13x256的特征圖。

激活層5：使用ReLU作為激活函數(shù)，對卷積層5的結果進行非線性變換。

池化層3：使用3x3大小的池化核，步長為2，進行最大值池化操作，輸出

結果為6x6x256的特征圖。

全連接層1：將池化層3的結果展開成一維向量，輸入到4096個神經元的

全連接層中進行計算，并加上偏置項，再使用ReLU作為激活函數(shù)，得到4096

維的輸出。

Dropout層1：在全連接層1后面加入Dropout層，以減少過擬合，隨機丟

棄一定比例的神經元。

全連接層2：將Dropout層1的結果輸入到4096個神經元的全連接層中進

行計算，并加上偏置項，再使用ReLU作為激活函數(shù)，得到4096維的輸出。

Dropout層2：在全連接層2后面加入Dropout層，以減少過擬合，隨機

如下（圖5.1-1）

圖5-1網絡模型結構圖

5.1.2構建模型

使用深度學習框架PyTorch構建AlexNet神經網絡模型，該模型包含輸入層、

多個卷積層、池化層、全連接層和輸出層，其中卷積層和池化層可以提取圖片

的特征，全連接層和輸出層則用于分類任務。模型代碼如下所示。

12

湖南商務職業(yè)技術學院畢業(yè)設計

圖5-2結構模型代碼

5.2模型編譯

5.2.1損失函數(shù)和優(yōu)化器設置

在PyTorch中，神經網絡包包含各種損失函數(shù)，這些函數(shù)構成了深層神經

網絡的構建基塊。若想詳細了解這些細節(jié)，請先查看上述說明。此處將使用針

對這種分類優(yōu)化的現(xiàn)有函數(shù)，并使用分類交叉熵損失函數(shù)和Adam優(yōu)化器。在

該優(yōu)化器中，學習速率(lr)設置你根據(jù)損失梯度調整網絡權重的程度控制。此

處需要將學習率初始值為0.001，動量為0.9。

圖5-3優(yōu)化器設置

5.2.2模型訓練設置

使用PyTorch提供的訓練循環(huán)，訓練模型必須循環(huán)訪問數(shù)據(jù)迭代器，將輸入

饋送到網絡并進行優(yōu)化。只需在每次訓練epoch后將預測得到的標簽與驗證數(shù)

據(jù)集中的實際標簽進行比較，即可驗證結果。對訓練集的每個epoch或每個完整

迭代的訓練損失、驗證損失和模型準確度。它將以最高準確度保存模型，在10

個epoch后，程序將顯示最終的準確度。

13

湖南商務職業(yè)技術學院畢業(yè)設計

圖5-4訓練模型代碼

圖5-5訓練模型結果

5.2.3學習率調優(yōu)

將學習率設置為0.001。

圖5-6設置學習率

14

湖南商務職業(yè)技術學院畢業(yè)設計

5.2.4batch_size設置

batch的size設置的不能太大也不能太小，因此實際工程中最常用的一般

size設置為幾十或者幾百這邊我們將batch_size設置為256，以及一些參數(shù)的設

置。

圖5-7設置batch_size

5.3模型部署

5.3.1系統(tǒng)前端部署

基于深度學習AlexNet的交通標志識別系統(tǒng)前端設計，需要采用圖像處理技

術和機器學習算法，實現(xiàn)對交通標志的自動識別和分類。

具體的前端設計流程如下：

1.數(shù)據(jù)集準備：收集大量的交通標志圖片，并進行標注和分類，構建訓練集

和測試集。

2.圖像預處理：對采集的交通標志圖片進行預處理，包括圖像增強、圖像歸

一化和圖像去噪等操作。

3.特征提?。菏褂肁lexNet網絡模型對預處理后的圖像進行特征提取，得到

高維的特征向量。

4.分類器設計：通過機器學習算法，比如支持向量機（SVM）或隨機森林

（RandomForest），訓練分類器模型，以實現(xiàn)對交通標志的分類識別。

5.界面設計：開發(fā)用戶界面，實現(xiàn)圖像上傳和識別結果展示的功能?？梢允?/p>

用Web技術或移動應用技術，以便用戶能夠方便地使用該系統(tǒng)。

交通標志識別系統(tǒng)的前端設計需要結合后端服務器進行實現(xiàn)。前端主要負

責圖像處理和用戶交互，后端則負責數(shù)據(jù)存儲、模型訓練和識別結果返回。在

實際應用中，前后端都需要進行優(yōu)化，以提高系統(tǒng)的性能和用戶體驗。

15

湖南商務職業(yè)技術學院畢業(yè)設計

圖5-8基本前端代碼

5.3.2系統(tǒng)展示

基于深度學習AlexNet的交通標志識別系統(tǒng)可以通過用戶可以上傳交通標

志圖像，并獲得識別結果。在上傳圖像后，