基于深度學(xué)習(xí)LeNet5模型的交通標(biāo)志識(shí)別方法設(shè)計(jì)

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

目錄

1引言............................................................................................................................2

1.1研究背景......................................................................................................2

1.2國(guó)內(nèi)外現(xiàn)狀..................................................................................................3

1.2.1國(guó)內(nèi)現(xiàn)狀....................................................................................................3

1.2.2國(guó)外現(xiàn)狀....................................................................................................4

2開(kāi)發(fā)環(huán)境與工具........................................................................................................4

2.1Python..............................................................................................................4

2.2爬蟲(chóng)..............................................................................................................5

2.3Pyqt5................................................................................................................5

2.4Pytorch............................................................................................................6

3數(shù)據(jù)采集與處理........................................................................................................6

3.1數(shù)據(jù)集獲取..................................................................................................6

3.2數(shù)據(jù)增強(qiáng)......................................................................................................9

3.3切分訓(xùn)練集與數(shù)據(jù)集................................................................................10

4模型構(gòu)建與評(píng)估......................................................................................................11

4.1LeNet5網(wǎng)絡(luò)結(jié)構(gòu)...........................................................................................11

4.2損失函數(shù)....................................................................................................12

4.3實(shí)驗(yàn)驗(yàn)證與分析........................................................................................12

4.3.1實(shí)驗(yàn)環(huán)境配置..........................................................................................12

4.3.2評(píng)價(jià)指標(biāo)..................................................................................................13

4.4模型構(gòu)建....................................................................................................13

4.5實(shí)驗(yàn)結(jié)果....................................................................................................14

5系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)......................................................................................................15

5.1可行性分析................................................................................................15

5.2功能實(shí)現(xiàn)....................................................................................................17

5.2.1功能介紹..................................................................................................17

5.2.2操作實(shí)現(xiàn)..................................................................................................17

I

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

6總結(jié)..........................................................................................................................18

參考資料.........................................................................................................................20

II

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

基于深度學(xué)習(xí)LeNet5模型的交通標(biāo)志識(shí)別方法設(shè)計(jì)

1引言

隨著城市交通的不斷發(fā)展和進(jìn)步，交通標(biāo)志在城市交通中起到至關(guān)重要的

作用。交通標(biāo)志的目的是為了保障道路交通的安全性和有效性。交通標(biāo)志不僅

告知駕駛員和行人有關(guān)交通規(guī)則和安全的信息，而且有助于提高行車和行人的

安全性，也是協(xié)調(diào)和保障城市經(jīng)濟(jì)、文化和社會(huì)生活運(yùn)行的必要組成部分。但

是，由于交通標(biāo)志的數(shù)量多，種類繁多，遇到天氣條件復(fù)雜或路面狀況惡時(shí)，

交通標(biāo)志容易被污染、遮擋、破損等影響，以至于交通標(biāo)志的正確性難以保

證，這就增加了駕駛員和行人的交通安全隱患，甚至導(dǎo)致交通事故的發(fā)生。由

于交通標(biāo)志數(shù)量眾多，種類繁多，識(shí)別難度較大，人眼識(shí)別方式無(wú)法滿足需

求，因此對(duì)相應(yīng)的技術(shù)提出了需求。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于深度學(xué)習(xí)

的圖像識(shí)別逐漸成為交通標(biāo)志識(shí)別的主流方法之一。許多學(xué)者和科技公司都在

致力于開(kāi)發(fā)高效且準(zhǔn)確的交通標(biāo)志識(shí)別技術(shù)，以應(yīng)對(duì)交通標(biāo)志識(shí)別的實(shí)際應(yīng)用

需求。

交通標(biāo)志識(shí)別在城市交通中有著廣泛的應(yīng)用前景，主要包括自動(dòng)駕駛、智

能交通控制系統(tǒng)和交通安全監(jiān)控系統(tǒng)等方面。交通標(biāo)志識(shí)別技術(shù)可以實(shí)時(shí)、準(zhǔn)

確、高效地檢測(cè)和識(shí)別各種交通標(biāo)志，并為駕駛員和行人提供有效的安全保障

和規(guī)則指導(dǎo)。對(duì)于自動(dòng)駕駛車輛、智慧城市和車聯(lián)網(wǎng)等新興技術(shù)，有效的交通

標(biāo)志識(shí)別技術(shù)更加重要。通過(guò)該技術(shù)的應(yīng)用，可實(shí)現(xiàn)對(duì)道路規(guī)則的準(zhǔn)確遵循，

更好地保障交通安全、順暢運(yùn)行，推動(dòng)城市交通建設(shè)和智慧交通的發(fā)展。

1.1研究背景

交通標(biāo)志識(shí)別是計(jì)算機(jī)視覺(jué)領(lǐng)域的重要應(yīng)用之一，它通過(guò)對(duì)道路交通標(biāo)志

的圖像進(jìn)行識(shí)別和分類，提高道路交通規(guī)范化和安全性。盡管近年來(lái)交通標(biāo)志

識(shí)別取得了較大的進(jìn)展，但是標(biāo)志的數(shù)量和種類繁多，以致于交通標(biāo)志識(shí)別技

術(shù)仍然面臨諸多挑戰(zhàn)。由于標(biāo)志圖像的噪聲、光照變化、彎曲等因素的干擾，

傳統(tǒng)的機(jī)器學(xué)習(xí)算法往往難以承受。

深度神經(jīng)網(wǎng)絡(luò)的興起為交通標(biāo)志識(shí)別提供了新的思路和方法。LeNet5是最

早應(yīng)用于手寫數(shù)字字符識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)，通過(guò)簡(jiǎn)單而靈活的圖層連接、卷

積濾波、小范圍池化、非線性激活等一系列計(jì)算操作，可以從圖像中提取出不

3

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

同的特征信息，具備快速、準(zhǔn)確的特征提取、分類能力。相比于傳統(tǒng)的機(jī)器學(xué)

習(xí)模型，LeNet5可適用于復(fù)雜圖像分類任務(wù)，且網(wǎng)絡(luò)參數(shù)相對(duì)較少，便于在嵌

入式平臺(tái)上實(shí)用。

基于LeNet5的卷積神經(jīng)網(wǎng)絡(luò)模型，交通標(biāo)志識(shí)別的應(yīng)用也得到了廣泛的關(guān)

注。其主要特點(diǎn)在于，將已訓(xùn)練好的LeNet5模型層應(yīng)用于交通標(biāo)志的圖像識(shí)別

任務(wù)中，使用圖像數(shù)據(jù)進(jìn)行微調(diào)訓(xùn)練，從而達(dá)到快速、準(zhǔn)確的分類效果。在實(shí)

現(xiàn)交通標(biāo)志識(shí)別方面，基于LeNet5模型的網(wǎng)絡(luò)架構(gòu)和優(yōu)化算法的改進(jìn)與實(shí)現(xiàn)，

成為了進(jìn)一步研究和發(fā)展的方向，并在多項(xiàng)實(shí)現(xiàn)中得到證明。

總之，基于LeNet5網(wǎng)絡(luò)模型的交通標(biāo)志識(shí)別技術(shù)，充分利用卷積神經(jīng)網(wǎng)絡(luò)

的特征提取、學(xué)習(xí)能力和分類特征，使得分類的準(zhǔn)確率和性能得到了很大提

升，將在未來(lái)的道路安全和交通智能化方面發(fā)揮更為重要的作用。

1.2國(guó)內(nèi)外現(xiàn)狀

交通標(biāo)志識(shí)別是指將攝像頭拍攝到的交通標(biāo)志識(shí)別并加以解析，在自動(dòng)駕

駛、車聯(lián)網(wǎng)和智能交通等領(lǐng)域有廣泛的應(yīng)用。目前，交通標(biāo)志識(shí)別已成為人工

智能領(lǐng)域中的熱門研究方向之一。以下是對(duì)國(guó)內(nèi)外交通標(biāo)志識(shí)別的研究現(xiàn)狀進(jìn)

行的簡(jiǎn)要介紹。

1.2.1國(guó)內(nèi)現(xiàn)狀

雖然國(guó)內(nèi)在交通標(biāo)志識(shí)別這一方面的研究的起步較晚，但仍有大部分學(xué)

者、教授參與其中，并做出了不小的貢獻(xiàn)。

2004年，王坤明等人提出了運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)靜態(tài)交通標(biāo)志圖像進(jìn)

行一個(gè)分類，經(jīng)過(guò)一系列的算法優(yōu)化迭代，最后識(shí)別出11種交通標(biāo)志。

2006年，寧波大學(xué)的朱雙東教授等人提出了一種三角形交通標(biāo)志的檢測(cè)方

法，該方法首先在HIS顏色空間提取紅色，再使用LOG模板在檢測(cè)的區(qū)域進(jìn)

行邊緣檢測(cè)，對(duì)檢測(cè)到的點(diǎn)進(jìn)行頂點(diǎn)判別，判斷頂點(diǎn)是否滿足三角形的幾何條

件。

2007年，朱雙東教授等人提出了一種用于道路交通標(biāo)志的顏色幾何模型，

根據(jù)顏色形狀對(duì)把交通標(biāo)志進(jìn)一步細(xì)分為7個(gè)子類，對(duì)交通標(biāo)志的先驗(yàn)知識(shí)做

了一個(gè)提煉，并未涉及檢測(cè)與識(shí)別。

2010年，東北大學(xué)王楠等人提出了基于多線索混合的交通標(biāo)志檢測(cè)與跟蹤

方法，算法具有較好識(shí)別精度，時(shí)間復(fù)雜度較高。

2013年，中南大學(xué)蔡自興教授等人提出了一種DT-CWT與2DICA分析的

4

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

交通標(biāo)志識(shí)別方法，該方法首先把彩色圖像灰度化，并規(guī)范化，然后進(jìn)行DT-

CWT變換，使用2DICA方法描述特征，最后使用最近鄰域分類法識(shí)別，算法

對(duì)50幅標(biāo)志圖像的識(shí)別精度達(dá)到97%。

1.2.2國(guó)外現(xiàn)狀

在交通標(biāo)志識(shí)別領(lǐng)域，美國(guó)、德國(guó)、日本等國(guó)家的科研機(jī)構(gòu)和企業(yè)都有較

多的研究和應(yīng)用。計(jì)算機(jī)硬件性能與軟件算法性能的提升，對(duì)交通標(biāo)志識(shí)別的

研究起到了很大的推動(dòng)作用。

1987年，日本學(xué)者Akatsukaandlmai開(kāi)啟了交通標(biāo)志識(shí)別系統(tǒng)的研究，該

研究使用閩值分割與模板匹配方法來(lái)識(shí)別限速標(biāo)志，一幅標(biāo)志的平均識(shí)別時(shí)間

大約為0.5秒。

Ghisio等人提出了一種三階段識(shí)別流程包括:顏色分割、形狀檢測(cè)和使用神

經(jīng)網(wǎng)絡(luò)方法進(jìn)行標(biāo)志分類。

aLopezandFuentes等人在CIELab顏色空間檢測(cè)交通標(biāo)志并且使用高斯分

布來(lái)為顏色像素建模。

其中，德國(guó)的奔馳汽車公司就在交通標(biāo)志識(shí)別方面取得了顯著的成果。奔

馳汽車公司2006年開(kāi)始推廣交通標(biāo)志識(shí)別系統(tǒng)，能夠識(shí)別60多種交通標(biāo)志。

2011年，奔馳又推出了全球首個(gè)能夠?qū)崿F(xiàn)交通標(biāo)志智能判斷和調(diào)整行車速度的

交通識(shí)別系統(tǒng)。倫敦大學(xué)學(xué)院的交通工程院則研發(fā)出了一種新型交通標(biāo)志檢測(cè)

算法，利用圖像檢測(cè)技術(shù)和模式識(shí)別技術(shù)相結(jié)合，能夠快速準(zhǔn)確地識(shí)別各類交

通標(biāo)志。

2開(kāi)發(fā)環(huán)境與工具

2.1Python

Python是一種開(kāi)源的高級(jí)編程語(yǔ)言，可以應(yīng)用于多種領(lǐng)域，如Web開(kāi)發(fā)、

數(shù)據(jù)分析、人工智能、網(wǎng)絡(luò)編程等。它具有簡(jiǎn)單易學(xué)、代碼簡(jiǎn)潔優(yōu)美、跨平臺(tái)

等優(yōu)點(diǎn)，逐漸成為最廣泛使用的編程語(yǔ)言之一。

Python由GuidovanRossum于1991年創(chuàng)建并開(kāi)發(fā)，其語(yǔ)法簡(jiǎn)單明了，語(yǔ)

句以縮進(jìn)為結(jié)構(gòu)，使得代碼布局非常清晰。通過(guò)Python內(nèi)建的豐富函數(shù)庫(kù)，可

以快速地完成常見(jiàn)的編程任務(wù)，同時(shí)還支持運(yùn)行其他語(yǔ)言的代碼模塊，例如

C、C++和Java等。

Python在科學(xué)計(jì)算領(lǐng)域中也有廣泛的應(yīng)用。使用Python的科學(xué)計(jì)算庫(kù)

5

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

NumPy、SciPy和Pandas，可以處理大規(guī)模數(shù)據(jù)集合并數(shù)據(jù)分析、計(jì)算等任

務(wù)。同時(shí)，Python也可以通過(guò)人工智能、機(jī)器學(xué)習(xí)等領(lǐng)域?qū)?shù)據(jù)進(jìn)行更加深入

的分析和預(yù)測(cè)，這些應(yīng)用在各種領(lǐng)域中都發(fā)揮了重要作用。

Python還有豐富的應(yīng)用庫(kù)和工具，例如Django、Flask、Pygame等，可以

實(shí)現(xiàn)豐富多彩的應(yīng)用，從網(wǎng)站開(kāi)發(fā)到游戲開(kāi)發(fā)，甚至是測(cè)試或網(wǎng)絡(luò)爬蟲(chóng)。

總之，Python給程序員帶來(lái)了高效的編程工具和豐富的應(yīng)用外圍，有了

它，編程的效率提高了；同時(shí)，Python還促進(jìn)了數(shù)據(jù)科學(xué)方面的發(fā)展，成為現(xiàn)

代科學(xué)計(jì)算和數(shù)據(jù)分析的重要工具之一。

2.2爬蟲(chóng)

Python網(wǎng)絡(luò)爬蟲(chóng)是一種自動(dòng)化獲取互聯(lián)網(wǎng)上信息的程序。通過(guò)爬蟲(chóng)技術(shù)，

可以對(duì)目標(biāo)網(wǎng)站進(jìn)行數(shù)據(jù)抓取、信息提取、數(shù)據(jù)分析等操作。Python爬蟲(chóng)基于

Python語(yǔ)言和相關(guān)模塊，可以快速構(gòu)建一個(gè)高效、可靠的爬蟲(chóng)系統(tǒng)。

Python網(wǎng)絡(luò)爬蟲(chóng)可以應(yīng)用于多種場(chǎng)景，例如搜索引擎、電子商務(wù)、社交媒

體、新聞媒體等，幫助用戶快速獲取所需的信息。Python網(wǎng)絡(luò)爬蟲(chóng)通過(guò)模擬人

工瀏覽方式，對(duì)網(wǎng)站頁(yè)面進(jìn)行解析，從中提取所需信息，同時(shí)還可以進(jìn)行數(shù)據(jù)

清洗和處理操作。

使用Python編寫爬蟲(chóng)程序可以使用多種框架和庫(kù)，常見(jiàn)的有Scrapy、

BeautifulSoup、Selenium等。這些工具可以讓編寫爬蟲(chóng)程序變得更加簡(jiǎn)單和高

效。同時(shí)，Python的快速開(kāi)發(fā)和豐富的第三方庫(kù)和工具，也為網(wǎng)絡(luò)爬蟲(chóng)的開(kāi)發(fā)

提供了良好的支持。

總之，Python網(wǎng)絡(luò)爬蟲(chóng)是一個(gè)快捷、高效、自動(dòng)化的數(shù)據(jù)獲取方式，廣泛

應(yīng)用于各種領(lǐng)域中。它可以幫助用戶獲得所需的信息，同時(shí)也為數(shù)據(jù)分析和處

理提供了更多的數(shù)據(jù)來(lái)源。

2.3Pyqt5

PyQt5是一種Python編程語(yǔ)言和Qt應(yīng)用程序框架的結(jié)合，它提供了一個(gè)

Python語(yǔ)言的接口，使得你可以使用PyQt5快速開(kāi)發(fā)可視化應(yīng)用程序。它是一

種快速且易于使用的Python模塊，使用PyQt5開(kāi)發(fā)圖形界面應(yīng)用程序時(shí)，你可

以使用QtDesigner來(lái)構(gòu)建用戶界面，也可以借助于PyQt5中的Designer插件，

使用代碼編寫自定義的UI類。

PyQt5提供了多個(gè)類，例如QWidget、QMainWindow、QMessageBox、

6

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

QBoxLayout等，可以幫助你快速創(chuàng)建各種GUI應(yīng)用程序。Qt提供的豐富的控

件和功能可以讓你實(shí)現(xiàn)多種功能，如界面設(shè)計(jì)、繪圖、文件讀寫、多媒體、網(wǎng)

絡(luò)等，應(yīng)用范圍廣泛，可以用于多種平臺(tái)，如Windows、Mac、Linux等操作系

統(tǒng)。

雖然PyQt5的學(xué)習(xí)曲線比較陡峭，但由于Qt的功能和強(qiáng)大性，以及

Python的易用性，PyQt5已成為廣泛使用的GUI編程框架之一，被許多Python

開(kāi)發(fā)人員、圖形設(shè)計(jì)師和愛(ài)好者所喜愛(ài)和用到。通過(guò)PyQt5，應(yīng)用程序開(kāi)發(fā)者

可以輕松地創(chuàng)建風(fēng)格獨(dú)特的程序，同時(shí)提供了令人愉悅的用戶體驗(yàn)。

2.4Pytorch

PyTorch是一種自由開(kāi)源的機(jī)器學(xué)習(xí)框架，它由Facebook的人工智能研究

團(tuán)隊(duì)研發(fā)并開(kāi)源，旨在提供Python接口，使得構(gòu)建神經(jīng)網(wǎng)絡(luò)更加便捷。

PyTorch結(jié)合了計(jì)算圖的靈活性和自動(dòng)求導(dǎo)機(jī)制，使得神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)和訓(xùn)練更

加容易和高效。

PyTorch提供了強(qiáng)大的矩陣計(jì)算和自動(dòng)變量跟蹤功能，使得開(kāi)發(fā)者可以輕

松地實(shí)現(xiàn)計(jì)算圖和反向傳播算法，實(shí)現(xiàn)各種類型的神經(jīng)網(wǎng)絡(luò)，例如CNN、RNN

等。同時(shí)，PyTorch采用了動(dòng)態(tài)計(jì)算圖方法，使得計(jì)算圖能夠?qū)崟r(shí)變化，靈活

性更高，從而支持更多的運(yùn)行時(shí)優(yōu)化。

PyTorch不僅僅提供了強(qiáng)大的計(jì)算能力，還提供了許多實(shí)用工具和內(nèi)置算

法，可以幫助你處理各種常見(jiàn)問(wèn)題，如圖像分類、目標(biāo)檢測(cè)、語(yǔ)音識(shí)別、機(jī)器

翻譯等等。除此之外，PyTorch還允許使用GPU進(jìn)行加速訓(xùn)練，加速了模型的

訓(xùn)練速度。

總之，PyTorch是一種廣泛應(yīng)用于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)領(lǐng)域的框架，它提

供了靈活高效的工具和接口，方便了人工智能開(kāi)發(fā)者構(gòu)建和訓(xùn)練神經(jīng)網(wǎng)絡(luò)。無(wú)

論是新手還是專業(yè)人士，都可以通過(guò)PyTorch獲得有力的支持，實(shí)現(xiàn)各種機(jī)器

學(xué)習(xí)和數(shù)據(jù)處理任務(wù)。

3數(shù)據(jù)采集與處理

3.1數(shù)據(jù)集獲取

打開(kāi)谷歌瀏覽器，首先來(lái)到百度圖庫(kù)，在搜索欄中輸入關(guān)鍵字，交通標(biāo)

志，點(diǎn)擊搜索，如圖3-1。

7

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

圖3-1關(guān)鍵字搜索

按F12調(diào)出開(kāi)發(fā)者工具，刷新頁(yè)面，如圖3-2。

圖3-2開(kāi)發(fā)者工具頁(yè)面

點(diǎn)擊開(kāi)發(fā)者工具上面的小箭頭，利用小箭頭精準(zhǔn)定位頁(yè)面元素。經(jīng)過(guò)簡(jiǎn)單

分析，發(fā)現(xiàn)我們所需的圖片是存放在class=“main_imgimg-hover”的元素里

面，如圖3-3。

8

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

圖3-3頁(yè)面元素分析

根據(jù)上述網(wǎng)頁(yè)元素分析，結(jié)合python爬蟲(chóng)代碼編程實(shí)現(xiàn)如圖3-4，將圖片

下載如圖3-5，保存如圖3-6。

圖3-4部分功能代碼

圖3-5圖片自動(dòng)下載

9

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

圖3-6圖片指定目錄保存

3.2數(shù)據(jù)增強(qiáng)

數(shù)據(jù)增強(qiáng)(DataAugmentation)是指對(duì)圖片進(jìn)行隨機(jī)的旋轉(zhuǎn)、翻轉(zhuǎn)、裁剪、

隨機(jī)設(shè)置圖片的亮度和對(duì)比度以及對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，也就是將數(shù)據(jù)的均值設(shè)

為0，方差設(shè)為1。通過(guò)這些操作，我們可以獲得更多的圖片樣本，原來(lái)的一

張圖片可以變?yōu)槎鄰垐D片，擴(kuò)大了樣本容量，對(duì)于提高模型的準(zhǔn)確率和提升模

型的泛化能力非常有幫助，在進(jìn)行數(shù)據(jù)增強(qiáng)的同時(shí)也會(huì)需要消耗大量的系統(tǒng)資

源。代碼實(shí)現(xiàn)如圖3-7。

圖3-7數(shù)據(jù)增強(qiáng)部分代碼

運(yùn)行結(jié)果如圖3-8所示。

10

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

圖3-8數(shù)據(jù)增強(qiáng)實(shí)現(xiàn)結(jié)果

3.3切分訓(xùn)練集與數(shù)據(jù)集

深度學(xué)習(xí)切分訓(xùn)練集與數(shù)據(jù)集的主要作用是評(píng)估模型的泛化性能和防止過(guò)

擬合。在深度學(xué)習(xí)中，我們通常將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。訓(xùn)

練集用于訓(xùn)練模型，驗(yàn)證集用于調(diào)整模型的超參數(shù)和避免過(guò)擬合，測(cè)試集用于

評(píng)估模型的泛化性能。切分訓(xùn)練集和測(cè)試集的目的是評(píng)估模型在未見(jiàn)過(guò)的數(shù)據(jù)

上的表現(xiàn)，以便更好地了解模型的泛化能力。如果我們只使用一個(gè)數(shù)據(jù)集來(lái)訓(xùn)

練和測(cè)試模型，那么模型可能會(huì)過(guò)度擬合訓(xùn)練數(shù)據(jù)，導(dǎo)致在未見(jiàn)過(guò)的數(shù)據(jù)上表

現(xiàn)不佳。切分訓(xùn)練集和驗(yàn)證集的目的是調(diào)整模型的超參數(shù)，以便更好地適應(yīng)數(shù)

據(jù)。如果我們只使用訓(xùn)練集來(lái)訓(xùn)練模型，并在同一數(shù)據(jù)集上進(jìn)行超參數(shù)調(diào)整，

那么模型可能會(huì)過(guò)度擬合訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)，導(dǎo)致在未見(jiàn)過(guò)的數(shù)據(jù)上表現(xiàn)不

佳。因此，切分訓(xùn)練集、驗(yàn)證集和測(cè)試集是深度學(xué)習(xí)中非常重要的步驟，可以

有效地評(píng)估模型的泛化性能和防止過(guò)擬合。

訓(xùn)練集一般設(shè)置到占總數(shù)據(jù)集的70%~80%左右。訓(xùn)練集是用來(lái)訓(xùn)練模型

的，數(shù)據(jù)量越大，訓(xùn)練效果越好。

驗(yàn)證集一般設(shè)置到占總數(shù)據(jù)集的10%~15%左右。驗(yàn)證集用于在訓(xùn)練過(guò)程中

評(píng)估模型的性能，比例不宜過(guò)高，否則會(huì)影響訓(xùn)練集的大小，同時(shí)也不宜過(guò)

低，否則無(wú)法充分評(píng)估模型的性能。

測(cè)試集一般設(shè)置到占總數(shù)據(jù)集的10%~20%左右。測(cè)試集用于評(píng)估模型在新

數(shù)據(jù)上的表現(xiàn)，比例不宜過(guò)高，否則會(huì)減少訓(xùn)練集和驗(yàn)證集的大小，同時(shí)也不

宜過(guò)低，否則無(wú)法提供足夠的數(shù)據(jù)用于評(píng)估模型在新數(shù)據(jù)上的表現(xiàn)。

需要注意的是，劃分比例應(yīng)根據(jù)實(shí)際數(shù)據(jù)量、數(shù)據(jù)分布和任務(wù)復(fù)雜度等進(jìn)

行調(diào)整，同時(shí)應(yīng)該隨機(jī)劃分，以保證數(shù)據(jù)的隨機(jī)性和泛化性。此外，在劃分?jǐn)?shù)

據(jù)集的時(shí)候，還應(yīng)該注意保持訓(xùn)練集、驗(yàn)證集和測(cè)試集中各類別的分布均衡，

避免出現(xiàn)類別樣本不足等問(wèn)題。

11

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

4模型構(gòu)建與評(píng)估

4.1LeNet5網(wǎng)絡(luò)結(jié)構(gòu)

LeNet5是一種卷積神經(jīng)網(wǎng)絡(luò)，由YannLeCun于1998年提出。它是第一個(gè)

成功應(yīng)用于手寫數(shù)字識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，同時(shí)也為后來(lái)的深度學(xué)習(xí)研究

提供了范本。下面是LeNet5的網(wǎng)絡(luò)結(jié)構(gòu)。

圖4-1LeNet5網(wǎng)絡(luò)結(jié)構(gòu)

LeNet5網(wǎng)絡(luò)分為兩個(gè)部分：卷積子網(wǎng)絡(luò)和全連接子網(wǎng)絡(luò)。

卷積子網(wǎng)絡(luò)，這是LeNet5的前向傳播部分，由多個(gè)卷積層和池化層組成。

它將輸入的圖像進(jìn)行多次卷積和池化操作，提取出圖像中的特征。卷積層使用

Sigmoid函數(shù)作為激活函數(shù)，池化層則使用最大池化。在LeNet5中，第一層卷

積層的過(guò)濾器大小為5x5，第二層卷積層的過(guò)濾器大小為3x3，每個(gè)池化層的

池化大小均為2x2。

全連接子網(wǎng)絡(luò)，這部分將之前卷積子網(wǎng)絡(luò)提取出的特征輸入到一個(gè)全連接

的神經(jīng)網(wǎng)絡(luò)中，進(jìn)行分類任務(wù)。全連接網(wǎng)絡(luò)包括兩個(gè)全連接層和一個(gè)輸出層：

第一層全連接層有120個(gè)神經(jīng)元，第二層有84個(gè)神經(jīng)元。輸出層使用Softmax

函數(shù)，將分類的結(jié)果映射為一個(gè)概率分布。

LeNet5的創(chuàng)新點(diǎn)之一是使用了局部響應(yīng)歸一化（localresponse

normalization）技術(shù)，這種方法可以增強(qiáng)圖像的魯棒性，提高網(wǎng)絡(luò)對(duì)光照和視

角的抵抗能力。

LeNet5在手寫數(shù)字識(shí)別任務(wù)上表現(xiàn)良好，但是它的網(wǎng)絡(luò)結(jié)構(gòu)相對(duì)淺，無(wú)法

處理更復(fù)雜的數(shù)據(jù)和任務(wù)。雖然LeNet5本身使用較少，但其開(kāi)創(chuàng)了卷積神經(jīng)網(wǎng)

絡(luò)的先河，對(duì)后續(xù)網(wǎng)絡(luò)結(jié)構(gòu)的發(fā)展具有里程碑的重要意義。

12

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

4.2損失函數(shù)

在深度學(xué)習(xí)中，損失函數(shù)（lossfunction）是用于衡量模型預(yù)測(cè)輸出與真實(shí)

輸出之間的差異的函數(shù)。訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)的目標(biāo)是最小化損失函數(shù)。常見(jiàn)的

深度學(xué)習(xí)中的幾種損失函數(shù)如下。

均方誤差損失函數(shù)（MeanSquaredError,MSE）：均方誤差損失函數(shù)是回

歸模型中廣泛使用的損失函數(shù)。它計(jì)算模型預(yù)測(cè)值和真實(shí)值之間的差異的平方

和每個(gè)樣本項(xiàng)差值平方的平均數(shù)，適用于輸出值域連續(xù)的任務(wù)。公式如下。

MSE=(1/n)*Σ(y?-??)2

二元交叉熵?fù)p失函數(shù)（BinaryCrossEntropy,BCE）：二元交叉熵?fù)p失函數(shù)

主要用于二分類問(wèn)題，例如貓狗分類問(wèn)題。它計(jì)算了預(yù)測(cè)輸出和實(shí)際輸出之間

的交叉熵，用于衡量這兩個(gè)概率分布之間的差異，公式如下。

L=-(y*log(?)+(1-y)*log(1-?))

softmax交叉熵?fù)p失函數(shù)（SoftmaxCrossEntropy,SCE）：Softmax交叉熵

損失函數(shù)在多分類問(wèn)題上表現(xiàn)良好。它將logits視為類別上的概率，并衡量模

型預(yù)測(cè)值和真實(shí)值之間的差異，公式如下：

L=-Σ(y?*log(??))

對(duì)數(shù)損失函數(shù)（LogLoss）：適用于處理分布不均的二元分類問(wèn)題。它測(cè)

量模型預(yù)測(cè)正確或錯(cuò)誤所產(chǎn)生的代價(jià)，并嘗試最小化模型的預(yù)測(cè)錯(cuò)誤的平均對(duì)

數(shù)概率。公式如下：

L=-[y*log(?)+(1-y)*log(1-?)]

除此之外，針對(duì)一些特定的問(wèn)題，比如像素級(jí)別的分割（如語(yǔ)義分割、實(shí)

例分割等任務(wù)），常用的還有DiceLoss、JaccardLoss、FocalLoss等。而特征匹

配的任務(wù)，常用的損失函數(shù)有ContrastiveLoss、TripletLoss等。在選擇損失函

數(shù)時(shí)，需要根據(jù)具體的問(wèn)題和任務(wù)來(lái)選擇最適合的損失函數(shù)。

4.3實(shí)驗(yàn)驗(yàn)證與分析

4.3.1實(shí)驗(yàn)環(huán)境配置

本系統(tǒng)主要由硬件部分和軟件部分組成。硬件部分主要是電腦配置，軟件

部分涉及系統(tǒng)開(kāi)發(fā)環(huán)境，其中部分參數(shù)如4-1表所示。

表4-1系統(tǒng)軟硬件環(huán)境配置表

硬件部分軟件部分

13

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

顯卡配置GeForceRTX1080深度學(xué)習(xí)框架Pytorch

第三方庫(kù)函數(shù)Anaconda

開(kāi)發(fā)語(yǔ)言Python

軟件界面框架PyQt5

4.3.2評(píng)價(jià)指標(biāo)

準(zhǔn)確率：指分類器所預(yù)測(cè)的正確結(jié)果與所有測(cè)試數(shù)據(jù)中實(shí)際結(jié)果相一致的

比率，通常表示為百分比。

召回率：指分類器正確識(shí)別真實(shí)標(biāo)簽的比例，通常表示為百分比，也稱為

真陽(yáng)性率。

精確率：指分類器所預(yù)測(cè)的結(jié)果中，真實(shí)情況中都是正確的結(jié)果比例，通

常表示為百分比，也稱為準(zhǔn)確度。

F1分?jǐn)?shù)：是精度和召回率的加權(quán)平均數(shù)，取值在0到1之間，數(shù)值越高，

說(shuō)明性能越好。

ROC曲線：ROC是“受試者工作特征曲線”（receiveroperatingcharacteristic

curve）的縮寫，是隨著閾值的變化，對(duì)真陽(yáng)性和假陽(yáng)性的變化圖示。

AUC值：AUC代表ROC曲線下的面積大小，AUC值越大表示模型的性能

越好。

通過(guò)以上指標(biāo)的評(píng)估，可以全面了解基于lenet5網(wǎng)絡(luò)模型的交通標(biāo)志識(shí)別

模型的性能和優(yōu)點(diǎn)，幫助優(yōu)化模型訓(xùn)練、選擇更好的參數(shù)和算法，并進(jìn)一步推

進(jìn)交通標(biāo)志識(shí)別等相關(guān)研究的發(fā)展。

4.4模型構(gòu)建

LeNet5的網(wǎng)絡(luò)結(jié)構(gòu)模型代碼如下所示。

14

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

圖4-2LeNet5網(wǎng)絡(luò)模型構(gòu)建

4.5實(shí)驗(yàn)結(jié)果

訓(xùn)練數(shù)據(jù)集的大小為2000張圖片，包括10類不同的交通標(biāo)志如4-2圖所

示。

圖4-3訓(xùn)練數(shù)據(jù)集

15

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

將數(shù)據(jù)集按8:1:1的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，具體包括1600

張圖片、200張圖片和200張圖片。

選擇批次大小(batchsize)為32，設(shè)置初始學(xué)習(xí)率為0.001，優(yōu)化器

(optimizer)選擇Adam優(yōu)化算法來(lái)更新模型權(quán)重；訓(xùn)練輪數(shù)(epoch)為20次。訓(xùn)

練過(guò)程中使用交叉熵(Cross-Entropy)作為損失函數(shù)(lossfunction)來(lái)衡量預(yù)測(cè)結(jié)果

與真實(shí)結(jié)果之間的差異。

通過(guò)訓(xùn)練數(shù)據(jù)可知，使用LeNet-5網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練的模型在該數(shù)據(jù)集上

的準(zhǔn)確率通常在90%以上，優(yōu)于許多傳統(tǒng)算法的表現(xiàn)如4-3圖所示。

圖4-4LeNet-5模型訓(xùn)練準(zhǔn)確率

5系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

5.1可行性分析

1.技術(shù)可行性

算法可靠性：LeNet-5是一個(gè)經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型，早在1998年就被

用于手寫數(shù)字識(shí)別任務(wù)，后來(lái)也被應(yīng)用于其他領(lǐng)域，如人臉識(shí)別、物體識(shí)別

等。在實(shí)際應(yīng)用中，LeNet-5已經(jīng)得到了廣泛的驗(yàn)證，因此其算法的可靠性是

可以得到保證的。

數(shù)據(jù)集可獲性：交通標(biāo)志識(shí)別是一個(gè)很常見(jiàn)的視覺(jué)識(shí)別任務(wù)，在許多國(guó)家

和地區(qū)都有相關(guān)的交通標(biāo)志數(shù)據(jù)集，如德國(guó)交通標(biāo)志數(shù)據(jù)集(GTSRB)、美國(guó)交

通標(biāo)志數(shù)據(jù)集(LISA)等。這些數(shù)據(jù)集可以輕松獲得，并且具有足夠的數(shù)據(jù)量和

分類粒度，可以用于訓(xùn)練和評(píng)估交通標(biāo)志識(shí)別系統(tǒng)的性能。

硬件設(shè)備支持：LeNet-5的訓(xùn)練和推理都可以在普通的CPU和GPU上實(shí)

現(xiàn)，特別是推理時(shí)的計(jì)算量很小，可以在嵌入式設(shè)備上實(shí)現(xiàn)。因此，從硬件設(shè)

備角度來(lái)看，基于LeNet-5的交通標(biāo)志識(shí)別系統(tǒng)技術(shù)可行性很高。

16

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

識(shí)別效果：LeNet-5是一個(gè)相對(duì)簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò)模型，與更復(fù)雜的模

型相比，可能無(wú)法達(dá)到最先進(jìn)的識(shí)別效果。但是在交通標(biāo)志識(shí)別任務(wù)中，

LeNet-5已經(jīng)可以取得不錯(cuò)的識(shí)別準(zhǔn)確率，根據(jù)數(shù)據(jù)集和訓(xùn)練方法的不同，識(shí)

別準(zhǔn)確率可以達(dá)到90%以上。

2.經(jīng)濟(jì)可行性

提高交通安全性：交通標(biāo)志識(shí)別可以幫助駕駛員更好地識(shí)別交通標(biāo)志，從

而減少交通事故的發(fā)生。通過(guò)降低交通事故，可以減少道路損失、醫(yī)療費(fèi)用等

因交通事故而造成的直接和間接經(jīng)濟(jì)損失。

提高交通效率：交通標(biāo)志識(shí)別可以幫助車輛準(zhǔn)確地辨別行駛路線和交通標(biāo)

志，從而提高交通流暢度、縮短路程耗時(shí)，降低車輛運(yùn)營(yíng)成本。

推廣市場(chǎng)：隨著人們對(duì)安全和便利性的要求越來(lái)越高，交通標(biāo)志識(shí)別技術(shù)

將得到更廣泛的推廣和應(yīng)用。例如，城市交通管理部門、物流企業(yè)和車輛制造

商等都可以將交通標(biāo)志識(shí)別技術(shù)應(yīng)用于其業(yè)務(wù)中，以提高工作效率和服務(wù)質(zhì)

量。

技術(shù)創(chuàng)新：隨著深度學(xué)習(xí)等人工智能技術(shù)的不斷發(fā)展，對(duì)于交通標(biāo)志識(shí)別

技術(shù)的研究和應(yīng)用也將不斷推陳出新。這將帶來(lái)更多商業(yè)機(jī)會(huì)和技術(shù)創(chuàng)新可

能，為相關(guān)產(chǎn)業(yè)的發(fā)展提供強(qiáng)大的動(dòng)力。

3.操作可行性

訓(xùn)練模型：基于lenet5網(wǎng)絡(luò)模型的交通標(biāo)志識(shí)別需要通過(guò)大量的標(biāo)注圖片

進(jìn)行訓(xùn)練，從而得到一個(gè)高效且準(zhǔn)確的模型。雖然訓(xùn)練模型比較耗時(shí)，但隨著

計(jì)算機(jī)技術(shù)的不斷進(jìn)步，訓(xùn)練時(shí)間也得到了明顯縮短。

圖片分類：交通標(biāo)志識(shí)別的具體實(shí)現(xiàn)就是將輸入的圖片分類到對(duì)應(yīng)的標(biāo)志

類別中?；趌enet5網(wǎng)絡(luò)模型的交通標(biāo)志識(shí)別采用卷積神經(jīng)網(wǎng)絡(luò)的分類方式，

可以較好地處理不同種類的圖片，使得分類準(zhǔn)確率較高。但在應(yīng)用過(guò)程中還需

要結(jié)合實(shí)際情況進(jìn)行參數(shù)調(diào)優(yōu)，以實(shí)現(xiàn)最好的分類效果。

前端開(kāi)發(fā)：基于lenet5網(wǎng)絡(luò)模型的交通標(biāo)志識(shí)別需要有一個(gè)適當(dāng)?shù)那岸碎_(kāi)

發(fā)實(shí)現(xiàn)。前端開(kāi)發(fā)不僅影響用戶體驗(yàn)，還影響到交通標(biāo)志識(shí)別的模型調(diào)用，因

此需要了解相關(guān)的前端技術(shù)，如HTML、CSS和JavaScript等，以確保準(zhǔn)確且

合適的展現(xiàn)交通標(biāo)志識(shí)別結(jié)果。

移動(dòng)端應(yīng)用：移動(dòng)端應(yīng)用是基于lenet5網(wǎng)絡(luò)模型的交通標(biāo)志識(shí)別的一個(gè)重

要領(lǐng)域，具有較大的應(yīng)用前景。但是，移動(dòng)端應(yīng)用需要更具可擴(kuò)展性，實(shí)現(xiàn)輕

量級(jí)模型，并有能力應(yīng)對(duì)不同種類的移動(dòng)設(shè)備，而這些都需要專業(yè)的移動(dòng)端技

術(shù)支持。

17

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

5.2功能實(shí)現(xiàn)

5.2.1功能介紹

本項(xiàng)目設(shè)計(jì)主要圍繞圖像識(shí)別模塊和人機(jī)交互界面，如圖5-1所示。點(diǎn)擊

“選擇文件”按鈕，選擇需要識(shí)別的交通標(biāo)志圖片，圖片會(huì)顯示在界面當(dāng)中，

點(diǎn)擊“開(kāi)始檢測(cè)”按鈕，等待算法識(shí)別結(jié)束，最終識(shí)別結(jié)果會(huì)顯示在“檢測(cè)結(jié)

果”方框當(dāng)中。

圖5-1交通標(biāo)志識(shí)別系統(tǒng)界面

5.2.2操作實(shí)現(xiàn)

首先，雙擊打開(kāi)軟件，進(jìn)入系統(tǒng)點(diǎn)擊“選擇文件”按鈕，將準(zhǔn)備好用于識(shí)

別的圖片打開(kāi)，如圖5-2所示。

圖5-2在選擇交通標(biāo)志圖并顯示

接著，點(diǎn)擊“開(kāi)始測(cè)量”按鈕，等待數(shù)秒，直到出顯示結(jié)果，如圖5-3所

18

湖南商務(wù)職業(yè)技術(shù)學(xué)院畢業(yè)設(shè)計(jì)

示。