本发明属于建筑施工技术领域，特别涉及一种基于深度学习的建筑施工车辆识别方法。
背景技术：
建筑行业就是一个围绕建筑的设计、施工、装修、管理而展开的行业。城市建筑是构成城市的一个重要部分，而建筑不仅仅只是一个供人们住宿休息，娱乐消遣的人工作品，它从很大的方面上与我们的经济、文化和生活相关联。因此建筑施工行业显得尤为重要。
在建筑施工过程中会运用到很多特殊的施工车辆，比如吊车、铲车、货车、混凝土搅拌车、物料运输车等诸多种类的施工车辆。这些施工车辆区别于普通家用型车辆，现有的模型都无法直接用来对于施工车辆进行识别，无法更换的对于施工现场的各种种类的施工车辆进行管理。
技术实现要素：
发明目的：针对现有技术中存在的问题，提供一种识别准确率高，并且更方便对于后续施工现场的施工车辆进行管理的基于深度学习的建筑施工车辆识别方法。
技术方案：为解决上述技术问题，本发明提供一种基于深度学习的建筑施工车辆识别方法，包括如下步骤：
（1）采集施工现场所使用每个施工车辆种类的数据，并进行分类；
（2）根据采集每个种类施工车辆的数据并建立相对应种类的施工车辆数据库；
（3）将每个种类施工车辆数据库中的数据集进行转化，搭建相应的多标签卷积神经网络模型，并对该模型进行参数初始化；
（4）训练多标签卷积神经网络模型；
（5）判断训练后的多标签卷积神经网络模型是否满足要求，如果满足则进入步骤（6），如果不满足要求则返回步骤（4）；
（6）对已经训练好的多标签卷积神经网络模型进行测试评估；
（7）判断测试评估后是否满足标准，如果满足则进入步骤（8）如果不满足则补入数据更新模型返回步骤（3）；
（8）输出最终的多标签卷积神经网络模型与参数，将该模型与参数运用到后续对施工车辆进行识别。
进一步的，所述步骤（4）中训练多标签卷积神经网络模型的具体步骤如下：
（4.1）初始化模型各个参数；
（4.2）读取当前步数的训练图像到网络层；
（4.3）让图像流在网络模型中进行前馈传导，获得训练误差；根据当前网络参数值，从第一个卷积层开始不断对读取的各个图像依次进行卷积和池化运算操作，直到网络输出各分类器的训练损失值；
（4.4）判断步骤（4.3）中输出的训练损失值是否达到训练损失值要求或达到设定步数，如果达到则进入步骤（4.5），如果没有达到则根据网络损失值，则按照误差反向传播的方法，获得各层参数的变化量，并进行相应层的参数更新用于下一步数的前馈运算，最后返回步骤（4.2）；
（4.5）输出网络参数模型。
进一步的，所述步骤（4.1）中初始化模型各个参数的方法包括常量初始化和高斯分布初始化。
进一步的，所述步骤（6）中对已经训练好的多标签卷积神经网络模型进行测试评估的具体步骤如下：
（6.1）将网络参数模型加载到多标签卷积神经网络模型中；
（6.2）读取当前步数的测试图像到网络层；
（6.3）将当前步数的测试图像依次按照模型结构和训练得到的参数，进行卷积等前馈运算操作，通过分类器部分输出各个图像对应的预测类别，并输出预测类别；
（6.4）判断当前步数是否达到遍历全部测试集图像所需要的最少步数，如果达到则输出当前保存的所有图像的标签数据并进入步骤（6.5）；如果没有达到则返回步骤（6.2）；
（6.5）将前面记录的所有测试集图像的预测类别与各个图像对应的实际类别进行对比，统计获得该模型参数下的测试集分类准确率。
进一步的，所述步骤（3）中的多标签卷积神经网络模型由数据输入、特征提取和分类器三个部分组成。
与现有技术相比，本发明的优点在于：
本发明能够针对建筑施工过程中会运用到很多特殊的施工车辆，进行分类，并构建每个种类施工车辆的学习模型，运用这些学习模型可以直接用来对于施工车辆进行识别，更好的对施工现场的各种种类的施工车辆进行管理。且识别率更加精确，误差低。
具体实施方式
下面结合具体实施方式，进一步阐明本发明。本发明描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的其他实施例，都属于本发明所保护的范围。
本发明提供一种基于深度学习的建筑施工车辆识别方法，包括如下步骤：
（1）采集施工现场所使用每个施工车辆种类的数据，并进行分类；
（2）根据采集每个种类施工车辆的数据并建立相对应种类的施工车辆数据库；
（3）将每个种类施工车辆数据库中的数据集进行转化，搭建相应的多标签卷积神经网络模型，并对该模型进行参数初始化；
（4）训练多标签卷积神经网络模型；
（5）判断训练后的多标签卷积神经网络模型是否满足要求，如果满足则进入步骤（6），如果不满足要求则返回步骤（4）；
（6）对已经训练好的多标签卷积神经网络模型进行测试评估；
（7）判断测试评估后是否满足标准，如果满足则进入步骤（8）如果不满足则补入数据更新模型返回步骤（3）；
（8）输出最终的多标签卷积神经网络模型与参数，将该模型与参数运用到后续对施工车辆进行识别。
进一步的，所述步骤（4）中训练多标签卷积神经网络模型的具体步骤如下：
（4.1）初始化模型各个参数；
（4.2）读取当前步数的训练图像到网络层；
（4.3）让图像流在网络模型中进行前馈传导，获得训练误差；根据当前网络参数值，从第一个卷积层开始不断对读取的各个图像依次进行卷积和池化运算操作，直到网络输出各分类器的训练损失值；
（4.4）判断步骤（4.3）中输出的训练损失值是否达到训练损失值要求或达到设定步数，如果达到则进入步骤（4.5），如果没有达到则根据网络损失值，则按照误差反向传播的方法，获得各层参数的变化量，并进行相应层的参数更新用于下一步数的前馈运算，最后返回步骤（4.2）；
（4.5）输出网络参数模型。
进一步的，所述步骤（4.1）中初始化模型各个参数的方法包括常量初始化和高斯分布初始化。
进一步的，所述步骤（6）中对已经训练好的多标签卷积神经网络模型进行测试评估的具体步骤如下：
（6.1）将网络参数模型加载到多标签卷积神经网络模型中；
（6.2）读取当前步数的测试图像到网络层；
（6.3）将当前步数的测试图像依次按照模型结构和训练得到的参数，进行卷积等前馈运算操作，通过分类器部分输出各个图像对应的预测类别，并输出预测类别；
（6.4）判断当前步数是否达到遍历全部测试集图像所需要的最少步数，如果达到则输出当前保存的所有图像的标签数据并进入步骤（6.5）；如果没有达到则返回步骤（6.2）；
（6.5）将前面记录的所有测试集图像的预测类别与各个图像对应的实际类别进行对比，统计获得该模型参数下的测试集分类准确率。
进一步的，所述步骤（3）中的多标签卷积神经网络模型由数据输入、特征提取和分类器三个部分组成。