本發明涉及戶外停車位檢測，具體而言，涉及一種戶外停車位智能檢測方法、系統、設備及介質。

背景技術：

1、戶外停車位檢測是一項重要技術，有助于減少擁堵并改善城市交通管理。通過自動識別空閑停車位，能夠減少交通流量中斷和局部擁堵。現有的非圖像基礎的停車檢測方法，如地磁傳感器、射頻、超聲波和雷達，成本較高且適用性有限。相比之下，基于圖像的停車檢測方法成本較低、精度更高，并且能夠檢測更多類型的停車場景，尤其適用于開放式停車場。

2、現有的基于神經網絡的戶外停車位檢測方法在模型架構上仍然存在不足，導致實時性問題尚未完全解決。首先，許多方法依賴復雜的模型結構，增加了計算負擔，影響了檢測速度。例如，shuffledet通過組卷積和通道打亂技術減少計算，但模型架構的復雜性依舊較高，這使得實時處理變得困難。此外，像bcfpl這樣的方法雖然通過降低圖像分辨率減少了計算負荷，但這只是局部優化，無法從根本上解決模型架構的復雜性問題。復雜的模型架構往往在處理高分辨率圖像時效率不高，尤其是在面對實時性要求較高的應用場景時，這些復雜結構會大幅拖慢檢測速度。

3、因此，當前的戶外停車位檢測方法在模型架構上依然過于復雜，實時性問題仍未得到充分解決。未來的優化方向應著重于進一步簡化模型結構，提高特征提取的效率，從而在保持高檢測精度的同時，滿足實時檢測的需求。

技術實現思路

1、基于此，為了提高室外停車位檢測的實時性和準確性，本發明提供了一種戶外停車位智能檢測方法、系統、設備及介質，其具體技術方案如下：

2、一種戶外停車位智能檢測方法，包括如下步驟：

3、s1，構建op-rtdetr模型；

4、s2，通過所述op-rtdetr模型實現戶外停車的智能檢測；

5、其中，在步驟s1中，構建所述op-rtdetr模型的具體方法包括如下步驟：

6、s10，創建gc-vanillanet作為特征提取網絡；

7、s11，使用rtdetr的efficient?hybrid?encoder作為所述op-rtdetr模型的編碼器；

8、s12，通過rt-detr的不確定性最小化查詢選擇策略，優化貝葉斯不確定性；

9、s13，通過gcdn方法對解碼器進行訓練。

10、所述戶外停車位智能檢測方法創建gc-vanillanet作為特征提取網絡，提升了所述op-rtdetr模型的推理速度；同時使用rtdetr的efficient?hybrid?encoder作為所述op-rtdetr模型的編碼器部分，基于注意力的尺度內特征交互通過僅在單尺度transformer編碼器中對s5進行尺度內交互，降低了計算成本；通過rt-detr的不確定性最小化查詢選擇策略，優化貝葉斯不確定性，確保了選擇的編碼器的特征質量；通過gcdn方法對解碼器進行訓練，進一步增強了所述op-rtdetr模型在室外停車場這種復雜場景和多目標情況下的檢測能力。即是說，所述戶外停車位智能檢測方法通過構建所述op-rtdetr模型，能夠實現戶外停車的智能檢測，在實現了高實時性的同時提升了檢測精度。

11、優選地，在步驟s10中，創建gc-vanillanet作為特征提取網絡的具體方法包括如下步驟：

12、基于分組卷積技術對vanillanet進行改造，獲取所述gc-vanillanet。

13、優選地，在步驟s11中，所述efficient?hybrid?encoder包括基于注意力的尺度內特征交互以及基于cnn的跨尺度特征融合。

14、優選地，在步驟s13中，通過gcdn方法對解碼器進行訓練的具體方法包括如下步驟：

15、s130，將dino的對比降噪模塊提升到組級別；

16、s131，將每組內的噪聲部分與對象查詢進行獨立的自注意力計算并執行一對一分配，實現組級一對多匹配。

17、一種戶外停車位智能檢測系統，包括：

18、用于實現戶外停車的智能檢測的op-rtdetr模型；

19、其中，所述op-rtdetr模型包括gc-vanillanet特征提取網絡、efficient?hybridencoder以及通過gcdn方法進行訓練的解碼器。

20、優選地，所述efficient?hybrid?encoder包括基于注意力的尺度內特征交互以及基于cnn的跨尺度特征融合。

21、優選地，所述戶外停車位智能檢測系統還包括：

22、不確定性最小化查詢選擇模塊，用于通過rt-detr的不確定性最小化查詢選擇策略，優化貝葉斯不確定性。

23、一種戶外停車位智能檢測設備，其包括：

24、控制器；

25、存儲器，存儲有可執行指令；

26、其中，所述可執行指令可在所述控制器上運行并實現所述的戶外停車位智能檢測方法。

27、一種計算機可讀存儲介質，其存儲有計算機程序，當所述計算機程序被執行時實現所述的戶外停車位智能檢測方法。

技術特征：

1.一種戶外停車位智能檢測方法，其特征在于，所述戶外停車位智能檢測方法包括如下步驟：

2.如權利要求1所述的一種戶外停車位智能檢測方法，其特征在于，在步驟s10中，創建gc-vanillanet作為特征提取網絡的具體方法包括如下步驟：

3.如權利要求1所述的一種戶外停車位智能檢測方法，其特征在于，在步驟s11中，所述efficient?hybrid?encoder包括基于注意力的尺度內特征交互以及基于cnn的跨尺度特征融合。

4.如權利要求1所述的一種戶外停車位智能檢測方法，其特征在于，在步驟s13中，通過gcdn方法對解碼器進行訓練的具體方法包括如下步驟：

5.一種戶外停車位智能檢測系統，其特征在于，所述戶外停車位智能檢測系統包括：

6.如權利要求5所述的一種戶外停車位智能檢測系統，其特征在于，所述efficienthybrid?encoder包括基于注意力的尺度內特征交互以及基于cnn的跨尺度特征融合。

7.如權利要求5所述的一種戶外停車位智能檢測系統，其特征在于，所述戶外停車位智能檢測系統還包括：

8.一種戶外停車位智能檢測設備，其特征在于，所述戶外停車位智能檢測設備包括：

9.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有計算機程序，當所述計算機程序被執行時實現如權利要求1至4任一項所述的戶外停車位智能檢測方法。

技術總結
本發明涉及戶外停車位檢測技術領域，提供了一種戶外停車位智能檢測方法、系統、設備及介質，該戶外停車位智能檢測方法包括如下步驟：S1，構建OP?RTDETR模型；S2，通過OP?RTDETR模型實現戶外停車的智能檢測；其中，在步驟S1中，構建OP?RTDETR模型的具體方法包括如下步驟：S10，創建GC?VanillaNet作為特征提取網絡；S11，使用RTDETR的Efficient?Hybrid?Encoder作為OP?RTDETR模型的編碼器；S12，通過RT?DETR的不確定性最小化查詢選擇策略，優化貝葉斯不確定性；S13，通過GCDN方法對解碼器進行訓練。本發明通過構建OP?RTDETR模型，能夠實現戶外停車的智能檢測，在實現了高實時性的同時提升了檢測精度。

技術研發人員：楊濟瑋,李思,何遠清
受保護的技術使用者：廣州理工學院
技術研發日：
技術公布日：2025/4/24