1.一种基于深度学习的货车单双胎识别方法，其特征在于，包括：

S1、检测车轴的位置与车胎类型：利用YOLOv5s深度神经网络模型对输入视频的每一帧进行检测，若检测到目标即轮胎，则返回目标检测类别即单/双胎，以及目标检测框即轮胎所在矩形中心点的像素坐标与矩形框的宽度和高度；

S2、对检测到的车胎进行跟踪计数：对目标检测框的检测结果进行判断，若在检测区域内，执行SORT算法，判断是不是新出现的目标，若是新出现的目标，则计数器加1，即记录增加的是单/双胎数目；否则，更新目标位置；最后，输出车胎计数结果和记录的单双胎序列；

所述步骤S1具体实现如下：

S11、图像预处理：对视频的帧图像进行图像缩放处理，将图像的长边缩放到320，短边以相同比例进行缩放，然后填充一定的灰色区域，缩放后图像的尺寸记为(X,Y)，X和Y的值可通过公式(1)‑(5)计算得到，其中，R为缩放的比例，H和W分别为输入图像的高度和宽度，dw为缩放后图像宽度方向上需要填充灰色像素点的列数，dh为缩放后图像高度方向上需要填充像素点的行数，int为向下取整，％为取余操作；

dw＝[(320‑int(W×R))％64]/2 (2)

dh＝[(320‑int(H×R))％64]/2 (3)

X＝W×R+2×dw(4)

Y＝H×R+2×dh (5)

S12、将预处理后的图像输入YOLOv5s深度神经网络模型：

1)预处理后的图像首先进入YOLOv5s深度神经网络模型的Focus模块，该模块将输入图像的宽度和高度变为原来的1/4，深度方向变为原来的4倍，具体做法为间隔一个像素进行采样，然后在深度方向上进行拼接；而后，在拼接好的图像上进行一次输出通道数为64、卷积核大小为3*3、步长为1的卷积；接着，对卷积后的特征图进行归一化操作和利用LeakReLU激活函数进行激活；

2)YOLOv5s深度神经网络模型利用CONV模块与BottleneckCSP堆叠实现图像特征提取，其中，CONV模块进行卷积、归一化、激活操作，激活函数为LeakReLU；每个Concat模块有两个输入，输入的特征图高度和宽度相同，其作用是将两个输入特征图在深度方向上进行拼接；

YOLOv5s深度神经网络模型的SPP模块使用三个大小分别为5、9、13的池化核做步长为1的最大池化操作，融合不同尺度下的图像特征；

3)YOLOv5s深度神经网络模型的Neck部分采用FPN+PAN的结构，即上采样与下采样形成的特征金字塔结构，Neck部分用于生成特征金字塔，在不同的层预测不同尺度的目标，能够有效加强网络特征融合的能力，检测出更多的小目标；

4)YOLOv5s深度神经网络模型输出三个特征，尺寸分别是21*10*10、21*20*20、21*40*

40，可看成(4+1+2)*3，其中，4+1+2的4代表边界框的中心坐标xy和宽高wh这四个参数，1代表这个边界框为前景的置信度，2代表类别，即单/双胎，最后的*3是因为预测特征层每个像素点有三个anchor；然后，对YOLOv5s深度神经网络模型的输出进行非极大值抑制，获取最后的目标检测框和目标检测类别；

所述步骤S2具体实现方式如下：

考虑车胎进入检测区域是有先后顺序的，并且运行方向一般是从左到右或从右到左，因此采用下列公式计算阈值：式中，right、left分别表示目标所在矩形框的右边界、左边界的列号；bottom、top分别表示目标所在矩形框的下边界、上边界的行号；

计算当前帧检测到的目标与上一帧检测到的目标之间的距离；如果当前帧检测到的目标能够在上一帧中找到一个目标，它们之间的距离小于阈值，则认为该目标已经出现过，若在上一帧中找不到任何一个目标与当前帧中的该目标距离小于阈值，则认为该目标是当前帧新出现的目标，在每次计数器增加时，记录增加的是单胎还是双胎，最后输出车胎计数结果和记录的单双胎序列。

2.根据权利要求1所述的基于深度学习的货车单双胎识别方法，其特征在于，所述对YOLOv5s深度神经网络模型的输出进行非极大值抑制，即对YOLOv5s深度神经网络模型的输出的重叠的候选框，利用非极大值抑制找到最佳的目标候选框，具体的每个候选框都有置信度得分，对于有重叠的候选框，选取其中置信度最高的一个候选框作为最后结果，对于没有重叠的就直接保留下来，作为最后结果。