目前汽车的人均拥有量逐年增长,对加油站设备的规划建设和运营维护的要求越来越高,而随着人工智能的飞速发展,基于深度学习的目标检测与识别方法逐渐运用到各行业领域中,如何利用有关的理论和技术进行加油站内部设施的自动安全检查,以提高工作效率,节省人力资源和成本也引起了人们的关注。本文主要根据加油站设备安全的相关规范,重点研究了基于深度卷积神经网络的加油站设备识别方法,完成了以下几个方面的工作:1.通过查阅目标检测和识别相关研究领域的文献资料,以及加油站建设和运行过程中对内部设施布局的相关标准,根据设备安全检查工作的具体实际需求,分析了传统识别方法与深度学习神经网络结构的特点,对比了有关方法的性能及其适用性。针对加油站复杂环境下的场景特点,为解决多物体识别的问题,重点探讨了Mask RCNN算法,对Mask RCNN神经网络结构的优势和不足进行了分析,明确了本文的主要研究内容和采用的方法。2.针对Mask RCNN网络中存在分割效果参差不齐的问题,提出了一种多卷积分支处理结构。该结构是以Mask RCNN网络框架为基础,添加Mask Io U模块,通过增加卷积层和全连接层,来提高mask掩膜的分割精度,进而改善整体识别效果。在COCO2017公共数据集上,用改进网络模型进行了实验验证工作。实验结果表明,基于Mask RCNN网络的多卷积分支处理结构在分割精度上大幅提升,分割效果和识别准确率上更加优秀。在此基础上,使得识别准确率上升到了新的层次。3.依据《汽车加油加气站设计与施工规范GB50156-2012》中的条例,进行了加油站场景实验样本集的设计和图像数据的采集。针对加油站内不同设备,在不同环境下进行了现场照片拍摄、整理和增强等。接着进行数据预处理工作,并用VIA插件对采集的数据进行了人工标注,从而完成了数据集的构建。4.基于本文制作的数据集,采用改进的多卷积分支处理结构模型进行了训练和测试,通过特征金字塔网络方法融合上下文特征,可以学习不同尺度下的特征图像,以此为基础,在区域推荐网络中生成候选窗口,同时完成分类与分割处理,实现对加油站实景图像的检测、识别、分类与分割一体化操作。经过对比实验,验证了本文方法的识别性能、学习能力、稳定性以及速度上均有不错的表现。使用实景数据进行测试的结果在准确率和效率上也有较好的表现。