[发明专利]基于深度学习的路面遗撒识别方法

说明书

本发明公开了一种基于深度学习的路面遗撒识别方法，包括以下步骤：步骤一：采集路面遗撒数据，构造自制数据集；步骤二：通过减小卷积核大小和增加不同特征层之间的连接，建立改进的YOLO模型；步骤三：使用步骤一中构造的自制数据集训练步骤二中建立的改进的YOLO模型；步骤四：将经过训练的改进YOLO模型输入待测图片，计算求得目标的类别概率和包围框，以识别路面遗撒。本发明的路面遗撒识别方法，使用更适合于道路巡检的优化后的YOLO模型，进行路面遗撒识别，达到了实时识别，95％以上准确率的良好效果。

技术领域

本发明涉及道路巡检领域，尤其涉及一种基于深度学习的路面遗撒识别方法。

背景技术

高速公路上车辆行驶速度较快，因此路面遗撒不仅会对道路环境造成影响，而且会对车辆的正常行驶造成非常大的危险。且路面遗撒产生的原因较多，时间不定，对其进行及时的检测非常重要。

传统的路面遗撒识别依靠人工检测，人眼识别遗撒种类并进行记录。传统的图像识别方法包括平方差匹配法、相关匹配法、相关系数匹配法等模式识别方法。这些图像识别方法在路面遗撒识别时存在速度慢、准确率低、背景判断正确率低等问题。

发明内容

为了至少部分的解决上述已有技术存在的不足，本发明使用自动行驶的路面遗撒检测车，配合利用深度学习模型编写的识别算法，用自动代替人工，完成高速公路上遗撒识别的日常养护巡检工作，节约了大量人力物力。本发明的路面遗撒识别方法，使用更适合于道路巡检的优化后的YOLO模型，进行路面遗撒识别，达到了实时识别，95％以上准确率的良好效果。

根据本发明的一方面，提供了一种基于深度学习的路面遗撒识别方法，包括以下步骤：

步骤一：采集路面遗撒数据，构造自制数据集；

步骤二：通过减小卷积核大小和增加不同特征层之间的连接，建立改进的YOLO模型；

步骤三：使用步骤一中构造的自制数据集训练步骤二中建立的改进的YOLO模型；

步骤四：将经过训练的改进YOLO模型输入待测图片，计算求得目标的类别概率和包围框，以识别路面遗撒。

特别地，所述步骤二中的减小卷积核大小具体为：采用1x1卷积核，增加网络层数，使得前部的卷积层在不增加参数数量的同时可以获得更小范围的卷积核，后部的卷积层在这个基础上形成从边缘、形状、部分、物体的层级特征结构。

特别地，所述步骤二中的增加不同特征层之间的连接具体为：增加相邻层之间的连接，使得某一卷积层不再只依赖于前一层输出，而是直接依赖于之前所有层的输出。

特别地，所述步骤一具体为：

a.拍摄以公路为背景的遗撒照片和视频，并对其进行逐帧提取，得到分别命名为box、carton、bottle、paper、bag、roadblock、stone、sand、plasticbag、package的共十类遗撒图片；

b.获取互联网上公开数据集中与路面遗撒相关的物体图片；

c.将a和b中的图片的分辨率统一，并用labelImg对图片中的遗撒进行标注，生成xml格式的标记信息，随后编写python脚本，分别生成包含所有图片的文件名和完整路径的txt文件，由此构造由实拍数据集和互联网上公开数据集组成的自制数据集。

特别地，所述步骤一还包括：将互联网上公开数据集上的一些已有目标物体剪切、平移、放缩到从实拍数据集中剪切出的真实道路场景的随机位置来增多样本。

特别地，所述步骤一还包括：利用已有的图像处理手段，对自制数据集中的数据进行调整，以避免天气因素对遗撒检测的影响。

特别地，用系统抽样的方法对所构造的自制数据集做分割，80％用于训练，20％用于验证。