[发明专利]落石检测模型训练方法、落石检测方法及相关装置

权利要求书

1.一种落石检测模型训练方法，其特征在于，所述方法包括：

计算目标图像的区域标识和标准图像的区域标识的第一损失惩罚项信息，其中，所述目标图像的区域标识由图像分割网络输出，所述标准图像的区域标识由人工标注，所述目标图像的区域标识指示所述目标图像中的高速道路区域和非高速道路区域，所述标准图像的区域标识指示所述标准图像中的高速道路区域和非高速道路区域，所述第一损失惩罚信息为目标图像中的区域标识与标准图像中的区域标识的差异；

计算所述目标图像中目标落石信息与所述标准图像中标准落石信息的第二损失惩罚项信息，其中，所述第二损失惩罚项信息为目标图像中的目标落石信息与所述标准图像的标准落石信息的差异，所述标准图像的标准落石信息由人工标注；

将所述第一损失惩罚项信息和所述第二损失惩罚项信息分别输入至图像分割网络和落石检测网络中，得到更新后的目标图像的区域标识和更新后的所述目标图像的目标落石信息；

返回执行所述计算目标图像的区域标识和标准图像的区域标识的第一损失惩罚项信息的步骤，直至最新的第一惩罚项信息和最新的第二惩罚项信息满足落石检测条件。

2.根据权利要求1所述的方法，其特征在于，所述计算目标图像的区域标识和标准图像的区域标识的第一损失惩罚项信息包括：

计算二分类损失函数L_seg；

其中，y为样本标签，当标准图像的像素属于高速道路时取值为1，否则为0，y′为模型预测为高速道路类的概率，N为像素点数量。

3.根据权利要求1所述的方法，其特征在于，所述计算所述目标图像中目标落石信息与所述标准图像中标准落石信息的第二损失惩罚项信息的步骤包括：

计算中心坐标误差L_a,b；

其中，a,b为目标框的中心的横坐标和纵坐标，K*K代表网格数量，M为每个网格所产生的候选框，a_i,b_i为真实目标框的中心的横坐标和纵坐标，a′_i,b′_i为目标框的中心的横坐标和纵坐标的预测值，表示第i个网格的第j个候选框是否和真实值进行计算，若是则否则为0，obj表示网格产生的候选框中与真实目标框的交并比大于指定阈值的预测框，i是K*K的网格的遍历，j是每个格子上的M个候选框的遍历；

计算宽度和高度误差L_w,h；

其中，w,h为目标框的宽度和高度，w_i，h_i为目标框的真实宽度和高度，w′_i，h′_i为目标框宽度和高度的预测值；

计算置信度误差L_conf；

其中，为存在落石的目标框的置信度误差，为不存在落石的目标框的置信度误差，表示i个网格的第j个候选框是否和真实值进行计算，不计算为1，计算为0，是否和真实值进行计算由候选框与真实值的IOU是否大于阈值决定，IOU为候选框与真实目标框的交并比，C′_i表示真实值，若第i个网格的候选框负责目标，则C′_i为1，若否则为0，C_i为预测值，λ_noobj表示非目标的背景的目标框的权重系数；

计算分类误差L_class；

p′_i(c)为类别为c的真实标签，p_i(c)为类别为c的预测值，c为类别为落石的值；

将L＝L_a,b+L_w,h+L_canf+L_class作为第二损失函数惩罚项。

4.根据权利要求1所述的方法，其特征在于，所述图像分割网络的输出作为所述落石检测网络的输入。

5.根据权利要求1所述的方法，其特征在于，所述图像分割网络由四个卷积层与残差结构组成。