[发明专利]路面状态识别方法、装置、终端设备及存储介质

说明书

本申请适用于路面监测技术领域，提供了一种路面状态识别方法、装置、终端设备及存储介质，其中该方法包括：获取待识别路面图像；将待识别路面图像输入路面状态识别模型，得到待识别路面图像的路面状态识别结果；路面状态识别模型是利用多个路面图像样本对预设RefNet模型进行训练得到的，RefNet模型包括多个残差模块，残差模块中用于特征学习的卷积单元包括依次连接的第一卷积层、第一激活层和第一卷积层。本申请能在确保路面状态识别率的情况下，提升路面状态识别的实时性。

技术领域

本申请属于路面监测技术领域，尤其涉及一种路面状态识别方法、装置、终端设备及存储介质。

背景技术

多变的天气环境会使路面处于湿滑、积水或结冰等不同状态，大大增加道路行驶的风险。许多致命的交通事故都是由于潮湿、冰、雪和水等道路条件造成的。因此，准确的路况信息可以帮助交通部门采取有效的行动。近年来，随着图像处理技术的发展，出现了许多基于图像的非接触式路面识别方法。这些方法可以分为两类:传统的机器学习和深度学习。

在机器学习方法中，需要对这些图像进行统一处理，提取颜色、纹理、形状等相关特征构建路面状态特征库，最后使用支持向量机(SVM)、K最近邻(KNN)或其他机器学习方法进行分类和预测。例如将道路状态分为干、冰、积雪、积水、湿五种类型；然后从图像中提取9维颜色特征向量和4个纹理特征向量，构建道路状态特征库；最后使用SVM识别路况。同时，为了提高精度和可靠性，采用网格搜索算法和粒子群优化算法对SVM的核函数因子和惩罚因子进行优化。

可见，在路面状态识别任务中，基于机器学习的方法往往需要繁琐的图像预处理操作，而且由于图像噪声的影响，分类效果也不理想。而目前所了解到的基于深度学习的方法如DenseNet网络、ResNeXt网络等虽然识别精确度较高(例如，利用现有的预训练卷积神经网络模型进行分类识别五种不同的路况)。但是他们网络深度高、时间复杂度大，且需要大型服务器支持，无法满足实时性的要求，在现实生活中的适用性不强。

综上，目前路面状态识别方法无法同时兼顾识别率和实时性要求。

发明内容

本申请实施例提供了一种路面状态识别方法、装置、终端设备及存储介质，可以解决路面状态识别方法无法同时兼顾识别率和实时性要求的问题。

第一方面，本申请实施例提供了一种路面状态识别方法，包括：

获取待识别路面图像；

将所述待识别路面图像输入路面状态识别模型，得到所述待识别路面图像的路面状态识别结果；

所述路面状态识别模型是利用多个路面图像样本对预设的RefNet模型进行训练得到的，所述RefNet模型包括多个残差模块，所述残差模块中用于特征学习的卷积单元包括依次连接的第一卷积层、第一激活层和第一卷积层。

其中，所述多个残差模块包括依次连接的第一残差模块、三个第二残差模块、三个第三残差模块和第四残差模块。

其中，所述路面状态识别模型的训练过程包括：

构建所述RefNet模型；

利用所述多个路面图像样本对所述RefNet模型进行训练，得到已训练的RefNet模型；

利用TensorRT对已训练的RefNet模型进行加速，得到路面状态识别模型。

其中，所述利用TensorRT对已训练的RefNet模型进行加速，得到路面状态识别模型的步骤，包括：

提取所述已训练的RefNet模型的模型参数的路径，并将所述模型参数转换为TensorRT格式的模型参数；

将所述路径转换为TensorRT格式的路径；