[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN114463722A - 路面类型识别方法、装置、电子设备及存储介质 - Google Patents

路面类型识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114463722A
CN114463722A CN202210114382.5A CN202210114382A CN114463722A CN 114463722 A CN114463722 A CN 114463722A CN 202210114382 A CN202210114382 A CN 202210114382A CN 114463722 A CN114463722 A CN 114463722A
Authority
CN
China
Prior art keywords
road surface
convolutional neural
neural network
network model
surface image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210114382.5A
Other languages
English (en)
Inventor
张建
刘金波
王宇
高原
周添
刘秋铮
谢飞
王御
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
FAW Group Corp
Original Assignee
FAW Group Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by FAW Group Corp filed Critical FAW Group Corp
Priority to CN202210114382.5A priority Critical patent/CN114463722A/zh
Publication of CN114463722A publication Critical patent/CN114463722A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了路面类型识别方法、装置、电子设备及存储介质。该方法包括：采集设定类型的路面图像，并对路面图像进行预处理，得到包含路面图像的样本集；对卷积神经网络模型中的池化层及全连接层进行改进，并添加设定的网络层，得到改进的卷积神经网络模型；将样本集中设定比例的训练集输入至改进的卷积神经网络模型中，得到训练好的卷积神经网络模型；将样本集中设定比例的验证集输入至训练好的卷积神经网络模型中，对训练好的卷积神经网络模型进行验证；将样本集中设定比例的测试集输入至训练好的卷积神经网络模型中，得到路面类型识别结果。通过本发明实施例的技术方案，能够实现如何高效且准确地对车辆行驶的路面类型进行识别。

Description

路面类型识别方法、装置、电子设备及存储介质
技术领域
本发明实施例涉及路面类型识别技术，尤其涉及一种路面类型识别方法、装置、电子设备及存储介质。
背景技术
随着科学技术的不断进步，人们对车辆行驶过程中的安全性及舒适性已有更高的要求，由于车辆是在道路上行驶的交通工具，路面状况的好坏将直接影响车辆的运行，因此，对车辆行驶过程中的路面类型进行识别对提高车辆行驶过程中的安全性及舒适性至关重要。
现有技术中，通常采用基于视觉传感器的直接识别方法和基于车辆响应参数的间接识别方法。然而，若采用基于视觉传感器的直接识别方法，当遇到复杂的路面类型，识别精度不高；若采用基于车辆响应参数的间接识别方法，容易受到偶然误差的影响，导致识别精度降低。因此，如何高效且准确地对车辆行驶的路面类型进行识别是目前亟待解决的问题。
发明内容
本发明实施例提供一种路面类型识别方法、装置、电子设备及存储介质，可以实现高效且准确地对车辆行驶的路面类型进行识别。
第一方面，本发明实施例提供了一种路面类型识别方法，包括：
通过车载前置摄像头采集设定类型的路面图像，并对所述路面图像进行预处理，得到包含路面图像的样本集；
对卷积神经网络模型中的池化层及全连接层进行改进，并添加设定的网络层，得到改进的卷积神经网络模型；
将所述样本集中设定比例的训练集输入至改进的卷积神经网络模型中，得到训练好的卷积神经网络模型；
将所述样本集中设定比例的验证集输入至训练好的卷积神经网络模型中，对所述训练好的卷积神经网络模型进行验证；
将所述样本集中设定比例的测试集输入至训练好的卷积神经网络模型中，得到路面类型识别结果。
第二方面，本发明实施例还提供了一种路面类型识别装置，该装置包括：
样本集获取模块，用于通过车载前置摄像头采集设定类型的路面图像，并对所述路面图像进行预处理，得到包含路面图像的样本集；
模型改进模块，用于对卷积神经网络模型中的池化层及全连接层进行改进，并添加设定的网络层，得到改进的卷积神经网络模型；
模型训练模块，用于将所述样本集中设定比例的训练集输入至改进的卷积神经网络模型中，得到训练好的卷积神经网络模型；
模型验证模块，用于将所述样本集中设定比例的验证集输入至训练好的卷积神经网络模型中，对所述训练好的卷积神经网络模型进行验证；
类型识别模块，用于将所述样本集中设定比例的测试集输入至训练好的卷积神经网络模型中，得到路面类型识别结果。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任一实施例所述的路面类型识别方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的路面类型识别方法。
本发明实施例的技术方案通过将采集的设定类型的路面图像进行预处理得到包含路面图像的样本集，再对卷积神经网络模型中的池化层及全连接层进行改进并添加设定的网络层，得到改进的卷积神经网络模型，之后，将样本集中设定比例的训练集输入至改进的卷积神经网络模型中进行训练，得到训练好的卷积神经网络模型；进一步的，将样本集中设定比例的验证集输入至训练好的卷积神经网络模型中，对训练好的卷积神经网络模型进行验证；最后，将样本集中设定比例的测试集输入至训练好的卷积神经网络模型中，得到路面类型识别结果，解决了现有技术中对路面类型的识别精度低及效率不高的问题，实现高效且准确地对车辆行驶的路面类型进行识别。
附图说明
图1a是本发明实施例提供的一种路面类型识别方法的流程图；
图1b是本发明实施例提供的一种准确率曲线的示意图；
图2a是本发明实施例提供的一种路面类型识别方法的流程图；
图2b是本发明实施例提供的一种优选的准确率曲线获取方法流程的示意图；
图2c是本发明实施例提供的一种优选的路面类型识别方法流程的示意图；
图3是本发明实施例提供的一种路面类型识别装置的结构示意图；
图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
目前，减少交通事故提高车辆驾驶的安全性是智能驾驶研究的首要任务，为了使制动防抱死系统以及驱动防滑系统等主动安全控制系统能够根据不同路面类型改变轮胎附着力，更好地发挥性能，路面类型的识别工作变的尤其重要。
现有技术中，对于路面类型的识别主要基于车载视觉图像的采集和处理，通过对采集到的路面图像进行深层次的特征提取并根据特征进行分类。然而，传统的特征提取方法所需的工作量很大，并且不能很好地利用如今显示核心(Graphics Processing Unit，GPU)高速并行计算的优势。
因此，本发明实施例提出了一种路面类型识别方法，可以实现快速准确地对路面类型进行识别。
图1a为本发明实施例提供的一种路面类型识别方法的流程图，本实施例可适用于对车辆行驶的路面类型进行识别的情况，该方法可以由路面类型识别装置来执行，该装置可采用硬件和/或软件的方式实现,并一般可以集成在电子设备中。
如图1a所示，本发明实施例提供的一种路面类型识别方法包括以下具体步骤：
S110：通过车载前置摄像头采集设定类型的路面图像，并对所述路面图像进行预处理，得到包含路面图像的样本集。
其中，车载前置摄像头可以选用谷客GUCEE LI-USB3.0-AR03ZWDRB型号的车载前置摄像头，该摄像头静态图像分辨率可以在3648×2736到384×480之间变动，动态图像可以在1280×720到320×240之间变动；视频帧率可以在约24帧/秒到约60帧/秒之间。
其中，设定类型的路面图像可以指本发明实施例技术人员预先选定类型的路面图像，通常车载前置摄像头采集的路面图像为视频文件。可选的，设定类型的路面图像包括：冰膜类型、压实雪类型、松雪类型、干沥青类型、湿沥青类型、干水泥类型、湿水泥类型、泥土类型以及草地类型的路面图像。
其中，对所述路面图像进行预处理可以指将车载前置摄像头采集的视频格式的路面图像进行筛选、裁剪、数据加强或贴标签等操作，以得到符合卷积神经网络模型要求的路面图像。
S120：对卷积神经网络模型中的池化层及全连接层进行改进，并添加设定的网络层，得到改进的卷积神经网络模型。
其中，设定的网络层可以指根据实际应用需求向卷积神经网络模型中添加的，用于改善卷积神经网络模型的网络层，例如，可以为批量归一化(Batch Normalization，BN)层，也可以为Dropout层。
在一个可选的实施方式中，所述对卷积神经网络模型中的池化层及全连接层进行改进，并添加设定的网络层，得到改进的卷积神经网络模型包括：将所述卷积神经网络模型中的池化层设定为最大池化层，将所述卷积神经网络模型中最后一层的全连接层神经元个数设定为指定个数，并追加一个批量归一化层和Dropout层，得到改进的卷积神经网络模型；其中，所述卷积神经网络模型为DenseNet网络模型。其中，卷积神经网络模型中的池化层一般可以分为平均池化层以及最大池化层，本发明实施例优选最大池化层作为卷积神经网络模型中的池化层。指定个数可以指根据实际路面图像的路面类型的分类个数，对最后一层的全连接层神经元个数进行限定的数值，由于卷积神经网络可以逐层提取特征，并且随着网络深度的增加，特征提取能力也随之增强，输出层必须是全连接层，且保证神经元个数与期望输出的种类一致，因此，必须对最后一层的全连接层神经元个数进行限定以保证最后一层的全连接层的神经元个数与期望输出的种类一致，示例性的，在本发明实施例中采集了9种路面类型的路面图像，因此可以将最后一层的全连接层神经元个数设定为9。选择DenseNet网络模型的原因在于，可以在减少过拟合的同时能够在路面图像数量较少的情况下，保证路面类型识别的准确率
在另一个可选的实施方式中，卷积神经网络模型中的激活函数可以选用具有单边抑制特性的修正线性单元(Rectified LinearUnit，ReLU)，由于小于等于零的输入在经过ReLU激活函数后全部输出为零，因此，对于正值输入经过ReLU激活函数之后的输出与输入保持一致。具体的，以在TensorFlow中实现ReLU激活函数为例，可以使用tf.nn.relu这类函数的接口，还可以像BN层一样直接使用layers.relu()语句，将ReLU激活函数作为单独的层插入到自定义容器内。由于除去一些特殊的网络结构，激活函数通常不会被视为主要的计算层，因此也不会被计入总层数。
由此，通过采用迁移学习的方法，将传统的DenseNet网络模型中最后一层的DenseNet121，替换为节点数为1024的全连接层，并追加一个BN层和Dropout层，以及选用ReLU激活函数，可以保证改进的卷积神经网络模型总参数量为8100425个，其中可训练参数量为1060873个，在保证准确率的同时可以使用更少的样本和计算资源，避免了样本数量不足的情况下出现的过拟合问题。
S130：将所述样本集中设定比例的训练集输入至改进的卷积神经网络模型中，得到训练好的卷积神经网络模型。
其中，设定比例可以指根据实际情况对样本集中训练集、验证集以及测试集的划分比率进行调整的比例数值，示例性的，可以通过load_csv()函数加载样本集，并根据样本集的划分参数加载对应的路面图像，具体的，若样本集的划分参数为train，则随机取样本集的60％作训练集；若样本集的划分参数为val，则随机取样本集的40％作验证集和测试集。
在一个可选的实施方式中，所述将所述样本集中设定比例的训练集输入至改进的卷积神经网络模型中，得到训练好的卷积神经网络模型包括：将所述样本集中设定比例的训练集输入至改进的卷积神经网络模型中，对改进的卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；其中，在训练过程中，根据准确率曲线的起伏状态设置训练终止点，以及根据准确率曲线对所述卷积神经网络模型进行调整；利用高层应用程序编程接口库对所述训练好的卷积神经网络模型进行保存。其中，训练终止点可以指期望改进的卷积神经网络模型提前终止训练的时期，在本发明实施例采用Early Stopping方法，即通过观察准确率曲线的起伏，期望找到最合适的训练终止点，示例性的，首先，预先记录卷积神经网络模型的验证准确率曲线，并监控该验证准确率曲线的起伏变化，当发现验证准确率曲线连续patience(忍耐周期)个训练周期没有下降时，则认为该卷积神经网络模型训练已达到合适的训练终止点，从而提前终止训练，通常会将patience设置为小于等于5的数值；具体的，由于对于一个训练任务，只要每次训练不重新打乱训练集中图片的顺序，就可以得到十分相似的训练准确率曲线，因此，可以通过直接训练设定数量的Epoch(代)，然后根据验证准确率的起伏选出最合适的训练终止点，通常Epoch的数量可以设置为60至100，如图1b所示为本发明实施例提供的一种准确率曲线的示意图，其中，横坐标表示训练的Epoch数，纵坐标表示准确率，虚线表示训练准确率曲线，实线表示验证准确率曲线。从图中可以看出当Epoch＝3时验证准确率曲线开始下降，因此，可以将Epoch＝3作为训练终止点，然后重置Epoch参数，以使卷积神经网络模型的训练Epoch参数为最佳值。其中，高层应用程序编程接口库可以指对训练好的卷积神经网络模型进行保存与加载的库，在本发明实施例中，可以选用Keras高层接口，使用tf.save_model.save(net，path)语句，将卷积神经网络模型以SavedModel格式保存到希望存储的路径下，进一步的，随着训练的进行，当验证准确率的最大值更新的时候，记录Epoch参数，再通过network＝kears.models.load_model函数加载，以此通过利用Keras高层接口的模型保存与加载能力，不需要第二次训练卷积神经网络模型就可以得到最佳的Epoch参数，缩短了训练时间并减少了工作人员的工作量。
S140：将所述样本集中设定比例的验证集输入至训练好的卷积神经网络模型中，对所述训练好的卷积神经网络模型进行验证。
具体的，将样本集中设定比例的验证集输入至训练好的卷积神经网络模型中，可以得到样本集中各图片对应的路面类型识别结果，再将所述路面类型的识别结果与真实值进行对比，即可得出卷积神经网络模型的验证准确率，并以此实现对卷积神经网络模型的验证，其中，真实值可以指样本集中带有对应的准确路面类型的各路面图像，可以为工作人员预先标注好准确路面类型的路面图像。
S150：将所述样本集中设定比例的测试集输入至训练好的卷积神经网络模型中，得到路面类型识别结果。
具体的，通过将样本集中设定比例的测试集输入至训练好的卷积神经网络模型中，即可得到带有路面类型的路面图像。
本发明实施例的技术方案通过将采集的设定类型的路面图像进行预处理得到包含路面图像的样本集，再对卷积神经网络模型中的池化层及全连接层进行改进并添加设定的网络层，得到改进的卷积神经网络模型，之后，将样本集中设定比例的训练集输入至改进的卷积神经网络模型中进行训练，得到训练好的卷积神经网络模型；进一步的，将样本集中设定比例的验证集输入至训练好的卷积神经网络模型中，对训练好的卷积神经网络模型进行验证；最后，将样本集中设定比例的测试集输入至训练好的卷积神经网络模型中，得到路面类型识别结果，解决了现有技术中对路面类型的识别精度低及效率不高的问题，实现高效且准确地对车辆行驶的路面类型进行识别。
图2a为本发明实施例提供的一种路面类型识别方法的流程图。在本实施例中，可选的，所述对所述路面图像进行预处理，得到包含路面图像的样本集包括：将所述路面图像进行格式处理，得到处理后的路面图像；通过改进的对抗生成网络对所述处理后的路面图像进行扩充，得到扩充后的路面图像；将所述扩充后的路面图像进行数据增强，得到数据增强的路面图像；将所述数据增强的路面图像标签化，得到包含路面图像的样本集。
可选的，所述在通过改进的对抗生成网络对所述处理后的路面图像进行扩充之前，还包括：将原始对抗生成网络中生成网络的卷积层间加入批量归一化层，得到改进的对抗生成网络。
如图2a所示，本发明实施例提供的一种路面类型识别方法包括以下具体步骤：
S210：通过车载前置摄像头采集设定类型的路面图像，将所述路面图像进行格式处理，得到处理后的路面图像。
其中，格式处理可以指将采集的路面图像按照指定帧频进行提取，并统一裁剪为固定大小，示例性的，可以采用python程序处理采集的路面图像视频文件，每隔30帧提取一幅图像，并统一裁剪为640×360大小，解决了车载前置摄像头拍摄的除本车所在的车道外的对面车道以及如行人、树木或楼房等干扰因素，不但增加了可用图片的素材，还减少了人工去除路面图像中干扰因素的工作量。
S220：将原始对抗生成网络中生成网络的卷积层间加入批量归一化层，得到改进的对抗生成网络。
其中，原始对抗生成网络可以指未进行改进的生成对抗网络；生成对抗网络包括生成网络和判别网络两个子网络，在本发明实施例中，生成网络可以由5个转置卷积层模块堆叠而成，以使特征图的尺寸放大而通道数减少。改进的对抗生成网络可以指将生成网络的每个卷积层间加入批量归一化层后得到的对抗生成网络，由此，不但使改进的对抗生成网络训练速度加快，还提高了改进的对抗生成网络的稳定性。
S230：通过改进的对抗生成网络对所述处理后的路面图像进行扩充，得到扩充后的路面图像。
其中，由于冰膜类型、泥土类型和草地类型等类型的路面图像很难采集，使得可用路面图像相对较少，因此，为了缓解路面图像数量太少引起的问题，需采用改进的对抗生成网络为路面图像数量较少的路面类型生成额外的图像，以满足卷积神经网络模型的需求。
在一个可选的实施方式中，通过改进的对抗生成网络对所述处理后的路面图像进行扩充，得到扩充后的路面图像，包括：通过处理后的所述路面图像的先验分布获取随机采样隐藏向量，并将所述随机采样隐藏向量输入至改进的对抗生成网络的生成网络中，得到生成图片；将所述生成图片输入至改进的对抗生成网络的判别网络中求取二分类任务的概率，将符合设定概率的生成图片存储至对应路面类型的文件中，得到扩充后的路面图像。其中，二分类任务可以指将生成图片和对应的真值进行比对，以判别生成图片是否可以对应到相应的路面类型；设定概率可以指用以对生成图片的可用度进行评估的数值，示例性的，设定概率可以为0至1之间的数值，若二分类任务的概率接近于设定概率，则可判别生成图片可以对应至相应的路面类型，若二分类任务的概率接与设定概率相差较大，则可判别生成图片不可以对应至相应的路面类型，可以将该生成图片舍弃。具体的，首先通过处理后的路面图像的先验分布获取长度为100的随机采样隐藏向量z通过Reshape(重排)操作调整为[b,1,1,100]的4维张量，并输入至改进的对抗生成网络的生成网络中放大图片高及宽的维度，得到高、宽为64，通道数为3的彩色生成图片，之后，将大小为[b,64,64,3]的生成图片张量通过5个连续的卷积层提取特征向量，输出大小为[b,2,2,1024]的张量，再通过池化层GlobalAveragePooling2D将特征大小转换为[b,1024]，最后通过一个全连接层获得二分类任务的概率，并将符合设定概率的生成图片存储至对应路面类型的文件中，得到扩充后的路面图像。
S240：将所述扩充后的路面图像进行数据增强，得到数据增强的路面图像。
其中，数据增强可以指对扩充后的路面图像进行卷积或滤波操作，例如，随机水平翻转、随机竖直翻转或随机裁剪并缩放，以增加路面图像的多样性，减少过拟合。
S250：将所述数据增强的路面图像标签化，得到包含路面图像的样本集。
其中，标签化可以指根据预先创建的编码表为数据增强的路面图像贴上对应路面类型的编码标签，由于路面类型一般定义为字符串类型，如泥土类型或草地类型等，但是为了将其放入卷积神经网络中进行训练，必须把这些字符串进行数字编码，然后在合适的时候再转换成与卷积神经网络模型相匹配的编码格式，对于一个有n类事物的样本集，把每个类别随机编码为l∈[0,n-1]的数字，一个路面类型加上其编码称为一组编码，包含所有编码的列表称为编码表。在本发明实施例中，可以采用One-hot编码方式为路面类型进行编码，其中，One-Hot最初是一种采用n位寄存器映射n个类别的思想，每个类别都有独占的寄存器位，通常只有一位生效，因此One-hot编码又名一位有效编码，它作为分类变量的二进制形式，可以把标签映射到二进制整数，这使得索引在外的寄存器位都被限制为0或1。示例性的，草地类型的编码是0，干沥青类型的编码是1，干水泥类型的编码是2，冰膜类型的编码是3，泥土类型的编码是4，湿沥青类型的编码是5，湿水泥类型的编码是6，松雪类型的编码是7，压实雪类型的编码是8。值得注意的是，编码表创建之后就不能轻易改动。样本集可以指包含数据增强的路面图像的存储路径和对应编码的文件，如csv格式的文件。
具体的，在本发明实施例中，可以通过如下方式创建编码表，首先，把所有数据增强的路面图像分类打包进文件夹，并放到一个大文件夹下，使用tensorflow框架里的io库中的read_file()函数遍历根目录下的所有子目录，使用tensorflow框架里的image库的decode()函数将图像读取为RGBA的3通道像素矩阵。针对每个子目录，利用路面类型作为编码表name2label的键，编码表的现有键值对数量作为路面类型的对应编码。编码表确定以后，需要取得全部数据增强的路面图像的存储路径和编码，分别存储进images(图片)和labels(标签)两个列表。其中，images列表负责存储数据增强的路面图像的存储路径，labels列表负责存储数据增强的路面图像的编码，两者长度一致，且对应位置的元素相互关联，由此获得了包含数据增强的路面图像的存储路径和编码的样本集。在一个可选的实施方式中，还可以使用random库的shuffle()函数将列表中存储的数据顺序打乱。
S260：对卷积神经网络模型中的池化层及全连接层进行改进，并添加设定的网络层，得到改进的卷积神经网络模型。
具体的，先利用ImageNet数据集训练卷积神经网络DenseNet，得到参数固定的DenseNet网络，再用指定神经元个数的全连接层替换最后一层的全连接网络，使得输出的全连接层神经元个数为9，最后，通过Keras提供的封装容器将固化的卷积神经网络与新的网络层定义为一个新容器SELFNET。
S270：将所述样本集中设定比例的训练集输入至改进的卷积神经网络模型中，对改进的卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；其中，在训练过程中，根据准确率曲线的起伏状态设置训练终止点，以及根据准确率曲线对所述卷积神经网络模型进行调整。
其中，在本发明实施例中，训练时可以令参数net.trainable＝False来固定DenseNet的参数，使得DenseNet网络中的大部分参数都不参与训练，极大的减少了大部分对DenseNet网络训练作出反应的参数，在保证准确率的前提下缩短了DenseNet网络训练的时间。相反，若设置参数net.trainable＝True，将会训练DenseNet网络中的全部参数量。
其中，准确率曲线可以根据训练过程中的各个参数进行绘制。如图2b所示为本发明实施例提供的一种优选的准确率曲线获取方法流程的示意图。具体步骤为：1、创建编码表：具体为，定义函数load_pictures(root,mode)，其中，root为数据增强的路面图像的文件夹，mode决定将该路面图像插入到训练集、测试集、验证集三者之一的相应集合中，默认值设置为“train”。调用该函数后，os.listdir()函数按序遍历images文件夹下所有的子文件夹，并将子文件夹名称作为编码表的键，通过语句len(name2label.keys())读取编码表目前载入的键值对数，并将该键值对数作为路面图像类型的映射数字，由此完成编码表的创建。2、创建样本和标签表格：具体为，定义函数load_csv(root,filename,name2label)，其中，root代表样本集的根目录，filename为csv的文件名称，labels为路面图像类型编码表，该函数可以返回路面图像的存储路径列表与标签列表。在本发明实施例中，可以通过使用语句exist(os.path.join(root,filename))判断csv文件是否存在；若不存在csv文件，可以通过新建一个images[]空列表，然后从文件夹中按序抽取路面图像，将其所存储的路径加入到images[]列表中，使用shuffle(images)函数将列表中路面图像的存储路径全部打乱的方式，完成csv文件的创建；若存在csv文件，通过csv.reader(f)语句直接读取路面图像的存储路径信息。值得注意的是，若文件夹内存在多个csv文件，大概率出现读取错误或标签数量与卷积神经网络输出不匹配的问题，因此，若修改了希望保存的csv文件名，必须删除已经存在的csv文件。3、对数据集进行划分：具体为，利用load_csv()函数加载csv文件中的图像列表与标签列表，根据样本集中路面图像的划分参数加载对应的路面图像及其标签。若样本集中路面图像的划分参数为train，则分别取路面图像和标签的60％作训练集，相应的，若样本集中路面图像的划分参数是val，则取样本集中路面图像和标签的40％作验证集和测试集。4、创建Dataset对象：首先通过函数load_pictures返回训练集的路面图像存储路径列表、标签列表和编码表，再通过语句shuffle(4000).map(preprocess).batch(32)完成输入的无序化、强化和批量化等操作。其中，map(function,iterable,...)函数以function的功能对数列进行映射，数列中的所有对象都能调用function函数，并返回经过function映射后的数列，在本发明实施例中选用preprocess(r,1)函数。5、对数据进行预处理：由于images列表内并未保存路面图像的内容张量，仅保存了存储路径字符串，因此需要在图像处理函数中完成路面图像的读取与张量转换。具体的，可以通过定义preprocess(r,1)函数进行实现，值得注意的是，preprocess(r,1)函数的输入参数需要与创建Dataset对象时所使用的格式一致。其中，map函数位于batch()函数之前(db＝db.shuffle(1000).map(preprocess).batch(32))传入函数(r,1)的元组对象中，r表示所有图片的路径列表，1表示所有图片的标签数字列表，函数preprocess(r,l)的输入参数为(xi,yi)，其中xi和yi分别表示第i个路面图像的存储路径与标签。在上述实施例的基础上，鉴于采集到的路面图像数据集规模较小，在本发明实施例中对路面图像进行了适当的增强变换从而获取更多样化的可用样本，将取值区间在[0,255]内的RGB像素映射到[0,1]，最后通过标准化函数实现标准化运算，将像素映射到期望的区间，对于未来卷积神经网络模型的增强起到了至关重要的作用。最后，将数据转换为tensor型返回，此时对变量db循环调用images和labels张量。值得注意的是，标准化的输入会使模型训练变得更为准确，如果希望最后输出可视化的折线图，则需要将数据从tensor型映射到[0,1]的数值区间。6、初始化模型：具体的，可以先使用net＝keras.applications.DenswNet121(weight,include_top,pooling)语句调用已经参数初始化的DenseNet121网络，并使用keras提供的Sequential容器将net与新追加的全连接层、BN层及dropout层等封装为一个自定义网络newnet。示例性的，由于keras面向对象的程度非常高，直接使用layers.Dense()即可以添加全连接层，使用layers.Dropout()即可添加dropout层。7、训练网络参数：具体的，可以使用语句net.compile(optimizer,loss,metrics)语句确定卷积神经网络使用的损失函数以及优化器类型，其中，optimizer参数表示优化器种类，在本发明实施例中可以选用Adam优化器；loss参数表示损失函数的种类，在本发明实施例中可以选用交叉熵损失函数；metrics参数用于指定测量指标，选用准确率。8、打印准确率曲线：首先，可以使用语句history＝network.fit(train_db,epochs,validation_data,validation_freq)将训练集与验证集送入待训练的卷积神经网络中，其中train_db为创建的Datasets对象，可以通过语句tf.data.Dataset直接引用，也可以为传入的numpy数列类数据；epochs可以用于指定训练总共进行的周期数；validation_data可以规定进行一次验证的周期个数。给定变量record接收fit()函数训练得到的数据，通过语句record.history得到一个Dictionary对象，记录每次训练产生的误差、测量指标等纪录项，并且可以直接在编辑器的console窗口查看训练数据，fit()函数的可选参数callbacks为神经网络所采用的回调函数，通过这个参数可以实现Early Stopping(早停)功能。对于EarlyStopping，传统的Early Stopping为keras中的一个类，包括三个参数，monitor(关注指标)可以选为准确率或误差；最小上升率min_delta通过判断准确率在有限个周期内是否上升来停止训练；patience(忍耐周期)规定准确率未上升的最大周期，超过该周期训练立即停止。在本发明实施例中，可以采用最新的神经网络回调函数ModelCheckpoint，可以用于保存卷积神经网络模型达到最优验证准确率时的参数，同样包括三个指标，其中，monitor与EarlyStopping包括的关注指标一致，选用准确率；save_best_only表示是否只保存最优训练的结果；validation表示导入的验证集数据。经过Early Stopping优化后，可以使卷积神经网络训练在有限时间内取得最优参数。此外，在进行卷积神经网络模型训练的同时可以进行准确率曲线的绘制，字典变量record保存每一次训练结束后的各项指标，通过函数record[‘val_accuracy’]调用每次训练的验证准确率，通过函数len()获取训练总共进行的epoch数，从而确定坐标轴尺度，并使用pyppolt库里的函数savefig()保存训练曲线。由此，可以完成准确率曲线的绘制。
在一个可选的实施方式中，在进行卷积神经网络模型训练之前，需要先初始化卷积神经网络的各项参数，并对学习率以及损失函数等进行调整。具体的，初始学习率和学习率的调整由优化器决定，其中，优化器可以指某种具体的梯度下降策略，以更新卷积神经网络的参数，示例性的，可以采用Adam优化器，对梯度的均值和梯度的未中心化方差进行更全面的考量，再求得下一周期的学习率，更新规则为：gt＝▽θJ(θt-1)，其中gt表示t时刻各参数的梯度，J(θt-1)表示参数在t-1时刻的随机目标函数值，梯度动量mt为：mt＝β1mt-1+(1-β1)gt，其中，mt一般初始化为0，β1为遗忘因子，用于调控指数项的衰减率，一般取值为0.9，对梯度平方进行加权均值为：
Figure BDA0003495756550000181
其中vt表示梯度平方的指数移动平均数，一般初始化为0，β2为指数衰减率，一般设置为0.999。由于m0初始化为0，可能mt导致在训练初期也趋近于0，对mt进行偏差修正为
Figure BDA0003495756550000182
同样的，对vt也进行修正：
Figure BDA0003495756550000183
对于Adam优化器，初始学习率一般设置为0.001，更新参数为：
Figure BDA0003495756550000184
此外，在本发明实施例中，误差函数采用交叉熵损失函数，通常与Softmax函数一起使用，原因在于One-hot编码格式下的编码标签可以简化交叉熵损失函数和Softmax函数的偏导数，其数学表示为：
Figure BDA0003495756550000185
其中，p和q是两个不同的数学分别。交叉熵可以分解为p的熵H(p)和p与q的KL散度的和：H(p||q)＝H(p)+DKL(p||q)。其中，KL定义为：
Figure BDA0003495756550000186
当采用One-hot编码时，H(p)＝0，此时有：
Figure BDA0003495756550000187
由此，通过使用One-hot编码可以极大地简化交叉熵损失函数，使得卷积神经网络的训练更加快速。
S280：将所述样本集中设定比例的验证集输入至训练好的卷积神经网络模型中，对所述训练好的卷积神经网络模型进行验证。
S290：将所述样本集中设定比例的测试集输入至训练好的卷积神经网络模型中，得到路面类型识别结果。
具体的，如图2c所示为本发明实施例提供的一种优选的路面类型识别方法流程的示意图，首先通过摄像机(即车载前置摄像头)采集车辆前方的路面图像，再按合适的帧率提取视频图像(即采集的路面图像)，之后，对提取的路面图像进行图像预处理以及标签化，得到包含路面图像的样本集，最后，将样本集中的训练集输入至卷积神经网络得到训练好的卷积神经网络模型；将样本集中的验证集输入至训练好的卷积神经网络模型中，对训练好的卷积神经网络模型进行验证；再将样本集中的测试集输入至训练好的卷积神经网络模型中，即可得到路面图像分类结果(即路面类型识别结果)。
本发明实施例的技术方案通过将经格式处理得到的处理后的路面图像，输入至改进的对抗生成网络中进行扩充，得到扩充后的路面图像，进而，将扩充后的路面图像进行数据增强以及标签化，得到包含路面图像的样本集，再对卷积神经网络模型中的池化层及全连接层进行改进并添加设定的网络层，得到改进的卷积神经网络模型，之后，将样本集中设定比例的训练集输入至改进的卷积神经网络模型中进行训练，得到训练好的卷积神经网络模型；进一步的，将样本集中设定比例的验证集输入至训练好的卷积神经网络模型中，对训练好的卷积神经网络模型进行验证；最后，将样本集中设定比例的测试集输入至训练好的卷积神经网络模型中，得到路面类型识别结果，解决了现有技术中对路面类型的识别精度低及效率不高的问题，实现高效且准确地对车辆行驶的路面类型进行识别。
图3为本发明实施例提供的一种路面类型识别装置的结构示意图，该装置可以执行上述各实施例中涉及到的路面类型识别方法。该装置可采用软件和/或硬件的方式实现，如图3所示，所述路面类型识别装置具体包括：样本集获取模块310、模型改进模块320、模型训练模块330、模型验证模块340、类型识别模块350。
其中，样本集获取模块310，用于通过车载前置摄像头采集设定类型的路面图像，并对所述路面图像进行预处理，得到包含路面图像的样本集；
模型改进模块320，用于对卷积神经网络模型中的池化层及全连接层进行改进，并添加设定的网络层，得到改进的卷积神经网络模型；
模型训练模块330，用于将所述样本集中设定比例的训练集输入至改进的卷积神经网络模型中，得到训练好的卷积神经网络模型；
模型验证模块340，用于将所述样本集中设定比例的验证集输入至训练好的卷积神经网络模型中，对所述训练好的卷积神经网络模型进行验证；
类型识别模块350，用于将所述样本集中设定比例的测试集输入至训练好的卷积神经网络模型中，得到路面类型识别结果。
本发明实施例的技术方案通过将采集的设定类型的路面图像进行预处理得到包含路面图像的样本集，再对卷积神经网络模型中的池化层及全连接层进行改进并添加设定的网络层，得到改进的卷积神经网络模型，之后，将样本集中设定比例的训练集输入至改进的卷积神经网络模型中进行训练，得到训练好的卷积神经网络模型；进一步的，将样本集中设定比例的验证集输入至训练好的卷积神经网络模型中，对训练好的卷积神经网络模型进行验证；最后，将样本集中设定比例的测试集输入至训练好的卷积神经网络模型中，得到路面类型识别结果，解决了现有技术中对路面类型的识别精度低及效率不高的问题，实现高效且准确地对车辆行驶的路面类型进行识别。
可选的，模型改进模块320具体可以用于，将所述卷积神经网络模型中的池化层设定为最大池化层，将所述卷积神经网络模型中最后一层的全连接层神经元个数设定为指定个数，并追加一个批量归一化层和Dropout层，得到改进的卷积神经网络模型；其中，所述卷积神经网络模型为DenseNet网络模型。
可选的，样本集获取模块310具体可以包括格式处理单元、图像扩充单元、数据增强单元以及标签化单元；
其中，格式处理单元，用于将所述路面图像进行格式处理，得到处理后的路面图像；
图像扩充单元，用于通过改进的对抗生成网络对所述处理后的路面图像进行扩充，得到扩充后的路面图像；
数据增强单元，用于将所述扩充后的路面图像进行数据增强，得到数据增强的路面图像；
标签化单元，用于将所述数据增强的路面图像标签化，得到包含路面图像的样本集。
可选的，路面类型识别装置还包括对抗生成网络改进模块，用于在通过改进的对抗生成网络对所述处理后的路面图像进行扩充之前，将原始对抗生成网络中生成网络的卷积层间加入批量归一化层，得到改进的对抗生成网络。
可选的，图像扩充单元具体可以用于，通过处理后的所述路面图像的先验分布获取随机采样隐藏向量，并将所述随机采样隐藏向量输入至改进的对抗生成网络的生成网络中，得到生成图片；将所述生成图片输入至改进的对抗生成网络的判别网络中求取二分类任务的概率，将符合设定概率的生成图片存储至对应路面类型的文件中，得到扩充后的路面图像。
可选的，模型训练模块330具体可以用于，将所述样本集中设定比例的训练集输入至改进的卷积神经网络模型中，对改进的卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；其中，在训练过程中，根据准确率曲线的起伏状态设置训练终止点，以及根据准确率曲线对所述卷积神经网络模型进行调整；利用高层应用程序编程接口库对所述训练好的卷积神经网络模型进行保存。
可选的，设定类型的路面图像包括：冰膜类型、压实雪类型、松雪类型、干沥青类型、湿沥青类型、干水泥类型、湿水泥类型、泥土类型以及草地类型的路面图像。
本发明实施例所提供的路面类型识别装置可执行本发明任意实施例所提供的路面类型识别方法，具备执行方法相应的功能模块和有益效果。
图4为本发明实施例提供的一种电子设备的结构示意图，如图4所示，该电子设备包括处理器410、存储器420、输入装置430和输出装置440；电子设备中处理器410的数量可以是一个或多个，图4中以一个处理器410为例；电子设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的路面类型识别方法对应的程序指令/模块(例如，路面类型识别装置中的样本集获取模块310、模型改进模块320、模型训练模块330、模型验证模块340以及类型识别模块350)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的路面类型识别方法。
存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种路面类型识别方法，该方法包括：
通过车载前置摄像头采集设定类型的路面图像，并对所述路面图像进行预处理，得到包含路面图像的样本集；
对卷积神经网络模型中的池化层及全连接层进行改进，并添加设定的网络层，得到改进的卷积神经网络模型；
将所述样本集中设定比例的训练集输入至改进的卷积神经网络模型中，得到训练好的卷积神经网络模型；
将所述样本集中设定比例的验证集输入至训练好的卷积神经网络模型中，对所述训练好的卷积神经网络模型进行验证；
将所述样本集中设定比例的测试集输入至训练好的卷积神经网络模型中，得到路面类型识别结果。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的路面类型识别方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述路面类型识别装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种路面类型识别方法，其特征在于，包括：
通过车载前置摄像头采集设定类型的路面图像，并对所述路面图像进行预处理，得到包含路面图像的样本集；
对卷积神经网络模型中的池化层及全连接层进行改进，并添加设定的网络层，得到改进的卷积神经网络模型；
将所述样本集中设定比例的训练集输入至改进的卷积神经网络模型中，得到训练好的卷积神经网络模型；
将所述样本集中设定比例的验证集输入至训练好的卷积神经网络模型中，对所述训练好的卷积神经网络模型进行验证；
将所述样本集中设定比例的测试集输入至训练好的卷积神经网络模型中，得到路面类型识别结果。
2.根据权利要求1所述的方法，其特征在于，所述对卷积神经网络模型中的池化层及全连接层进行改进，并添加设定的网络层，得到改进的卷积神经网络模型包括：
将所述卷积神经网络模型中的池化层设定为最大池化层，将所述卷积神经网络模型中最后一层的全连接层神经元个数设定为指定个数，并追加一个批量归一化层和Dropout层，得到改进的卷积神经网络模型；其中，所述卷积神经网络模型为DenseNet网络模型。
3.根据权利要求1所述的方法，其特征在于，所述对所述路面图像进行预处理，得到包含路面图像的样本集包括：
将所述路面图像进行格式处理，得到处理后的路面图像；
通过改进的对抗生成网络对所述处理后的路面图像进行扩充，得到扩充后的路面图像；
将所述扩充后的路面图像进行数据增强，得到数据增强的路面图像；
将所述数据增强的路面图像标签化，得到包含路面图像的样本集。
4.根据权利要求3所述的方法，其特征在于，所述在通过改进的对抗生成网络对所述处理后的路面图像进行扩充之前，还包括：
将原始对抗生成网络中生成网络的卷积层间加入批量归一化层，得到改进的对抗生成网络。
5.根据权利要求3所述的方法，其特征在于，通过改进的对抗生成网络对所述处理后的路面图像进行扩充，得到扩充后的路面图像，包括：
通过处理后的所述路面图像的先验分布获取随机采样隐藏向量，并将所述随机采样隐藏向量输入至改进的对抗生成网络的生成网络中，得到生成图片；
将所述生成图片输入至改进的对抗生成网络的判别网络中求取二分类任务的概率，将符合设定概率的生成图片存储至对应路面类型的文件中，得到扩充后的路面图像。
6.根据权利要求1所述的方法，其特征在于，所述将所述样本集中设定比例的训练集输入至改进的卷积神经网络模型中，得到训练好的卷积神经网络模型包括：
将所述样本集中设定比例的训练集输入至改进的卷积神经网络模型中，对改进的卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；其中，在训练过程中，根据准确率曲线的起伏状态设置训练终止点，以及根据准确率曲线对所述卷积神经网络模型进行调整；
利用高层应用程序编程接口库对所述训练好的卷积神经网络模型进行保存。
7.根据权利要求1所述的方法，其特征在于，设定类型的路面图像包括：冰膜类型、压实雪类型、松雪类型、干沥青类型、湿沥青类型、干水泥类型、湿水泥类型、泥土类型以及草地类型的路面图像。
8.一种路面类型识别装置，其特征在于，所述装置包括：
样本集获取模块，用于通过车载前置摄像头采集设定类型的路面图像，并对所述路面图像进行预处理，得到包含路面图像的样本集；
模型改进模块，用于对卷积神经网络模型中的池化层及全连接层进行改进，并添加设定的网络层，得到改进的卷积神经网络模型；
模型训练模块，用于将所述样本集中设定比例的训练集输入至改进的卷积神经网络模型中，得到训练好的卷积神经网络模型；
模型验证模块，用于将所述样本集中设定比例的验证集输入至训练好的卷积神经网络模型中，对所述训练好的卷积神经网络模型进行验证；
类型识别模块，用于将所述样本集中设定比例的测试集输入至训练好的卷积神经网络模型中，得到路面类型识别结果。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的路面类型识别方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的路面类型识别方法。
CN202210114382.5A 2022-01-30 2022-01-30 路面类型识别方法、装置、电子设备及存储介质 Pending CN114463722A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210114382.5A CN114463722A (zh) 2022-01-30 2022-01-30 路面类型识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210114382.5A CN114463722A (zh) 2022-01-30 2022-01-30 路面类型识别方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114463722A true CN114463722A (zh) 2022-05-10

Family

ID=81412383

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210114382.5A Pending CN114463722A (zh) 2022-01-30 2022-01-30 路面类型识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114463722A (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111311538A (zh) * 2019-12-28 2020-06-19 北京工业大学 一种基于卷积神经网络的多尺度轻量化道路路面检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111311538A (zh) * 2019-12-28 2020-06-19 北京工业大学 一种基于卷积神经网络的多尺度轻量化道路路面检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
严春满 等: "《 卷积神经网络模型发展及应用》", 计算机科学与探索, 29 September 2020 (2020-09-29), pages 27 - 41 *
王志红 等: "《基于语义分割模型的路面类型识别技术研究》", 公路交通科技, 15 January 2021 (2021-01-15), pages 128 - 133 *
陆峰 等: "《基于深度学习的目标检测技术综述》", 计算机系统应用, 15 March 2021 (2021-03-15) *

Similar Documents

Publication Publication Date Title
CN112734775B (zh) 图像标注、图像语义分割、模型训练方法及装置
CN111242180B (zh) 一种基于轻量化卷积神经网络的图像识别方法及系统
CN111275107A (zh) 一种基于迁移学习的多标签场景图像分类方法及装置
CN112101364B (zh) 基于参数重要性增量学习的语义分割方法
CN112507912A (zh) 一种识别违规图片的方法及装置
CN113724286A (zh) 显著性目标的检测方法、检测设备及计算机可读存储介质
CN114495060B (zh) 一种道路交通标线识别方法及装置
CN111832435A (zh) 基于迁移与弱监督的美丽预测方法、装置及存储介质
CN118736226A (zh) 基于通用分割大模型的少样本大坝裂缝分割方法和系统
CN115292538A (zh) 一种基于深度学习的地图线要素提取方法
KR20210111677A (ko) 뉴럴 네트워크의 클리핑 방법, 뉴럴 네트워크의 컨벌루션 계산 방법 및 그 방법을 수행하기 위한 전자 장치
CN114463722A (zh) 路面类型识别方法、装置、电子设备及存储介质
US20240135679A1 (en) Method for classifying images and electronic device
CN113095185B (zh) 人脸表情识别方法、装置、设备及存储介质
CN113947154B (zh) 一种目标检测方法、系统、电子设备及存储介质
CN112906824B (zh) 车辆聚类方法、系统、设备及存储介质
CN116189130A (zh) 基于图像标注模型的车道线分割方法及装置
CN111046934B (zh) 一种swift报文软条款识别方法及装置
CN114202765A (zh) 一种图像文本识别方法和存储介质
CN116246128B (zh) 跨数据集的检测模型的训练方法、装置及电子设备
CN116958176B (zh) 图像分割方法、装置、计算机设备及介质
CN113627537B (zh) 一种图像识别方法、装置、存储介质及设备
CN115761681A (zh) 基于神经网络的路面静态物体检测方法、系统、设备及介质
CN116524244A (zh) 一种机器视觉图像处理方法及系统
CN114663831A (zh) 车载图像目标检测方法、系统及计算机可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination