[發明專利]一種基于融合卷積神經網絡的高爾夫球場車道識別方法

在審

• 申請號: 202010875724.6
• 申請日: 2020-08-27
• 公開（公告）號: CN112101140A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 張建平;李棖;何國權
• 申請（專利權）人: 珠海愛肯智能設備有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于融合卷積神經網絡的高爾夫球場車道識別方法，其特征在于，所述的方法包括以下步驟：

(1)進行數據采集與預處理，主要包括數據采集、數據篩選、圖像標注、圖像歸一化和數據分類幾個步驟；

(2)訓練神經網絡模型，通過比較和分析主流語義分割神經網絡模型的優劣定義了一種融合神經網絡模型，并始用預處理后的數據訓練得到最終模型；

(3)進行生產環境檢驗，再一次測試在高爾夫球場該方法能否實現實時的道路識別。

2.根據權利要求1所述的一種基于融合卷積神經網絡的高爾夫球場車道識別方法，其特征在于，所述步驟(1)中數據采集是在不同時間不同氣候條件下于數個高爾夫球場采集的車道圖像。

3.根據權利要求1所述的一種基于融合卷積神經網絡的高爾夫球場車道識別方法，其特征在于，所述步驟(1)中圖像標注是對篩選出的有效圖像進行人工標注，得到原始圖像數據集對應的標簽數據集。

4.根據權利要求1所述的一種基于融合卷積神經網絡的高爾夫球場車道識別方法，其特征在于，所述步驟(2)包括以下幾個步驟：

(2.1)定義模型；

(2.2)訓練模型；

(2.3)評估模型。

5.根據權利要求2所述的一種基于融合卷積神經網絡的高爾夫球場車道識別方法，其特征在于，所述步驟(2.1)定義的融合神經網絡模型包括以下幾個部分：

(2.1.1)初始化部分，其特征在于，使用并行的卷積操作和池化操作快速的對高分辨率圖像進行下采樣；

(2.1.2)編碼層第一部分，其特征在于，使用下采樣瓶頸模塊對上述(2.1.1)所得特征圖進一步下采樣；

(2.1.3)編碼層第二部分，其特征在于，對上述(2.1.2)所得特征圖進一步下采樣，使用空洞卷積操作提升感受野大小，通過非對稱瓶頸模塊壓縮運算量；

(2.1.4)重復編碼層第二部分，但不使用其瓶頸塊2.0，其特征在于，不再對上述(2.1.3)所得特征圖進行下采樣，并且進一步提升感受野大小，壓縮運算量；

(2.1.5)解碼層第一部分，其特征在于，對上述(2.1.4)所得特征圖進行上采樣，開始對特征圖大小進行還原；

(2.1.6)解碼層第二部分，其特征在于，對上述(2.1.5)所得特征圖進一步上采樣，將特征圖大小進一步還原；

(2.1.7)輸出部分，其特征在于，對上述(2.1.6)所得特征圖進行上采樣，將特征圖大小還原至原圖大小。

6.根據權利要求2所述的一種基于融合卷積神經網絡的高爾夫球場車道識別方法，其特征在于，所述步驟(2.1)定義的融合神經網絡模型使用的損失函數為Dice Loss，Dice系數計算公式為：

其中，X和Y分別為實際的元素與通過神經網絡模型預測出的元素；

上述Dice Loss計算公式為：

d＝1-s

使用L2正則化防止過擬合，故最終損失函數如下：

其中，λ是正則項系數，n表示樣本集大小，ω表示權重。

7.如權力要求2所述的一種基于融合卷積神經網絡的高爾夫球場車道識別方法，其特征在于，所述的步驟(2.2)中，融合卷積神經網絡模型總循環輪數epochs取值為250，批次大小batch size取值為8，初始學習率取值為2e-4，在訓練過程中每10個epochs學習率降低0.5％，且每次epochs過后都打亂訓練的數據集，和當每個epochs完成后將使用當前訓練完成的模型來計算驗證集的準確度，將在循環完所有epochs時保留準確度最高的融合卷積神經網絡模型作為最終的模型。