[發(fā)明專利]一種基于融合卷積神經(jīng)網(wǎng)絡的高爾夫球場車道識別方法

在審

• 申請?zhí)枺?/td>: 202010875724.6
• 申請日: 2020-08-27
• 公開（公告）號: CN112101140A
• 公開（公告）日: 2020-12-18
• 發(fā)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

本發(fā)明公開了一種基于融合卷積神經(jīng)網(wǎng)絡的高爾夫球場車道識別方法，該方法主要針對解決高爾夫球場車道的識別問題；主要包括數(shù)據(jù)采集和預處理、神經(jīng)網(wǎng)絡訓練和生產(chǎn)環(huán)境檢驗三個部分；本發(fā)明解決了現(xiàn)有傳統(tǒng)車道線識別方法在高爾夫球場不適用的問題，通過比較和分析主流語義分割神經(jīng)網(wǎng)絡模型的優(yōu)劣定義了一種融合神經(jīng)網(wǎng)絡模型，使其在高爾夫球場車道識別上具有精度高，速度快，成本低的特點。

技術領域

本發(fā)明涉及人工智能技術領域，尤其涉及一種基于卷積神經(jīng)網(wǎng)絡的高爾夫球場車道的識別方法。

背景技術

近年來智能汽車領域正在蓬勃發(fā)展，車道識別一直是該領域的熱門方向。然而當下車道識別的主要對象是城市道路，針對高爾夫球場的車道識別鮮有涉及。對于城市道路的識別，既有傳統(tǒng)的邊緣提取加上霍夫變換提取車道線的做法，也有近幾年來興起的基于卷積神經(jīng)網(wǎng)絡的各種車道線識別方法。就城市道路而言，情況復雜，直接訓練神經(jīng)網(wǎng)絡模型去識別整個道路費時費力，還難以保證精度，通過車道線來識別車道無疑是個好方法。但是由于高爾夫球場場景簡單，且并無車道線可供識別，決定了在城市道路廣泛采用的車道線識別方法在高爾夫球場并不適用，為此，需要尋求新的方法去解決高爾夫球場車道識別問題。

為了得到一個能夠解決高爾夫球場車道識別問題的模型，通過測試當前主流的實時語義分割神經(jīng)網(wǎng)絡，主要從速度及精度比較分析，一些運行速度快的網(wǎng)絡模型例如ENet模型在精度方面不能滿足精度的要求，而一些精度較高的網(wǎng)絡模型如ResNet其結構又較為復雜，不適用于嵌入式系統(tǒng)，也難以滿足速度的要求。因此，對于高爾夫球場車道識別網(wǎng)絡模型的要求是，既能有較快的速度，較為簡單的結構以降低對硬件的要求，又要能夠滿足精度的要求。

發(fā)明內容

為了得到滿足上述要求的神經(jīng)網(wǎng)絡模型，本發(fā)明提供了一種基于融合卷積神經(jīng)網(wǎng)絡的高爾夫球場車道識別方法。

本發(fā)明提供的一種基于融合卷積神經(jīng)網(wǎng)絡的高爾夫球場車道識別方法，其主要特點是，所述的方法包括以下幾個步驟：

(1)進行數(shù)據(jù)采集與預處理；

(2)訓練神經(jīng)網(wǎng)絡模型；

(3)進行生產(chǎn)環(huán)境檢驗。

較佳地，所述的步驟(1)包括以下步驟：

(1.1)數(shù)據(jù)采集，通過在不同時間不同氣候條件下于數(shù)個高爾夫球場采集車道圖像，獲得了本發(fā)明所使用的數(shù)據(jù)集；

(1.2)數(shù)據(jù)篩選，由于相機獲取的圖像存在大量相似和低質量圖像，所以需通過一定的時間間隔和模型檢測等方法選取有效圖像作為本發(fā)明的數(shù)據(jù)集；

(1.3)圖像標注，對篩選出的有效圖像進行人工標注，得到原始圖像數(shù)據(jù)集對應的標簽數(shù)據(jù)集；

(1.4)圖像歸一化，確保像素值的平均值為0，標準偏差為1以幫助模型訓練更快、更準確；

(1.5)數(shù)據(jù)分類，在數(shù)據(jù)集中隨機選出70％數(shù)據(jù)作為訓練集，剩余數(shù)據(jù)按照1：1分為驗證集和測試集。

較佳地，所述步驟(1.2)數(shù)據(jù)篩選之后可通過數(shù)據(jù)增強操作提升數(shù)據(jù)量，數(shù)據(jù)增強操作包括水平翻轉、隨機裁剪和隨機采集塊域等方法。

較佳地，所述步驟(1.4)使用0均值標準化歸一化公式為：

其中，z為變換后的值，x為原像素值，u為圖像像素值平均值，σ為圖像像素值方差。

較佳地，所述步驟(2)包括以下步驟：

(2.1)定義模型，通過比較分析主流實時語義分割神經(jīng)網(wǎng)絡，ENet網(wǎng)絡模型是最快的語義分割神經(jīng)網(wǎng)絡之一，本發(fā)明基于ENet網(wǎng)絡，充分吸收其他語義分割神經(jīng)網(wǎng)絡優(yōu)點，定義了一個精度與速度均滿足上述要求的神經(jīng)網(wǎng)絡模型；