[發明專利]邏輯推理式道面檢測方法及系統

有效

• 申請號: 202011511252.2
• 申請日: 2020-12-18
• 公開（公告）號: CN112580509B
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 隋運峰;趙士瑄;鄧凌竹;劉為謙;黃忠濤
• 申請（專利權）人: 中國民用航空總局第二研究所
• 主分類號: G06V20/20
• 分類號: G06V20/20;G06V10/74;G06V10/762;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京酷愛智慧知識產權代理有限公司 11514
• 代理人: 盧蓉

1.一種邏輯推理式道面檢測方法，其特征在于，包括以下步驟：

接收輸入圖像，對所述輸入圖像進行預處理，以獲得多個特征圖；

分別將所述特征圖與預設的知識庫進行對比，得到多個相似度圖；所述知識庫用于學習多個道面固有結構子類和多個道面污染子類；

將輸入圖像對應的所有相似度圖進行合并，得到合并相似度圖；

根據預設的邏輯對合并相似度圖進行分析，以獲得檢測圖像；

其中檢測圖像包含輸入圖像中每個網格坐標的類型；所述類型包括道面固有結構、道面污染或道面異物；

所述邏輯包括當網格坐標的類型不屬于道面固有結構和道面污染時，定義該網格坐標的類型為道面異物；

所述將輸入圖像對應的所有相似度圖進行合并，得到合并相似度圖具體包括：

將相似度圖放大至與所述輸入圖像尺寸一致，并按照最近鄰域法則進行插值，以獲得放大相似度圖；

將輸入圖像對應的所有放大相似度圖進行合并，在每個網格坐標下，對相同子類的典型特征的相似度v_i取最大值，得到放大相似度圖每個網格坐標的相似度由相似度構成相似度向量V^/；

由所有網格坐標對應的相似度向量V^/構成所述合并相似度圖S^/；

所述根據預設的邏輯對合并相似度圖進行分析，以獲得檢測圖像具體包括：

當合并相似度圖中所有相似度都低于判斷閾值時，定義該網格坐標的類型為道面異物，否則定義該網格坐標的類型為最大相似度對應的子類。

2.根據權利要求1所述邏輯推理式道面檢測方法，其特征在于，所述接收輸入圖像，對所述輸入圖像進行預處理，以獲得多個特征圖具體包括：

接收輸入圖像；所述輸入圖像為傳感器信號網格化生成；

將輸入圖像按照等比例逐步進行縮小，以獲得多個縮小尺度對應的預處理圖像，將所有預處理圖像傳輸給預設的卷積計算模塊；

獲取卷積計算模塊輸出的每個預處理圖像對應的所述特征圖。

3.根據權利要求2所述邏輯推理式道面檢測方法，其特征在于，所述分別將所述特征圖與預設的知識庫進行對比，得到多個相似度圖具體包括：

按照下式計算特征圖中每個網格坐標的向量與預設的知識庫中子類的典型特征的相似度v_i，得到由相似度v_i構成的相似度向量V；

其中，F(x,y)為特征圖中網格坐標(x,y)的向量；E_i為知識庫中子類的典型特征；

由特征圖中所有網格坐標對應的相似度向量構成該特征圖對應的相似度圖S。

4.根據權利要求2～3中任一權利要求所述邏輯推理式道面檢測方法，其特征在于，知識庫和卷積計算模塊的弱監督學習方法包括：

將僅包含道面固有結構的圖像輸入參數初始化卷積計算模塊中的卷積神經網絡和參數；

進行知識庫和卷積計算模塊的交替學習，修改卷積計算模塊的參數和知識庫的參數。

5.根據權利要求4所述邏輯推理式道面檢測方法，其特征在于，所述將僅包含道面固有結構的圖像輸入參數初始化卷積計算模塊中的卷積神經網絡和參數具體包括：

將所述包含道面固有結構的圖像依次通過卷積計算模塊和反卷積計算模塊初始化卷積神經網絡；

其中初始化的過程包括：

重建損失函數訓練輸出圖像與輸入圖像的差；

使用無監督方法初始化卷積計算模塊參數，以最小化重建損失函數為目標，學習得到卷積計算模塊的初始化參數。