[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡的護欄分割方法

在審

• 申請?zhí)枺?/td>: 202011600380.4
• 申請日: 2020-12-30
• 公開（公告）號: CN112464914A
• 公開（公告）日: 2021-03-09
• 發(fā)明（設計）人: 吳柯維;葉佳林
• 申請（專利權）人: 南京積圖網(wǎng)絡科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京源古知識產(chǎn)權代理事務所(普通合伙) 32300
• 代理人: 鄭宜梅

本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡的護欄分割方法，包括：獲取包含護欄的圖片，并標記出欄區(qū)域；構建基于加權損失函數(shù)的deeplabV3+的分割網(wǎng)絡構架；將標記好的護欄圖片輸入基于加權損失函數(shù)的deeplabV3+的分割網(wǎng)絡構架中訓練基于加權損失函數(shù)的deeplabV3+的分割網(wǎng)絡模型，直至基于加權損失函數(shù)的deeplabV3+的分割網(wǎng)絡模型輸出的符合預設的分辨率閾值且只包含護欄的二值圖像；在待檢測的圖片手工標注后將標注好的圖片輸入訓練好的基于加權損失函數(shù)的deeplabV3+的網(wǎng)絡模型輸出分割后的待檢測的圖片二值圖像。將生成的二值圖像通過二次線性插值法將繪制的護欄區(qū)域通過標注出的9個點擬合成長方形。對比生成的長方形，判斷是否有空缺以及是否有彎曲，從而實現(xiàn)判斷該護欄是否缺失或者彎曲。

技術領域

本發(fā)明涉及護欄檢測技術領域，具體涉及一種基于卷積神經(jīng)網(wǎng)絡的護欄分割方法。

背景技術

護欄是車輛在城市道路上行駛常見的交通設施，檢測路邊護欄對高度自動化駕駛具有極為重要的意義。在路邊護欄的存在為車輛側向移動提供了自由空間的物理限制。因此，護欄檢測非常重要。

目前護欄檢測主要有基于報警器檢測，GPS定位檢測、通過圖像進行直線檢測三種方式。其中基于報警器檢測護欄通常是采用一定的具有報警功能的檢測裝置用來檢測護欄的情況，如果護欄存在損壞或者不在一個直線上通過警示燈、揚聲器等報警的裝置實現(xiàn)警示的作用。基于GPS定位檢測通常包括移動平臺、位移傳感器, GPS模塊,全網(wǎng)通模塊和報警裝置,該裝置在使用時靠近需要檢測的立柱,固定,通過檢測裝置中的三維移動平臺移動施力裝置到靠近立柱的特定高度和距離,然后啟動施力裝置給立柱施力,待立柱平衡后,位移傳感器測量立柱的位移,通過對比測量結果與位移標準值,確認該護欄是否缺損。基于圖像進行直線檢測，通常采用圖像的直線檢測方法對采集的圖片進行檢測，具體的過程為通過對輸入的圖像進行灰度值處理和二值處理后進行直線擬合。獲得眾多直線區(qū)域，通過對直線區(qū)域擴張形成長方形區(qū)域，并對長方形區(qū)域進行分類判斷。篩出不是護欄的正方形，選出護欄后，對護欄進行切割，對每一部分進行分類判斷。從而判斷是否出現(xiàn)缺失。

上述的基于報警器檢測護欄、GPS定位檢測兩種方法需要對護欄進行改造，施工較為復雜，而且如果長時間雨雪天氣，GPS和報警器等傳感器容易失靈，不利于檢測。基于直線檢測的方式，受圖像中干擾較大，比如雨雪天氣，會造成檢測不到護欄導致誤報，魯棒性較差。基于圖像的直線檢測方法受圖像中干擾較大，比如雨雪天氣，會造成檢測不到護欄導致誤報，魯棒性較差。

發(fā)明內容

1.所要解決的技術問題：

針對上述技術問題，本發(fā)明提供一種基于卷積神經(jīng)網(wǎng)絡的護欄分割方法，其魯棒性強，并且在現(xiàn)場不需要電子探頭以外的其他物件，這就避免了因為電子器件損壞導致的檢測不到護欄缺損的現(xiàn)象。相較于直線檢測的方式，本專利提出的方法魯棒性較強，較為惡劣的環(huán)境也能成功檢測出護欄 并且對缺失部分和彎曲部分進行報警。

2.技術方案：

一種基于卷積神經(jīng)網(wǎng)絡的護欄分割方法，其特征在于：包括以下步驟：

步驟一：首先通過爬蟲工具在網(wǎng)絡中爬取包含護欄的圖片，并手動標記出圖片中的護欄區(qū)域。

步驟二：對步驟一中生成的圖片進行圖像增強形成護欄數(shù)據(jù)集。

步驟三：構建基于加權損失函數(shù)的deeplabV3+的分割網(wǎng)絡構架 。

步驟四：將上述標記好的護欄圖片及其標記真值數(shù)據(jù)輸入基于加權損失函數(shù)的deeplabV3+的分割網(wǎng)絡構架中訓練基于加權損失函數(shù)的deeplabV3+的分割網(wǎng)絡模型，直至基于加權損失函數(shù)的deeplabV3+的分割網(wǎng)絡模型輸出的符合預設的分辨率閾值且只包含護欄的二值圖像。

步驟五：在待檢測的圖片中護欄區(qū)域進行手工標注出9個點后將標注好的圖片輸入訓練好的基于加權損失函數(shù)的deeplabV3+的網(wǎng)絡模型輸出分割后的待檢測的圖片二值圖像。