一种训练道路异常识别模型、道路异常识别的方法及系统技术方案

本发明专利技术公开了一种训练道路异常识别模型、道路异常识别的方法及系统，训练道路异常识别模型方法包括：获取道路异常情况及道路正常情况的图像；将道路异常情况及道路正常情况的图像输入到神经网络模型中；根据道路异常情况及道路正常情况的图像对所述神经网络模型中预设可训练的层数进行迁移学习，得到道路异常识别的神经网络模型。该识别模型对输入的全帧道路原图无需经过定位等步骤，只需对图像进行一次运算，具有较高的实时性，运用迁移学习技术，加速了模型训练收敛速度，可识别包括道路积水、道路火灾及交通事故多种道路异常情况。

A Training Method and System for Road Anomaly Recognition Model and Road Anomaly Recognition

【技术实现步骤摘要】
一种训练道路异常识别模型、道路异常识别的方法及系统
本专利技术涉及模式识别
，具体涉及一种训练道路异常识别模型、道路异常识别的方法及系统。
技术介绍
目前基于传统非深度学习的机器学习算法，提取道路图像特征并进行分类识别，其优点是所需训练数据量小，易实现，但是缺点是在训练数据量充足的情况下，准确率不如深度学习算法，而且需要对于道路出现的异常的位置进行定位，需对图像进行多次运算，不能满足实时处理视频图像处理的需求。
技术实现思路
因此，本专利技术提供的一种训练道路异常识别模型、道路异常识别的方法及系统，克服了现有技术中对道路异常识别效率低的不足。第一方面，本专利技术实施例提供一种训练道路异常识别模型的方法，包括如下步骤：获取道路异常情况及道路正常情况的图像；将所述道路异常情况及道路正常情况的图像输入到神经网络模型中；根据所述道路异常情况及道路正常情况的图像对所述神经网络模型中预设可训练的层数进行迁移学习，得到道路异常识别的神经网络模型。在一实施例中，所述根据所述道路异常情况及道路正常情况的图像对所述神经网络模型中预设可训练的层数进行迁移学习的步骤，包括：根据所述道路异常情况及道路正常情况的图像对所述神经网络模型中预设的Dense层、Flatten层、AveragePooling2D层以及identity_block网络参数进行迁移学习训练。在一实施例中，所述道路异常情况包括：道路积水、道路火灾及交通事故。在一实施例中，所述获取道路异常情况及道路正常情况的图像的步骤，包括：利用爬虫程序爬取网页上和/或从视频中抽帧，获取道路积水、道路火灾、交通事故的图像；利用爬虫程序爬取网页上和/或从视频中抽帧，获取普通道路的图像。在一实施例中，在所述将所述道路异常情况及道路正常情况的图像输入到神经网络模型中的步骤之前，所述方法还包括：对所述道路异常情况及道路正常情况的图像进行预处理，获取数据增强后的数据集。第二方面，本专利技术实施例提供一种道路异常识别方法，包括如下步骤：获取待识别的道路图像；将待识别的道路图像输入到根据本专利技术实施例第一方面所述的训练道路异常识别模型的方法得到的道路异常识别的神经网络模型中，得到识别结果，所述识别结果用于指示道路是否异常。在一实施例中，所述识别结果为道路异常的情况包括：道路积水、道路火灾及交通事故。第三方面，本专利技术实施例提供一种训练道路异常识别模型的系统，包括：道路图像获取模块，用于获取道路异常情况及道路正常情况的图像；图像输入模块，用于将所述道路异常情况及道路正常情况的图像输入到神经网络模型中；识别模型获取模块，用于根据所述道路异常情况及道路正常情况的图像对所述神经网络模型中预设可训练的层数进行迁移学习，得到道路异常识别的神经网络模型。第四方面，本专利技术实施例提供一种道路异常识别系统，包括：待识别图像获取模块，用于获取待识别的道路图像；识别模块，用于将待识别的道路图像输入到根据本专利技术实施例第一方面所述的训练道路异常识别模型的方法得到的道路异常识别的神经网络模型中，得到识别结果，所述识别结果用于指示道路是否异常。第五方面，本专利技术实施例提供一种计算机设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行本专利技术实施例第一方面所述的训练道路异常识别模型的方法，或执行本专利技术实施例第二方面所述道路异常识别方法。第六方面，本专利技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行执行本专利技术实施例第一方面所述的训练道路异常识别模型的方法，或执行本专利技术实施例第二方面所述道路异常识别方法。本专利技术技术方案，具有如下优点：本专利技术提供的训练道路异常识别模型、道路异常识别的方法及系统，训练道路异常识别模型方法包括：获取道路异常情况及道路正常情况的图像；将道路异常情况及道路正常情况的图像输入到神经网络模型中；根据道路异常情况及道路正常情况的图像对所述神经网络模型中预设可训练的层数进行迁移学习，得到道路异常识别的神经网络模型。该识别模型对输入的全帧道路原图无需经过定位等步骤，只需对图像进行一次运算，具有较高的实时性，运用迁移学习技术，加速了模型训练收敛速度，可识别包括道路积水、道路火灾及交通事故多种道路异常情况。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的训练道路异常识别模型的方法一个具体示例的流程图；图2为本专利技术实施例提供的卷积神经网络一个具体示例的结构图；图3为本专利技术实施例提供的卷积模块的一个具体示例的组成图；图4为本专利技术实施例提供的卷积模块的一个具体示例的组成图；图5为本专利技术实施例提供的训练道路异常识别模型的方法的一个具体示例的组成图；图6为本专利技术实施例提供的道路异常识别方法的一个具体示例的流程图；图7为本专利技术实施例提供的训练道路异常识别模型的系统的一个具体示例的组成图；图8为本专利技术实施例提供的道路异常识别系统的一个具体示例的组成图；图9为本专利技术实施例提供的计算机设备一个具体示例的组成图。具体实施方式下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。此外，下面所描述的本专利技术不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。实施例1本专利技术实施例提供一种训练道路异常识别模型的方法，如图1所示，该训练道路异常识别模型的方法，包括如下步骤：步骤S11:获取道路异常情况及道路正常情况的图像。本专利技术实施例中，道路异常情况包括：道路积水、道路火灾及交通事故，可以利用爬虫程序爬取互联网网页上和/或从视频中抽帧，获取道路积水、道路火灾、交通事故及普通道路的图像，仅以此举例，不以此为限。步骤S12:将道路异常情况及道路正常情况的图像输入到神经网络模型中。在本专利技术实施例中，采用的神经网络结构是卷积神经网络，可选用ResNet或MobileNet，本专利技术实施例以残差网络ResNet50为举例说明，如图2所示，其中，ZeroPadding2D代表补零层，参数(3，3)代表高、宽各补零3行/列；Conv2D代表卷积层，参数(7，7)代表卷积核尺寸是7x7，参数64代表卷积核个数是64个，参数strides＝(2，2)代表卷积核扫描时的行步幅和列步幅都本文档来自技高网...

【技术保护点】
1.一种训练道路异常识别模型的方法，其特征在于，包括如下步骤：获取道路异常情况及道路正常情况的图像；将所述道路异常情况及道路正常情况的图像输入到神经网络模型中；根据所述道路异常情况及道路正常情况的图像对所述神经网络模型中预设可训练的层数进行迁移学习，得到道路异常识别的神经网络模型。

【技术特征摘要】
1.一种训练道路异常识别模型的方法，其特征在于，包括如下步骤：获取道路异常情况及道路正常情况的图像；将所述道路异常情况及道路正常情况的图像输入到神经网络模型中；根据所述道路异常情况及道路正常情况的图像对所述神经网络模型中预设可训练的层数进行迁移学习，得到道路异常识别的神经网络模型。2.根据权利要求1所述的训练道路异常识别模型的方法，其特征在于，所述根据所述道路异常情况及道路正常情况的图像对所述神经网络模型中预设可训练的层数进行迁移学习的步骤，包括：根据所述道路异常情况及道路正常情况的图像对所述神经网络模型中预设的Dense层、Flatten层、AveragePooling2D层以及identity_block网络参数进行迁移学习训练。3.根据权利要求1所述的训练道路异常识别模型的方法，其特征在于，所述道路异常情况包括：道路积水、道路火灾及交通事故。4.根据权利要求3所述的训练道路异常识别模型的方法，其特征在于，所述获取道路异常情况及道路正常情况的图像的步骤，包括：利用爬虫程序爬取网页上和/或从视频中抽帧，获取道路积水、道路火灾、交通事故的图像；利用爬虫程序爬取网页上和/或从视频中抽帧，获取普通道路的图像。5.根据权利要求1所述的训练道路异常识别模型的方法，其特征在于，在所述将所述道路异常情况及道路正常情况的图像输入到神经网络模型中的步骤之前，所述方法还包括：对所述道路异常情况及道路正常情况的图像进行预处理，获取数据增强后的数据集。6.一种道路异常识别方法，其特征在于，包括：获取待识别的道路图像；将待识别的道路图像输入到根据权利要求1-5任一...

【专利技术属性】
技术研发人员：李高杨，林拥军，宋征，张星，郝燕茹，
申请(专利权)人：北京易华录信息技术股份有限公司，
类型：发明
国别省市：北京,11