一种基于yolov3的路面撒漏病害自动检测方法技术

本发明专利技术公开了一种基于yolov3的路面撒漏病害自动检测方法，涉及图像处理技术领域，包括收集路面撒漏病害图像，组成源样本集，并对所述源样本集进行预处理得到训练样本集；利用所述训练样本集对yolov3目标检测网络进行训练，得到初始路面撒漏病害检测器；在目标路段部署所述初始路面撒漏病害检测器进行路面撒漏病害的检测，并记录检测结果；对所述检测结果进行聚类和人工干预再标注得到目标样本集，利用所述目标样本集对所述初始路面撒漏病害检测器进行在线微调，提高在所述目标路段的准确率，得到目标路面撒漏病害检测器；本发明专利技术采用的迭代训练方法具有良好的泛化能力，能提高对未见路面场景和未见路面撒漏病害的识别精度。

【技术实现步骤摘要】
一种基于yolov3的路面撒漏病害自动检测方法
本专利技术涉及图像处理
，具体涉及一种基于yolov3的路面撒漏病害自动检测方法。
技术介绍
路容路貌建设正在我国大地如火如荼的开展，通过道路撒漏病害智能化检测促进道路清洁质量监督，对推进智慧养护、保洁智能化具有重要意义。当前，我国生活垃圾的处理市场能达到1100亿/年，道路清扫每年市场就能够达到550亿左右。路面撒漏病害的智能识别，可以辅助道路管理部门合理规划设计道路清洁管理模式，提升环卫清洁作业质量，有效降低道路清洁管理成本。目前，基于计算机视觉的垃圾智能识别算法主要有两类：第一种是文献《改进CaffeNet模型在水面垃圾识别中的应用》中为提高水面垃圾识别的准确率，提出的一种改进CaffeNet的卷积神经网络模型。模型改进了卷积核的大小、卷积核的数量以及增加了一层稀疏结构，进而增强了网络模型特征提取的能力，降低了网络复杂度。该方法能减少水面波纹、物体倒影和桥梁等对水面垃圾识别的影响，具有较好的水面垃圾识别效果。但该方法鲁棒性欠佳，难以直接应用到路面等更加复杂的环境中；第二种文献《本文档来自技高网...

【技术保护点】
1.一种基于yolov3的路面撒漏病害自动检测方法，其特征在于，所述方法包括以下步骤：/nS1、收集路面撒漏病害图像，组成源样本集，并对所述源样本集进行预处理得到训练样本集；/nS2、利用所述训练样本集对yolov3目标检测网络进行训练，得到初始路面撒漏病害检测器；/nS3、在目标路段部署所述初始路面撒漏病害检测器进行路面撒漏病害的检测，并记录检测结果；/nS4、对所述检测结果进行聚类和人工干预再标注得到目标样本集，利用所述目标样本集对所述初始路面撒漏病害检测器进行在线微调，提高在所述目标路段的准确率，得到目标路面撒漏病害检测器。/n

【技术特征摘要】
1.一种基于yolov3的路面撒漏病害自动检测方法，其特征在于，所述方法包括以下步骤：
S1、收集路面撒漏病害图像，组成源样本集，并对所述源样本集进行预处理得到训练样本集；
S2、利用所述训练样本集对yolov3目标检测网络进行训练，得到初始路面撒漏病害检测器；
S3、在目标路段部署所述初始路面撒漏病害检测器进行路面撒漏病害的检测，并记录检测结果；
S4、对所述检测结果进行聚类和人工干预再标注得到目标样本集，利用所述目标样本集对所述初始路面撒漏病害检测器进行在线微调，提高在所述目标路段的准确率，得到目标路面撒漏病害检测器。


2.根据权利要求1所述的基于yolov3的路面撒漏病害自动检测方法，其特征在于，所述S1还包括：
统计所述源样本集中各种撒漏病害出现的频次并排序，选取出现频次最高的前N个类别作为要检测的N种撒漏病害；
对所述训练样本集中每一个样本进行标注，获得所述训练样本集对应的样本标签。


3.根据权利要求1所述的基于yolov3的路面撒漏病害自动检测方法，其特征在于，所述预处理包括：
将图像进行水平翻转，得到待进一步处理图像；
将所述待进一步处理图像随机地进行平移变换、旋转变换和颜色变换，得到待归一化处理图像；
将待归一化处理图像进行归一化处理。


4.根据权利要求2所述的基于yolov3的路面撒漏病害自动检测方法，其特征在于，所述S2还包括：
S201、采用随机梯度下降算法训练所述yolov3目标检测网络，设定最大迭代次数，每次迭代采用最小批的方式(mini-batch)计算网络误差，用所述网络误差更新所述yolov3目标检测网络中的参数；
S202、当达到预设的所述最大迭代次数时或在验证集上错误率不再下降时终止训练，获得所述初始路面撒漏病害检测器。


5.如权利要求4所述的基于yolov3的路面撒漏病害自动检测方法，其特征在于，所述网络误差是所述yolov3目标检测网络输出的分类...

【专利技术属性】
技术研发人员：达尼埃尔·谢赫特曼，雅龙，巴尔，沈晓勤，姜汉青，朱春辉，
申请(专利权)人：中犹南京智慧城市创新研究院有限公司，
类型：发明
国别省市：江苏;32