【技术实现步骤摘要】
路面病害检测网络训练方法、装置、设备及存储介质
[0001]本专利技术涉及路面病害识别
，尤其涉及一种路面病害检测网络训练方法、装置、设备及存储介质。
技术介绍
[0002]相关技术中，针对路面病害的采集识别可采用多种检测方法，首先采集方法主要包括线扫成像、面扫成像、激光数字成像、三维数据成像等，对应的检测装置是相机配以辅助照明的方式，而成像后的识别方法为基于灰度识别方法和深度学习方法，基于灰度图像中不同成分的频率进行识别检测。
[0003]但是，在这种方式中，路面的水渍污迹、标志标线、光照不均及路面阴影等情况都会对病害识别造成极大干扰，且该方法参考的标准比较单一，相应的可以检测的病害种类也比较单一，故现阶段无法从不同的角度对路面病害进行识别检测，检测精度较低。
技术实现思路
[0004]本专利技术的主要目的在于提供一种路面病害检测网络训练方法、装置、设备及存储介质，旨在解决现有技术中路面病害检测精度较低的技术问题。
[0005]根据本专利技术的第一方面，提供了一种路面病害检测网络训练方...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种路面病害检测网络训练方法，其特征在于，所述方法包括：获取多张路面样本图像以及对应的多组边缘真值矩阵和区域真值矩阵；所述边缘真值矩阵的每一元素对应于一个边缘网格，所述边缘真值矩阵中每一元素的取值表示对应的边缘网格中是否具有指定路面病害，所述区域真值矩阵中每一行元素对应于一个病害区域，所述区域真值矩阵每一行中的元素取值表示对应的病害区域的外接矩形坐标；其中，所述边缘网格由所述路面样本图像按照固定尺寸分割得到，所述病害区域依据所述路面样本图像中属于指定路面病害的区域的最小外接矩形得到；将多张所述路面样本图像输入原始检测网络，得到对应的边缘预测矩阵和区域预测矩阵；根据所述边缘真值矩阵和所述边缘预测矩阵，得到边缘识别损失函数值，并根据所述区域真值矩阵和所述区域预测矩阵，得到区域识别损失函数值；根据所述边缘识别损失函数值和所述区域识别损失函数值，调整所述原始检测网络的网络参数，得到目标联合检测网络。2.根据权利要求1所述的方法，其特征在于，所述根据所述边缘真值矩阵和所述边缘预测矩阵，得到边缘识别损失函数值，并根据所述区域真值矩阵和所述区域预测矩阵，得到区域识别损失函数值，包括：根据第一公式、所述边缘真值矩阵和所述边缘预测矩阵，得到所述边缘识别损失函数值，并根据第二公式、所述区域真值矩阵和所述区域预测矩阵，得到所述区域识别损失函数值；其中，所述第一公式为：其中，loss1为所述边缘识别损失函数值，为所述边缘真值矩阵的矩阵向量，为所述边缘预测矩阵的矩阵向量，ε为预设常数以避免分母为0；所述第二公式为：其中，loss2为所述区域识别损失函数值，为所述区域真值矩阵的矩阵向量，为所述区域预测矩阵的矩阵向量。3.根据权利要求1所述的方法，其特征在于，所述根据所述边缘识别损失函数值和所述区域识别损失函数值，调整所述原始检测网络的网络参数，得到目标联合检测网络，包括：根据所述边缘识别损失函数值和所述区域识别损失函数值，得到总损失函数值；根据所述总损失函数值，调整所述网络参数，并更新所述原始检测网络；返回执行所述将多张所述路面样本图像输入所述原始检测网络，得到对应的边缘预测矩阵和区域预测矩阵，并得到对应的总损失函数值，直至所述总损失函数值达到最小；根据最小的总损失函数值调整所述网络参数，得到所述目标联合检测网络。4.根据权利要求3所述的方法，其特征在于，所述根据所述总损失函数值，调整所述网
络参数，并更新所述原始检测网络，包括：根据第三公式和所述总损失函数值，调整所述网络参数，并更新所述原始检测网络；其中，所述第三公式为：其中，w
i+1
为调整后的网络参数，w
i
为调整前的网络参数，为多张所述路面样本图像对应总损失函数值的算数平均值，η为常系数。5.根据权利要求1
技术研发人员：朱朝东，巩建，纪阳林，吕进刚，
申请(专利权)人：路网新通北京交通科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。