用于路面检测的语义分割网络模型建立方法和电子设备技术

本发明专利技术提供一种用于路面检测的语义分割网络模型建立方法和电子设备。该方法包括：建立初始交叉正则化分割综合模型，包括初始语义分割网络模型、初始边缘预测网络模型和交叉正则化模块；建立训练数据集；分别对初始语义分割网络模型和初始边缘预测网络模型进行训练；采用交叉正则化模块对语义分割预测结果中的边缘信息与边缘真值图像进行比较，对分割真值图像中的边缘信息与边缘预测结果进行比较，对语义分割预测结果与边缘预测结果进行比较；根据比较结果、语义分割预测结果与分割真值图像之间的误差、边缘预测结果与边缘真值图像之间的误差，得到语义分割网络模型。该方法建立的语义分割网络模型可识别多种类型的路面病害且预测精度更好。且预测精度更好。且预测精度更好。

【技术实现步骤摘要】
用于路面检测的语义分割网络模型建立方法和电子设备


[0001]本专利技术涉及路面检测
，尤其涉及一种用于路面检测的语义分割网络模型建立方法和电子设备。

技术介绍

[0002]机场、公路等道路表面病害的检测分割与维护修缮，是保障公共交通领域安全运行的关键环节之一。尤其是在机场路面的安全检测方面，安全工作是一切工作的前提，而机场路面安全检测是确保民航安全的重要任务之一。
[0003]传统的路面病害检测大多通过人工实现，需要耗费大量的人力物力，且由于病害种类和尺寸的多样性，路面病害的检测受人为主观影响较大，识别效率和准确度都难以满足实际需求。
[0004]随着人工智能技术的不断发展，病害的自动检测分割技术也不断涌现，例如采用移动机器人平台通过路径规划进行数据图像采集，再进一步利用检测算法获得分割结果。此类路面病害检测方法通常基于图像处理技术，进行空间域的分析(形态学方法、区域生长法等)、频率域的分析(小波变换等)和融合空域和频域的分析。随着深度学习的发展，路面检测技术主要可以分为基于卷积神经网络、基于全卷积网络、基于U
‑
Net网络等方法。
[0005]但上述病害检测技术一方面仅聚焦在路面裂缝的单一病害识别，当出现其他类别的病害时，无法进行有效识别。另一方面由于路面检测中，天气和光线等原因造成的检测数据的噪声、不同类型的病害形态多样等情况，使得上述检测技术对于路面检测的检测精度较低。

技术实现思路

[0006]本专利技术提供一种用于路面检测的语义分割网络模型建立方法和电子设备，用以解决现有技术中检测精度低且难以检测多种类型的路面病害的缺陷，实现一种语义分割网络模型的建立方法，该语义分割网络模型能够检测多种类型的路面病害且检测精度较高。
[0007]本专利技术提供一种用于路面检测的语义分割网络模型建立方法，包括：
[0008]建立初始交叉正则化分割综合模型，所述初始交叉正则化分割综合模型包括初始语义分割网络模型、初始边缘预测网络模型和交叉正则化模块；
[0009]建立训练数据集，所述训练数据集包括训练图像、与所述训练图像对应的分割真值图像和与所述训练图像对应的边缘真值图像；
[0010]基于所述训练数据集分别对所述初始语义分割网络模型和所述初始边缘预测网络模型进行训练，输出语义分割预测结果和边缘预测结果；
[0011]采用所述交叉正则化模块对所述语义分割预测结果中的边缘信息与所述边缘真值图像进行比较，对所述分割真值图像中的边缘信息与所述边缘预测结果进行比较，对所述语义分割预测结果与所述边缘预测结果进行比较；
[0012]根据比较结果、所述语义分割预测结果与所述分割真值图像之间的误差、所述边
缘预测结果与边缘真值图像之间的误差，对所述初始交叉正则化分割综合模型进行优化得到交叉正则化分割综合模型，从而得到语义分割网络模型。
[0013]根据本专利技术提供的一种用于路面检测的语义分割网络模型建立方法，所述建立训练数据集，包括：
[0014]在道路表面采集路面病害图像作为采样图像；
[0015]对所述采样图像进行数据扩展以获得所述训练图像；
[0016]对所述训练图像进行人工标注，获得所述分割真值图像和所述边缘真值图像；
[0017]根据所述训练图像、所述分割真值图像和所述边缘真值图像建立训练数据集。
[0018]根据本专利技术提供的一种用于路面检测的语义分割网络模型建立方法，所述基于所述训练数据集分别对所述初始语义分割网络模型和所述初始边缘预测网络模型进行训练，输出语义分割预测结果和边缘预测结果，包括：
[0019]采用所述训练数据集中的所述训练图像和所述分割真值图像对所述语义分割网络模型进行训练，输入为所述训练图像，输出为所述语义分割预测结果；
[0020]采用所述训练数据集中的所述训练图像和所述边缘真值图像对所述边缘预测网络模型进行训练，输入为所述训练图像，输出为所述边缘预测结果。
[0021]根据本专利技术提供的一种用于路面检测的语义分割网络模型建立方法，所述交叉正则化模块包括第一分支、第二分支和第三分支；
[0022]所述采用所述交叉正则化模块对所述语义分割预测结果中的边缘信息与所述边缘真值图像进行比较，对所述分割真值图像中的边缘信息与所述边缘预测结果进行比较，对所述语义分割预测结果与所述边缘预测结果进行比较，包括：
[0023]采用第一分支对所述语义分割预测结果中的边缘信息与所述边缘真值图像进行比较获得第一损失；
[0024]采用第二分支对所述分割真值图像中的边缘信息与所述边缘预测结果进行比较获得第二损失；
[0025]采用第三分支对所述语义分割预测结果与所述边缘预测结果进行比较获得第三损失。
[0026]根据本专利技术提供的一种用于路面检测的语义分割网络模型建立方法，所述采用第一分支对所述语义分割预测结果中的边缘信息与所述边缘真值图像进行比较获得第一损失，包括：
[0027]采用所述第一分支从所述语义分割预测结果中提取边缘信息；
[0028]将从所述语义分割预测结果中提取的边缘信息与所述边缘真值图像进行比较获得第一损失。
[0029]根据本专利技术提供的一种用于路面检测的语义分割网络模型建立方法，所述采用第二分支对所述分割真值图像中的边缘信息与所述边缘预测结果进行比较获得第二损失，包括：
[0030]采用所述第二分支从所述分割真值图像中提取边缘信息；
[0031]将从所述分割真值图像中提取的边缘信息与所述边缘真值图像进行比较获得第二损失。
[0032]根据本专利技术提供的一种用于路面检测的语义分割网络模型建立方法，所述根据比
较结果、所述语义分割预测结果与所述分割真值图像之间的误差、所述边缘预测结果与边缘真值图像之间的误差，对所述初始交叉正则化分割综合模型进行优化得到交叉正则化分割综合模型，从而得到语义分割网络模型，包括：
[0033]根据所述语义分割预测结果与所述分割真值图像之间的误差建立第一损失函数；
[0034]根据所述边缘预测结果与边缘真值图像之间的误差建立第二损失函数；
[0035]优化所述第一损失函数和所述第二损失函数，结合所述比较结果更新所述初始语义分割网络模型和所述初始边缘预测网络模型的参数，以得到交叉正则化分割综合模型，从而得到语义分割网络模型。
[0036]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述用于路面检测的语义分割网络模型建立方法。
[0037]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述用于路面检测的语义分割网络模型建立方法。
[0038]本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述用于路面检测的语义分割网络模型建立方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于路面检测的语义分割网络模型建立方法，其特征在于，包括：建立初始交叉正则化分割综合模型，所述初始交叉正则化分割综合模型包括初始语义分割网络模型、初始边缘预测网络模型和交叉正则化模块；建立训练数据集，所述训练数据集包括训练图像、与所述训练图像对应的分割真值图像和与所述训练图像对应的边缘真值图像；基于所述训练数据集分别对所述初始语义分割网络模型和所述初始边缘预测网络模型进行训练，输出语义分割预测结果和边缘预测结果；采用所述交叉正则化模块对所述语义分割预测结果中的边缘信息与所述边缘真值图像进行比较，对所述分割真值图像中的边缘信息与所述边缘预测结果进行比较，对所述语义分割预测结果与所述边缘预测结果进行比较；根据比较结果、所述语义分割预测结果与所述分割真值图像之间的误差、所述边缘预测结果与边缘真值图像之间的误差，对所述初始交叉正则化分割综合模型进行优化得到交叉正则化分割综合模型，从而得到语义分割网络模型。2.根据权利要求1所述的用于路面检测的语义分割网络模型建立方法，其特征在于，所述建立训练数据集，包括：在道路表面采集路面病害图像作为采样图像；对所述采样图像进行数据扩展以获得所述训练图像；对所述训练图像进行人工标注，获得所述分割真值图像和所述边缘真值图像；根据所述训练图像、所述分割真值图像和所述边缘真值图像建立训练数据集。3.根据权利要求1所述的用于路面检测的语义分割网络模型建立方法，其特征在于，所述基于所述训练数据集分别对所述初始语义分割网络模型和所述初始边缘预测网络模型进行训练，输出语义分割预测结果和边缘预测结果，包括：采用所述训练数据集中的所述训练图像和所述分割真值图像对所述语义分割网络模型进行训练，输入为所述训练图像，输出为所述语义分割预测结果；采用所述训练数据集中的所述训练图像和所述边缘真值图像对所述边缘预测网络模型进行训练，输入为所述训练图像，输出为所述边缘预测结果。4.根据权利要求1所述的用于路面检测的语义分割网络模型建立方法，其特征在于，所述交叉正则化模块包括第一分支、第二分支和第三分支；所述采用所述交叉正则化模块对所述语义分割预测结果中的边缘信息与所述边缘真值图像进行比较，对所述分割真值图像中的边缘信息与所述边缘预测结果进行比较，对所述语义分割预测结果与所述边缘预测结果进行比较，包括：采用第一分支对所述语义分割...

【专利技术属性】
技术研发人员：张宇佳，吴君娴，孙世颖，赵晓光，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：