本申请涉及一种破损交通标志检测方法及装置，其方法包括采集若干破损交通标志与正常交通标志的数据，构建数据集；标注数据集，得到训练集；预设YOLOV5模型，并设计YOLOV5模型的细粒度损失函数模块，其中，细粒度损失函数模块包括判别性组件和多样性组件，判别性组件用于使不同层次的特征图包含充分的判别性信息，多样性组件用于保持不同层次特征图的多样性和交互性；将训练集输入YOLOV5模型中，结合细粒度损失函数模块进行模型训练，直至达到预设条件，输出训练好的模型作为目标检测模型。本申请具有捕捉更多局部细微的判别性特征，更好地将破损交通标志与正常交通标志区分开来，提高破损交通标志的检测精度的效果。高破损交通标志的检测精度的效果。高破损交通标志的检测精度的效果。
【技术实现步骤摘要】
一种破损交通标志检测方法及装置
[0001]本申请涉及智能交通
，尤其是涉及一种破损交通标志检测方法及装置。
技术介绍
[0002]道路交通标志是保证道路交通安全和顺畅的重要设施，但是由于自然因素、人为因素和管理因素等多种原因，交通标志存在破损或缺失的情况。这不仅损害了道路管理部门在公众心中的形象，也给驾驶员和行人带来了极大的安全隐患。为了及时发现并修复破损的交通标志，保证其正常工作，并为道路管理部门提供科学依据和决策支持，如何检测与识别破损交通标志成为亟需解决的问题。
[0003]目前，针对破损交通标志的检测和识别技术还较为缺乏。再者，由于破损的交通标志与正常完好的交通标志在外观上较为接近，且破损的状态复杂多样，因此使用传统的目标检测方法难以捕捉破损交通标志中较为细节的局部破损特征，无法将破损交通标志与正常交通标志区分开，导致目标检测准确率较低。
[0004]针对上述中的相关技术，专利技术人发现现有的目标检测方法存在有难以提取破损交通标志中细微的局部特征导致检测精度较低的问题。
技术实现思路
[0005]为了提高破损交通标志的检测精度，本申请提供了一种破损交通标志检测方法及装置。
[0006]第一方面，本申请提供一种破损交通标志检测方法。
[0007]本申请是通过以下技术方案得以实现的：
[0008]一种破损交通标志检测方法，包括以下步骤，
[0009]采集若干破损交通标志与正常交通标志的数据，构建数据集；
[0010]标注所述数据集，得到训练集；
[0011]预设YOLOV5模型，并设计所述YOLOV5模型的细粒度损失函数模块，其中，所述细粒度损失函数模块包括判别性组件和多样性组件，判别性组件用于使不同层次的特征图包含充分的判别性信息，多样性组件用于保持不同层次特征图的多样性和交互性；
[0012]将所述训练集输入所述YOLOV5模型中，结合所述细粒度损失函数模块进行模型训练，直至达到预设条件，输出训练好的模型作为目标检测模型；
[0013]基于所述目标检测模型进行破损交通标志检测。
[0014]本申请在一较佳示例中可以进一步配置为：所述判别性组件包括第一SE通道注意力机制层、正负样本对选择层、跨通道最大池化层、全局平均池化层和第一Softmax层；
[0015]所述第一SE通道注意力机制层用于对扩充后的特征图的权重进行重构，增大关键特征通道的权重并减少冗余特征通道的权重；所述正负样本对选择层用于确定破损标志的目标级负样本特征图和正常标志的目标级正样本特征图；所述跨通道最大池化层用于将所述负样本特征图和所述正样本特征图进行一个跨通道最大池化，得到降维特征图；
[0016]所述全局平均池化层用于将所述降维特征图在空间域进行全局平均池化，得到包含正、负样本判别性信息的压缩特征图；
[0017]所述第一Softmax层用于基于所述压缩特征图，结合真实标签进行交叉熵计算，并预测任一组正负样本特征图的判别性损失值。
[0018]本申请在一较佳示例中可以进一步配置为：所述任一组正负样本特征图的判别性损失值的计算公式包括，
[0019][0020]式中，为任一组正负样本特征图的判别性损失函数值，为负样本特征图，为正样本特征图，j＝1,2,3分别代表低、中、高层次的特征图，L
CE
为交叉熵损失函数，y为真实标签，为负样本特征图的降维和压缩操作，为正样本特征图的降维和压缩操作，e为指数函数。
[0021]本申请在一较佳示例中可以进一步配置为：所述判别性组件还包括交叉熵计算层和平均层，所述交叉熵计算层的输入端连接所述第一Softmax层的输出端，所述交叉熵计算层的输出端连接所述平均层的输入端；
[0022]所述交叉熵计算层用于预测任一层次的正负样本特征图的判别性损失值；
[0023]所述平均层用于基于任一层次的正负样本特征图的判别性损失值，设计判别性损失函数。
[0024]本申请在一较佳示例中可以进一步配置为：所述判别性损失函数的表达式包括，
[0025][0026][0027]式中，L
dis
为判别性损失函数值，为任一层次的正负样本特征图的判别性损失值，N0为破损交通标志的数目，i用于计数其中的每一个破损交通标志数目，即从第1个数到第N0个的每一个破损交通标志都参与运算。
[0028]本申请在一较佳示例中可以进一步配置为：所述多样性组件包括第二SE通道注意力机制层、最大池化层、展平层、余弦相似度计算层和第二Softmax层，
[0029]所述第二SE通道注意力机制层用于对扩充后的特征图的权重进行重构，增大关键特征通道的权重并减少冗余特征通道的权重；
[0030]所述最大池化层用于对扩充后的重构权重的特征图的尺寸进行对齐，突出特征图中最大响应值的部分，得到不同层次特征图的统一尺寸的张量；
[0031]所述展平层用于对所述张量在空间维度进行展平压缩；
[0032]所述余弦相似度计算层用于获得所述张量两两之间的余弦相似度；
[0033]所述第二Softmax层用于根据所述余弦相似度的标量，计算不同层次特征图两两之间的相似度，并基于所述相似度设计多样性损失函数。
[0034]本申请在一较佳示例中可以进一步配置为：所述多样性损失函数的表达式包括，
[0035]L
div
＝αSim
1,3
―βSim
2,3
―γSim
1,2
[0036]式中，L
div
为多样性损失函数值，Sim
1,3
为低层特征图与高层特征图之间的相似度，Sim
2,3
为中层特征图与高层特征图之间的相似度，Sim
1,2
为低层特征图与中层特征图之间的相似度，α、β、γ均为大于零的超参数。
[0037]第二方面，本申请提供一种破损交通标志检测装置。
[0038]本申请是通过以下技术方案得以实现的：
[0039]一种破损交通标志检测装置，包括，
[0040]原始数据模块，用于采集若干破损交通标志与正常交通标志的数据，构建数据集；
[0041]训练数据模块，用于标注所述数据集，得到训练集；
[0042]细粒度模块，用于预设YOLOV5模型，并设计所述YOLOV5模型的细粒度损失函数模块，其中，所述细粒度损失函数模块包括判别性组件和多样性组件，判别性组件用于使不同层次的特征图包含充分的判别性信息，多样性组件用于保持不同层次特征图的多样性和交互性；
[0043]训练模块，用于将所述训练集输入所述YOLOV5模型中，结合所述细粒度损失函数模块进行模型训练，直至达到预设条件，输出训练好的模型作为目标检测模型；
[0044]检测模块，用于基于所述目标检测模型进行破损交通标志检测。
[0045]第三方面，本申请提供一种计算机设备。<本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种破损交通标志检测方法，其特征在于，包括以下步骤，采集若干破损交通标志与正常交通标志的数据，构建数据集；标注所述数据集，得到训练集；预设YOLOV5模型，并设计所述YOLOV5模型的细粒度损失函数模块，其中，所述细粒度损失函数模块包括判别性组件和多样性组件，判别性组件用于使不同层次的特征图包含充分的判别性信息，多样性组件用于保持不同层次特征图的多样性和交互性；将所述训练集输入所述YOLOV5模型中，结合所述细粒度损失函数模块进行模型训练，直至达到预设条件，输出训练好的模型作为目标检测模型；基于所述目标检测模型进行破损交通标志检测。2.根据权利要求1所述的破损交通标志检测方法，其特征在于，所述判别性组件包括第一SE通道注意力机制层、正负样本对选择层、跨通道最大池化层、全局平均池化层和第一Softmax层；所述第一SE通道注意力机制层用于对扩充后的特征图的权重进行重构，增大关键特征通道的权重并减少冗余特征通道的权重；所述正负样本对选择层用于确定破损标志的目标级负样本特征图和正常标志的目标级正样本特征图；所述跨通道最大池化层用于将所述负样本特征图和所述正样本特征图进行一个跨通道最大池化，得到降维特征图；所述全局平均池化层用于将所述降维特征图在空间域进行全局平均池化，得到包含正、负样本判别性信息的压缩特征图；所述第一Softmax层用于基于所述压缩特征图，结合真实标签进行交叉熵计算，并预测任一组正负样本特征图的判别性损失值。3.根据权利要求2所述的破损交通标志检测方法，其特征在于，所述任一组正负样本特征图的判别性损失值的计算公式包括，式中，为任一组正负样本特征图的判别性损失函数值，为负样本特征图，为正样本特征图，j＝1,2,3分别代表低、中、高层次的特征图，L
CE
为交叉熵损失函数，y为真实标签，为负样本特征图的降维和压缩操作，为正样本特征图的降维和压缩操作，e为指数函数。4.根据权利要求3所述的破损交通标志检测方法，其特征在于，所述判别性组件还包括交叉熵计算层和平均层，所述交叉熵计算层的输入端连接所述第一Softmax层的输出端，所述交叉熵计算层的输出端连接所述平均层的输入端；所述交叉熵计算层用于预测任一层次的正负样本特征图的判别性损失值；所述平均层用于基于任一层次的正负样本特征图的判别性损失值，设计判别性损失函数。5.根据权利要求4所述的破损交通标志检测方法，其特征在于，所述判别性损失函数的表达式包括，
式中，L
dis
为判别性损失函数值，为任一层次的正负样本特征图的判别性损失值，N0为破损交通标志的数目，i用于计数其中的...
【专利技术属性】
技术研发人员：任江涛，陈腾扬，
申请(专利权)人：中山大学，
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。