一种道路积水区域的检测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种道路积水区域的检测方法、装置、设备及存储介质。该方法应用于边缘设备，包括：获取包含积水区域的道路环境图片，并将所述道路环境图片划分为训练集和测试集；构建基于YOLOv7

【技术实现步骤摘要】
一种道路积水区域的检测方法、装置、设备及存储介质


[0001]本专利技术涉及计算机视觉
，尤其涉及一种道路积水区域的检测方法、装置、设备及存储介质。

技术介绍

[0002]由于城市化进程加快，我国很多城市的地面透水率大大降低，并且由于排水管道容易堵塞，导致排水系统有滞后性，因此如果碰上短时间强降雨很容易导致积水，严重时危害人民生命财产安全。
[0003]目前，在我国城市实际应用的道路积水检测模型较少，并且受环境变化影响较大，一般存在模型检测精度不高和模型部署范围受限等缺陷。

技术实现思路

[0004]本专利技术提供了一种道路积水区域的检测方法、装置、设备及存储介质，以提升积水检测模型的检测准确率和模型部署能力。
[0005]根据本专利技术的一方面，提供了一种道路积水区域的检测方法，应用于边缘设备，包括：
[0006]获取包含积水区域的道路环境图片，并将所述道路环境图片划分为训练集和测试集；
[0007]构建基于YOLOv7
‑
tiny网络改进后的积水检测模型，并使用所述训练集对所述积水检测模型进行训练；
[0008]其中，所述积水检测模型使用Mobileone模块替换YOLOv7
‑
tiny网络的骨干网络中的第一个特征提取结构ELAN
‑
lite，所述积水检测模型的头部网络采用DIoU_NMS(Distance
‑
IoU_Non
‑
Maximum Suppression，基于距离和交并比的非极大抑制)检测框筛选算法；
[0009]使用训练好的积水检测模型，对所述测试集中的道路环境图片进行积水区域的检测识别，得到积水区域识别结果。
[0010]可选的，所述Mobileone模块分为深度卷积部分和点卷积部分；
[0011]在使用所述训练集对所述积水检测模型进行训练的过程中，
[0012]所述深度卷积部分包括三条分支，上层分支是一个包含BN层的跳跃连接，中间层分支是1
×
1卷积结合BN层，下层分支是过参数化的3
×
3卷积结合BN层；
[0013]所述点卷积部分包括两条分支，上层分支是一个包含BN层的跳跃连接，下层分支是过参数化的1
×
1卷积结合BN层。
[0014]可选的，在使用所述训练集对所述积水检测模型进行训练之后，还包括：
[0015]将所述Mobileone模块中所有分支的BN层的参数合并到卷积层，并将超参数相同的多个过参数化的卷积合并为一个卷积。
[0016]可选的，所述Mobileone模块中采用HardSwish激活函数；
[0017]所述HardSwish激活函数是基于分段线性函数HardSigmoid生成的。
[0018]可选的，所述Mobileone模块中采用meta
‑
ACON
‑
C激活函数；
[0019]所述meta
‑
ACON
‑
C激活函数能够自适应选择是否激活神经元。
[0020]可选的，所述使用训练好的积水检测模型，对所述测试集中的道路环境图片进行积水区域的检测识别，得到积水区域识别结果，包括：
[0021]将所述测试集中的道路环境图片输入训练好的积水检测模型中；
[0022]通过所述积水检测模型，使用DIoU_NMS检测框筛选算法，对所述道路环境图片中的各个检测框的置信度进行调整，并筛选出置信度不为零的检测框作为积水区域的检测框；
[0023]在所述道路环境图片中标记出各个积水区域的检测框以及检测框的置信度，作为积水区域识别结果。
[0024]可选的，所述边缘设备包括视频监控设备。
[0025]根据本专利技术的另一方面，提供了一种道路积水区域的检测装置，应用于边缘设备，包括：
[0026]数据获取模块，用于执行获取包含积水区域的道路环境图片，并将所述道路环境图片划分为训练集和测试集；
[0027]模型构建训练模块，用于执行构建基于YOLOv7
‑
tiny网络改进后的积水检测模型，并使用所述训练集对所述积水检测模型进行训练；
[0028]其中，所述积水检测模型使用Mobileone模块替换YOLOv7
‑
tiny网络的骨干网络中的第一个特征提取结构ELAN
‑
lite，所述积水检测模型的头部网络采用DIoU_NMS检测框筛选算法；
[0029]积水检测模块，用于执行使用训练好的积水检测模型，对所述测试集中的道路环境图片进行积水区域的检测识别，得到积水区域识别结果。
[0030]根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
[0031]至少一个处理器；以及
[0032]与所述至少一个处理器通信连接的存储器；其中，
[0033]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的道路积水区域的检测方法。
[0034]根据本专利技术的另一方面，提供了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处理器执行时实现本专利技术任一实施例所述的道路积水区域的检测方法。
[0035]本专利技术实施例的技术方案，应用于边缘设备，通过获取包含积水区域的道路环境图片，并将所述道路环境图片划分为训练集和测试集；构建基于YOLOv7
‑
tiny网络改进后的积水检测模型，并使用所述训练集对所述积水检测模型进行训练；其中，所述积水检测模型使用Mobileone模块替换YOLOv7
‑
tiny网络的骨干网络中的第一个特征提取结构ELAN
‑
lite，所述积水检测模型的头部网络采用DIoU_NMS检测框筛选算法；使用训练好的积水检测模型，对所述测试集中的道路环境图片进行积水区域的检测识别，得到积水区域识别结果，解决了现有的道路积水检测模型的检测精度不高和模型部署范围受限的问题，提升了
积水检测模型的检测准确率和模型部署能力。
[0036]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0037]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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。
[0038]图1是根据本专利技术实施例一提供的一种道路积水区域的检测方法的流程图；
[0039]图2是本专利技术实施例所适用的一种道路环境图片；
[0040]图3是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种道路积水区域的检测方法，其特征在于，应用于边缘设备，包括：获取包含积水区域的道路环境图片，并将所述道路环境图片划分为训练集和测试集；构建基于YOLOv7
‑
tiny网络改进后的积水检测模型，并使用所述训练集对所述积水检测模型进行训练；其中，所述积水检测模型使用Mobileone模块替换YOLOv7
‑
tiny网络的骨干网络中的第一个特征提取结构ELAN
‑
lite，所述积水检测模型的头部网络采用DIoU_NMS检测框筛选算法；使用训练好的积水检测模型，对所述测试集中的道路环境图片进行积水区域的检测识别，得到积水区域识别结果。2.根据权利要求1所述的方法，其特征在于，所述Mobileone模块分为深度卷积部分和点卷积部分；在使用所述训练集对所述积水检测模型进行训练的过程中，所述深度卷积部分包括三条分支，上层分支是一个包含BN层的跳跃连接，中间层分支是1
×
1卷积结合BN层，下层分支是过参数化的3
×
3卷积结合BN层；所述点卷积部分包括两条分支，上层分支是一个包含BN层的跳跃连接，下层分支是过参数化的1
×
1卷积结合BN层。3.根据权利要求2所述的方法，其特征在于，在使用所述训练集对所述积水检测模型进行训练之后，还包括：将所述Mobileone模块中所有分支的BN层的参数合并到卷积层，并将超参数相同的多个过参数化的卷积合并为一个卷积。4.根据权利要求1所述的方法，其特征在于，所述Mobileone模块中采用HardSwish激活函数；所述HardSwish激活函数是基于分段线性函数HardSigmoid生成的。5.根据权利要求1所述的方法，其特征在于，所述Mobileone模块中采用meta
‑
ACON
‑
C激活函数；所述meta
‑
ACON
‑
C激活函数能够自适应选择是否激活神经元。6.根据权...

【专利技术属性】
技术研发人员：闫文睿，宫宁，金戈，朱敬聪，关磊，
申请(专利权)人：中国安全生产科学研究院，
类型：发明
国别省市：