【技术实现步骤摘要】
本专利技术属于计算机视觉，道路积水目标检测，具体涉及一种基于simam的改进yolov7道路积水检测方法。
技术介绍
1、暴雨台风等气象灾害是对城镇防汛排涝能力的考验，道路路面积水，将会导致车辆无法安全运行，甚至使车辆产生液面滑移，对居民的出行造成一定影响，也无法保证公共交通及人民生命安全。为了保障道路中各类车辆行人通行顺利，提高城镇防汛排涝能力，充实人民生活获得感、幸福感及安全感，城镇应着重管理道路积水问题。
2、实际生活中，一般城市管理人员对这些现象进行视频监控，或者现场巡逻进行处理。但一方面传统方法处理需要投入大量人力进行巡查和在监控室监察，另一方面在人流量较大的道路一旦存在积水，若人工不能在第一时间发现并且及时处理，将会危害人民生命安全。通过实时监控获取的图像自动识别所监测的道路图像中是否存在积水，就能在一定程度上缓解上述问题。
3、关于道路积水检测现有技术中存在以下技术缺陷：
4、1、现有的技术手段主要采用在易涝低洼地区安装电子水尺进行监测，并在路口、桥头、地铁、车库入口等明显位置配有led显示屏和高音喇叭、报警灯，若有异常则会报警。但这种措施不仅无法保证城市各个角落都能被检测到，也无法保证检测装置实时正常工作，若个别装置出现问题而未被发现，将会无法正常监测。而实时监控遍布城市各个地方且一旦有问题监控室均会发现，正常监测概率及监测范围大大提高；
5、2、现有基于深度学习的方法检测精度不够高、检测速度较慢、检测模型大，与积水结构适配较难；
6、3、道路积水时通常
7、4、道路积水会因为姿态、光照条件、遮挡、背景等因素呈现差异，一定程度上增加了检测模型训练的难度。
8、因此，如何提供一种具有高准确性、高效率的道路积水检测方法是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术的目的是提出一种基于simam的改进yolov7道路积水检测方法，包括：收集与道路积水相关的有效素材，构建初始数据集；利用automix对初始数据集进行数据增强处理；后利用gdip自适应图像处理技术对已有的数据集所属天气条件自适应地进行处理，得到处理后的道路积水图像数据集；构建改进的yolov7网络，包括在yolov7网络中添加注意力机制simam模块；将道路积水数据集输入到模型中，利用mpdiou损失函数进行迭代，获得训练后的改进yolov7目标检测模型；对待检测的道路图像进行积水检测，输出包含道路积水区域检测框的检测图像。本专利技术采用城镇监控拍摄道路图像，对道路积水能够进行快速且有效的识别，能够准确有效地进行道路积水目标检测。
2、本专利技术解决其技术问题具体采用的技术方案是：
3、一种基于simam的改进yolov7道路积水检测方法，其特征在于，包括以下步骤：
4、s1：收集与道路积水相关的素材，构建初始数据集，并对原始公共道路图像中的积水区域进行标注，得到标注数据和标注图像集，再对初始道路积水图像和标注图像集进行数据集增强，建立道路积水图像数据集；
5、s2：利用gdip技术，对已有的道路积水图像数据集属于不利的天气条件进行自适应地处理，得到自适应处理后的道路积水图像数据集；
6、s3：构建改进的yolov7网络，所述改进的yolov7网络包括：在yolov7主干网络中引入simam注意力机制模块；
7、s4：将步骤s2获得的自适应处理后的道路积水图像数据集输入到改进的yolov7网络中进行模型训练，将预测结果与真实结果进行比对，利用mpdiou损失函数进行迭代，得到训练的模型并更新网络权重，获得训练后的改进yolov7目标检测模型；
8、s5：将待检测的公共道路图像输入至所述训练后的改进yolov7目标检测模型中，进行道路积水检测，输出包含道路积水区域检测框的检测图像。
9、进一步地，步骤s1具体包括以下步骤：
10、收集道路积水相关素材，并通过人工分拣，提炼出其中的有效部分，或通过针对相关视频材料进行抽帧处理，再利用labelimg的yolo格式对所有图片进行标注，以形成初始数据集；
11、之后采用automix自反馈学习训练框架对初始的道路积水图像和包含真实积水信息的标签图片进行数据增强，生成含有混合型图像的道路积水图像数据集。
12、进一步地，在步骤s2中，所述gdip技术的处理过程包括：
13、s21：对不利环境下捕获的图像进行某个ip图像处理操作，不同ip操作针对不同不利环境，归一化后分别乘上各自门控单元的权重，得到多个gb输出，具体计算公式如下：
14、gbgb_i＝n(fip_i(x))*ωgate_i
15、其中：x表示不利环境下捕获的图像、n表示归一化操作、fip_i(x)表示第ip-i个ip图像处理操作、ip操作包括色调校正、对比度平衡、锐化、除雾、伽马校正、白平衡以及恒等运算、ωgate_i表示第gate_i个门控单元的权重、gbgb_i表示第gb_i个gb输出；
16、s22：对多个gb的输出聚合，并归一化处理，得到自适应处理后的增强图像，其计算公式如下：
17、
18、其中：z表示自适应处理后的增强图像，gb_n表示gb输出聚合的总数量。
19、进一步地，步骤s3具体包括以下步骤：
20、s31：对每个输入的特征图像寻找最重要的神经元，并对每个神经元用能量函数进行定义，其计算公式如下：
21、
22、其中：wtarget表示目标神经元线性变换的权重、btarget表示目标神经元线性变换的偏置、neuron表示神经元的总数量、xoth er表示其他神经元的线性变换、target表示目标神经元的线性变换、oth er表示其他神经元、λ表示正则化系数、e(wtarget，btarget，xoth er)为定义的能量函数；
23、s32：根据步骤s31得到的最重要神经元设计simam注意力机制模块，并将其引入yolov7模型中，放置在主干网络的倒数第二个卷积层之后。
24、进一步地，步骤s4具体包括以下步骤：
25、s41：将自适应图像处理后的道路积水图像数据集输入到改进的yolov7网络中，开始模型训练；
26、s42：对模型训练后的预测结果与真实结果进行比对，利用mpdiou损失函数进行迭代，通过不断更新权重，获得改进后的yolov7检测模型，mpdiou损失函数具体计算公式如下：
27、
28、其中：prd表示预测框、gt表示真实框、iou表示预测框和真实框之间的交集和并集之比；
29、
30、其中：表示预测框左上角点坐标、表示真实框左上角点坐标、表示预测框与真实框左上角点坐标距离的平方值；<本文档来自技高网...
【技术保护点】
1.一种基于SimAM的改进YOLOv7道路积水检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于SimAM的改进YOLOv7道路积水检测方法，其特征在于：
3.根据权利要求1所述的一种基于SimAM的改进YOLOv7道路积水检测方法，其特征在于：
4.根据权利要求1所述的一种基于SimAM的改进YOLOv7道路积水检测方法，其特征在于：
5.根据权利要求4所述的一种基于SimAM的改进YOLOv7道路积水检测方法，其特征在于：
6.根据权利要求5所述的一种基于SimAM的改进YOLOv7道路积水检测方法，其特征在于：
【技术特征摘要】
1.一种基于simam的改进yolov7道路积水检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于simam的改进yolov7道路积水检测方法，其特征在于：
3.根据权利要求1所述的一种基于simam的改进yolov7道路积水检测方法，其特征在于：
<...
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。