【技术实现步骤摘要】
本专利技术属于路面附着系数估计，尤其是涉及到一种基于道路材质识别的路面附着系数预测方法。
技术介绍
1、近年来，随着车辆主动安全控制系统的不断发展，如何保证车辆在极端路况下的制动安全显得尤为重要，路面附着系数作为主动安全控制系统中的关键参数，若能实时准确的估计路面附着系数有助于主动安全控制系统提前调整控制策略，优化主动安全控制效果。
2、目前获取路面附着系数的方法主要分为基于原因的估计方法(cause-based)和基于效果的估计方法(effecct-based)。其中基于原因的估计方法主要是通过摄像头对前方道路图像进行采集，得到路面相关参数并对路面类型进行分类，根据道路类型与路面附着系数的映射关系得到路面附着系数大小，这种方法具有一定的预测性，且得到的附着系数具有较高的精度。基于摄像头图像识别的方法，容易受到光照变化，环境噪音，路面阴影等因素的影响，其鲁棒性不好。基于效果的估计方法则是根据轮胎与路面之间的激励变化引起的车辆动力学响应来估计路面附着系数，这种方法在激励较大的情况下可以得到较为精确的路面附着系数，但在小激励的正常行驶条件下估算结果与真实值相差较大，且估算结果是已经行驶过的路面的路面附着系数，无法预测前方的附着系数。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供的一种基于道路材质识别的路面附着系数预测方法，能够实时准确地预测前方道路路面附着系数，从而有利于车辆提前根据预测结果改变控制策略，提高车辆行驶安全性。
2、本
3、1)数据的采集与预处理，包括下列步骤：
4、1.1采集5种不同光照条件、不同场景下路面类型的图片制作训练/测试的数据集，路面分别为干沥青、湿沥青、干水泥、湿水泥和冰雪路面；每种路面类型图片各1000张，其中训练集3500张、测试集1000张、验证集500张；不同光照包括白天、黄昏、夜间的光照条件；不同场景包括：城镇街道、高速公路的场景；
5、1.2使用labelme工具对采集的图片进行标注，不同类别的路面标注不同的标签：深红色代表干沥青，黄色代表湿沥青，绿色代表干水泥，深蓝色代表湿水泥标签，紫色代表冰雪；标注完成后每张图片能获得一个json文件；用python语言编写程序实现json文件批量转化为图片格式，转化时不同路面类别的标签采取不同的显示颜色；数据集的文件结构分别为test、test_labe；train、train_label；val、val_label，6个文件中分别存放测试集、训练集、验证集的图片和标签；
6、1.3图像的预处理：从本地文件加载数据集和标签文件，对输入图像进行大小调整、水平翻转、颜色变化，随机改变训练数据的灰度值，进行归一化和边界补零处理，得到具有三通道数字形式的图像；
7、2)构建骨干网络为改进的mobilenetv3的deeplabv3+语义分割网络，对图像路面可行使区域进行路面类型识别，包括下列步骤：
8、2.1mobilenetv3采用一种深度可分离卷积，能大幅减少模型的参数量和计算量，加入倒残差结构和线性瓶颈模块，对特征图先升维再降维，减少高维信息通过激活函数后丢失的信息；mobilenetv3中加入se模块，用于提高模型的精度，并采用一种新的激活函数hard swish有效提高准确率、增加模型的表达能力；
9、mobilenetv3中的se模块和新的激活函数hard swish，具体解释如下：
10、se模块由一个全局平均池化层和两个具有相应激活函数的全连接层组成，se模块首先将输入矩阵的每个通道池化，得到压缩后的特征为一个一维向量z∈r^c×1×1，然后通过两个全连接层，第一个全连接层将z映射到一个中间维度为c/r的特征，其中：r是一个控制特征降维的比例因子，取值为4，然后通过relu激活函数，经过第二个全连接层，将其映射到原始的通道维度c，得到每个通道的权值；最后经过sigmoid激活函数，将特征转化为一个范围0-1的权重，将输入矩阵与通道权重相乘得到最终输出；
11、压缩操作公式为：
12、
13、其中：z为压缩的输出；f为特征图的集合；h和w为图像的高和宽；
14、激励操作公式为：
15、
16、其中：s为经过激活函数后的权重；σ和δ分别为激活函数sigmoid和激活函数relu，r为特征降维比例因子；
17、将新的权重乘以初始的特征,其公式为：
18、x＝s×f
19、其中，x为经过池化层和全连接层后的输出；f为初始的输入特征；s为经过激活函数后的权重；
20、在mobilenetv3网络中存在一种新的激活函数hard swish，hard swish[x]是基于swish一种演变,其公式为：
21、
22、其中：relu6(x)＝min(max(0,x),6)，将输入值限制在[0,6]的范围内，hard swish函数在relu6的基础上进行变换，通过乘以x实现非线性的平滑映射；
23、2.2对mobilenetv3网络结构进行改进，将非线性函数relu替换为非线性函数elu，elu具有relu的所有优点，且能弥补relu的缺点、解决relu在反向传播中输入为负导致梯度完全为0的问题；
24、2.3使用416×416×3尺寸的图片，作为mobilenetv3网络的输入；首先将输入图采用3×3的卷积核进行标准卷积化，得到图像整体的低维特征图；将上一步得到208×208×16特征输入到后续的瓶颈结构bneck中，经过9个卷积核大小为3×3的深度卷积和6个卷积核大小为5×5的深度卷积，得到13×13×160的空间多尺度高维特征，通过大小为1×1的卷积核进行升维，得到13×13×960的特征，再经过全局平均池化将其变成一个一维的特征，最后经过两个大小为1×1的卷积核后得到5个不同路面类型的概率值，得到当前路面类型；
25、2.4经过mobilenetv3轻量化网络得到的低维特征图经过deeplabv3+的空洞空间金字塔池化(atrous spatial pyramid pooling，aspp)提取多尺度特征信息；解码器对aspp输出的多尺度特征使用1×1卷积及4倍线性插值上采样处理，上采样后的特征图与得到的浅层特征图进行拼接融合，然后通过3×3卷积与4倍线性插值上采样调整通道数为5，根据不同通道类别的概率得到最后的路面类型预测结果；
26、3)利用搭建好的网络进行模型训练、测试、验证，得到输入图像的路面基材类型，包括下列步骤：
27、3.1训练时采用随机梯度下降作为优化器，权值衰减率设置为10^(-4)，动量设置为0.9；训练过程采用选择交叉熵损失函数，模型训练的过程就剩梯度下降寻求最优解的过程，基础学习率为0.0001，并按照迭代本文档来自技高网...
【技术保护点】
1.一种基于道路材质识别的路面附着系数预测方法，其特征在于，包括下列步骤：
【技术特征摘要】
1.一种基于道路材质识别的路面附着系数...
【专利技术属性】
技术研发人员：赵迪，初亮，贾名辰，王引航，白旭，周立青，李会超，谭新晨，
申请(专利权)人：吉林大学，
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。