【技术实现步骤摘要】
本专利技术设计属于高速路段的流量调控网络的，具体涉及一种可用于高速路段的多任务感知流量调控网络方法。
技术介绍
1、近几年来，经济的高速发展带来了日常生活中车辆的激增，与此同时各个地方的高速路段交通拥堵也随之出现，而交通业的繁荣，对道路建设以及交通调控等也提出更高的要求，在此背景下，智能交通应运而生。
2、但是，智能交通应用在高速路段时存在如下问题：
3、1、智能交通中用于计算识别图像传感器所收集信息的嵌入式设备需要考虑计算开销、资源占用等因素，若使用两个及以上独立的模型更会对系统的计算复杂度和能源效率产生负面影响。
4、2、由于第1个缺陷的存在，会导致推理速度下降，从而使得布局在高速路段的边缘设备难以保证实时感知的实精确性和实时性，最终使得智能交通无法缓解高速路段交通拥堵的问题。
技术实现思路
1、本专利技术的目的在于克服现有技术中的上述缺陷，提供一种可用于高速路段的多任务感知流量调控网络方法，其解决问题如下：
2、第一，本专利技术的多任务网络模型，通过将c3f模块替换为csp模块的改进cspdarknet架构作为主干网络、特征融合层用于特征数据提取并融合，分别对可行驶区域分割、车辆目标检测分割和车道线检测分割任务处理，大大提升了网络提取融合数据特征能力和多任务处理能力，从而减少了计算复杂度、提高了推理速度。
3、第二，本专利技术通过训练好的轻量化的多任务网络模型直接应用于高速路段的边缘监控设备中，能够保证实时感知的实精
4、为实现上述目的，本专利技术提供了一种可用于高速路段的多任务感知流量调控网络方法，其包括如下步骤：
5、步骤s1:通过设置若干个高速路段监测点，获取实时车流量视频数据；
6、步骤s2:搭建多任务网络模型，该多任务网络模型为由一个共享编码器和三个解码器组成的图像检测分割网络；
7、共享编码器由一个主干网络、特征融合层组成，主干网络采用将c3f模块替换为csp模块的cspdarknet架构，特征融合层包括fpn架构以及融入在fpn架构上的sppf模块，三个解码器分别为车辆目标检测解码器、车道线检测解码器和可行驶区域分割解码器；
8、其中，将实时车流量视频数据输入到共享编码器后，由主干网络提取该实时车流量视频数据不同尺度的特征数据、提前对可行驶区域分割任务处理并输出到可行驶区域分割解码器，特征融合层接收该实时车流量视频数据不同尺度的特征数据、分别对车辆目标检测分割和车道线检测分割任务处理并分别输出到车辆目标检测解码器、车道线检测解码器；
9、步骤s3：对多任务网络模型进行训练；
10、并构建多任务学习损失函数，并将该多任务学习损失函数应用于多任务网络模型的训练；
11、当多任务网络模型训练好后，采用nncf算法使得训练好的多任务网络模型轻量化；
12、步骤s4:将训练好的轻量化的多任务网络模型部署于高速路段的边缘监控设备中，其中，车辆目标检测、车道线检测辅助最佳调控路线搜索，可行驶区域分割判断高速路段车距安全性；
13、步骤s5:高速路段的边缘监控设备进行实时路线调控，当高速路段出现拥堵情况时，边缘监控设备提前对车联网或地图软件发送调控路线数据，并引导车辆提前变道进入排队序列。
14、作为优选的，在步骤s2中，主干网络的cspdarknet架构的卷积模块由conv卷积层、batchnorm批量归一化层和激活函数构成；该conv卷积层的卷积核设置为3*3。
15、作为优选的，在步骤s2中，c3f模块为对yolov8中c2f模块进行改进的改进模块，c3f模块将输入切分成为n个分支，并分别通过n个bottleneck模块处理，同时将bottlenec模块中的3*3卷积核拆分成3*1和1*3的卷积核进行处理，最后将所有分支与残差分支拼接起来，其中，参数n为可通过人工调整的参数。
16、作为优选的，在步骤s2中，特征融合层的sppf模块用于扩大感受野，生成并融合不同尺度的特征信息，特征融合层的fpn架构在不同语义级别下进行特征融合，sppf模块和fpn架构采用串联方式进行连接，其两者串联后最终使得生成的特征包含多个尺度和多个语义级别信息。
17、作为优选的，在步骤s2中，可行驶区域分割解码器和车道线检测解码器相同。
18、作为优选的，特征融合层还包括两层上采样，特征融合层的fpn架构在接收特征图后进行上采样操作，其上采样操作前取消卷积操作，上采样后采用c3f模块处理，并将不同阶段输出的特征图进行拼接，完成特征融合。
19、作为优选的，在步骤s2中，车辆目标检测解码器采用pan结构，该pan结构由c3f模块、卷积层、concat层构成，特征融合层的fpn架构与该pan结构组成fpn-pan结构，该fpn-pan结构实现浅层特征图和深层特征图的双向传递，最后通过与车辆目标检测解码器连接的若干个目标检测头输出结果。
20、作为优选的，接着，特征融合层的fpn架构的输出特征直接传输到车道线检测解码器上，可行驶区域分割解码器则直接从特征融合层的sppf模块后面和fpn架构前面之间的位置获取特征。
21、作为优选的，在步骤s3中，多任务学习损失函数lall的具体计算公式如下：
22、lall＝β1ldet+β2lda-seg+β3lll-seg
23、其中，ldet表示为车辆目标检测任务，β1表示为与ldet相对应的权重系数，lda-seg表示为可行驶区域分割任务，β2表示为与lda-seg相对应的权重系数，lll-seg表示为车道线检测任务，β3表示为与lll-seg相对应的权重系数；
24、其中，目标检测任务ldet的具体计算公式如下：
25、ldet＝α1lclass+α2lobj+α3lbox
26、其中，lclass表示为用于分类的惩罚项的focal loss损失函数，α1表示为与lclass相对应的权重系数，lobj表示为用于预测的置信度的focal loss损失函数，α2表示为与lobj相对应的权重系数，lbox表示为ciou损失函数，α3表示为与lbox相对应的权重系数。
27、作为优选的，在步骤s3中，采用bdd100k数据集对多任务网络模型进行训练；
28、在步骤s3中，采用nncf算法使得训练好的多任务网络模型轻量化，其轻量化的优化步骤包括：
29、步骤s31:建立量化数据集dataset；
30、步骤s32:运行nncf算法对多任务网络模型进行优化；
31、步骤s33:使用openvino中的串行化函数来得到openvino ir模型，openvino ir模型为多任务网络模型的轻量化后的不同格式的一种模型。
本文档来自技高网...【技术保护点】
1.一种可用于高速路段的多任务感知流量调控网络方法，其特征在于，其包括如下步骤：
2.根据权利要求1所述的一种可用于高速路段的多任务感知流量调控网络方法，其特征在于，在步骤S2中，主干网络的CSPDarkNet架构的卷积模块由Conv卷积层、BatchNorm批量归一化层和激活函数构成；该Conv卷积层的卷积核设置为3*3。
3.根据权利要求1所述的一种可用于高速路段的多任务感知流量调控网络方法，其特征在于，在步骤S2中，C3f模块为对YOLOv8中C2f模块进行改进的改进模块，C3f模块将输入切分成为n个分支，并分别通过n个Bottleneck模块处理，同时将Bottlenec模块中的3*3卷积核拆分成3*1和1*3的卷积核进行处理，最后将所有分支与残差分支拼接起来，其中，参数n为可通过人工调整的参数。
4.根据权利要求1所述的一种可用于高速路段的多任务感知流量调控网络方法，其特征在于，在步骤S2中，特征融合层的SPPF模块用于扩大感受野，生成并融合不同尺度的特征信息，特征融合层的FPN架构在不同语义级别下进行特征融合，SPPF模块和FPN架
5.根据权利要求1所述的一种可用于高速路段的多任务感知流量调控网络方法，其特征在于，在步骤S2中，可行驶区域分割解码器和车道线检测解码器相同。
6.根据权利要求5所述的一种可用于高速路段的多任务感知流量调控网络方法，其特征在于，特征融合层还包括两层上采样，特征融合层的FPN架构在接收特征图后进行上采样操作，其上采样操作前取消卷积操作，上采样后采用C3f模块处理，并将不同阶段输出的特征图进行拼接，完成特征融合。
7.根据权利要求1所述的一种可用于高速路段的多任务感知流量调控网络方法，其特征在于，在步骤S2中，车辆目标检测解码器采用PAN结构，该PAN结构由C3f模块、卷积层、Concat层构成，特征融合层的FPN架构与该PAN结构组成FPN-PAN结构，该FPN-PAN结构实现浅层特征图和深层特征图的双向传递，最后通过与车辆目标检测解码器连接的若干个目标检测头输出结果。
8.根据权利要求7所述的一种可用于高速路段的多任务感知流量调控网络方法，其特征在于，接着，特征融合层的FPN架构的输出特征直接传输到车道线检测解码器上，可行驶区域分割解码器则直接从特征融合层的SPPF模块后面和FPN架构前面之间的位置获取特征。
9.根据权利要求1所述的一种可用于高速路段的多任务感知流量调控网络方法，其特征在于，在步骤S3中，多任务学习损失函数Lall的具体计算公式如下：
10.根据权利要求1所述的一种可用于高速路段的多任务感知流量调控网络方法，其特征在于，
...【技术特征摘要】
1.一种可用于高速路段的多任务感知流量调控网络方法，其特征在于，其包括如下步骤：
2.根据权利要求1所述的一种可用于高速路段的多任务感知流量调控网络方法，其特征在于，在步骤s2中，主干网络的cspdarknet架构的卷积模块由conv卷积层、batchnorm批量归一化层和激活函数构成；该conv卷积层的卷积核设置为3*3。
3.根据权利要求1所述的一种可用于高速路段的多任务感知流量调控网络方法，其特征在于，在步骤s2中，c3f模块为对yolov8中c2f模块进行改进的改进模块，c3f模块将输入切分成为n个分支，并分别通过n个bottleneck模块处理，同时将bottlenec模块中的3*3卷积核拆分成3*1和1*3的卷积核进行处理，最后将所有分支与残差分支拼接起来，其中，参数n为可通过人工调整的参数。
4.根据权利要求1所述的一种可用于高速路段的多任务感知流量调控网络方法，其特征在于，在步骤s2中，特征融合层的sppf模块用于扩大感受野，生成并融合不同尺度的特征信息，特征融合层的fpn架构在不同语义级别下进行特征融合，sppf模块和fpn架构采用串联方式进行连接，其两者串联后最终使得生成的特征包含多个尺度和多个语义级别信息。
5.根据权利要求1所述的一种可用于高速路段的多任务感知流量调控网络方法，其特征在于，在步骤s2中，可行驶区域分割...
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。