System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及交通气象,具体的说是一种基于改进卷积神经网络的路面状态识别方法。
技术介绍
1、随着机动车保有量的增加,交通事故的发生率也在持续上升。其中一个很重要的因素是恶劣的天气造就了不同的路面状态,如干燥、潮湿、积雪、结冰等,使得路面与轮胎之间的附着系数发生突变,大大降低了路面的抗滑性能,造成了大量的交通事故。不同的路面状态对应不同的峰值附着系数,而峰值附着系数是估算汽车制动距离的关键参数。因此,识别路面状态对于辅助驾驶员安全驾驶是至关重要的。此外,目前研究的自动驾驶技术也需要分析道路场景,识别当前的路面状态信息。
2、现有技术中,多数路面状态识别算法采用的基于传统机器学习,需要人工提取图像特征作为输入,该过程具有一定随机性,且提取过程较为复杂。
技术实现思路
1、为了解决现有技术中的不足,本专利技术提供一种基于改进卷积神经网络的路面状态识别方法,通过在卷积神经网络中引入注意力机制以及特征融合策略提高模型的特征提取能力,进而提高模型的分类准确率、时效性和泛化性,从而实现路面状态图像的精准识别。
2、为了实现上述目的,本专利技术采用的具体方案为:一种基于改进卷积神经网络的路面状态识别方法,包括如下步骤:
3、s1、采集待识别的原始路面图像;
4、s2、将原始路面图像输入到已训练好的神经网络识别模型中进行处理,神经网络识别模型包括inception-resnet-v2基础网络,且inception-resnet-v2基础网络的第一主体
5、所述神经网络识别模型对原始路面图像进行处理的方法包括:
6、s21、通过不对称卷积和池化操作提取原始路面图像的初始特征图;
7、s22、依次利用第一主体模块inception-resnet-a、第二主体模块inception-resnet-b和第三主体模块inception-resnet-c对初始特征图进行处理,并且分别基于eca注意力模块输出第一特征图、第二特征图和第三特征图;
8、s3、对第一特征图、第二特征图和第三特征图进行全局平均池化后融合得到特征数据;
9、s4、利用分类器对特征数据进行识别分类得到路面状态结果。
10、作为上述一种基于改进卷积神经网络的路面状态识别方法的进一步优化:s2中,第一主体模块inception-resnet-a设置有四个,第二主体模块inception-resnet-b设置有九个,第三主体模块inception-resnet-c设置有四个,神经网络识别模型还包括由一个第一主体模块inception-resnet-a和eca注意力模块组成第一组合模块、由一个第二主体模块inception-resnet-b和eca注意力模块组成第二组合模块以及由一个第三主体模块inception-resnet-c和eca注意力模块组成第三组合模块,第一组合模块用于输出第一特征图、第二组合模块用于输出第二特征图、第三组合模块用于输出第三特征图。
11、作为上述一种基于改进卷积神经网络的路面状态识别方法的进一步优化:s22中,第一主体模块inception-resnet-a包括四个a分支,第一个a分支将输入的初始特征图直接输出,第二个a分支对初始特征图进行卷积核大小为1×1且输出通道为32的卷积处理,第三个a分支依次对初始特征图进行卷积核大小为1×1且输出通道为32的卷积处理和卷积核大小为3×3且输出通道为32的卷积处理,第四个a分支依次对初始特征图进行卷积核大小为1×1且输出通道为32的卷积处理、卷积核大小为3×3且输出通道为48的卷积处理以及卷积核大小为3×3且输出通道为64的卷积处理后,第一组合模块用于将第二个、第三个和第四个a分支的处理结果堆叠并且通过卷积核大小为1×1的卷积操作和注意力处理后,与第一个a分支的处理结果相加生成第一特征图。
12、作为上述一种基于改进卷积神经网络的路面状态识别方法的进一步优化:s22中,第二主体模块inception-resnet-b包括三个b分支,第一个b分支将将输入的第一特征图直接输出,第二个b分支对第一特征图进行卷积核大小为1×1且输出通道为192的卷积操作,第三个b分支依次对第一特征图进行卷积核大小为1×1且输出通道为128的第一次卷积处理、卷积核大小为1×7且输出通道为160的第二次卷积处理以及卷积核大小为7×1且输出通道为192的第三次卷积处理,第二组合模块用于将第二个和第三个b分支的处理结果堆叠并且通过卷积核大小为1×1的卷积操作和注意力处理后,与第一个b分支的处理结果相加生成第二特征图。
13、作为上述一种基于改进卷积神经网络的路面状态识别方法的进一步优化:s22中,第三主体模块inception-resnet-c包括四个c分支,第一个c分支将输入的第二特征图直接输出,第二个c分支对第二特征图进行卷积核大小为1×1且输出通道为192的卷积操作,第三个c分支对第二特征图依次进行卷积核大小为1×1且输出通道为192的第一次卷积处理、卷积核大小为1×3且输出通道为224的第二次卷积处理以及卷积核大小为3×1且输出通道为256的第三次卷积处理,第三组合模块用于将第二个和第三个c分支的处理结果叠加并且通过卷积核大小为1×1的卷积操作和注意力处理后,与第一个c分支的处理结果相加生成第三特征图。
14、作为上述一种基于改进卷积神经网络的路面状态识别方法的进一步优化:在生成第一特征图、第二特征图和第三特征图之前,均进行缩放操作。
15、作为上述一种基于改进卷积神经网络的路面状态识别方法的进一步优化:训练神经网络识别模型的方法包括:
16、采集多个不同天气条件下的路面样本图像,构建训练数据集;
17、将训练数据集按照预设的比例划分为训练部分、测试部分和验证部分;
18、利用adam优化器和损失函数通过训练部分对初始网络模型进行训练、通过测试部分对训练后的初始网络模型进行测试、通过验证部分对通过测试的初始网络模型进行验证,验证通过后得到神经网络识别模型。
19、作为上述一种基于改进卷积神经网络的路面状态识别方法的进一步优化:构建训练数据集的具体方法包括:
20、对路面样本图像进行预处理;
21、对预处理后的路面样本图像进行标注分类,构建标准数据集;
22、对标准数据集进行尺寸归一化处理和图像增强,得到训练数据集;
23、图像增强的具体方法包括对预处理后的路面样本图像进行光照强度变换和空间几何变换。
24、作为上述一种基于改进卷积神经网络的路面状态识别方法的进一步优化:光照强度变换的具体方法为:
25、
26、其中,iin为输入图像亮度强度,iout为输出图像亮度强度,本文档来自技高网...
【技术保护点】
1.一种基于改进卷积神经网络的路面状态识别方法,其特征在于,包括如下步骤:
2.如权利要求1所述的一种基于改进卷积神经网络的路面状态识别方法,其特征在于,S2中,第一主体模块Inception-ResNet-A设置有四个,第二主体模块Inception-ResNet-B设置有九个,第三主体模块Inception-ResNet-C设置有四个,神经网络识别模型还包括由一个第一主体模块Inception-ResNet-A和ECA注意力模块组成第一组合模块、由一个第二主体模块Inception-ResNet-B和ECA注意力模块组成第二组合模块以及由一个第三主体模块Inception-ResNet-C和ECA注意力模块组成第三组合模块,第一组合模块用于输出第一特征图、第二组合模块用于输出第二特征图、第三组合模块用于输出第三特征图。
3.如权利要求2所述的一种基于改进卷积神经网络的路面状态识别方法,其特征在于,S22中,第一主体模块Inception-ResNet-A包括四个A分支,第一个A分支将输入的初始特征图直接输出,第二个A分支对初始特征图进行卷积核大小为1×
4.如权利要求3所述的一种基于改进卷积神经网络的路面状态识别方法,其特征在于,S22中,第二主体模块Inception-ResNet-B包括三个B分支,第一个B分支将将输入的第一特征图直接输出,第二个B分支对第一特征图进行卷积核大小为1×1且输出通道为192的卷积操作,第三个B分支依次对第一特征图进行卷积核大小为1×1且输出通道为128的第一次卷积处理、卷积核大小为1×7且输出通道为160的第二次卷积处理以及卷积核大小为7×1且输出通道为192的第三次卷积处理,第二组合模块用于将第二个和第三个B分支的处理结果堆叠并且通过卷积核大小为1×1的卷积操作和注意力处理后,与第一个B分支的处理结果相加生成第二特征图。
5.如权利要求4所述的一种基于改进卷积神经网络的路面状态识别方法,其特征在于,S22中,第三主体模块Inception-ResNet-C包括四个C分支,第一个C分支将输入的第二特征图直接输出,第二个C分支对第二特征图进行卷积核大小为1×1且输出通道为192的卷积操作,第三个C分支对第二特征图依次进行卷积核大小为1×1且输出通道为192的第一次卷积处理、卷积核大小为1×3且输出通道为224的第二次卷积处理以及卷积核大小为3×1且输出通道为256的第三次卷积处理,第三组合模块用于将第二个和第三个C分支的处理结果叠加并且通过卷积核大小为1×1的卷积操作和注意力处理后,与第一个C分支的处理结果相加生成第三特征图。
6.如权利要求5所述的一种基于改进卷积神经网络的路面状态识别方法,其特征在于,在生成第一特征图、第二特征图和第三特征图之前,均进行缩放操作。
7.如权利要求1所述的一种基于改进卷积神经网络的路面状态识别方法,其特征在于,训练神经网络识别模型的方法包括:
8.如权利要求7所述的一种基于改进卷积神经网络的路面状态识别方法,其特征在于,构建训练数据集的具体方法包括:
9.如权利要求8所述的一种基于改进卷积神经网络的路面状态识别方法,其特征在于,光照强度变换的具体方法为:
...【技术特征摘要】
1.一种基于改进卷积神经网络的路面状态识别方法,其特征在于,包括如下步骤:
2.如权利要求1所述的一种基于改进卷积神经网络的路面状态识别方法,其特征在于,s2中,第一主体模块inception-resnet-a设置有四个,第二主体模块inception-resnet-b设置有九个,第三主体模块inception-resnet-c设置有四个,神经网络识别模型还包括由一个第一主体模块inception-resnet-a和eca注意力模块组成第一组合模块、由一个第二主体模块inception-resnet-b和eca注意力模块组成第二组合模块以及由一个第三主体模块inception-resnet-c和eca注意力模块组成第三组合模块,第一组合模块用于输出第一特征图、第二组合模块用于输出第二特征图、第三组合模块用于输出第三特征图。
3.如权利要求2所述的一种基于改进卷积神经网络的路面状态识别方法,其特征在于,s22中,第一主体模块inception-resnet-a包括四个a分支,第一个a分支将输入的初始特征图直接输出,第二个a分支对初始特征图进行卷积核大小为1×1且输出通道为32的卷积处理,第三个a分支依次对初始特征图进行卷积核大小为1×1且输出通道为32的卷积处理和卷积核大小为3×3且输出通道为32的卷积处理,第四个a分支依次对初始特征图进行卷积核大小为1×1且输出通道为32的卷积处理、卷积核大小为3×3且输出通道为48的卷积处理以及卷积核大小为3×3且输出通道为64的卷积处理后,第一组合模块用于将第二个、第三个和第四个a分支的处理结果堆叠并且通过卷积核大小为1×1的卷积操作和注意力处理后,与第一个a分支的处理结果相加生成第一特征图。
4.如权利要求3所述的一种基于改进卷积神经网络的路面状态识别方法,其特征在于,s22中,第二主体模块inception-resnet-...
【专利技术属性】
技术研发人员:陶发展,王秀菊,付主木,翟坤宁,段波,陈远哲,高颂,王俊,孙力帆,王楠,朱龙龙,杨艺,陈灵峰,
申请(专利权)人:河南科技大学,
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。