【技术实现步骤摘要】
本专利技术涉及计算机视觉目标检测，具体涉及一种夜间道路抛洒物检测方法、系统、电子设备及存储介质。
技术介绍
1、道路上的抛洒物可能包括车辆零部件、货物、交通事故残留物以及其他杂物，这些物体会对道路安全构成威胁，特别是在夜间光照条件不足的情况下，驾驶员的视线会受到限制，道路上抛洒物的存在会增加道路安全的隐患，影响夜间行车安全。
2、传统的夜间抛洒物检测方法主要依赖于视频监控系统和人工巡查。这些方法存在明显的局限性，如检测效率低、实时性差、易受环境影响等。随着图像处理技术和深度学习算法的发展，基于计算机视觉的道路抛洒物检测技术逐渐成为研究热点。然而，夜间低光照条件下，传统的图像处理技术和检测算法往往难以准确识别道路上的抛洒物。
3、近年来，深度学习技术在目标检测领域取得了显著成果，尤其是卷积神经网络(cnn)的应用。然而，深度学习模型通常需要大量的标注数据进行训练，且模型复杂度高，难以在资源受限的设备上实现实时检测。同时，夜间光照条件不足，低光照条件下图像质量不佳也会影响模型的检测性能，导致检测精度下降。
技术实现思路
1、针对现有技术中存在的不足，本专利技术提供一种夜间道路抛洒物检测方法、系统、电子设备及存储介质，结合知识蒸馏、反射率学习、目标检测网络等技术，实现在低光照条件下对道路抛洒物的高精度检测。
2、本专利技术第一目的在于提供一种夜间道路抛洒物检测方法，包括步骤：
3、获取带标注的夜间道路图像a；
4、对图像a进行低
5、对图像a和图像b进行对比度受限的自适应直方图均衡化处理，得到增强后的夜间道路图像c和增强后的弱光照图像d；
6、构建基于知识蒸馏的检测模型，所述检测模型由学生网络和教师网络组成；
7、将图像c和图像d输入到学生网络，学生网络对图像c和图像d进行反射率习后再进行目标检测处理，得到包括抛洒物边界框以及抛洒物类别概率分布的检测结果a；
8、将图像c和图像d输入到教师网络，教师网络对图像c和图像d进行目标检测处理，得到包括抛洒物边界框以及抛洒物类别概率分布的检测结果b；
9、基于检测结果a、b对学生网络进行训练，构建由反射率损失、知识蒸馏损失、目标检测损失加权组成的综合损失函数，通过综合损失函数的优化，不断调整学生网络的参数，当学生网络的检测性能不再提升或者达到预设的迭代次数时，停止训练，以得到训练后的学生网络；
10、基于训练后的学生网络用于根据预处理后的图像对夜间道路上的抛洒物进行检测，并输出包含抛洒物边界框以及抛洒物类别标签的图像，其中，抛洒物类别标签为概率最大的抛洒物类别。
11、作为本专利技术的进一步改进，所述学生网络包括反射率学习模块、目标检测模块；
12、所述反射率学习模块，用于分别对图像c和图像d进行两次retinex分解以提取并学习图像中的反射率信息；
13、所述目标检测模块，用于根据图像c、图像d、经两次retinex分解后的图像，对图像中的抛洒物进行检测，并输出包含抛洒物边界框以及抛洒物类别概率分布的检测结果a。
14、作为本专利技术的进一步改进，所述反射率学习模块包括retinex分解子模块、反射率增强子模块；
15、所述retinex分解子模块，用于分别对图像c和图像d进行初次分解；
16、所述反射率增强子模块，用于对经retinex分解子模块初次分解得到的图像进行二次分解。
17、作为本专利技术的进一步改进，所述反射率增强子模块对经retinex分解子模块初次分解得到的图像进行二次分解的步骤包括：
18、所述retinex分解子模块分别对图像c和图像d进行初次分解，得到图像c初次分解的反射率、光照度，和图像d初次分解的反射率、光照度；
19、所述反射率增强子模块将图像c初次分解的反射率和图像d初次分解的反射率进行交换，在反射率交换后合成图像c’和图像d’；
20、分别对图像c’和图像d’进行二次分解，得到图像c’二次分解的反射率、光照度，和图像d’二次分解的反射率、光照度；
21、对初次分解得到的反射率和二次分解得到的反射率之间的差值进行约束，以提升图像反射率的一致性。
22、作为本专利技术的进一步改进，所述目标检测模块采用的模型为轻量化的leyolo网络。
23、作为本专利技术的进一步改进，所述教师网络采用的模型为用光照充足条件下的道路图像预训练得到的yolov8网络。
24、作为本专利技术的进一步改进，所述反射率损失的计算公式为：
25、
26、其中，为反射率损失，为图像c初次分解的反射率，为图像d初次分解的反射率，为图像c二次分解的反射率，为图像d二次分解的反射率；
27、所述知识蒸馏损失的计算公式为：
28、
29、其中，为知识蒸馏损失，α为权重参数，为学生网络损失，为教师网络损失；
30、所述目标检测损失的计算公式为：
31、
32、其中，为目标检测损失，为分类损失，为回归损失，λ为调节分类损失和回归损失之间权重的权重参数；
33、所述综合损失函数的计算公式为：
34、
35、其中，为综合损失函数，β1、β2、β3为各项损失的权重参数。
36、本专利技术第二目的在于提供一种夜间道路抛洒物检测系统，包括：
37、图像预处理模块，用于获取带标注的夜间道路图像a；对图像a进行低光照图像处理，得到弱光照图像b；对图像a和图像b进行对比度受限的自适应直方图均衡化处理，得到增强后的夜间道路图像c和增强后的弱光照图像d；
38、检测模型构建模块，用于构建基于知识蒸馏的检测模型，所述检测模型由学生网络和教师网络组成；
39、检测模型训练模块，用于将图像c和图像d输入到学生网络，学生网络对图像c和图像d进行反射率习后再进行目标检测处理，得到包括抛洒物边界框以及抛洒物类别概率分布的检测结果a；将图像c和图像d输入到教师网络，教师网络对图像c和图像d进行目标检测处理，得到包括抛洒物边界框以及抛洒物类别概率分布的检测结果b；基于检测结果a、b对学生网络进行训练，构建由反射率损失、知识蒸馏损失、目标检测损失加权组成的综合损失函数，通过综合损失函数的优化，不断调整学生网络的参数，当学生网络的检测性能不再提升或者达到预设的迭代次数时，停止训练，以得到训练后的学生网络；
40、抛洒物检测模块，基于训练后的学生网络用于根据预处理后的图像对夜间道路上的抛洒物进行检测，并输出包含抛洒物边界框以及抛洒物类别标签的图像，其中，抛洒物类别标签为概率最大的抛洒物类别。
41、本专利技术第三目的在于提供一种电子设备，包括至少一个处理单元以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行本文档来自技高网...
【技术保护点】
1.一种夜间道路抛洒物检测方法，其特征在于，包括步骤：
2.根据权利要求1所述的一种夜间道路抛洒物检测方法，其特征在于，所述学生网络包括反射率学习模块、目标检测模块；
3.根据权利要求2所述的一种夜间道路抛洒物检测方法，其特征在于，所述反射率学习模块包括Retinex分解子模块、反射率增强子模块；
4.根据权利要求3所述的一种夜间道路抛洒物检测方法，其特征在于，
5.根据权利要求2-4任一项所述的一种夜间道路抛洒物检测方法，其特征在于，所述目标检测模块采用的模型为轻量化的LeYOLO网络。
6.根据权利要求1所述的一种夜间道路抛洒物检测方法，其特征在于，所述教师网络采用的模型为用光照充足条件下的道路图像预训练得到的YOLOv8网络。
7.根据权利要求2所述的一种夜间道路抛洒物检测方法，其特征在于，所述反射率损失的计算公式为：
8.一种夜间道路抛洒物检测系统，用于实现如权利要求1-7任一项所述的检测方法，其特征在于，包括：
9.一种电子设备，其特征在于，包括至少一个处理单元以及至少一个存
10.一种存储介质，其特征在于，其存储有可由电子设备执行的计算机程序，当所述程序在所述电子设备上运行时，使得所述电子设备执行如权利要求1-7任一项所述的检测方法。
...【技术特征摘要】
1.一种夜间道路抛洒物检测方法，其特征在于，包括步骤：
2.根据权利要求1所述的一种夜间道路抛洒物检测方法，其特征在于，所述学生网络包括反射率学习模块、目标检测模块；
3.根据权利要求2所述的一种夜间道路抛洒物检测方法，其特征在于，所述反射率学习模块包括retinex分解子模块、反射率增强子模块；
4.根据权利要求3所述的一种夜间道路抛洒物检测方法，其特征在于，
5.根据权利要求2-4任一项所述的一种夜间道路抛洒物检测方法，其特征在于，所述目标检测模块采用的模型为轻量化的leyolo网络。
6.根据权利要求1所述的一种夜间道路抛洒物检测方法，其特征在于，所述教师网络采用的模型为用光照充...
【专利技术属性】
技术研发人员：刘峰，陈囡，黄文清，刘嘉，卢家莉，霍仕峰，
申请(专利权)人：广东诚泰交通科技发展有限公司，
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。