CN113255524A - 一种基于YOLO v4的路面信息识别方法及系统 - Google Patents

一种基于YOLO v4的路面信息识别方法及系统 Download PDF

Info

Publication number
CN113255524A
CN113255524A CN202110583167.5A CN202110583167A CN113255524A CN 113255524 A CN113255524 A CN 113255524A CN 202110583167 A CN202110583167 A CN 202110583167A CN 113255524 A CN113255524 A CN 113255524A
Authority
CN
China
Prior art keywords
yolo
network
feature map
road surface
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110583167.5A
Other languages
English (en)
Other versions
CN113255524B (zh
Inventor
毕玉峰
丁婷婷
徐润
孙建秀
王卓
张常勇
李峰
蒋忠旺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Provincial Communications Planning and Design Institute Group Co Ltd
Original Assignee
Shandong Provincial Communications Planning and Design Institute Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Provincial Communications Planning and Design Institute Group Co Ltd filed Critical Shandong Provincial Communications Planning and Design Institute Group Co Ltd
Priority to CN202110583167.5A priority Critical patent/CN113255524B/zh
Publication of CN113255524A publication Critical patent/CN113255524A/zh
Application granted granted Critical
Publication of CN113255524B publication Critical patent/CN113255524B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于YOLO v4的路面信息识别方法及系统，使用训练集对基于YOLO v4的路面信息识别模型进行训练，所述基于YOLO v4的路面信息识别模型采用DenseNet网络作为基础网络，所述DenseNet网络中的每个Dense Block连接注意力模型；网络输入滤波器采用5*5的卷积核，对输入的图像进行降维；网络的激活函数为R‑Relu函数；在Dense Block之间嵌入FPN网络；并采用soft‑NMS算法对路面信息设定阈值参数；使用训练好的路面信息识别模型识别出待识别图片或者视频中的路面信息，相比原YOLO v4，识别准确率更高、检测速度更快，也改善了小目标路面信息的检测效果。

Description

一种基于YOLO v4的路面信息识别方法及系统
技术领域
本发明属于公路路况日常巡检领域，具体涉及一种基于YOLO v4的路面信息识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
目前，全国各地在加快推进新一代的智慧公路的试点建设，推动大数据、互联网、人工智能、区块链、超级计算等新技术与交通行业深度融合。要想实现智慧交通，需要聪明的车和智慧的路相互结合，建设一条具有感知、传输、分析、预测和决策等能力的道路系统。
当前路上的车辆数量多、密度大，对交通监管提出了更高的要求。目前公路的日常巡检养护，主要检测方案有两种：人工巡检和巡检车辆自动检测。而传统的巡检方案存在着较多弊端，效率低下，耗时费力。
高速公路巡检所不断增长的人力和能源成本，促使世界各国开发高效的自动检测方法来处理路面信息。随着技术进步，在公路巡检中引入信息技术，将传统的公路巡检和交通监控工作推进到自动化、信息化、智能化的时代是大势所趋。
传统计算机方法在辅助检测路面信息上，主要采取使用多种物理传感器测量交通速度、交通密度和交通流量。这些方法主要使用颜色分割、边缘检测、背景分离与使用分类器识别类型等，都无法区分特定类别的对象，且极易发生误识别。
发明内容
本发明为了解决上述问题，提出了一种基于YOLO v4的路面信息识别方法及系统，二次开发YOLO v4深度学习模型，基于公路采集图像的动态度高、小目标样本多以及目标相似性较高等问题，优化深度学习单步目标检测算法进行图像识别，建立疑难样本数据库，提高检测速度和识别精度，可应用于智慧公路的基础设施建设，实现公路路面信息的全天候全方位高效精准采集。
根据一些实施例，本发明采用如下技术方案：
一种基于YOLO v4的路面信息识别方法，包括以下步骤：
使用训练集对基于YOLO v4的路面信息识别模型进行训练，所述基于YOLO v4的路面信息识别模型采用DenseNet网络作为基础网络，所述DenseNet网络中的每个DenseBlock连接注意力模型；
实时采集路面图像数据或者视频数据，并将采集到的数据输入到训练好的路面信息识别模型，识别出图片或者视频中的路面信息。
一种基于YOLO v4的路面信息识别系统，包括：
模型训练模块，其用于使用训练集对基于YOLO v4的路面信息识别模型进行训练，所述基于YOLO v4的路面信息识别模型采用DenseNet网络作为基础网络，所述DenseNet网络中的每个Dense Block连接注意力模型；
路面信息识别模块，其用于实时采集路面图像数据或者视频数据，并将采集到的数据输入到训练好的路面信息识别模型，识别出图片或者视频中的路面信息。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于YOLO v4的路面信息识别方法。
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于YOLO v4的路面信息识别方法。
与现有技术相比，本发明的有益效果为：
本发明将YOLO v4中的darknet53网络换成DenseNet 161网络作为基础网络，可以加强模型对特征的传递，且有效降低参数的数量，模型收敛速度更快，具有更高的泛化能力。
本发明修改DenseNet网络输入滤波器，采用5*5的卷积核，对输入的图像进行降维，在加强网络模型对于路面信息中的小目标物体的检测效果的同时，保证模型训练和检测效率。
本发明将DenseNet网络中的激活函数替换为R-Relu函数，R-Relu函数在保证训练收敛速度的同时，右侧线性部分可以缓解梯度消失。
本发明在DenseNet网络主干上添加FPN网络，通过加入FPN结构，使得公路路面信息中的小目标(如裂缝)可以得到更好地识别。
本发明在每个Dense Block后添加注意力模型CBAM，加强网络模型对物体的识别范围，学会关注重点信息，可以有效地提升识别物体的精度。
本发明采用soft-NMS算法对路面信息设定阈值参数，可以有效提升路面信息中的目标重叠的识别效果。
本发明基于YOLO v4的路面信息识别方法基于公路采集图像的动态度高、小目标样本多以及目标相似性较高等问题，优化深度学习单步目标检测算法进行图像识别，建立疑难样本数据库，提高检测速度和识别精度，可应用于智慧公路的基础设施建设，实现公路路面信息的全天候全方位高效精准采集。
本发明基于YOLO v4的路面信息识别方法可用于公路路面巡检和交通信息采集，在保证检测的高精准度的前提下，提升检测速度，降低算法体积，有效解决了目前高速公路上传统的巡检方案耗时费力、效率低下等问题。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明的基于YOLO v4的路面信息识别方法流程图；
图2为本发明的R-Relu函数图像；
图3为本发明的DenseNet 161的网络结构示意图。
具体实施方式：
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
本实施例的基于YOLO v4的路面信息识别方法，针对公路采集图像的动态度高、小目标样本多以及目标相似性较高等问题，优化深度学习单步目标检测算法进行图像识别，建立疑难样本数据库，提高检测速度和识别精度，可应用于智慧公路的基础设施建设，实现公路路面信息的全天候全方位高效精准采集。如图1所示，具体包括以下步骤：
(1)构建VOC格式的路面信息数据集，得到训练集，具体包括：
路面信息包括类别信息和位置信息，类别信息具体包括：道路遗撒(纸箱、瓶子、石头、塑料袋、包、废旧轮胎、钢管)和路面病害(裂缝、车辙、松散、冻胀翻浆、沉陷、拥包、泛油、龟裂)两大类。
创建文件predefined_classes.txt，添加路面数据集标签，使用labellmg完成图像的标注，用labellmg标注生成PASCAL VOC格式的xml标注文件。
使用PASCAL VOC数据集的目录结构，建立路面信息文件夹IRS，IRS文件夹包含三个子文件夹，Annotations、ImageSets和JPEGImages，其中，JPEGImages文件夹放入所有的路面信息训练图片和测试图片；Annotations文件夹里放入所有的xml标记文件。
依据PASCAL VOC的格式要求，对放入JPEGImages文件夹中的图片从000001.jpg开始命名，对应的标注文件，完成图片目标类别和位置信息的标注，并保存为与图片信息相同文件名的xml文件放入Annotations文件夹中。
生成训练集和测试集文件，在IRS路面信息文件夹下建立labels子文件夹，包含每一个图像的yolo格式的标注文件，由xml标注文件转换而来。
建立train.txt和test.txt，分别给出了训练数据和测试数据文件的清单，包含所有图片的文件路径和文件名。另外，在ImageSets文件夹中建立Main文件夹，生成两个文件train.txt和test.txt，只包含每个图片的文件名，无路径和扩展名信息。
(2)使用训练集对基于YOLO v4的路面信息识别模型进行训练，具体步骤包括：
(2.1)对DenseNet网络进行改进，所述DenseNet网络为DenseNet161网络，具体包括：
(2.1.1)修改网络输入滤波器采用5*5的卷积核，即，本申请所述DenseNet网络的网络输入滤波器采用5*5的卷积核，对输入的图像进行降维。
缘于权值共享，5*5大小的卷积核，对信息的感受能力优于7*7的卷积核。针对公路路面信息的大小和位置特征，对DenseNet161网络使用的7*7的卷积层，进行改进，修改网络输入滤波器，采用5*5的卷积核，对输入的图像进行降维，在加强网络模型对于路面信息中的小目标物体的检测效果的同时，保证模型训练和检测效率。其中，输入的计算公式如下：
H2＝k0+k
H3＝k0+2k
H4＝k0+3k
H5＝k0+4k
式中，H2、H3、H4、H5为模型输入值，k0表示开始输入的特征通道数，k为增长率。
(2.1.2)将DenseNet161网络中的激活函数替换为R(road)-Relu函数。
将激活函数由原本的ReLu函数替换为根据公路路面信息设计的R(road)-Relu函数，函数图像如图2所示，在保证训练收敛速度的同时，右侧线性部分可以缓解梯度消失。
ReLu函数数学表达式如下：
f(x)＝max(0，x)
式中，x表示输入的值。
R-Relu函数数学表达式如下：
f(x)＝max(βx，βx·e-|x|)
式中，x表示输入的值，β由训练自学习得到。
(2.1.3)在DenseNet161网络的第i层的输入，除了与第i-1层的输出有关以外，还与其之前的所有层的输出有关。输入值数学表达式如下：
xi＝Hi[x0，x1，...，xi-1]
式中，Hi为非线性计算，[]为拼接计算。
随后对输入的值进行一个1×1的卷积操作，减少输入的特征图的数量，减少计算难度，融合通道特征。之后经过3×3的卷积，获得Dense Block模块的输出。
(2.1.4)为保持经过每个Dense Block的特征图大小一致，在不同的Dense Block之间设置过渡层，对经过Dense Block的特征进行处理，使用1×1的卷积和2×2的平均池化，统一每个Dense Block里的特征图尺寸。
(2.1.5)在DenseNet161网络主干上添加FPN网络，FPN网络为多尺度的目标检测算法，通过同时使用低层特征的高分辨率和高层特征的高语义信息，融合特征表达达到预测效果。
针对道路遗撒和路面病害在路面成像中为小目标物体的问题，在每个DenseBlock间嵌入FPN结构，将Dense Block后经过1*1卷积得到的特征，作为金字塔的层级。通过对最高层级的Dense Block模块进行降采样得到的特征层级，进行上采样和连接得到完整的FPN。通过加入FPN结构，使得公路路面信息中的小目标(如裂缝)可以得到更好地识别。
(2.1.6)在每个Dense Block后添加注意力模型CBAM。
DenseNet161网络中的每个Dense Block连接注意力模型CBAM，所述的注意力模型CBAM是一种结合了空间和通道的注意力机制模型。
其中，注意力模型将输入特征图进行池化后通过多层感知器得到第一特征图，对第一特征图进行求和与激活得到通道注意力特征图，将通道注意力特征图与输入特征图作元素的点乘得到第二特征图；
将第二特征图进行池化、合并和卷积，并通过激活函数生成空间注意力特征图，将注意力特征图与第二特征图进行乘法，得到输出特征图。
由于不同的Dense Block之间设置过渡层，在每个Dense Block后添加注意力模型CBAM后，对Dense Block中注意力模型CBAM的输出特征图进行处理，使用1×1的卷积和2×2的平均池化，统一每个Dense Block里的特征图尺寸。
(2.1.7)采用soft-NMS算法对路面信息设定阈值参数，soft-NMS算法对建议框按照分数从高到低进行排序，选择分数最高的检测框，其余建议框有明显重叠的框被抑制。
soft-NMS算法对检验框重叠的部分的检测分数进行衰减，将当前的检测框分数乘以一个权重系数，该函数会衰减与最高得分的检测框M有重叠部分的检测分数，与M框重叠越多的检测框，衰减得越严重，使用高斯权重函数改进传统的NMS算法，soft-NMS算法的高斯权重函数如下：
si＝si*exp(-(iou(M，bi)2/σ))
式中：si为当前检测框的分数，iou为矩形框的交并比计算，M为获得最高分数的检测框，bi为当前检测框，σ为高斯惩罚函数的超参数。
(2.2)将YOLO v4中的darknet53网络换成改进后的DenseNet161网络作为基础网络。
(2.3)使用改进后的算法模型对路面信息数据进行训练，当模型的输出日志中的loss变量不再减小的时候，停止模型训练。
对网络模型参数进行设定，修改迭代次数为50000，修改学习率为0.001，为增加网络的分辨率，适当增大height和width的值，使用height＝608，width＝608，提升检测精度。完成参数设定后，使用GPU进行训练。
(3)实时采集路面图像数据或者视频数据，并将采集到的数据输入到训练好的路面信息识别模型对路面信息进行检测，识别出图片或者视频中的路面信息的类别和位置信息。
采用摄像装置实时采集路面图像数据或者视频数据，将包含有路面信息的图像数据或者视频数据输入到已经完成训练的网络模型中，可以直接检测出图片或者视频中的路面信息的类别信息和位置信息。
经过测试表明，本发明改善了YOLO v4模型对小目标路面信息检测效果较差的问题，在提升检测效率的同时，保证了巡检的精度。相比原YOLO v4，本发明检测准确率更高、检测速度更快，也改善了小目标路面信息的检测效果。
实施例2
本实施例提供一种基于YOLO v4的路面信息识别系统，包括：
数据集构建模块，其用于构建VOC格式的路面信息数据集，得到训练集；
模型训练模块，其用于使用训练集对基于YOLO v4的路面信息识别模型进行训练，所述基于YOLO v4的路面信息识别模型采用DenseNet网络作为基础网络，所述DenseNet网络为DenseNet 161网络；所述DenseNet网络的网络输入滤波器模块采用5*5的卷积核，对输入的图像进行降维；DenseNet网络中的每个Dense Block模块后连接注意力模型；DenseNet网络在Dense Block模块之间嵌入FPN网络。
路面信息识别模块，其用于实时采集路面图像数据或者视频数据，并将采集到的数据输入到训练好的路面信息识别模型，识别出图片或者视频中的路面信息。
其中，注意力模型由通道注意力模块和空间注意力模块组成。
通道注意力模块将输入特征图进行池化后通过多层感知器MLP得到第一特征图；之后对得到的第一特征图进行求和与激活，最终生成通道注意力特征图；将通道注意力特征图与输入特征图作元素的点乘得到第二特征图；
空间注意力模块将第二特征图作为空间注意力模块的输入特征；再对第二特征图进行池化、合并和卷积，降维成1个通道；通过激活函数生成空间注意力特征图；最终空间注意力特征图与空间注意力模块的输入特征图(即第二特征图)进行乘法，得到最终的特征，即注意力模型CBAM的输出特征图。
实施例3
本实施例提供一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于YOLO v4的路面信息识别方法。
实施例4
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于YOLO v4的路面信息识别方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于YOLO v4的路面信息识别方法，其特征是，包括以下步骤：
使用训练集对基于YOLO v4的路面信息识别模型进行训练，所述基于YOLO v4的路面信息识别模型采用DenseNet网络作为基础网络，所述DenseNet网络中的每个Dense Block连接注意力模型；
实时采集路面图像数据或者视频数据，并将采集到的数据输入到训练好的路面信息识别模型，识别出图片或者视频中的路面信息。
2.如权利要求1所述的一种基于YOLO v4的路面信息识别方法，其特征是，所述基于YOLO v4的路面信息识别模型采用soft-NMS算法对路面信息设定阈值参数，所述soft-NMS算法对建议框按照分数从高到低进行排序，选择分数最高的建议框，并衰减与分数最高的检测框有重叠部分的检测框的检测分数。
3.如权利要求1所述的一种基于YOLO v4的路面信息识别方法，其特征是，所述DenseNet网络在每个Dense Block间嵌入FPN网络，将Dense Block后经过卷积得到的特征，作为金字塔的层级。
4.如权利要求1所述的一种基于YOLO v4的路面信息识别方法，其特征是，所述DenseNet网络的激活函数为R-Relu函数。
5.如权利要求1所述的一种基于YOLO v4的路面信息识别方法，其特征是，所述DenseNet网络在不同的Dense Block之间设置过渡层，对Dense Block中注意力模型的输出特征进行卷积和平均池化。
6.如权利要求1所述的一种基于YOLO v4的路面信息识别方法，其特征是，所述注意力模型将输入特征图进行池化后通过多层感知器得到第一特征图，对第一特征图进行求和与激活得到通道注意力特征图，将通道注意力特征图与输入特征图作元素点乘得到第二特征图。
7.如权利要求6的一种基于YOLO v4的路面信息识别方法，其特征是，所述注意力模型在得到第二特征图后，将第二特征图进行池化、合并和卷积，并通过激活函数生成空间注意力特征图，将注意力特征图与第二特征图进行元素乘积，得到输出特征图。
8.一种基于YOLO v4的路面信息识别系统，其特征是：包括：
模型训练模块，其用于使用训练集对基于YOLO v4的路面信息识别模型进行训练，所述基于YOLO v4的路面信息识别模型采用DenseNet网络作为基础网络，所述DenseNet网络中的每个Dense Block连接注意力模型；
路面信息识别模块，其用于实时采集路面图像数据或者视频数据，并将采集到的数据输入到训练好的路面信息识别模型，识别出图片或者视频中的路面信息。
9.一种计算机可读存储介质，其特征是：其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-7中任一项所述的一种基于YOLO v4的路面信息识别方法。
10.一种终端设备，其特征是：包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-7中任一项所述的一种基于YOLO v4的路面信息识别方法。
CN202110583167.5A 2021-05-27 2021-05-27 一种基于YOLO v4的路面信息识别方法及系统 Active CN113255524B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110583167.5A CN113255524B (zh) 2021-05-27 2021-05-27 一种基于YOLO v4的路面信息识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110583167.5A CN113255524B (zh) 2021-05-27 2021-05-27 一种基于YOLO v4的路面信息识别方法及系统

Publications (2)

Publication Number Publication Date
CN113255524A true CN113255524A (zh) 2021-08-13
CN113255524B CN113255524B (zh) 2022-08-16

Family

ID=77184725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110583167.5A Active CN113255524B (zh) 2021-05-27 2021-05-27 一种基于YOLO v4的路面信息识别方法及系统

Country Status (1)

Country Link
CN (1) CN113255524B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116758259A (zh) * 2023-04-26 2023-09-15 中国公路工程咨询集团有限公司 一种公路资产信息识别方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084292A (zh) * 2019-04-18 2019-08-02 江南大学 基于DenseNet和多尺度特征融合的目标检测方法
CN111080620A (zh) * 2019-12-13 2020-04-28 中远海运科技股份有限公司 一种基于深度学习的道路病害检测方法
CN111401148A (zh) * 2020-02-27 2020-07-10 江苏大学 一种基于改进的多级YOLOv3的道路多目标检测方法
CN111681240A (zh) * 2020-07-07 2020-09-18 福州大学 一种基于YOLO v3与注意力机制的桥梁表面裂痕检测方法
CN111797826A (zh) * 2020-05-14 2020-10-20 中国三峡建设管理有限公司 大骨料集中区域检测方法和装置及其网络模型训练方法
CN111860693A (zh) * 2020-07-31 2020-10-30 元神科技(杭州)有限公司 一种轻量级视觉目标检测方法及系统
CN112464910A (zh) * 2020-12-18 2021-03-09 杭州电子科技大学 一种基于YOLO v4-tiny的交通标志识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084292A (zh) * 2019-04-18 2019-08-02 江南大学 基于DenseNet和多尺度特征融合的目标检测方法
CN111080620A (zh) * 2019-12-13 2020-04-28 中远海运科技股份有限公司 一种基于深度学习的道路病害检测方法
CN111401148A (zh) * 2020-02-27 2020-07-10 江苏大学 一种基于改进的多级YOLOv3的道路多目标检测方法
CN111797826A (zh) * 2020-05-14 2020-10-20 中国三峡建设管理有限公司 大骨料集中区域检测方法和装置及其网络模型训练方法
CN111681240A (zh) * 2020-07-07 2020-09-18 福州大学 一种基于YOLO v3与注意力机制的桥梁表面裂痕检测方法
CN111860693A (zh) * 2020-07-31 2020-10-30 元神科技(杭州)有限公司 一种轻量级视觉目标检测方法及系统
CN112464910A (zh) * 2020-12-18 2021-03-09 杭州电子科技大学 一种基于YOLO v4-tiny的交通标志识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王凤随: "基于注意力机制和 Soft-NMS 的改进 Faster R-CNN目标检测算法", 《激光与光电子学进展》 *
陈立潮: "基于Dense-YOLOv3的车型检测模型", 《计算机系统应用》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116758259A (zh) * 2023-04-26 2023-09-15 中国公路工程咨询集团有限公司 一种公路资产信息识别方法及系统

Also Published As

Publication number Publication date
CN113255524B (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
CN113850825B (zh) 基于上下文信息和多尺度特征融合的遥感图像道路分割方法
Nie et al. Pavement Crack Detection based on yolo v3
Gao et al. Generative adversarial networks for road crack image segmentation
CN112488025B (zh) 基于多模态特征融合的双时相遥感影像语义变化检测方法
CN114359130A (zh) 一种基于无人机影像的道路裂缝检测方法
CN114596500A (zh) 一种基于通道-空间注意力和DeeplabV3plus的遥感影像语义分割方法
CN114418021B (zh) 模型优化方法、装置及计算机程序产品
Opara et al. Defect detection on asphalt pavement by deep learning
Li et al. RoadID: a dedicated deep convolutional neural network for multipavement distress detection
Quan et al. CrackViT: a unified CNN-transformer model for pixel-level crack extraction
CN116206112A (zh) 基于多尺度特征融合和sam的遥感图像语义分割方法
Liu et al. A new multi-channel deep convolutional neural network for semantic segmentation of remote sensing image
CN113255524B (zh) 一种基于YOLO v4的路面信息识别方法及系统
Chu et al. Pavement disease detection through improved YOLOv5s neural network
Ren et al. Preprocessing of crack recognition: Automatic crack-location method based on deep learning
CN116597270A (zh) 基于注意力机制集成学习网络的道路损毁目标检测方法
Sirhan et al. Multilabel CNN model for asphalt distress classification
George et al. Efficient Road Segmentation Techniques with Attention-Enhanced Conditional GANs
Babaali et al. A new approach for road extraction using data augmentation and semantic segmentation
CN112348030A (zh) 一种太阳能光伏板识别方法、装置、电子设备及存储介质
Shao et al. Crack detection and measurement using PTZ camera–based image processing method on expressways
CN115035354B (zh) 基于改进yolox的水库水面漂浮物目标检测方法
CN116883667A (zh) 基于困难类别感知机制的夜间街景语义分割方法
CN116630683A (zh) 一种基于扩散的自适应特征提取的道路损伤检测方法
CN115880580A (zh) 一种云层影响下的光学遥感影像道路信息智能提取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant