CN113255820A - 落石检测模型训练方法、落石检测方法及相关装置 - Google Patents

落石检测模型训练方法、落石检测方法及相关装置 Download PDF

Info

Publication number
CN113255820A
CN113255820A CN202110656003.0A CN202110656003A CN113255820A CN 113255820 A CN113255820 A CN 113255820A CN 202110656003 A CN202110656003 A CN 202110656003A CN 113255820 A CN113255820 A CN 113255820A
Authority
CN
China
Prior art keywords
rockfall
image
target
information
target image
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
CN202110656003.0A
Other languages
English (en)
Other versions
CN113255820B (zh
Inventor
龙学军
高枫
毛河
陈志超
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.)
Chengdu Topplusvision Science & Technology Co ltd
Original Assignee
Chengdu Topplusvision Science & Technology 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 Chengdu Topplusvision Science & Technology Co ltd filed Critical Chengdu Topplusvision Science & Technology Co ltd
Priority to CN202110656003.0A priority Critical patent/CN113255820B/zh
Publication of CN113255820A publication Critical patent/CN113255820A/zh
Application granted granted Critical
Publication of CN113255820B publication Critical patent/CN113255820B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion

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)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明的实施例提供了落石检测模型训练方法、落石检测方法及相关装置，方法包括：计算第一损失惩罚项信息，计算第二损失惩罚项信息；将第一损失惩罚项信息和损失第二惩罚项信息分别输入至图像分割网络和落石检测网络中，得到更新后的目标图像的区域标识和更新后的目标图像的目标落石信息；返回执行计算目标图像的区域标识和标准图像的区域标识的第一损失惩罚项信息的步骤，直至最新的第一惩罚项信息和最新的第二惩罚项信息满足落石检测条件。本申请通过图像分割网络，将落石的注意力放在高速道路上，从而减少高速道路外的误判情况。高速道路的落石检测对于提高山区驾驶安全有着重要作用。

Description

落石检测模型训练方法、落石检测方法及相关装置
技术领域
本发明涉及模型训练领域，具体而言，涉及一种落石检测模型训练方法、落石检测方法及相关装置。
背景技术
落石检测通常都采用雷达或其他传感器进行检测，但通过传感器所采集的信息易受到外界因素干扰，影响判断准确率。
随着近年来计算机视觉的发展，越来越多的人采用计算机视觉的方式对落石进行检测。通过雷达与视频分析技术，对铁路落石进行检测，综合帧间差与雷达信号降低误报率。或者采用机器视觉的方法对隧道内的落石进行检测，采用划分检测区域规避误报。
可以发现，在对落石检测采用计算机视觉的方法时，大多数研究者都采用了视频帧间差作为依据，为了规避其他变化带来的误差，甚至划分了检测区域，但这些方法都不适用与高速道路的落石检测。若使用帧间法进行检测，高速道路上运动的车辆会直接影响结果，且检测区域与车辆运动区域重叠，无法通过划分区域规避误报。
发明内容
本发明的目的包括，例如，提供了一种落石检测模型训练方法、落石检测方法及相关装置，其能够提高落石检测的精确度。
为了实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供了一种落石检测模型训练方法，所述方法包括：
计算目标图像的区域标识和标准图像的区域标识的第一损失惩罚项信息，其中，所述目标图像的区域标识由图像分割网络输出，所述标准图像的区域标识由人工标注，所述区域标识指示所述目标图像或所述标准图像中的高速道路区域和非高速道路区域，所述第一损失惩罚信息为目标图像中的区域标识与标准图像中的区域标识的差异；
计算所述目标图像中目标落石信息与所述标准图像中标准落石信息的第二损失惩罚项信息，其中，所述第二损失惩罚项信息为目标图像中的目标落石信息与所述标准图像的标准落石信息的差异，所述标准图像的标准落石信息由人工标注；
将所述第一损失惩罚项信息和所述损失第二惩罚项信息分别输入至图像分割网络和落石检测网络中，得到更新后的目标图像的区域标识和更新后的所述目标图像的目标落石信息；
返回执行所述计算目标图像的区域标识和标准图像的区域标识的第一损失惩罚项信息的步骤，直至最新的第一惩罚项信息和最新的第二惩罚项信息满足落石检测条件。
在可选的实施方式中，所述计算目标图像的区域标识和标准图像的区域标识的第一损失惩罚项信息包括：
计算二分类损失函数Lseg；
Figure BDA0003113654570000021
其中，y为样本标签，当标准图像的像素属于高速道路时取值为1，否则为0，y′为模型预测为高速道路类的概率，N为像素点数量。
在可选的实施方式中，所述计算所述目标图像中目标落石信息与所述标准图像中标准落石信息的第二损失惩罚项信息包括：
计算中心坐标误差La,b；
Figure BDA0003113654570000022
其中，a,b为目标框的中心的横坐标和纵坐标，K*K代表网格数量，M为每个网格所产生的候选框，ai,bi为真实目标框的中心的横坐标和纵坐标，a′i,b′i为目标框的中心的横坐标和纵坐标的预测值，
Figure BDA0003113654570000023
表示第i个网格的第j个候选框是否和真实值进行计算，若是
Figure BDA0003113654570000024
否则为0，obj表示网格产生的候选框中与真实目标框的交并比大于指定阈值的预测框，i是K*K的网格的遍历，j是每个格子上的M个候选框的遍历；
计算宽高误差Lw,h；
Figure BDA0003113654570000031
其中，w,h为目标框的宽度和高度，wi，hi为目标框的真实宽度和高度，w′i，h′i为目标框宽度和高度的预测值；
计算置信度误差Lconf：
Figure BDA0003113654570000032
其中，
Figure BDA0003113654570000033
为存在落石的目标框的置信度误差，
Figure BDA0003113654570000034
为不存在落石的目标框的置信度误差，
Figure BDA0003113654570000035
表示i个网格的第j个候选框是否负责和真实值进行计算，不负责为1，负责为0，是否和真实值进行计算由候选框与真实值的IOU是否大于阈值决定，IOU为候选框与真实目标框的交并比，C′i表示真实值，若第i个网格的候选框负责目标，则C′i为1，若否则为0，Ci为预测值，λnoobj表示非目标的背景的目标框的权重系数；
计算分类误差Lclass；
Figure BDA0003113654570000036
p′i(c)为类别为c的真实标签，pi(c)为类别为c的预测值，c为类别为落石的值；
将L＝La,b+Lw,h+Lconf+Lclass作为第二损失函数惩罚项。
在可选的实施方式中，所述图像分割网络的输出作为所述落石检测网络的输入。
在可选的实施方式中，所述图像分割网络由四个卷积层与残差结构组成。
在可选的实施方式中，所述方法还包括：
计算所述落石检测网络的第一平均精度和第二平均精度；
所述计算所述落石检测网络的第一平均精度和第二平均精度的步骤包括：
计算第一平均精度；
Figure BDA0003113654570000041
其中，p和r分别代表精准度与召回率；
所述精准度
Figure BDA0003113654570000042
所述召回率
Figure BDA0003113654570000043
TP表示目标框对应的图像区域的实际值标签为落石，算法预测的类别是落石的目标框个数，FP表示目标框对应的图像区域的实际值标签为非落石，算法预测的类别是落石的目标框个数，FN表示目标框对应的图像区域的实际值标签为落石，算法预测的类别是非落石的目标框个数；
计算第二平均精度；
Figure BDA0003113654570000044
根据所述第一平均精度和所述第二平均精度对所述落石检测模型进行评价。
第二方面，本申请实施例提供了一种落石检测方法，所述方法包括：
将目标图像输入至图像分割网络；
所述图像分割网络检测所述目标图像中的区域标识，其中，所述区域标识指示所述目标图像的高速道路区域和非高速道路区域；
将携带有区域标识输入的所述目标图像输入至落石检测网络中；
所述落石检测网络对所述目标图像以及所述目标图像对应的标识信息进行检测；
所述落石检测网络输出高速道路区域的落石信息和非高速道路的落石信息。
第三方面，本申请提供了一种落石检测模型训练装置，所述装置包括：
第一计算模块，用于计算目标图像的区域标识和标准图像的区域标识的第一损失惩罚项信息，其中，所述目标图像的区域标识由图像分割网络输出，所述标准图像的区域标识由人工标注，所述区域标识指示所述目标图像或所述标准图像中的高速道路区域和非高速道路区域，所述第一损失惩罚信息为目标图像中的区域标识与标准图像中的区域标识的差异；
第二计算模块，用于计算所述目标图像中目标落石信息与所述标准图像中标准落石信息的第二损失惩罚项信息，其中，所述第二损失惩罚项信息为目标图像中的落石信息与所述标准图像的标准落石信息的差异；
输入模块，用于将所述第一损失惩罚项信息和所述损失第二惩罚项信息分别输入至图像分割网络和落石检测网络中，得到更新后的目标图像和更新后的所述目标图像的目标落石信息；
执行模块，用于返回执行所述计算目标图像和标准图像的第一损失惩罚项信息的步骤，直至最新的第一惩罚项信息和最新的第二惩罚项信息满足落石检测条件。
第四方面，本申请实施例提供了一种落石检测设备，所述设备包括：第一输入模块，用于将目标图像输入至所述的图像分割网络；
第一检测模块，用于所述图像分割网络检测所述目标图像中的区域标识，其中，所述区域标识指示所述目标图像的高速道路区域和非高速道路区域；
第二输入模块，用于将携带有区域标识输入的所述目标图像输入至所述的落石检测网络中；
第二检测模块，用于所述落石检测网络对所述目标图像以及所述目标图像对应的标识信息进行检测；
输出模块，用于所述落石检测网络输出高速道路区域的落石信息和非高速道路的落石信息。
第五方面，本申请实施例提供了一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述落石检测模型训练方法的步骤。
第六方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述落石检测模型训练方法的步骤。
本申请具有以下有益效果：
本申请通过计算目标图像的区域标识和标准图像的区域标识的第一损失惩罚项信息，计算目标图像中目标落石信息与标准图像中标准落石信息的第二损失惩罚项信息；将第一损失惩罚项信息和损失第二惩罚项信息分别输入至图像分割网络和落石检测网络中，得到更新后的目标图像的区域标识和更新后的目标图像的目标落石信息；返回执行计算目标图像的区域标识和标准图像的区域标识的第一损失惩罚项信息的步骤，直至最新的第一惩罚项信息和最新的第二惩罚项信息满足落石检测条件。本申请通过图像分割网络，将落石的注意力放在高速道路上，从而减少高速道路外的误判情况。高速道路的落石检测对于提高山区驾驶安全有着重要作用。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的电子设备的方框示意图；
图2为本发明实施例提供的一种落石检测模型训练方法的流程示意图之一；
图3为本发明实施例提供图像分割网络示意图；
图4为本发明实施例提供的落石检测网络示意图；
图5为本发明实施例提供的添加图像分割网络的落石检测网络示意图；
图6为本发明实施例提供的一种落石检测模型训练方法的流程示意图之二；
图7为本发明实施例提供的添加图像分割网络前后的特征图对比图；
图8为本发明实施例提供的一种落石检测方法的流程示意图；
图9为本发明实施例提供的基于训练后的模型的检测效果图；
图10为本发明实施例提供的一种落石检测模型训练装置的结构框图；
图11为本发明实施例提供的一种落石检测设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。
经过发明人大量研究发现，现有技术中对落石检测采用计算机视觉的方法时，大多数研究者都采用了视频帧间差作为依据，为了规避其他变化带来的误差，甚至划分了检测区域，但这些方法都不适用与高速道路的落石检测。若使用帧间法进行检测，高速道路上运动的车辆会直接影响结果，且检测区域与车辆运动区域重叠，无法通过划分区域规避误报。
有鉴于对上述问题的发现，本实施例提供了一种落石检测模型训练方法，能够通过计算目标图像的区域标识和标准图像的区域标识的第一损失惩罚项信息，其中，所述目标图像的区域标识由图像分割网络输出，所述标准图像的区域标识由人工标注，所述区域标识指示所述目标图像或所述标准图像中的高速道路区域和非高速道路区域，所述第一损失惩罚信息为目标图像中的区域标识与标准图像中的区域标识的差异；计算所述目标图像中目标落石信息与所述标准图像中标准落石信息的第二损失惩罚项信息，其中，所述第二损失惩罚项信息为目标图像中的目标落石信息与所述标准图像的标准落石信息的差异，所述标准图像的标准落石信息由人工标注；将所述第一损失惩罚项信息和所述损失第二惩罚项信息分别输入至图像分割网络和落石检测网络中，得到更新后的目标图像的区域标识和更新后的所述目标图像的目标落石信息；返回执行所述计算目标图像的区域标识和标准图像的区域标识的第一损失惩罚项信息的步骤，直至最新的第一惩罚项信息和最新的第二惩罚项信息满足落石检测条件，基于训练好的网络，对落石进行检测。
本实施例提供一种可以对落石检测模型进行训练的电子设备。在一种可能的实现方式中，所述电子设备可以为用户终端，例如，电子设备可以是，但不限于，服务器、智能手机、个人电脑(PersonalComputer，PC)、平板电脑、个人数字助理(Personal DigitalAssistant，PDA)、移动上网设备(Mobile Internet Device，MID)以及图像采集装置等。
请参照图1，图1是本申请实施例提供的电子设备100的结构示意图。所述电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
所述电子设备100包括落石检测模型训练装置110、存储器120及处理器130。
所述存储器120及处理器130各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述落石检测模型训练装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器120中或固化在所述电子设备100的操作系统(operating system，OS)中的软件功能模块。所述处理器130用于执行所述存储器120中存储的可执行模块，例如所述基于落石检测模型训练装置110所包括的软件功能模块及计算机程序等。
其中，所述存储器120可以是，但不限于，随机存取存储器(RandomAccess Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable ProgrammableRead-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory，EEPROM)等。其中，存储器120用于存储程序，所述处理器130在接收到执行指令后，执行所述程序。
请参照图2，图2为应该用于图1的电子设备100的一种落石检测模型训练方法的流程图，以下将方法包括各个步骤进行详细阐述。
步骤201：计算目标图像的区域标识和标准图像的区域标识的第一损失惩罚项信息。
其中，目标图像的区域标识由图像分割网络输出，标准图像的区域标识由人工标注，区域标识指示目标图像或标准图像中的高速道路区域和非高速道路区域，第一损失惩罚信息为目标图像中的区域标识与标准图像中的区域标识的差异。
步骤202：计算目标图像中目标落石信息与标准图像中标准落石信息的第二损失惩罚项信息。
其中，第二损失惩罚项信息为目标图像中的目标落石信息与标准图像的标准落石信息的差异，标准图像的标准落石信息由人工标注。
步骤203：将第一损失惩罚项信息和损失第二惩罚项信息分别输入至图像分割网络和落石检测网络中，得到更新后的目标图像的区域标识和更新后的目标图像的目标落石信息。
步骤204：返回执行计算目标图像的区域标识和标准图像的区域标识的第一损失惩罚项信息的步骤，直至最新的第一惩罚项信息和最新的第二惩罚项信息满足落石检测条件。
当最新的第一惩罚项信息和最新的第二惩罚项信息收敛时，则满足落石检测条件，即第一惩罚项信息收敛时，图像分割网络可以对图像的区域准确识别，当更新的第二惩罚项信息收敛时，落石检测网络可以对图像中的落石进行准确检测。
如图3所示，为图像分割网络示意图。
图像分割网络由四个卷积层与残差结构组成。
目标图像通过第一卷积层、第二卷积层、第三卷积层以及第四卷积层，在残差结构层输出图像的结果，即输出携带有区域标识的目标图像。
标准图像的区域标识是通过人为标注的，即人为标注标准图像中的高速道路区域和非高速道路区域。目标图像的区域标识是通过图像分割网络预测得到的，将目标图像输入至图像分割网络，图像分割网络依据目标图像生成预测参数，基于预测参数对目标图像的区域进行标注，得到目标图像的区域标识。
标准图像的标准落石信息是通过人为标注的，即人为标注标准图像中的标准落石信息，目标图像的目标落石信息是通过落石检测网络预测得到的，将目标图像输入至落石检测网络，落石检测网络依据目标图像生成预测参数，基于预测参数对目标图像中的落石进行标注，得到目标图像的目标落石信息。
图4是落石检测网络示意图。落石检测网络采用YOLO v3网络结构，YOLO v3由多个DBL与res结构组成，并采用多尺度的方式进行3个尺度的检测。
DBL:代码中的Darknetconv2d_BN_Leaky，是yolo_v3的基本组件。就是卷积+BN+Leakyrelu。resn：n代表数字，有res1，res2,…,res8等等，表示这个res_block里含有多少个res_unit。
携带有区域标识的目标图像输入至YOLO v3网络中，输出目标落石信息。如图5所示，为添加图像分割网络的落石检测网络示意图。
将图像分割网络与YOLO v3网络结合，图像分割网络的输出作为YOLO v3网络的输入。
目标图像经过图像分割网络，得到携带有区域标识的目标图像，将目标图像作为输入，输入至YOLO v3网络中进行落石检测，得到目标图像中高速道路区域中的落石信息和非高速道路区域的落石信息。
计算目标图像的区域标识和标准图像的区域标识的第一损失惩罚项信息具体为：
计算二分类损失函数Lseg；
Figure BDA0003113654570000101
其中，y为样本标签，当标准图像的像素属于高速道路时取值为1，否则为0，y′为模型预测为高速道路类的概率，N为像素点数量。
计算目标图像中目标落石信息与标准图像中标准落石信息的第二损失惩罚项信息具体为：
计算中心坐标误差La,b；
Figure BDA0003113654570000111
其中，a,b为目标框的中心的横坐标和纵坐标，K*K代表网格数量，M为每个网格所产生的候选框，ai,bi为真实目标框的中心的横坐标和纵坐标，a′i,b′i为目标框的中心的横坐标和纵坐标的预测值，
Figure BDA0003113654570000112
表示第i个网格的第j个候选框是否和真实值进行计算，若是
Figure BDA0003113654570000113
否则为0，obj表示网格产生的候选框中与真实目标框的交并比大于指定阈值的预测框。
计算宽高误差Lw,h；
Figure BDA0003113654570000114
其中，w,h为目标框的宽度和高度，wi，hi为目标框的真实宽度和高度，w′i，h′i为目标框宽度和高度的预测值；
计算置信度误差Lconf；
Figure BDA0003113654570000115
其中，
Figure BDA0003113654570000116
为存在落石的目标框的置信度误差，
Figure BDA0003113654570000117
为不存在落石的目标框的置信度误差，
Figure BDA0003113654570000118
表示i个网格的第j个候选框是否和真实值进行计算，不负责为1，负责为0，是否和真实值进行计算由候选框与真实值的IOU是否大于阈值决定，IOU为候选框与真实目标框的交并比，C′i表示真实值，若第i个网格的候选框负责目标，则C′i为1，若否则为0，Ci为预测值，λnoobj表示非目标的背景的目标框的权重系数。
对于一幅图像，一般而言大部分内容是不包含待检测类别的目标物体的，导致没有待检测类别的目标物体的图像计算部分贡献会大于有物体的计算部分，这会导致网络倾向于预测单元格不含有物体。因此要减少没有物体计算部分的贡献权重，比如取值为：0.5。
落石检测网络最终会产生一些特征图，特征图对应的就是一张网格，网格的大小是K*K，每个格子上会产生M个候选框。i是K*K的网格的遍历，j是每个格子上的M个候选框的遍历。一共产生K*K*M个候选框，但是这些候选框中只有与真实目标框的IOU大于一定值(阈值)的时候，才会纳入这个La,b的损失函数的计算。阈值的设置通常通过人工经验设置，比如阈值设置为0.2或0.3。
计算分类误差Lclass：
Figure BDA0003113654570000121
Figure BDA0003113654570000122
p′i(c)为类别为c的真实标签，pi(c)为类别为c的预测值，c为类别为落石的值；
将L＝La,b+Lw,h+Lconf+Lclass作为第二损失函数惩罚项。
在统计学中，一个概率样本的置信区间(Confidence interval)是对这个样本的某个总体参数的区间估计。置信区间展现的是这个参数的真实值有一定概率落在测量结果的周围的程度。置信区间给出的是被测量参数测量值的可信程度范围，即前面所要求的“一定概率”。这个概率被称为置信水平。
依据第一惩罚项信息对图像分割网络的预测参数进行调整，依据第二惩罚项信息对落石检测网络的预测参数进行调整，直至第一惩罚项信息和第二惩罚项信息最小为止。
本申请通过计算目标图像的区域标识和标准图像的区域标识的第一损失惩罚项信息，计算目标图像中目标落石信息与标准图像中标准落石信息的第二损失惩罚项信息；将第一损失惩罚项信息和损失第二惩罚项信息分别输入至图像分割网络和落石检测网络中，得到更新后的目标图像的区域标识和更新后的目标图像的目标落石信息；返回执行计算目标图像的区域标识和标准图像的区域标识的第一损失惩罚项信息的步骤，直至最新的第一惩罚项信息和最新的第二惩罚项信息满足落石检测条件。本申请通过图像分割网络，将落石的注意力放在高速道路上，从而减少高速道路外的误判情况。高速道路的落石检测对于提高山区驾驶安全有着重要作用。
为了对训练好的模型进行评价，在本申请的另一个实施例中，如图6所示，提供了一种落石检测模型训练方法，具体包括以下步骤：
步骤301：计算落石检测网络的第一平均精度和第二平均精度。
具体为：
Figure BDA0003113654570000131
其中，p和r分别代表精准度与召回率；
精准度
Figure BDA0003113654570000132
召回率
Figure BDA0003113654570000133
TP表示目标框对应的图像区域的实际值标签为落石，算法预测的类别是落石的目标框个数，FP表示目标框对应的图像区域的实际值标签为非落石，算法预测的类别是落石的目标框个数，FN表示目标框对应的图像区域的实际值标签为落石，算法预测的类别是非落石的目标框个数。
计算第二平均精度具体为：
Figure BDA0003113654570000134
步骤302：根据第一平均精度和第二平均精度对落石检测模型进行评价。
深度学习测试模型效果的时,经常会使用一些特定的评价指标。根据数据集的分布情况以及使用侧重的效果可以选择不同的指标进行评价。一般常用的评价指标有第一平均精度、第二平均精度、mAP、ROC/AUC。
第一平均精度衡量的是训练出的模型在每个类别上的好坏。
P，准确率/查准率。R，召回率/查全率。这两个指标分别以两个角度衡量分类系统的准确率。目标检测中计算查准率和召回率之前需要需要计算检测框的IOU值,并根IOU值判断是否预测正确。
P-R曲线(PR曲线),PR曲线的横轴R也就是TPR，反映了分类器对正例的覆盖能力。而纵轴P的分母是识别为正例的数目，而不是实际正例数目。R反映了分类器预测正例的准确程度。那么，P-R曲线反映了分类器对正例的识别准确程度和对正例的覆盖能力之间的权衡。对于随机分类器而言，其P固定的等于样本中正例的比例，不随R的变化而变化。
多分类中每个类别可以绘制出一条PR曲线,曲线中为依次改变置信度为10％-100％得到一组由P和R组成的坐标,连接这些值就是PR曲线。
第二平均精度，它被定义为查准率和召回率的调和平均数。
一般在查全率和查准率上有偏向的时候,会第二平均精度,例如推荐系统中，如果需要更精准的了解客户需求，避免推送用户不感兴趣的内容，P就更加重要；在疾病检测的时候，我们不需要查漏任何一项疾病，这时R(TPR)就更重要。当两者都需要考虑时，第二平均精度就是一种参考指标。
如表1所示，为增加图像分割网路和未增加图像分割网络的第一平均金谷地和第二平均精度的对比。
表1
Figure BDA0003113654570000141
如图7所示，为添加图像分割网络前后的特征图对比图。
可见，将图像分割网络和落石检测网络结合后，第一平均精度和第二平均精度均提高。
在本申请的另一个实施例中，如图8所示，提供了一种落石检测方法，具体包括以下步骤：
步骤401：将目标图像输入至图像分割网络。
步骤402：图像分割网络检测目标图像中的区域标识。
其中，区域标识指示目标图像的高速道路区域和非高速道路区域。
步骤403：将携带有区域标识输入的目标图像输入至落石检测网络中。
步骤404：落石检测网络对目标图像以及目标图像对应的标识信息进行检测。
步骤405：落石检测网络输出高速道路区域的落石信息和非高速道路的落石信息。
将目标图像通过图像分割网络和落石检测网络，将图像先输入至图像分割网络中，确定目标图像中高速道路区域和非高速道路区域，将标注好区域的目标图像，即携带有区域标识输入的目标图像作为落石检测网络的输入，得到高速道路区域和非高速道路区域的落石信息。在对高速道路落石提前检测的条件下，可提前发出预警，提醒驾驶者注意道路安全或在道路堵塞的情况下选择其他道路。
如图9所示，基于训练后的模型的检测效果图。
采用训练好的模型对目标图像中的落石信息进行检测，把注意力放在高速道路上，从而减少高速道路外的误判情况。
请参照图10，本申请实施例还提供了一种应用于图1所述电子设备100的落石检测模型训练装置110，所述落石检测模型训练装置110包括：
第一计算模块111，用于计算目标图像的区域标识和标准图像的区域标识的第一损失惩罚项信息，其中，所述目标图像的区域标识由图像分割网络输出，所述标准图像的区域标识由人工标注，所述区域标识指示所述目标图像或所述标准图像中的高速道路区域和非高速道路区域，所述第一损失惩罚信息为目标图像中的区域标识与标准图像中的区域标识的差异。
在本实施例中，所述第一计算模块111可用于执行图2所示的步骤201，关于所述第一计算模块的具体描述可参照对所述步骤201的描述。
第二计算模块112，用于计算所述目标图像中目标落石信息与所述标准图像中标准落石信息的第二损失惩罚项信息，其中，所述第二损失惩罚项信息为目标图像中的落石信息与所述标准图像的标准落石信息的差异。
在本实施例中，所述第二计算模块112可用于执行图2所示的步骤202，关于所述第二计算模块的具体描述可参照对所述步骤202的描述。
输入模块113，用于将所述第一损失惩罚项信息和所述损失第二惩罚项信息分别输入至图像分割网络和落石检测网络中，得到更新后的目标图像和更新后的所述目标图像的目标落石信息。
在本实施例中，所述输入模块113可用于执行图2所示的步骤203，关于所述输入模块的具体描述可参照对所述步骤203的描述。
执行模块114，用于返回执行所述计算目标图像和标准图像的第一损失惩罚项信息的步骤，直至最新的第一惩罚项信息和最新的第二惩罚项信息满足落石检测条件。
在本实施例中，所述执行模块114可用于执行图2所示的步骤204，关于所述执行模块的具体描述可参照对所述步骤204的描述。
综上所述，本申请通过计算目标图像的区域标识和标准图像的区域标识的第一损失惩罚项信息，计算目标图像中目标落石信息与标准图像中标准落石信息的第二损失惩罚项信息；将第一损失惩罚项信息和损失第二惩罚项信息分别输入至图像分割网络和落石检测网络中，得到更新后的目标图像的区域标识和更新后的目标图像的目标落石信息；返回执行计算目标图像的区域标识和标准图像的区域标识的第一损失惩罚项信息的步骤，直至最新的第一惩罚项信息和最新的第二惩罚项信息满足落石检测条件。本申请通过图像分割网络，将落石的注意力放在高速道路上，从而减少高速道路外的误判情况。高速道路的落石检测对于提高山区驾驶安全有着重要作用。
请参照图11，本申请实施例还提供了一种落石检测设备，所述设备包括：
第一输入模块501，用于将目标图像输入至所述的图像分割网络；
第一检测模块502，用于所述图像分割网络检测所述目标图像中的区域标识，其中，所述区域标识指示所述目标图像的高速道路区域和非高速道路区域；
第二输入模块503，用于将携带有区域标识输入的所述目标图像输入所述的落石检测网络中；
第二检测模块504，用于所述落石检测网络对所述目标图像以及所述目标图像对应的标识信息进行检测；
输出模块505，用于所述落石检测网络输出高速道路区域的落石信息和非高速道路的落石信息。
本申请通过将目标图像通过图像分割网络和落石检测网络，将图像先输入至图像分割网络中，确定目标图像中高速道路区域和非高速道路区域，将标注好区域的目标图像，即携带有区域标识输入的目标图像作为落石检测网络的输入，得到高速道路区域和非高速道路区域的落石信息。在对高速道路落石提前检测的条件下，可提前发出预警，提醒驾驶者注意道路安全或在道路堵塞的情况下选择其他道路。
本申请还提供一种电子设备100，电子设备100包括处理器130以及存储器120。存储器120存储有计算机可执行指令，计算机可执行指令被处理器130执行时，实现该落石检测模型训练方法。
本申请实施例还提供一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序被处理器130执行时，实现该落石检测模型训练方法。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述，仅为本申请的各种实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (11)

1.一种落石检测模型训练方法，其特征在于，所述方法包括：
计算目标图像的区域标识和标准图像的区域标识的第一损失惩罚项信息，其中，所述目标图像的区域标识由图像分割网络输出，所述标准图像的区域标识由人工标注，所述区域标识指示所述目标图像或所述标准图像中的高速道路区域和非高速道路区域，所述第一损失惩罚信息为目标图像中的区域标识与标准图像中的区域标识的差异；
计算所述目标图像中目标落石信息与所述标准图像中标准落石信息的第二损失惩罚项信息，其中，所述第二损失惩罚项信息为目标图像中的目标落石信息与所述标准图像的标准落石信息的差异，所述标准图像的标准落石信息由人工标注；
将所述第一损失惩罚项信息和所述损失第二惩罚项信息分别输入至图像分割网络和落石检测网络中，得到更新后的目标图像的区域标识和更新后的所述目标图像的目标落石信息；
返回执行所述计算目标图像的区域标识和标准图像的区域标识的第一损失惩罚项信息的步骤，直至最新的第一惩罚项信息和最新的第二惩罚项信息满足落石检测条件。
2.根据权利要求1所述的方法，其特征在于，所述计算目标图像的区域标识和标准图像的区域标识的第一损失惩罚项信息包括：
计算二分类损失函数Lseg；
Figure FDA0003113654560000011
其中，y为样本标签，当标准图像的像素属于高速道路时取值为1，否则为0，y′为模型预测为高速道路类的概率，N为像素点数量。
3.根据权利要求1所述的方法，其特征在于，所述计算所述目标图像中目标落石信息与所述标准图像中标准落石信息的第二损失惩罚项信息的步骤包括：
计算中心坐标误差La,b；
Figure FDA0003113654560000012
其中，a,b为目标框的中心的横坐标和纵坐标，K*K代表网格数量，M为每个网格所产生的候选框，ai,bi为真实目标框的中心的横坐标和纵坐标，a′i,b′i为目标框的中心的横坐标和纵坐标的预测值，
Figure FDA0003113654560000021
表示第i个网格的第j个候选框是否和真实值进行计算，若是则
Figure FDA0003113654560000022
否则
Figure FDA0003113654560000023
为0，obj表示网格产生的候选框中与真实目标框的交并比大于指定阈值的预测框，i是K*K的网格的遍历，j是每个格子上的M个候选框的遍历；
计算宽度和高度误差Lw,h；
Figure FDA0003113654560000024
其中，w,h为目标框的宽度和高度，wi，hi为目标框的真实宽度和高度，w′i，h′i为目标框宽度和高度的预测值；
计算置信度误差Lconf；
Figure FDA0003113654560000025
其中，
Figure FDA0003113654560000026
为存在落石的目标框的置信度误差，
Figure FDA0003113654560000027
为不存在落石的目标框的置信度误差，
Figure FDA0003113654560000028
表示i个网格的第j个候选框是否和真实值进行计算，不计算为1，计算为0，是否和真实值进行计算由候选框与真实值的IOU是否大于阈值决定，IOU为候选框与真实目标框的交并比，C′i表示真实值，若第i个网格的候选框负责目标，则C′i为1，若否则为0，Ci为预测值，λnoobj表示非目标的背景的目标框的权重系数；
计算分类误差Lclass；
Figure FDA0003113654560000029
p′i(c)为类别为c的真实标签，pi(c)为类别为c的预测值，c为类别为落石的值；
将L＝La,b+Lw,h+Lconf+Lclass作为第二损失函数惩罚项。
4.根据权利要求1所述的方法，其特征在于，所述图像分割网络的输出作为所述落石检测网络的输入。
5.根据权利要求1所述的方法，其特征在于，所述图像分割网络由四个卷积层与残差结构组成。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
计算所述落石检测网络的第一平均精度和第二平均精度；
所述计算所述落石检测网络的第一平均精度和第二平均精度的步骤包括：
计算第一平均精度；
Figure FDA0003113654560000031
其中，p和r分别代表精准度与召回率；
所述精准度
Figure FDA0003113654560000032
所述召回率
Figure FDA0003113654560000033
其中，TP表示目标框对应的图像区域的实际值标签为落石且算法预测的类别是落石的目标框个数，FP表示目标框对应的图像区域的实际值标签为非落石且算法预测的类别是落石的目标框个数，FN表示目标框对应的图像区域的实际值标签为落石且算法预测的类别是非落石的目标框个数；
计算第二平均精度：
Figure FDA0003113654560000034
根据所述第一平均精度和所述第二平均精度对所述落石检测模型进行评价。
7.一种落石检测方法，其特征在于，所述方法包括：
将目标图像输入至所述权利要求1-6所述的图像分割网络；
所述图像分割网络检测所述目标图像中的区域标识，其中，所述区域标识指示所述目标图像的高速道路区域和非高速道路区域；
将携带有区域标识输入的所述目标图像输入至所述权利要求1-6所述的落石检测网络中；
所述落石检测网络对所述目标图像以及所述目标图像对应的标识信息进行检测；
所述落石检测网络输出高速道路区域的落石信息和非高速道路的落石信息。
8.一种落石检测模型训练装置，其特征在于，所述装置包括：
第一计算模块，用于计算目标图像的区域标识和标准图像的区域标识的第一损失惩罚项信息，其中，所述目标图像的区域标识由图像分割网络输出，所述标准图像的区域标识由人工标注，所述区域标识指示所述目标图像或所述标准图像中的高速道路区域和非高速道路区域，所述第一损失惩罚信息为目标图像中的区域标识与标准图像中的区域标识的差异；
第二计算模块，用于计算所述目标图像中目标落石信息与所述标准图像中标准落石信息的第二损失惩罚项信息，其中，所述第二损失惩罚项信息为目标图像中的落石信息与所述标准图像的标准落石信息的差异；
输入模块，用于将所述第一损失惩罚项信息和所述损失第二惩罚项信息分别输入至图像分割网络和落石检测网络中，得到更新后的目标图像和更新后的所述目标图像的目标落石信息；
执行模块，用于返回执行所述计算目标图像和标准图像的第一损失惩罚项信息的步骤，直至最新的第一惩罚项信息和最新的第二惩罚项信息满足落石检测条件。
9.一种落石检测设备，其特征在于，所述设备包括：
第一输入模块，用于将目标图像输入至所述权利要求1-6所述的图像分割网络；
第一检测模块，用于所述图像分割网络检测所述目标图像中的区域标识，其中，所述区域标识指示所述目标图像的高速道路区域和非高速道路区域；
第二输入模块，用于将携带有区域标识输入的所述目标图像输入至所述权利要求1-6所述的落石检测网络中；
第二检测模块，用于所述落石检测网络对所述目标图像以及所述目标图像对应的标识信息进行检测；
输出模块，用于所述落石检测网络输出高速道路区域的落石信息和非高速道路的落石信息。
10.一种电子设备，其特征在于包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7任一项所述方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
CN202110656003.0A 2021-06-11 2021-06-11 落石检测模型训练方法、落石检测方法及相关装置 Active CN113255820B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110656003.0A CN113255820B (zh) 2021-06-11 2021-06-11 落石检测模型训练方法、落石检测方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110656003.0A CN113255820B (zh) 2021-06-11 2021-06-11 落石检测模型训练方法、落石检测方法及相关装置

Publications (2)

Publication Number Publication Date
CN113255820A true CN113255820A (zh) 2021-08-13
CN113255820B CN113255820B (zh) 2023-05-02

Family

ID=77187680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110656003.0A Active CN113255820B (zh) 2021-06-11 2021-06-11 落石检测模型训练方法、落石检测方法及相关装置

Country Status (1)

Country Link
CN (1) CN113255820B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114220284A (zh) * 2021-12-13 2022-03-22 四川路桥建设集团交通工程有限公司 一种高速公路监控方法、系统、计算机设备及计算机可读存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109558902A (zh) * 2018-11-20 2019-04-02 成都通甲优博科技有限责任公司 一种快速目标检测方法
CN110084775A (zh) * 2019-05-09 2019-08-02 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN110490202A (zh) * 2019-06-18 2019-11-22 腾讯科技（深圳）有限公司 检测模型训练方法、装置、计算机设备和存储介质
CN110827253A (zh) * 2019-10-30 2020-02-21 北京达佳互联信息技术有限公司 一种目标检测模型的训练方法、装置及电子设备
CN111178364A (zh) * 2019-12-31 2020-05-19 北京奇艺世纪科技有限公司 一种图像识别方法和装置
US20200242345A1 (en) * 2019-01-30 2020-07-30 Canon Kabushiki Kaisha Detection apparatus and method, and image processing apparatus and system
CN111626350A (zh) * 2020-05-25 2020-09-04 腾讯科技（深圳）有限公司 目标检测模型训练方法、目标检测方法及装置
CN111626170A (zh) * 2020-05-20 2020-09-04 中铁二院工程集团有限责任公司 一种铁路边坡落石侵限检测的图像识别方法
CN111738996A (zh) * 2020-06-09 2020-10-02 交通运输部公路科学研究所 基于机器学习的桥梁健康监测预警系统
CN111832368A (zh) * 2019-04-23 2020-10-27 长沙智能驾驶研究院有限公司 可行驶区域检测模型的训练方法、训练装置及应用
CN112329873A (zh) * 2020-11-12 2021-02-05 苏州挚途科技有限公司 目标检测模型的训练方法、目标检测方法及装置
CN112749726A (zh) * 2020-02-26 2021-05-04 腾讯科技（深圳）有限公司 目标检测模型的训练方法、装置、计算机设备和存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109558902A (zh) * 2018-11-20 2019-04-02 成都通甲优博科技有限责任公司 一种快速目标检测方法
US20200242345A1 (en) * 2019-01-30 2020-07-30 Canon Kabushiki Kaisha Detection apparatus and method, and image processing apparatus and system
CN111832368A (zh) * 2019-04-23 2020-10-27 长沙智能驾驶研究院有限公司 可行驶区域检测模型的训练方法、训练装置及应用
CN110084775A (zh) * 2019-05-09 2019-08-02 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN110490202A (zh) * 2019-06-18 2019-11-22 腾讯科技（深圳）有限公司 检测模型训练方法、装置、计算机设备和存储介质
CN110827253A (zh) * 2019-10-30 2020-02-21 北京达佳互联信息技术有限公司 一种目标检测模型的训练方法、装置及电子设备
CN111178364A (zh) * 2019-12-31 2020-05-19 北京奇艺世纪科技有限公司 一种图像识别方法和装置
CN112749726A (zh) * 2020-02-26 2021-05-04 腾讯科技（深圳）有限公司 目标检测模型的训练方法、装置、计算机设备和存储介质
CN111626170A (zh) * 2020-05-20 2020-09-04 中铁二院工程集团有限责任公司 一种铁路边坡落石侵限检测的图像识别方法
CN111626350A (zh) * 2020-05-25 2020-09-04 腾讯科技（深圳）有限公司 目标检测模型训练方法、目标检测方法及装置
CN111738996A (zh) * 2020-06-09 2020-10-02 交通运输部公路科学研究所 基于机器学习的桥梁健康监测预警系统
CN112329873A (zh) * 2020-11-12 2021-02-05 苏州挚途科技有限公司 目标检测模型的训练方法、目标检测方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BENJAMIN SCHNIEDERS等: "Fast Convergence for Object Detection by Learning how to Combine Error Functions", 《2018 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS (IROS)》 *
徐成伟等: "基于雷达与视频分析技术的铁路崩塌落石自动监测报警系统设计与实现", 《铁路计算机应用》 *
李玉峰等: "采用改进Faster R-CNN的遥感图像目标检测方法", 《信号处理》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114220284A (zh) * 2021-12-13 2022-03-22 四川路桥建设集团交通工程有限公司 一种高速公路监控方法、系统、计算机设备及计算机可读存储介质
CN114220284B (zh) * 2021-12-13 2023-08-08 四川路桥建设集团交通工程有限公司 一种高速公路监控方法、系统、计算机设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN113255820B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN103020978B (zh) 结合多阈值分割与模糊聚类的sar图像变化检测方法
US9361702B2 (en) Image detection method and device
CN111539454B (zh) 一种基于元学习的车辆轨迹聚类方法及系统
Feng et al. Incorporation of spatial heterogeneity-weighted neighborhood into cellular automata for dynamic urban growth simulation
CN112258093A (zh) 风险等级的数据处理方法及装置、存储介质、电子设备
US20190378180A1 (en) Method and system for generating and using vehicle pricing models
CN101246645A (zh) 一种识别离群交通数据的方法
JP7051424B2 (ja) 異常検出装置
Moghaddam et al. Real-time prediction of arterial roadway travel times using data collected by bluetooth detectors
CN114973659A (zh) 一种高速公路的间接事件检测的方法、装置及系统
CN113255820A (zh) 落石检测模型训练方法、落石检测方法及相关装置
CN114954504A (zh) 用于确定传感器探测条件的方法、融合数据的方法、提供信号的方法以及评估设备
CN116384844B (zh) 基于地理信息云平台的决策方法及装置
CN117235540A (zh) 基于特征匹配融合的传感器动态信息联动分析方法
CN117151513A (zh) 评价交通安全的方法、装置、设备及存储介质
CN116704366A (zh) 基于transformer深度学习模型的暴雨落区识别预警方法和装置
CN115482672A (zh) 车辆逆行检测的方法、装置、终端设备及存储介质
CN113012430A (zh) 一种车辆排队长度检测方法、装置、设备及可读存储介质
CN112380986A (zh) 抗复杂街道背景干扰的车型检测方法、系统及存储介质
CN109612467B (zh) 轨迹简化方法、系统及轨迹可视化系统
CN117831287B (zh) 高速公路拥堵指数的确定方法、装置、设备和存储介质
CN117272840B (zh) 一种高速公路恶劣天气预警方法及系统
CN116469013B (zh) 道路积水预测方法、装置、计算机设备及存储介质
KR102616571B1 (ko) 인공지능을 이용한 영상 분석 기반의 도로 교통정보 제공 방법 및 그를 위한 시스템
CN113128872B (zh) 一种城市快速路交通安全评价方法

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