CN113902729A - 一种基于YOLO v5模型的路面坑洼检测方法 - Google Patents
一种基于YOLO v5模型的路面坑洼检测方法 Download PDFInfo
- Publication number
- CN113902729A CN113902729A CN202111248110.6A CN202111248110A CN113902729A CN 113902729 A CN113902729 A CN 113902729A CN 202111248110 A CN202111248110 A CN 202111248110A CN 113902729 A CN113902729 A CN 113902729A
- Authority
- CN
- China
- Prior art keywords
- model
- yolo
- road surface
- module
- frame
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 206010039203 Road traffic accident Diseases 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (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)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明属于计算机视觉的目标检测领域，具体涉及一种基于改进YOLO v5模型的路面坑洼检测方法，该方法包括：实时获取路面图像数据，将获取的路面图像数据输入到改进的YOLO v5模型中，得到路面检测结果，根据结果控制车辆的运动方向；其中，所述改进的YOLO v5模型包括：首先，使用imgaug对数据进行增强；针对路面坑洼形状大小不一的情况，引入DBSCAN密度聚类算法重新设计先验框尺寸；将原始的YOLO v5模型的GIOU_loss损失函数改为EIOU_loss损失函数。通过使用改进的YOLO v5模型检测路面坑洼，较原始的YOLO v5模型取得良好效果，能在实际应用中为智能辅助驾驶系统准确预测前方道路坑洼情况，提醒驾驶员进行减速通过或避让，减少交通事故的发生，提高汽车的安全性能。
Description
技术领域
本发明属于计算机视觉的目标检测领域，具体涉及一种基于YOLO v5模型的路面坑洼检测方法。
背景技术
随着汽车数量的快速增长，道路的路面压力越来越大，路面坑洼的出现在所难免。当汽车通过坑洼的路面时，轮胎容易受损、悬架的压力增大从而影响汽车安全性能。针对上述影响，从复杂的交通场景中准确识别并定位路面的坑洼，对减少交通事故、减少汽车性能的危害有着很大的意义。
无人驾驶技术发展迅速，其中辅助智能驾驶技术中的目标检测技术极其关键。由于坑洼目标形状不规则、背景杂乱，传统的目标检测方法精确度不高，运算时间长，内存消耗大。YOLO v5目标检测算法作为一款检测速度快的轻量化模型，它的大小仅有27MB，而YOLOv4的大小为244MB，同时具有YOLOv4相当的准确度，使用Pytorch框架，方便训练自己的数据集，容易投入生产。
发明内容
为解决以上现有技术存在的问题，本发明提出了一种基于YOLO v5模型的路面坑洼检测方法，该方法包括：实时获取路面图像数据，将获取的路面图像数据输入到训练好的YOLO v5模型中，得到路面检测结果，根据结果控制车辆的运动方向；
训练YOLO v5模型的过程包括：
S1：获取原始数据集，对原始数据集进行数据增强处理，得到增强数据集；增强数据集中的图片包括不同种类的路面坑洼原始图片和增强后的图片；
S2：对增强的数据集进行划分，得到训练集和测试集；
S3：将训练集中的数据输入到改进后的YOLO v5模型的输入端进行预处理；
S4：将预处理后的图片输入到骨干网络中进行特征提取，得到特征图；
S5：将特征图输入到Neck网络中进行特征融合处理，得到检测框；
S6：对检测框进行筛选，得到预测框；
S7：将测试集中的数据输入到模型中，根据预测框得到检测结果；
S8：根据检测结果计算模型的损失函数，不断调整参数，当损失函数的值最小时，完成模型的训练。
优选的，对原始数据集中的图片进行划分的过程包括：对原始数据集中的坑洼图像进行标注，标注的区域为图像内容中的坑洼区域，将标注后的图像存储为xml文件；将标注后的文件按9：1的比例划分为训练集合和样本集。
优选的，YOLO v5模型的输入端对训练集中的数据进行预处理的过程包括：将输入的图片进行Mosaic增强处理和锚框计算；Mosaic增强处理的过程包括通过随机采用缩放、裁剪、排布的方式对样本数据进行拼接处理，得到增强后的图像；采用DBSCAN密度聚类算法对路面坑洼数据集中已标注的目标边界框进行聚类，产生不同数量、不同大小的先验框。
进一步的，采用DBSCAN密度聚类算法对路面坑洼数据集中已标注的目标边界框进行聚类的过程包括：
S1：从路面坑洼数据集中已标注的目标边界框的样本数据中选出核心样本点及其邻居；
S2：遍历所有筛选出的样本点，判断筛选出的样本点p是否为核心样本点，是则给p分配一个簇标签；不是核心样本点，则将样本点p标记为噪声；
S3：访问核心样本点p的所有邻居，并将点p的簇标签分配给所有邻居；
S4：判断每个被访问的邻居是否为核心样本点，若是则点p依次访问各核心样本的邻居，并将点p的簇标签分配给所有访问的邻居点，直到点p的邻居没有核心样本点为止；
S5：选取筛选出的样本点中另一个未被访问过的点，返回步骤S2重复上述过程，直至所有样本点都被分配簇标签或被标记为噪声，完成聚类。
进一步的，选出核心样本点及其邻居的过程包括：设置距离阈值ε和数量阈值MinPts；对于路面坑洼数据集中已标注的目标边界框的样本数据中的样本点p，计算该样本点与周围其他样本点的距离；若计算得到的距离小于等于设置的距离阈值ε，则统计所有小于ε的样本数量，将统计出的样本数量大于设置的数量阈值MinPts，则将样本点p标记为核心样本点；将与p距离小于等于ε的点称为p的邻居；若计算得到的距离大于设置的距离阈值ε，且统计出的样本数量小于等于设置的数量阈值，则该样本点p不为核心样本点。
优选的，YOLO v5模型分为四个部分：输入端，骨干网络(Backbone)，颈部(Neck)，预测部分(Prediction)。
优选的，YOLO v5模型的骨干网络包括Focus模块、BottleNeckCSP模块和SPP模块；Focus模块把原始的输入图像进行切片处理，对切片后的图像进行卷积，得到初始特征图；BottleNeckCSP模块包含BottleNeck模块和CSP模块；所述BottleNeck模块为残差结构，用来减少计算量；所述CSP模块用于优化主干网络中的梯度信息，将梯度变化集成到特征图中，减少模型的参数；SPP模块为空间金字塔池化模块，该模块用于将BottleNeckCSP模块输出的特征图进行卷积特征提取，采用三个大小不同的卷积核对提取的特征进行下采样，得到三个子特征图，将三个子特征图进行拼接并与初始特征图相融合，得到融合特征图；将融合后的特征图进行卷积恢复，得到与输入图片大小相同的特征图。
优选的，YOLO v5模型的Neck网络包括FPN单元和PAN单元；FPN单元通过下采样逐渐增大特征图尺寸并与CBL模块中卷积块输出的特征图进行融合相加，PAN单元通过下采样缩小特征图与FPN中逐渐增大的特征图进行特征融合相加，得到检测框。
优选的，检测框进行筛选的过程包括：通过非极大值抑制NMS对冗余预测框进行剔除，保留置信度最高的预测框。
优选的，计算模型的损失函数LEIoU为：
LEIoU＝LIoU+Ldis+Lasp
其中：LIoU表示两个矩形框重叠部分的交并比IoU的损失，Ldis表示距离损失，Lasp表示边长损失；ρ2(b,bgt)表示预测框和真实框的中心点的欧式距离，b表示预测框中心点的坐标，bgt表示真实框中心点的坐标，gt表示ground truth的缩写意为真实值，c表示能够同时包含预测框和真实框的最小闭包区域的对角线距离，ρ2(w,wgt)表示预测框和真实框的宽度的欧式距离，w表示预测框的宽，wgt表示真实框的宽，Cw表示表示能够同时包含预测框和真实框的最小闭包区域的宽，ρ2(h,hgt)表示预测框和真实框的高度的欧式距离，h表示预测框的高，hgt表示真实框的高；Ch表示能够同时包含预测框和真实框的最小闭包区域的高。
本发明的有益效果为：通过使用YOLOv5网络检测路面坑洼，较现有的YOLOv3网络取得良好效果，能在实际应用中为智能辅助驾驶系统准确预测前方道路坑洼情况，提醒驾驶员进行减速通过或避让，减少交通事故的发生，提高汽车的安全性能。
附图说明
图1为本发明一种道路坑洼检测方法的流程图；
图2为本发明的数据集格式配置图；
图3为本发明的数据增强效果图；
图4为本发明的YOLOv5网络结构图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
一种基于YOLO v5模型的路面坑洼检测方法，该方法包括：实时获取路面图像数据，将获取的路面图像数据输入到训练好的YOLO v5模型中，得到，路面检测结果，根据结果控制车辆的运动方向。其中对YOLO v5模型做如下改进：首先，使用imgaug对数据进行增强；针对路面坑洼形状大小不一的情况，使用DBSCAN密度聚类算法代替原来的K-means算法重新设计先验框尺寸；将原始的YOLO v5模型的GIOU_loss损失函数改为EIOU_loss损失函数；
如图1所示，对YOLO v5模型进行训练的过程包括：
S1：获取原始数据集，对数据集进行数据增强，获得增强数据集；
S2：对增强的数据集进行划分，得到训练集和测试集；增强的数据集中的图片包括不同种类的路面坑洼原始图片和增强后的图片；
S3：将训练集中的数据输入到改进后的YOLO v5模型的输入端进行预处理；
S4：将预处理后的图片输入到backbone中进行特征提取，得到特征图；
S5：将特征图输入到Neck网络中进行特征融合处理，得到检测框；
S6：对检测框进行筛选，得到预测框；
S7：将测试集中的数据输入到模型中，根据预测框得到检测结果；
S8：根据检测结果计算模型的损失函数，不断调整参数，当损失函数的值最小时，完成模型的训练。
一种基于YOLO v5模型的路面坑洼检测方法的具体实施方式，该方法包括：
S1：建立数据集，所采用的数据集包括不同种类的路面坑洼原始图片，并对数据集进行标注，然后使用imgaug进行数据增强，效果图如图3所示，得到待训练数据集；
S2：搭建好YOLOv5网络模型，将待训练数据集送入模型进行训练，训练结束得到权重文件；
S3：加载权重文件，将测试的坑洼路面图片或视频输入到模型中得出结果。
在建立数据集的过程中，获取的原始数据集包括来自Kaggle网站上共享的数据集和来自互联网上爬虫获取的路面坑洼图像数据。对获取的原始图像数据进行划分，具体过程包括：运用LabelImg图像标注工具对采集到的原始坑洼图像进行标注，标注的区域为图像坑洼的区域，将有标注的图像统一归为“pothole”一类，标注完成后保存为xml文件；使用PASCAL VOC数据格式，将标注后的图像数据进行格式化处理，格式化处理的过程如图2所示；将格式化处理的数据结果按照1：9的比例分为测试集和训练集。
如图3所示，YOLO v5模型的结构包括输入端、骨干网络、Neck模块和预测部分。
输入端用于对输入的图片进行Mosaic增强处理，即对输入的样本数据通过随机采用缩放、裁剪、排布的方式进行拼接处理；通过输入端对图像的处理，丰富了数据集、提高了网络鲁棒性、提升了模型的训练速度。使用DBSCAN密度聚类对路面坑洼数据集已标注的目标边界框聚类，产生不同数量、不同大小的先验框，尽可能增加先验框与实际目标框的匹配度，从而提高检测准确度。
优选的，YOLO v5模型的输入端对训练集中的数据进行预处理的过程包括：输入端将输入的4张样本图片进行mosaic处理和锚框计算，mosaic处理即随机采用缩放、裁剪、排布的方式对样本数据进行拼接处理。锚框计算即先计算出一组预设的边框，在训练时，以真实的边框位置相对于预设边框的偏移来构建训练样本。这就相当于，预设边框先大致在可能的位置“框”出来目标，然后再在这些预设边框的基础上进行调整。
骨干网络主要结构包括Focus模块、BottleNeckCSP模块和SPP模块。Focus模块把原始的输入图像进行切片，将切片后的图像再通过卷积操作得到特征图，目的是用来减少因信息损失而进行下采样操作的过程。BottleNeckCSP模块包含BottleNeck模块和CSP模块两个部分；BottleNeck是一种残差结构，用来减少计算量，CSP解决了主干网络中网络优化的梯度信息重复问题，将梯度的变化从头到尾地集成到特征图中，减少模型的参数量；SPP即空间金字塔池化，先进行卷积提取特征，再经过三个不同大小的卷积核进行下采样，将各自输出进行拼接与初始特征相加，最后经过卷积将输出恢复到初始输入大小，SPP用来解决输入图像尺寸不统一的问题。
Neck模块通过FPN单元和PAN单元完成特征融合部分，FPN单元通过下采样逐渐增大特征图尺寸并与CBL模块中卷积块输出的特征图进行融合相加，PAN单元通过下采样缩小特征图与FPN中逐渐增大的特征图进行特征融合相加并输出4个检测头。
YOLO v5模型在进行训练过程中的参数如表1所示。
表1 YOLOv5训练参数设置
预测部分采用LEIoU作为边框的损失函数，
其中，LIoU表示两个矩形框重叠部分的交并比IoU的损失，Ldis表示距离损失，Lasp表示边长损失；ρ2(b,bgt)表示预测框和真实框的中心点的欧式距离，b表示预测框中心点的坐标，bgt表示真实框中心点坐标，gt表示ground truth的缩写意为真实值，c表示能够同时包含预测框和真实框的最小闭包区域的对角线距离，ρ2(w,wgt)表示预测框和真实框的宽度的欧式距离，w表示预测框的宽，wgt表示真实框的宽，Cw表示能够同时包含预测框和真实框的最小闭包区域的宽，ρ2(h,hgt)表示预测框和真实框的高度的欧式距离，h表示预测框的高，hgt表示预测框的高，Ch表示能够同时包含预测框和真实框的最小闭包区域的高。
最后通过非极大值抑制NMS对冗余预测框进行剔除，保留置信度最高的预测框，完成检测过程。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于YOLO v5模型的路面坑洼检测方法，其特征在于，包括：实时获取路面图像数据，将获取的路面图像数据输入到训练好的YOLO v5模型中，得到路面检测结果，根据结果控制车辆的运动方向；
训练YOLO v5模型的过程包括：
S1：获取原始数据集，对原始数据集进行数据增强处理，得到增强数据集；增强数据集中的图片包括不同种类的路面坑洼原始图片和增强后的图片；
S2：对增强的数据集进行划分，得到训练集和测试集；
S3：将训练集中的数据输入到改进后的YOLO v5模型的输入端进行预处理；
S4：将预处理后的图片输入到骨干网络中进行特征提取，得到特征图；
S5：将特征图输入到Neck网络中进行特征融合处理，得到检测框；
S6：对检测框进行筛选，得到预测框；
S7：将测试集中的数据输入到模型中，根据预测框得到检测结果；
S8：根据检测结果计算模型的损失函数，不断调整参数，当损失函数的值最小时，完成模型的训练。
2.根据权利要求1所述的一种基于YOLO v5模型的路面坑洼检测方法，其特征在于，对原始数据集中的图片进行划分的过程包括：对原始数据集中的坑洼图像进行标注，标注的区域为图像内容中的坑洼区域，将标注后的图像存储为xml文件；将标注后的文件按9：1的比例划分为训练集合和样本集。
3.根据权利要求1所述的一种基于YOLO v5模型的路面坑洼检测方法，其特征在于，YOLO v5模型的输入端对训练集中的数据进行预处理的过程包括：将输入的图片进行Mosaic增强处理和锚框计算；Mosaic增强处理的过程包括通过随机采用缩放、裁剪、排布的方式对样本数据进行拼接处理，得到增强后的图像；采用DBSCAN密度聚类算法对路面坑洼数据集中已标注的目标边界框进行聚类，产生不同数量、不同大小的先验框。
4.根据权利要求3所述的一种基于YOLO v5模型的路面坑洼检测方法，其特征在于，采用DBSCAN密度聚类算法对路面坑洼数据集中已标注的目标边界框进行聚类的过程包括：
S1：从路面坑洼数据集中已标注的目标边界框的样本数据中选出核心样本点及其邻居；
S2：遍历所有筛选出的样本点，判断筛选出的样本点p是否为核心样本点，是则给p分配一个簇标签；不是核心样本点，则将样本点p标记为噪声；
S3：访问核心样本点p的所有邻居，并将点p的簇标签分配给所有邻居；
S4：判断每个被访问的邻居是否为核心样本点，若是则点p依次访问各核心样本的邻居，并将点p的簇标签分配给所有访问的邻居点，直到点p的邻居没有核心样本点为止；
S5：选取筛选出的样本点中另一个未被访问过的点，返回步骤S2重复上述过程，直至所有样本点都被分配簇标签或被标记为噪声，完成聚类。
5.根据权利要求4所述的一种基于YOLO v5模型的路面坑洼检测方法，其特征在于，选出核心样本点及其邻居的过程包括：设置距离阈值ε和数量阈值MinPts；对于路面坑洼数据集中已标注的目标边界框的样本数据中的样本点p，计算该样本点与周围其他样本点的距离；若计算得到的距离小于等于设置的距离阈值ε，则统计所有小于ε的样本数量，将统计出的样本数量大于设置的数量阈值MinPts，则将样本点p标记为核心样本点；将与p距离小于等于ε的点称为p的邻居；若计算得到的距离大于设置的距离阈值ε，且统计出的样本数量小于等于设置的数量阈值，则该样本点p不为核心样本点。
6.根据权利要求1所述的一种基于YOLO v5模型的路面坑洼检测方法，其特征在于，YOLO v5模型的骨干网络包括Focus模块、BottleNeckCSP模块和SPP模块；Focus模块把原始的输入图像进行切片处理，对切片后的图像进行卷积，得到初始特征图；BottleNeckCSP模块包含BottleNeck模块和CSP模块；所述BottleNeck模块为残差结构，用来减少计算量；所述CSP模块用于优化主干网络中的梯度信息，将梯度变化集成到特征图中，减少模型的参数；SPP模块为空间金字塔池化模块，该模块用于将BottleNeckCSP模块输出的特征图进行卷积特征提取，采用三个大小不同的卷积核对提取的特征进行下采样，得到三个子特征图，将三个子特征图进行拼接并与初始特征图相融合，得到融合特征图；将融合后的特征图进行卷积恢复，得到与输入图片大小相同的特征图。
7.根据权利要求1所述的一种基于YOLO v5模型的路面坑洼检测方法，其特征在于，YOLO v5模型的Neck网络包括FPN单元和PAN单元；FPN单元通过下采样逐渐增大特征图尺寸并与CBL模块中卷积块输出的特征图进行融合相加，PAN单元通过下采样缩小特征图与FPN中逐渐增大的特征图进行特征融合相加，得到检测框。
8.根据权利要求1所述的一种基于YOLO v5模型的路面坑洼检测方法，其特征在于，对检测框进行筛选的过程包括：通过非极大值抑制NMS对冗余预测框进行剔除，保留置信度最高的预测框。
9.根据权利要求1所述的一种基于YOLO v5模型的路面坑洼检测方法，其特征在于，计算模型的损失函数为：
其中，LIoU表示两个矩形框重叠部分的交并比IoU的损失，Ldis表示距离损失，Lasp表示边长损失；ρ2(b，bgt)表示预测框和真实框的中心点的欧式距离，b表示预测框中心点的坐标，bgt表示真实框中心点的坐标，gt表示真实值，c表示能够同时包含预测框和真实框的最小闭包区域的对角线距离，ρ2(w，wgt)表示预测框和真实框的宽度的欧式距离，w表示预测框的宽，wgt表示真实框的宽，Cw表示能够同时包含预测框和真实框的最小闭包区域的宽，ρ2(h，hgt)表示预测框和真实框的高度的欧式距离，h表示预测框的高度，hgt表示真实框的高度；Ch表示能够同时包含预测框和真实框的最小闭包区域的高。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111248110.6A CN113902729A (zh) | 2021-10-26 | 2021-10-26 | 一种基于YOLO v5模型的路面坑洼检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111248110.6A CN113902729A (zh) | 2021-10-26 | 2021-10-26 | 一种基于YOLO v5模型的路面坑洼检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113902729A true CN113902729A (zh) | 2022-01-07 |
Family
ID=79026270
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111248110.6A Pending CN113902729A (zh) | 2021-10-26 | 2021-10-26 | 一种基于YOLO v5模型的路面坑洼检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113902729A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114663769A (zh) * | 2022-04-07 | 2022-06-24 | 杭州电子科技大学 | 一种基于YOLO v5的水果识别方法 |
| CN114821492A (zh) * | 2022-04-10 | 2022-07-29 | 华东交通大学 | 一种基于YOLOv4的道路车辆检测系统及方法 |
| CN114842429A (zh) * | 2022-05-23 | 2022-08-02 | 中通服咨询设计研究院有限公司 | 一种基于yolov5的路况监测系统 |
| CN114999183A (zh) * | 2022-05-30 | 2022-09-02 | 扬州大学 | 一种交通路口车流量检测方法 |
| CN115035305A (zh) * | 2022-06-20 | 2022-09-09 | 寒武纪行歌(南京)科技有限公司 | 路面质量检测方法、装置及相关产品 |
| CN115049961A (zh) * | 2022-06-21 | 2022-09-13 | 成都信息工程大学 | 一种基于视频监控的违规丢地垃圾检测方法 |
| CN115100452A (zh) * | 2022-06-16 | 2022-09-23 | 江苏数恒智能科技有限公司 | 一种基于人工智能的配网工程台架智能辅助验收系统 |
| CN115131821A (zh) * | 2022-06-29 | 2022-09-30 | 大连理工大学 | 一种基于改进YOLOv5+DeepSort的校园人员穿越警戒线检测方法 |
| CN115546749A (zh) * | 2022-09-14 | 2022-12-30 | 武汉理工大学 | 基于摄像机和激光雷达的路面坑洼检测及清扫和避让方法 |
| CN116343028A (zh) * | 2023-03-05 | 2023-06-27 | 理工雷科智途(北京)科技有限公司 | 一种道路的路面检测方法及装置 |
| CN116363530A (zh) * | 2023-03-14 | 2023-06-30 | 北京天鼎殊同科技有限公司 | 高速公路路面病害的定位方法和装置 |
| CN116543290A (zh) * | 2023-05-24 | 2023-08-04 | 东北大学秦皇岛分校 | 一种基于新型半断层fpn+pan特征融合网络的小目标检测方法 |
| CN116620296A (zh) * | 2023-05-18 | 2023-08-22 | 中公高远(北京)汽车检测技术有限公司 | 一种智能汽车的避险方法和系统 |
| CN116758467A (zh) * | 2023-05-05 | 2023-09-15 | 广州白云国际机场建设发展有限公司 | 一种民航安防设备领域的监控报警方法及装置 |
| CN117314840A (zh) * | 2023-09-12 | 2023-12-29 | 中国科学院空间应用工程与技术中心 | 地外天体表面小型撞击坑检测方法、系统、存储介质及设备 |
| CN117649633A (zh) * | 2024-01-30 | 2024-03-05 | 武汉纺织大学 | 一种用于高速公路巡检的路面坑洼检测方法 |
| CN117876383A (zh) * | 2024-03-13 | 2024-04-12 | 西南林业大学 | 一种基于yolov5l的公路表面条状裂缝检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111553236A (zh) * | 2020-04-23 | 2020-08-18 | 福建农林大学 | 基于道路前景图像的路面病害目标检测与实例分割方法 |
| WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
| WO2021082904A1 (zh) * | 2019-11-01 | 2021-05-06 | 长安大学 | 一种用于水损害检测的探地雷达图谱自适应选取方法 |
| CN113486764A (zh) * | 2021-06-30 | 2021-10-08 | 中南大学 | 一种基于改进的YOLOv3的坑洼检测方法 |
-
2021
- 2021-10-26 CN CN202111248110.6A patent/CN113902729A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
| WO2021082904A1 (zh) * | 2019-11-01 | 2021-05-06 | 长安大学 | 一种用于水损害检测的探地雷达图谱自适应选取方法 |
| CN111553236A (zh) * | 2020-04-23 | 2020-08-18 | 福建农林大学 | 基于道路前景图像的路面病害目标检测与实例分割方法 |
| CN113486764A (zh) * | 2021-06-30 | 2021-10-08 | 中南大学 | 一种基于改进的YOLOv3的坑洼检测方法 |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114663769B (zh) * | 2022-04-07 | 2023-04-18 | 杭州电子科技大学 | 一种基于YOLO v5的水果识别方法 |
| CN114663769A (zh) * | 2022-04-07 | 2022-06-24 | 杭州电子科技大学 | 一种基于YOLO v5的水果识别方法 |
| CN114821492A (zh) * | 2022-04-10 | 2022-07-29 | 华东交通大学 | 一种基于YOLOv4的道路车辆检测系统及方法 |
| CN114842429A (zh) * | 2022-05-23 | 2022-08-02 | 中通服咨询设计研究院有限公司 | 一种基于yolov5的路况监测系统 |
| CN114999183A (zh) * | 2022-05-30 | 2022-09-02 | 扬州大学 | 一种交通路口车流量检测方法 |
| CN114999183B (zh) * | 2022-05-30 | 2023-10-31 | 扬州大学 | 一种交通路口车流量检测方法 |
| CN115100452A (zh) * | 2022-06-16 | 2022-09-23 | 江苏数恒智能科技有限公司 | 一种基于人工智能的配网工程台架智能辅助验收系统 |
| CN115035305A (zh) * | 2022-06-20 | 2022-09-09 | 寒武纪行歌(南京)科技有限公司 | 路面质量检测方法、装置及相关产品 |
| CN115049961A (zh) * | 2022-06-21 | 2022-09-13 | 成都信息工程大学 | 一种基于视频监控的违规丢地垃圾检测方法 |
| CN115131821A (zh) * | 2022-06-29 | 2022-09-30 | 大连理工大学 | 一种基于改进YOLOv5+DeepSort的校园人员穿越警戒线检测方法 |
| CN115546749A (zh) * | 2022-09-14 | 2022-12-30 | 武汉理工大学 | 基于摄像机和激光雷达的路面坑洼检测及清扫和避让方法 |
| CN116343028A (zh) * | 2023-03-05 | 2023-06-27 | 理工雷科智途(北京)科技有限公司 | 一种道路的路面检测方法及装置 |
| CN116363530A (zh) * | 2023-03-14 | 2023-06-30 | 北京天鼎殊同科技有限公司 | 高速公路路面病害的定位方法和装置 |
| CN116363530B (zh) * | 2023-03-14 | 2023-11-03 | 北京天鼎殊同科技有限公司 | 高速公路路面病害的定位方法和装置 |
| CN116758467A (zh) * | 2023-05-05 | 2023-09-15 | 广州白云国际机场建设发展有限公司 | 一种民航安防设备领域的监控报警方法及装置 |
| CN116620296A (zh) * | 2023-05-18 | 2023-08-22 | 中公高远(北京)汽车检测技术有限公司 | 一种智能汽车的避险方法和系统 |
| CN116620296B (zh) * | 2023-05-18 | 2024-03-12 | 中公高远(北京)汽车检测技术有限公司 | 一种智能汽车的避险方法和系统 |
| CN116543290A (zh) * | 2023-05-24 | 2023-08-04 | 东北大学秦皇岛分校 | 一种基于新型半断层fpn+pan特征融合网络的小目标检测方法 |
| CN116543290B (zh) * | 2023-05-24 | 2025-05-23 | 东北大学秦皇岛分校 | 一种基于新型半断层fpn+pan特征融合网络的小目标检测方法 |
| CN117314840A (zh) * | 2023-09-12 | 2023-12-29 | 中国科学院空间应用工程与技术中心 | 地外天体表面小型撞击坑检测方法、系统、存储介质及设备 |
| CN117649633A (zh) * | 2024-01-30 | 2024-03-05 | 武汉纺织大学 | 一种用于高速公路巡检的路面坑洼检测方法 |
| CN117649633B (zh) * | 2024-01-30 | 2024-04-26 | 武汉纺织大学 | 一种用于高速公路巡检的路面坑洼检测方法 |
| CN117876383A (zh) * | 2024-03-13 | 2024-04-12 | 西南林业大学 | 一种基于yolov5l的公路表面条状裂缝检测方法 |
| CN117876383B (zh) * | 2024-03-13 | 2024-06-07 | 西南林业大学 | 一种基于yolov5l的公路表面条状裂缝检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113902729A (zh) | 一种基于YOLO v5模型的路面坑洼检测方法 | |
| EP4120123A1 (en) | Scan line-based road point cloud extraction method | |
| CN113516853B (zh) | 一种针对复杂监控场景的多车道车流量检测方法 | |
| CN103116984B (zh) | 检测违章停车的方法 | |
| CN112016463A (zh) | 一种基于深度学习的车道线检测方法 | |
| CN114488073A (zh) | 激光雷达采集到的点云数据的处理方法 | |
| CN116279592A (zh) | 一种用于无人物流车的可行驶区域划分方法 | |
| CN116681657B (zh) | 基于改进YOLOv7模型的沥青路面病害检测方法 | |
| CN114283383B (zh) | 一种智慧城市公路养护方法、计算机设备及介质 | |
| CN114511568B (zh) | 基于无人机的高速公路桥梁检修方法 | |
| CN116503336A (zh) | 一种基于深度学习的路面裂缝检测方法 | |
| CN116824399A (zh) | 基于改进YOLOv5神经网络的路面裂缝识别方法 | |
| CN114898306B (zh) | 一种检测目标朝向的方法、装置及电子设备 | |
| CN116403217A (zh) | 基于协同网络的轮胎压印字符动态识别方法 | |
| CN116424053A (zh) | 一种空气悬挂自动调节控制方法及相关设备 | |
| CN114782915B (zh) | 基于辅助监督和知识蒸馏的智能汽车端到端车道线检测系统及设备 | |
| CN114155518B (zh) | 基于深度语义分割网络和图像矫正的高速路遮光板倾斜识别方法 | |
| CN111476890A (zh) | 一种基于影像的三维场景重建中移动车辆的修复方法 | |
| CN114140757B (zh) | 基于改进fcos的道路场景多类别检测方法及系统 | |
| CN117253200A (zh) | 一种轻量化红外车辆目标检测方法 | |
| KR102368262B1 (ko) | 다중 관측정보를 이용한 신호등 배치정보 추정 방법 | |
| CN114764905A (zh) | 用于交通环境检测的方法及设备 | |
| CN114299461A (zh) | 一种基于两阶段的车辆违规变道识别方法 | |
| CN112001344A (zh) | 机动车目标检测装置及方法 | |
| CN114999183B (zh) | 一种交通路口车流量检测方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20250402 Address after: 1003, Building A, Zhiyun Industrial Park, No. 13 Huaxing Road, Henglang Community, Dalang Street, Longhua District, Shenzhen City, Guangdong Province, 518000 Applicant after: Shenzhen Wanzhida Technology Transfer Center Co.,Ltd. Country or region after: China Address before: 400065 Chongwen Road, Nanshan Street, Nanan District, Chongqing Applicant before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS Country or region before: China |