[发明专利]一种训练道路异常识别模型、道路异常识别的方法及系统

说明书

本发明公开了一种训练道路异常识别模型、道路异常识别的方法及系统，训练道路异常识别模型方法包括：获取道路异常情况及道路正常情况的图像；将道路异常情况及道路正常情况的图像输入到神经网络模型中；根据道路异常情况及道路正常情况的图像对所述神经网络模型中预设可训练的层数进行迁移学习，得到道路异常识别的神经网络模型。该识别模型对输入的全帧道路原图无需经过定位等步骤，只需对图像进行一次运算，具有较高的实时性，运用迁移学习技术，加速了模型训练收敛速度，可识别包括道路积水、道路火灾及交通事故多种道路异常情况。

技术领域

本发明涉及模式识别技术领域，具体涉及一种训练道路异常识别模型、道路异常识别的方法及系统。

背景技术

目前基于传统非深度学习的机器学习算法，提取道路图像特征并进行分类识别，其优点是所需训练数据量小，易实现，但是缺点是在训练数据量充足的情况下，准确率不如深度学习算法，而且需要对于道路出现的异常的位置进行定位，需对图像进行多次运算，不能满足实时处理视频图像处理的需求。

发明内容

因此，本发明提供的一种训练道路异常识别模型、道路异常识别的方法及系统，克服了现有技术中对道路异常识别效率低的不足。

第一方面，本发明实施例提供一种训练道路异常识别模型的方法，包括如下步骤：获取道路异常情况及道路正常情况的图像；将所述道路异常情况及道路正常情况的图像输入到神经网络模型中；根据所述道路异常情况及道路正常情况的图像对所述神经网络模型中预设可训练的层数进行迁移学习，得到道路异常识别的神经网络模型。

在一实施例中，所述根据所述道路异常情况及道路正常情况的图像对所述神经网络模型中预设可训练的层数进行迁移学习的步骤，包括：根据所述道路异常情况及道路正常情况的图像对所述神经网络模型中预设的Dense层、Flatten层、AveragePooling2D层以及identity_block网络参数进行迁移学习训练。

在一实施例中，所述道路异常情况包括：道路积水、道路火灾及交通事故。

在一实施例中，所述获取道路异常情况及道路正常情况的图像的步骤，包括：利用爬虫程序爬取网页上和/或从视频中抽帧，获取道路积水、道路火灾、交通事故的图像；利用爬虫程序爬取网页上和/或从视频中抽帧，获取普通道路的图像。

在一实施例中，在所述将所述道路异常情况及道路正常情况的图像输入到神经网络模型中的步骤之前，所述方法还包括：对所述道路异常情况及道路正常情况的图像进行预处理，获取数据增强后的数据集。

第二方面，本发明实施例提供一种道路异常识别方法，包括如下步骤：获取待识别的道路图像；将待识别的道路图像输入到根据本发明实施例第一方面所述的训练道路异常识别模型的方法得到的道路异常识别的神经网络模型中，得到识别结果，所述识别结果用于指示道路是否异常。

在一实施例中，所述识别结果为道路异常的情况包括：道路积水、道路火灾及交通事故。

第三方面，本发明实施例提供一种训练道路异常识别模型的系统，包括：道路图像获取模块，用于获取道路异常情况及道路正常情况的图像；图像输入模块，用于将所述道路异常情况及道路正常情况的图像输入到神经网络模型中；识别模型获取模块，用于根据所述道路异常情况及道路正常情况的图像对所述神经网络模型中预设可训练的层数进行迁移学习，得到道路异常识别的神经网络模型。

第四方面，本发明实施例提供一种道路异常识别系统，包括：待识别图像获取模块，用于获取待识别的道路图像；识别模块，用于将待识别的道路图像输入到根据本发明实施例第一方面所述的训练道路异常识别模型的方法得到的道路异常识别的神经网络模型中，得到识别结果，所述识别结果用于指示道路是否异常。