[发明专利]道路状况检测方法及系统

权利要求书

1.一种道路状况检测方法，其特征在于，包括：

获取道路样本图像集，所述道路样本图像集包括道路上存在障碍物的第一道路样本图像、用于标记图像存在障碍物的第一标记信息、道路上不存在障碍物的第二道路样本图像和用于标记图像不存在障碍物的第二标记信息；

根据所述道路样本图像集对道路状况检测模型进行训练，将所述第一道路样本图像与所述第一标记信息相关联，并将所述第二道路样本图像与所述第二标记信息相关联，其中，所述第一道路样本图像和所述第二道路样本图像均为指定像素大小下的图像，所述道路状况检测模型包括：输入层、至少三个卷积层、至少三个池化层、至少两个全连接层和输出层；

根据指定像素大小，获取道路目标图像；

将指定像素大小的道路目标图像输入至所述道路状况检测模型，以得到道路上是否存在障碍物的检测结果。

2.根据权利要求1所述的道路状况检测方法，其特征在于，所述道路状况检测模型为基于LeNet-5网络模型改进后的卷积神经网络模型；

在所述第一道路样本图像和所述第二道路样本图像的指定像素大小均为256*256的情况下，

所述道路状况检测模型包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层、第二全连接层和输出层。

3.根据权利要求2所述的道路状况检测方法，其特征在于，所述第一卷积层的卷积核大小为7*7，所述第二卷积层和所述第三卷积层的卷积核大小均为5*5。

4.根据权利要求2所述的道路状况检测方法，其特征在于，所述第一全连接层或/和第二全连接层中包括dropout层，用于将所述第一全连接层或/和第二全连接层中的部分神经元进行随机丢弃，以防止所述卷积神经网络模型过拟合。

5.根据权利要求1所述的道路状况检测方法，其特征在于，在所述根据所述道路样本图像集对所述道路状况检测模型进行训练的步骤之前，所述方法还包括：

对所述第一道路样本图像和所述第二道路样本图像进行增广处理。

6.根据权利要求1所述的道路状况检测方法，其特征在于，所述根据所述道路样本图像集对所述道路状况检测模型进行训练的步骤，包括：

根据所述道路状况检测模型的训练结果，修改所述道路状况检测模型的参数，所述参数包括：权重和偏置；

判断所述道路状况检测模型的迭代次数是否达到预定值，若未达到预定值，则对所述道路状况检测模型进行迭代处理，若到达预定值，则结束所述道路状况检测模型的训练。

7.根据权利要求1所述的道路状况检测的方法，其特征在于，在所述将指定像素大小的道路目标图像输入至道路状况检测模型的步骤之后，所述方法还包括：

调用混淆矩阵，所述混淆矩阵根据所述检测结果，得到计算结果；

根据所述计算结果，调整所述道路状况检测模型中的第一道路样本图像和第二道路样本图像的数量；

根据调整后的第一道路样本图像和第二道路样本图像，对所述道路状况检测模型进行训练。

8.一种道路状况检测系统，其特征在于，包括：

第一获取模块，被配置为获取道路样本图像集，所述道路样本图像集包括道路上存在障碍物的第一道路样本图像、用于标记图像存在障碍物的第一标记信息、道路上不存在障碍物的第二道路样本图像和用于标记图像不存在障碍物的第二标记信息；

训练模块，被配置为根据所述道路样本图像集对道路状况检测模型进行训练，将所述第一道路样本图像与所述第一标记信息相关联，并将所述第二道路样本图像与所述第二标记信息相关联，其中，所述第一道路样本图像和所述第二道路样本图像均为指定像素大小下的图像，所述道路状况检测模型包括：输入层、至少三个卷积层、至少三个池化层、至少两个全连接层和输出层；

第二获取模块，被配置为根据指定像素大小，获取道路目标图像；

检测模块，被配置为将指定像素大小的道路目标图像输入至所述道路状况检测模型，以得到道路上是否存在障碍物的检测结果。