[发明专利]一种基于机器视觉的路面清洁度智能评判方法

说明书

本发明公开了一种基于机器视觉的路面清洁度智能评判方法，涉及人工智能领域，该评判方法步骤包括：1)输入需要检测的视频帧；2)通过检测算法模型对视频帧中的图像进行处理，其中，检测算法模型对输入图像采用不同层卷积得到特征金字塔；3)将处理得出的结果输入到打分算法模型。本发明在机器视觉检测算法的基础上对faster‑rcnn进行了创新与改进，通过提出特征金字塔网络来实现对小目标的识别。同时，提出了一套路面清洁度打分准则与公式，实现了在复杂场景下的路面清洁度打分。

技术领域

本发明涉及人工智能领域，尤其涉及一种基于机器视觉的路面清洁度智能评判方法。

背景技术

随着人工智能技术的不断发展，尤其机器视觉技术的发展，近年来目标检测计算变得越来越成熟，包括R-CNN，Fast-rcnn等检测模型的成熟。人工智能模型被广泛应用到实际生活当中，包括行人检测、人脸识别、工业安全生产、自动驾驶等领域。对于现有的机器视觉模型，比如faster-rcnn(由著名人工智能专家何凯明大师提出)，是基于two-stage(两步法)检测网络流程，对图像中指定的目标进行检测与识别。检测模型对于图像中指定的大目标较为友好，但是对于小目标的检测比较欠缺。同时检测出的结果没有经过打分准则的评判，因此实现不了对路面上小目标的检测以及路面清洁度的评分。又如垃圾识别算法(由著名机器视觉专家黄正等人提出)，通过输入实时图像与干净街道图像进行做差，然后采用DCNN与RCNN相结合的方法进行识别。复杂环境下的垃圾识别与道路垃圾检测与清洁度评判具有需求相似之处。

对于上面我们提到的算法模型，包括faster-rcnn等系列的检测算法和复杂环境下的垃圾识别算法等具有一系列缺点，对faster-rcnn模型检测检测算法，它使用最后一层提取的特征层作为RPN网络的输入，难以处理场景中较小的目标，因此卷积神经网络在卷积过程中，浅层网络提取图像底层信息，比如纹理、颜色、形状等，高层网络提取图像语义信息。而对于小目标而言，当经过高层网络卷积后，卷积神经网络感受野越来越小，以至于消失，这样就无法精确的对其进行检测。对于上文所述的复杂环境下的垃圾算法识别模型，它所采用的技术较为古老，模型检测速度较为慢，达不到实时性效果。同时，无论是faster-rcnn网络还是垃圾识别算法，均没有对检测出的结果作分析评定，因此就得不到路面的清洁度分数。

因此，本领域的技术人员致力于开发一种能对路面小目标进行检测并对路面清洁度进行评分的智能评判方法。

发明内容

鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何对检测算法模型进行优化，使其检测出路面出现的小目标等异物，以及如何对检测到的异物根据评分准则进行路面清洁度打分，同时还需要考虑当前天气、车流量、路段环境、路面扬尘等问题。为实现上述目的，本发明提供了一种基于机器视觉的路面清洁度智能评判方法。

所述方法包括以下步骤：

步骤1、输入需要检测的视频帧；

步骤2、通过检测算法模型对视频帧中的图像进行处理；

步骤3、将处理得出的结果输入到打分算法模型；

其中，检测算法模型对输入图像采用不同层卷积得到特征金字塔。

进一步地，所述步骤2的检测算法模型包括：

步骤2.1、卷积网络将视频帧层层卷积；

步骤2.2、对得到的特征图进行侧面连接卷积，然后进行叠加；

步骤2.3、将图像卷积和叠加后得到的特征层输入到候选区域生成网络和分类器。

进一步地，所述步骤3的打分算法模型包括：

步骤3.1、对道路异物通过数据分析的方法进行统计；

步骤3.2、对道路异物的类别按权重系数进行分配；