[发明专利]一种基于卷积神经网络的护栏分割方法

说明书

本发明公开了一种基于卷积神经网络的护栏分割方法，包括：获取包含护栏的图片，并标记出栏区域；构建基于加权损失函数的deeplabV3+的分割网络构架；将标记好的护栏图片输入基于加权损失函数的deeplabV3+的分割网络构架中训练基于加权损失函数的deeplabV3+的分割网络模型，直至基于加权损失函数的deeplabV3+的分割网络模型输出的符合预设的分辨率阈值且只包含护栏的二值图像；在待检测的图片手工标注后将标注好的图片输入训练好的基于加权损失函数的deeplabV3+的网络模型输出分割后的待检测的图片二值图像。将生成的二值图像通过二次线性插值法将绘制的护栏区域通过标注出的9个点拟合成长方形。对比生成的长方形，判断是否有空缺以及是否有弯曲，从而实现判断该护栏是否缺失或者弯曲。

技术领域

本发明涉及护栏检测技术领域，具体涉及一种基于卷积神经网络的护栏分割方法。

背景技术

护栏是车辆在城市道路上行驶常见的交通设施，检测路边护栏对高度自动化驾驶具有极为重要的意义。在路边护栏的存在为车辆侧向移动提供了自由空间的物理限制。因此，护栏检测非常重要。

目前护栏检测主要有基于报警器检测，GPS定位检测、通过图像进行直线检测三种方式。其中基于报警器检测护栏通常是采用一定的具有报警功能的检测装置用来检测护栏的情况，如果护栏存在损坏或者不在一个直线上通过警示灯、扬声器等报警的装置实现警示的作用。基于GPS定位检测通常包括移动平台、位移传感器, GPS模块,全网通模块和报警装置,该装置在使用时靠近需要检测的立柱,固定,通过检测装置中的三维移动平台移动施力装置到靠近立柱的特定高度和距离,然后启动施力装置给立柱施力,待立柱平衡后,位移传感器测量立柱的位移,通过对比测量结果与位移标准值,确认该护栏是否缺损。基于图像进行直线检测，通常采用图像的直线检测方法对采集的图片进行检测，具体的过程为通过对输入的图像进行灰度值处理和二值处理后进行直线拟合。获得众多直线区域，通过对直线区域扩张形成长方形区域，并对长方形区域进行分类判断。筛出不是护栏的正方形，选出护栏后，对护栏进行切割，对每一部分进行分类判断。从而判断是否出现缺失。

上述的基于报警器检测护栏、GPS定位检测两种方法需要对护栏进行改造，施工较为复杂，而且如果长时间雨雪天气，GPS和报警器等传感器容易失灵，不利于检测。基于直线检测的方式，受图像中干扰较大，比如雨雪天气，会造成检测不到护栏导致误报，鲁棒性较差。基于图像的直线检测方法受图像中干扰较大，比如雨雪天气，会造成检测不到护栏导致误报，鲁棒性较差。

发明内容

1.所要解决的技术问题：

针对上述技术问题，本发明提供一种基于卷积神经网络的护栏分割方法，其鲁棒性强，并且在现场不需要电子探头以外的其他物件，这就避免了因为电子器件损坏导致的检测不到护栏缺损的现象。相较于直线检测的方式，本专利提出的方法鲁棒性较强，较为恶劣的环境也能成功检测出护栏 并且对缺失部分和弯曲部分进行报警。

2.技术方案：

一种基于卷积神经网络的护栏分割方法，其特征在于：包括以下步骤：

步骤一：首先通过爬虫工具在网络中爬取包含护栏的图片，并手动标记出图片中的护栏区域。

步骤二：对步骤一中生成的图片进行图像增强形成护栏数据集。

步骤三：构建基于加权损失函数的deeplabV3+的分割网络构架 。

步骤四：将上述标记好的护栏图片及其标记真值数据输入基于加权损失函数的deeplabV3+的分割网络构架中训练基于加权损失函数的deeplabV3+的分割网络模型，直至基于加权损失函数的deeplabV3+的分割网络模型输出的符合预设的分辨率阈值且只包含护栏的二值图像。

步骤五：在待检测的图片中护栏区域进行手工标注出9个点后将标注好的图片输入训练好的基于加权损失函数的deeplabV3+的网络模型输出分割后的待检测的图片二值图像。