[发明专利]路面平坦度区域检测方法和系统

权利要求书

1.一种路面平坦度区域检测方法，其特征在于，所述方法包括：

获取路面的路况图像数据，并划分为训练集、验证集和测试集；所述路况包括路面井盖、减速带、铁轨、路面连接带以及标准障碍物；

基于路况在图像中所占的大小进行聚类，生成实际路面的凸起路况的实际分布，并通过实际分布涉及路面平坦度区域检测网络模型的默认框的大小比例；

在基础网络模型EfficientDet的基础上加入FCN模块进行前景和背景的二分类分割，得到路面平坦度区域检测网络模型的准确率、召回率和IoU值；具体地，以EfficientNet为主干网络，EfficientDet为检测器，使用FCN作为分割器，将图片作为数据输入到网络，经过卷积处理后，开始MBConv1处理，之后再经过6次MBConv1处理后，经过三次池化、 批归一化、Relu函数的处理过程，并进行上采样，对这三次上采样后的特征图进行逐次融合，其中经三次上采样特征图融合后的图片输送到分割网络中执行分割，结合经两次上采样特征图融合后的图片一起输送到预测网络中，执行路况区域的分类、检测框位置与大小的预测；

根据路面平坦度区域检测网络模型在验证集上的结果进行超参数的调节，训练出目标路面平坦度区域检测网络模型；

基于测试集对目标路面平坦度区域检测网络模型进行评估，得到路况区域的分类、检测框位置与大小的预测结果。

2.如权利要求1所述的方法，其特征在于，所述路面平坦度区域检测网络模型的准确率、召回率和IoU值，按照如下公式进行计算：

其中，Accuracy表示模型准确率, Recall表示模型召回率；TP表示true positive，即被判定为正样本，实际上是正样本；TN表示true negative，即被判定为负样本，实际上是负样本；FP表示false positive，即被判定为正样本，实际上是负样本；FN表示falsenegative，即被判定为负样本，实际上是正样本；Intersection和Union分别是预测的边框和真实的边框的交集和并集。

3.如权利要求1所述的方法，其特征在于，所述基于路况在图像中所占的大小进行聚类，生成实际路面的凸起路况的实际分布，包括：

通过K-Means聚类将整个数据集的矩形框用9个框近似表示，得到的9类长宽接近整个数据集宽高的框，以生成实际路面的凸起路况分布情况；所述9个框是在EfficientDet上的3个特征层上设定的，每个特征层预设3个框；尺度大的特征层预测小目标特征，尺度小的特征层预测大目标特征。

4.如权利要求1所述的方法，其特征在于，在基础网络模型EfficientDet的基础上加入FCN模块进行前景和背景的二分类分割，包括：

将图片数据输入到路面平坦度区域检测网络模型，所述路面平坦度区域检测网络模型是以EfficientNet为主干网络，EfficientDet为检测器，使用FCN作为分割器作为结构的；

路面平坦度区域检测网络模型对图片进行卷积处理后，开始MBConv1处理，再经过6次MBConv1处理后，经过三次池化、批归一化、修正线性单元处理后，进行上采样，对三次上采样后的特征图进行逐次融合，其中经三次上采样特征图融合后的图片输送到分割网络中执行分割，结合经两次上采样特征图融合后的图片分别输入到分类预测网络和检测框预测网络中，执行路况区域的分类、检测框位置与大小的预测；将不同的高、低分辨率的特征图进行融合，获取到全局上下文信息。