[发明专利]路面平坦度区域检测方法和系统

说明书

本申请实施例公开了一种路面平坦度区域检测方法和系统，通过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；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。对路面大多数常见路况实现高效准确的检测。

技术领域

本申请实施例涉及深度学习技术领域，具体涉及路面平坦度区域检测方法和系统。

背景技术

随着人们对更加安全和便捷出行的需求的日益增长，智能驾驶技术正处于蓬勃发展时期，感知和理解环境的能力是汽车智能系统的基础和前提。智能车辆在感知周围环境后做出分析，通过将信息提供给控制系统，实现对路面平坦度区域的检测。

但对于路面的各种行驶环境，如路面破损、积水、井盖、减速带等，能否准确的感知到这些环境关系到行车的安全，舒适以及路面所受冲击力的大小和使用寿命，不平整的路表面会增大行车阻力，并使车辆产生附加的振动作用。这种振动作用会造成行车颠簸，影响行车的速度和安全，驾驶的平稳度和乘客的舒适程度。

传统的路面平坦度检测依赖于包括距离传感器、角度传感器等剖面仪来获得信息，进而计算出路面平坦度信息，虽然检测路面的凹凸程度效果不错，但这种方法成本较高，且不能识别出具体的路况类型。随着深度学习在计算机视觉领域的快速发展，出现了一些采用单一的图像分割的路面平坦度检测方法，但这些方法容易出现路面不同检测目标出现粘连的情况。

发明内容

为此，本申请实施例提供一种路面平坦度区域检测方法和系统，针对现有的检测方法所存在的缺点，在相对于传统方法成本更低的情况下，对路面大多数常见路况实现高效准确的检测。

为了实现上述目的，本申请实施例提供如下技术方案：

根据本申请实施例的第一方面，提供了一种路面平坦度区域检测方法，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；

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。

可选地，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truepositive，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false negative，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。