申请/专利权人：大连工业大学

申请日：2024-03-15

公开（公告）日：2024-06-28

公开（公告）号：CN118261989A

主分类号：G06T7/80

分类号：G06T7/80;G06V10/60;G06V20/70;G06V10/141;G06V10/774;G06V10/82;G06T7/194

优先权：

专利状态码：在审-公开

法律状态：2024.06.28#公开

摘要：本发明提供了一种基于改进DeepLabV3+的隧道洞外亮度检测方法，该方法首先对所述网络相机在不同曝光环境下进行亮度标定，获得所述灰度值与所述曝光量的关系，采集不同隧道外景物数据集，构建网络模型，训练后得到训练权重，训练过程中生成设计网络的损失函数查看训练效果，最后利用训练权重预测隧道外景物图像分割结果并计算洞外亮度，将检测得到的实时亮度传输至服务器并在计算机上实现可视化，本发明采用深度学习方法针对隧道外景物进行图像分割，在传统的DeepLabV3+网络中加入一个膨胀卷积层并添加注意力机制，增大网络的感受野，能够实时检测洞外亮度，提高检测设备的便携性和方法的精确度。

主权项：1.一种基于改进DeepLabV3+的隧道洞外亮度检测方法，其特征在于，包括如下步骤：S1：对网络相机进行亮度标定；所述亮度标定是确定一组曝光时间和光圈数，通过网络相机OpenCV库中cv2.cvtColor函数得出隧道外景物的灰度值G，亮度计测量每个色块亮度获得曝光量H，灰度值与曝光量的计算公式为： G＝algH+b式中，L表示目标亮度，T为曝光时间，τ为镜头系数，F为光圈数，G灰度值，H表示曝光量，lgH为曝光量的对数，lgH值和G值为横纵坐标绘制直线，a表示所述直线的斜率，b表示所述直线的截距；S2：采集隧道外景物图像生成数据集；S2-1：采用所述网络相机以隧道洞口为中心对隧道外部拍照，获得所述隧道外景物图像；S2-2：以所述隧道外景物图像的中心点为圆心进行裁剪，使用Labelme进行标注，框选不同所述隧道外景物图像，区分道路、洞口、植被、墙壁、天空区域，根据区域划分生成格式为PNG的数据集；S3：构建网络模型进行训练获得权重；构建改进后的DeepLabV3+模型，对所述DeepLabV3+模型中的空洞空间金字塔池化模块进行改进，具体包括以下部分：S3-1：在所述空洞空间金字塔池化模块中增加膨胀卷积层的膨胀率，所述数据集加载进入膨胀卷积层，通过卷积操作对所述数据集进行局部连接和权重共享，生成特征图；S3-2:在每个所述膨胀卷积层后增加SENet注意力机制，对所述特征图重新校准，构建网络；校准过程主要分为三步，用以下三个公式表示： 式中，Zc为所述特征图中每个通道的全局响应，所述Zc表示所述特征图中像素点的重要程度，反映整个所述特征图中特征的显著性，K和W为图像的高和宽，xcij为所述特征图中像素点的横坐标；Sc＝σgZc，P式中，Sc为所述特征图分配的权值，表示对所述特征图的关注程度，P是连接每个所述特征图的参数矩阵，g是全局平均池化函数，用于将Zc进行全局平均池化，σ为激活函数，限制输出值将输出值从gZc，P映射到Sc；ycij＝Sc×xcij式中，ycij为所述特征图中像素点的纵坐标，xcij为所述特征图中像素点的横坐标，利用所述权值Sc计算输出图像的所述像素点的纵坐标，即校准过程，构建网络；S3-3：所述网络构建完成，设置初始值为0.0001的学习率；S3-4：向所述网络中导入所述数据集开始训练，同时利用网络损失函数查看训练效果，训练后得到所述网络的训练权重；S4：设计所述网络损失函数查看训练效果；所述损失函数由交叉熵损失函数和Dice损失函数两部分组成，所述Dice损失函数计算公式如下： 式中，DiceLoss为所述Dice损失函数，C是对应道路、洞口、植被、墙壁、天空五种类别数量固定值5，Pi是模型对于第i个类别的预测，Yi是第i个类别的真实标签，是所述隧道外景物图像的类别标签，ε是一个平滑项，通常取一个很小的正数，以避免分母为零的情况，所述交叉熵损失函数计算公式如下： 式中，N是样本总数，导入所述数据集时自动获取，C是对应道路、洞口、植被、墙壁、天空五种类别数量固定值5，ync用来辨别样本n是否属于类别c，属于就是1，不属于就是0，pnc是模型预测样本n属于类别c的概率；所述交叉熵损失函数和所述Dice损失函数相加得到损失值，训练效果体现在损失值的变化，前五次训练过程损失值降到0.5以下或损失值在二十次训练后都没有下降到0.5以下，未达到训练效果，重新调整所述步骤S3-3中的学习率重新训练；S5：利用所述网络加载训练权重分割实地场景拍摄的所述隧道外景物图像，计算洞外亮度，具体包括以下部分：S5-1：利用所述训练权重预测所述隧道外景物图像分割结果，所述网络相机在待测试隧道洞口外拍照，获得图像通过所述网络，所述网络使用所述步骤S3-4学到的所述训练权重进行前向传播，输入信号通过所述网络各个层，每一层应用相应的所述训练权重，通过激活函数进行激活，获得输出结果，所述输出结果是图片分割结果，所述分割结果是天空的亮度，路面亮度，环境亮度，隧道入口亮度占图像像素面积的百分比即γ、ρ、ε、τ；S5-2：计算洞外亮度L20，根据拍照时的曝光条件代入以下公式： 上式由所述步骤S1中的两个公式推导得出，分别计算得到天空亮度LC，路面亮度LR，环境亮度LE，隧道入口亮度Lth；所述洞外亮度计算方法采用环境简图法进行计算，公式如下：L20＝γLc+ρLR+εLE+τLthγ+ρ+ε+τ＝1；S6：所述网络相机通过网线与树莓派连接，所述树莓派是一部微型计算机搭载训练完成后的所述网络，拍照后树莓派完成上述步骤后得到洞外亮度L20传输至服务器并在计算机上实现可视化，得出所述隧道洞口处一段时间内的亮度变化。

全文数据：

权利要求：

百度查询： 大连工业大学 一种基于改进DeepLabV3+的隧道洞外亮度检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD