一种基于YOLO v5模型的路面坑洼检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113902729A(43)申请公布日2022.01.07(21)申请号202111248110.6(22)申请日2021.10.26(71)申请人重庆邮电大学地址400065重庆市南岸区南山街道崇文路2号(72)发明人邹洋宛江城(74)专利代理机构重庆辉腾律师事务所50215代理人王海军(51)Int.Cl.G06T7/00(2017.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书5页附图3页(54)发明名称一种基于YOLOv5模型的路面坑洼检测方法(57)摘要本发明属于计算机视觉的目标检测领域，具体涉及一种基于改进YOLOv5模型的路面坑洼检测方法，该方法包括：实时获取路面图像数据，将获取的路面图像数据输入到改进的YOLOv5模型中，得到路面检测结果，根据结果控制车辆的运动方向；其中，所述改进的YOLOv5模型包括：首先，使用imgaug对数据进行增强；针对路面坑洼形状大小不一的情况，引入DBSCAN密度聚类算法重新设计先验框尺寸；将原始的YOLOv5模型的GIOU_loss损失函数改为EIOU_loss损失函数。通过使用改进的YOLOv5模型检测路面坑洼，较原始的YOLOv5模型取得良好效果，能在实际应用中为智能辅助驾驶系统准确预测前方道路坑洼情况，提醒驾驶员进行减速通过或避让，减少交通事故的发生，提高汽车的安全性能。CN113902729ACN113902729A权利要求书1/2页1.一种基于YOLOv5模型的路面坑洼检测方法，其特征在于，包括：实时获取路面图像数据，将获取的路面图像数据输入到训练好的YOLOv5模型中，得到路面检测结果，根据结果控制车辆的运动方向；训练YOLOv5模型的过程包括：S1：获取原始数据集，对原始数据集进行数据增强处理，得到增强数据集；增强数据集中的图片包括不同种类的路面坑洼原始图片和增强后的图片；S2：对增强的数据集进行划分，得到训练集和测试集；S3：将训练集中的数据输入到改进后的YOLOv5模型的输入端进行预处理；S4：将预处理后的图片输入到骨干网络中进行特征提取，得到特征图；S5：将特征图输入到Neck网络中进行特征融合处理，得到检测框；S6：对检测框进行筛选，得到预测框；S7：将测试集中的数据输入到模型中，根据预测框得到检测结果；S8：根据检测结果计算模型的损失函数，不断调整参数，当损失函数的值最小时，完成模型的训练。2.根据权利要求1所述的一种基于YOLOv5模型的路面坑洼检测方法，其特征在于，对原始数据集中的图片进行划分的过程包括：对原始数据集中的坑洼图像进行标注，标注的区域为图像内容中的坑洼区域，将标注后的图像存储为xml文件；将标注后的文件按9：1的比例划分为训练集合和样本集。3.根据权利要求1所述的一种基于YOLOv5模型的路面坑洼检测方法，其特征在于，YOLOv5模型的输入端对训练集中的数据进行预处理的过程包括：将输入的图片进行Mosaic增强处理和锚框计算；Mosaic增强处理的过程包括通过随机采用缩放、裁剪、排布的方式对样本数据进行拼接处理，得到增强后的图像；采用DBSCAN密度聚类算法对路面坑洼数据集中已标注的目标边界框进行聚类，产生不同数量、不同大小的先验框。4.根据权利要求3所述的一种基于YOLOv5模型的路面坑洼检测方法，其特征在于，采用DBSCAN密度聚类算法对路面坑洼数据集中已标注的目标边界框进行聚类的过程包括：S1：从路面坑洼数据集中已标注的目标边界框的样本数据中选出核心样本点及其邻居；S2：遍历所有筛选出的样本点，判断筛选出的样本点p是否为核心样本点，是则给p分配一个簇标签；不是核心样本点，则将样本点p标记为噪声；S3：访问核心样本点p的所有邻居，并将点p的簇标签分配给所有邻居；S4：判断每个被访问的邻居是否为核心样本点，若是则点p依次访问各核心样本的邻居，并将点p的簇标签分配给所有访问的邻居点，直到点p的邻居没有核心样本点为止；S5：选取筛选出的样本点中另一个未被访问过的点，返回步骤S2重复上述过程，直至所有样本点都被分配簇标签或被标记为噪声，完成聚类。5.根据权利要求4所述的一种基于YOLOv5模型的路面坑洼检测方法，其特征在于，选出核心样本点及其邻居的过程包括：设置距离阈值ε和数量阈值MinPts；对于路面坑洼数据集中已标注的目标边界框的样本数据中的样本点p，计算该样本点与周围其他样本点的距离；若计算得到的距离小于等于设置的距离阈值ε，则统计所有小于ε的样本数量，将统计出的样本数量大于设置的数量阈值MinPts，则将样本点p标记为核心样本点；将与p距离小于2CN113902729A权利要求