一种基于增量学习的路面积水检测方法、装置、介质及设备，该方法包括：在积水检测模型进行积水检测过程中，定期建立针对所述积水检测模型的增量训练任务，并定期获取积水检测过程中的路面积水图像，以生成对应的图像样本数据集；构建目标损失函数，所述目标损失函数包括交叉熵损失函数和知识蒸馏损失函数；启动当前增量训练任务，利用所述目标损失函数以及各个训练任务对应的图像样本数据集对所述积水检测模型进行增量训练，直到模型收敛或达到预期精度；利用定期训练后的所述积水检测模型进行路面积水检测。本发明专利技术中的路面积水检测方法，能够不断更新模型、提高检测准确性和稳定性。提高检测准确性和稳定性。提高检测准确性和稳定性。
【技术实现步骤摘要】
基于增量学习的路面积水检测方法、装置、介质及设备
[0001]本专利技术涉及计算机视觉领域，特别是涉及一种基于增量学习的路面积水检测方法、装置、介质及设备。
技术介绍
[0002]路面积水是指雨水在路面上积聚形成的水坑，对于行人和司机而言均是一种潜在的安全隐患。例如，在雨天行驶时，驾驶员需要时刻关注路面积水的情况，并根据情况调整车速和行驶路线，以确保行车安全。传统的路面积水检测方法主要依赖于人工巡检和现场设备监测，这种方法效率极其低下，非常浪费人力资源。近年来，随着计算机视觉和机器学习技术的不断发展，基于图像处理和机器学习的路面积水检测方法逐渐得到了广泛应用。
[0003]现有的基于图像处理和机器学习的路面积水检测方法主要存在以下几个问题。首先，针对不同路面和不同天气条件下的积水状况，检测算法的鲁棒性不够且检测精度不高。其次，大部分算法的实时性较差，无法满足实时监测的需求。最后，也是最为重要的一点的是目前绝大多数算法的学习能力和自适应性较弱，无法对新场景进行快速学习和适应。
技术实现思路
[0004]鉴于上述状况，有必要针对现有技术中的问题，提供一种基于增量学习的路面积水检测方法、装置、介质及设备。
[0005]本专利技术公开了一种基于增量学习的路面积水检测方法，包括：在积水检测模型进行积水检测过程中，定期建立针对所述积水检测模型的增量训练任务，并定期获取积水检测过程中的路面积水图像，以生成对应的图像样本数据集；构建目标损失函数，所述目标损失函数包括交叉熵损失函数和知识蒸馏损失函数；启动当前增量训练任务，利用所述目标损失函数以及各个训练任务对应的图像样本数据集对所述积水检测模型进行增量训练，直到模型收敛或达到预期精度；所述增量训练过程中，所述交叉熵损失函数用于根据所述当前增量训练任务对应的图像样本数据集进行损失计算，所述知识蒸馏损失函数用于根据当前增量训练任务之前的所有增量训练任务对应的图像样本数据集进行损失计算；利用定期训练后的所述积水检测模型进行路面积水检测。
[0006]进一步的，上述路面积水检测方法，其中，所述目标损失函数为：，其中，；
为交叉熵损失函数，表示在第个增量训练任务上的知识蒸馏损失函数，t为当前的训练任务总数，为权衡两种损失函数的超参数，N为样本总数，C为类别总数，为积水检测模型在第个任务上对样本预测为类别的概率分布，为积水检测模型在第个任务上对样本为类别的真实概率分布。
[0007]进一步的，上述路面积水检测方法，其中，所述积水检测模型包括编码器和解码器，所述编码器中的特征提取模块采用Ghost
‑
block模块，所述Ghost
‑
block模块用于对输入图像进行卷积计算后进行线性运算，以得到多个特征图。
[0008]进一步的，上述路面积水检测方法，其中，所述Ghost
‑
block模块用于对输入图像进行卷积计算后进行线性运算的步骤包括：利用个卷积核大小为的滤波器同输入图像进行卷积运算，得到m个输出特征图；对输出特征图进行线性运算，运算公式如下：其中，表示中的第个输出特征图，表示对第个输出特征图进行第个线性运算，s为经验值，为线性运算后的输出特征图。
[0009]进一步的，上述路面积水检测方法，其中，所述解码器用于利用长跳跃连接和门控注意力机制对浅层特征图和深层特征图进行融合，以针对编码层每个层级输出的特征图的每一个像素点，当前注意力系数倾向于在路面积水区域产生高于背景区域的响应值。
[0010]本专利技术还公开了一种基于增量学习的路面积水检测装置，包括：任务建立模块，用于在积水检测模型进行积水检测过程中，定期建立针对所述积水检测模型的增量训练任务，并定期获取积水检测过程中的路面积水图像，以生成对应的图像样本数据集；损失函数构建模块，用于构建目标损失函数，所述目标损失函数包括交叉熵损失函数和知识蒸馏损失函数；增量训练模块，用于启动当前增量训练任务，利用所述目标损失函数以及各个训练任务对应的图像样本数据集对所述积水检测模型进行增量训练，直到模型收敛或达到预期精度；所述增量训练过程中，所述交叉熵损失函数用于根据所述当前增量训练任务对应的图像样本数据集进行损失计算，所述知识蒸馏损失函数用于根据当前增量训练任务之前的所有增量训练任务对应的图像样本数据集进行损失计算；检测模块，用于利用定期训练后的所述积水检测模型进行路面积水检测。
[0011]进一步的，上述路面积水检测装置，其中，所述目标损失函数为：，
其中，；为交叉熵损失函数，表示在第个增量训练任务上的知识蒸馏损失函数，t为当前的训练任务总数，为权衡两种损失函数的超参数，N为样本总数，C为类别总数，为积水检测模型在第个任务上对样本预测为类别的概率分布，为积水检测模型在第个任务上对样本为类别的真实概率分布。
[0012]进一步的，上述路面积水检测装置，其中，所述积水检测模型包括编码器和解码器，所述编码器中的特征提取模块采用Ghost
‑
block模块，所述Ghost
‑
block模块用于对输入图像进行卷积计算后进行线性运算，以得到多个特征图。
[0013]本专利技术还公开了一种计算机设备，包括存储器和处理器，所述存储器存储有程序，所述程序被所述处理器执行时实现上述任一所述的方法。
[0014]本专利技术还公开了一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时实现上述任一所述的方法。
[0015]本专利技术中的路面积水检测方法，能够不断更新模型、提高检测准确性和稳定性，并节省计算资源，具有广泛的应用前景和经济价值。该方法可以在各种交通安全领域中得到应用，对于预防交通事故和提高交通安全水平具有重要意义。
附图说明
[0016]图1为本专利技术实施例中EU
‑
Net模型整体架构图；图2为本专利技术实施例中路面积水检测方法的流程图；图3为本专利技术实施例中路面积水检测装置的结构框图；图4为本专利技术实施例中计算机设备的结构示意图。
具体实施方式
[0017]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。
[0018]参照下面的描述和附图，将清楚本专利技术的实施例。在这些描述和附图中，具体公开了本专利技术的实施例中的一些特定实施方式，来表示实施本专利技术的实施例的原理的一些方式，但是应当理解，本专利技术的实施例的范围不受此限制。相反，本专利技术的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
[0019]本专利技术实施例中的路面积水检测方法应用于积水检测模型，通过该积水检测模型实时对路面积水进行检测。
[0020]目前基于深度学习的路面积水检测有三种方式，分别是图像分类、目标检测和语义分割。本实施例中的积水检测模型采用的是一种语义分割模型，采用基于语义分割的路本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于增量学习的路面积水检测方法，其特征在于，包括：在积水检测模型进行积水检测过程中，定期建立针对所述积水检测模型的增量训练任务，并定期获取积水检测过程中的路面积水图像，以生成对应的图像样本数据集；构建目标损失函数，所述目标损失函数包括交叉熵损失函数和知识蒸馏损失函数；启动当前增量训练任务，利用所述目标损失函数以及各个训练任务对应的图像样本数据集对所述积水检测模型进行增量训练，直到模型收敛或达到预期精度；所述增量训练过程中，所述交叉熵损失函数用于根据所述当前增量训练任务对应的图像样本数据集进行损失计算，所述知识蒸馏损失函数用于根据当前增量训练任务之前的所有增量训练任务对应的图像样本数据集进行损失计算；利用定期训练后的所述积水检测模型进行路面积水检测。2.如权利要求1所述的路面积水检测方法，其特征在于，所述目标损失函数为：，其中，；为交叉熵损失函数， 表示在第个增量训练任务上的知识蒸馏损失函数，t为当前的训练任务总数， 为权衡两种损失函数的超参数，N为样本总数，C为类别总数，为积水检测模型在第个任务上对样本预测为类别的概率分布，为积水检测模型在第个任务上对样本为类别的真实概率分布。3.如权利要求1所述的路面积水检测方法，其特征在于，所述积水检测模型包括编码器和解码器，所述编码器中的特征提取模块采用Ghost
‑
block模块，所述Ghost
‑
block模块用于对输入图像进行卷积计算后进行线性运算，以得到多个特征图。4.如权利要求3所述的路面积水检测方法，其特征在于，所述Ghost
‑
block模块用于对输入图像进行卷积计算后进行线性运算的步骤包括：利用个卷积核大小为
ꢀꢀ
的滤波器 同输入图像进行卷积运算，得到m个输出特征图；对输出特征图进行线性运算，运算公式如下：；其中，表示中的第个输出特征图，表示对第个输出特征图进行第个线性运算，s为经验值，为线性运算后的输出特征图。5.如权利要求3所述的路面积水检测方法，其特征在于，所述解码器用于利用长跳跃连接和门控注意力机制对浅层特征...
【专利技术属性】
技术研发人员：王伟，张磊，唐涛，张志辉，杨剑，
申请(专利权)人：江西云眼视界科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。