【技术实现步骤摘要】
本专利技术涉及路面照度测试，具体地，涉及一种基于机器学习和视觉识别的路面照度检测系统及方法。
技术介绍
1、目前，路面照度检测主要采用传统方法，存在诸多问题。
2、工序方面，传统路面照度检测方法常需安装专门设备如照度计或反射率板，安装过程需专业人员操作，有时还得封闭道路，且使用反射率板时要精确调整贴纸位置和角度，部分方法还依赖车辆或无人机采集数据，操作复杂。
3、实时性方面，许多传统方法无法实时检测，常需在特定时间段或环境下测量，如等待无车时或夜间航拍。数据采集和处理时间长，不能及时反映道路即时照度情况，无法满足智慧城市照明等动态调整照明的应用场景需求。
4、成本方面，传统方法需购买昂贵测量设备，如高精度照度计、无人机或特殊反射率板，成本高且需定期维护校准，安装和维护这些设备需专业人员，人工成本高，设备损耗和更新也需额外投入。还有些方法要在道路表面安装物理标记或传感器，施工和维护成本高。
5、专利文献cn202311351123.5，公开了一种基于标准反射率板的道路照明照度测试方法，该专利通过测量标准反射率板在调光灯具不同光输出下的照度，并拟合得到被测路段的照明照度来实现。但该专利存在标准反射率贴纸可能致眩光、需定期更换维护、大量铺设成本高等不足。
6、专利文献cn202310974104.1公开了一种航拍式道路照明的照度检测方法，该专利通过获取道路照明的航拍数据，包括道路照明图像和定位信息，对道路照明图像进行网格划分，构建神经网络模型评估照度来实现。但该专利需封锁道路
7、综上所述，现有路面照度检测方法工序复杂、实时性差且成本高昂，急需一种新的路面照度检测方法及系统。
技术实现思路
1、针对现有技术中的缺陷，本专利技术的目的是提供一种基于机器学习和视觉识别的路面照度检测方法及系统。
2、根据本专利技术提供的一种基于机器学习和视觉识别的路面照度检测系统，包括：
3、图像获取模块，用于实时获取道路图像，使用机器学习方法进行干扰检测，得到待分析图像；
4、语义分割模块，对待分析图像进行语义分割，得到道路区域图像；
5、照度预测模块，对道路区域图像进行预处理，再使用特征提取模型进行多维度特征提取，将提取的图像特征输入自定义多层神经网络回归模型进行训练和预测，得到路面的平均照度和照度均匀度。
6、优选地，图像获取模块中，通过现有的道路监控系统或图像采集设备实时获取道路图像。
7、优选地，图像获取模块中，通过每秒钟选取一张道路图像，使用机器学习方法对道路图像进行干扰项检测，若检测到有车辆干扰项，则剔除道路图像，若未检测到车辆干扰项，则保留道路图像，且标注时间点和检测结果，作为待分析图像。
8、优选地，语义分割模块中，使用机器学习模型或根据图像采集位置手动设定感兴趣区域，对待分析图像进行语义分割，识别道路区域和非道路区域，通过对非道路区域进行处理得到道路区域图像。
9、本专利技术还提供了一种基于机器学习和视觉识别的路面照度检测方法，包括如下步骤：
10、步骤s1，实时获取道路图像，使用机器学习方法进行干扰检测，得到待分析图像；
11、步骤s2，对待分析图像进行语义分割，得到道路区域图像；
12、步骤s3，对道路区域图像进行预处理，再使用特征提取模型进行多维度特征提取，将提取的图像特征输入自定义多层神经网络回归模型进行训练和预测，得到路面的平均照度和照度均匀度。
13、优选地，步骤s1包括如下子步骤：
14、步骤m1：通过现有的道路监控系统或图像采集设备实时获取道路图像，通过每秒钟选取一张道路图像，且每一张道路图像包含采集时间点；
15、步骤m2：根据yolov8模型对输入图像的要求，对采集到的道路图像进行尺寸调整和分辨率设置，接着进行颜色空间转换，然后进行归一化处理，再进行标准化处理，得到预处理后的道路图像；
16、步骤m3：使用预训练的yolov8目标检测模型对预处理后的道路图像进行干扰项检测，若在道路图像中检测到车辆干扰项，则对当前的道路图像进行标注并予以剔除，标注的标签为：时间点+有车辆通过；若未检测到车辆干扰项，则对当前的道路图像进行标注并作为待分析图像输出，标注的标签为：时间点+无车辆通过。
17、优选地，步骤s2采用如下步骤：
18、步骤u1：构建分割模型，用于区分道路图像中的道路区域和非道路区域；
19、步骤u2：以待分析图像作为输入提供给分割模型，分割模型对分析图像进行语义分割，识别出道路区域和非道路区域，对于识别出的非道路区域，使用白色掩码进行覆盖，得到仅包含道路区域的道路区域图像。
20、优选地，步骤s2采用如下步骤：若摄像头的位置和拍摄角度固定，采取手动分割道路区域的方法，手动划定道路区域为感兴趣区域，对非道路区域使用白色掩码进行覆盖，得到仅包含道路区域的道路区域图像。
21、优选地，构建分割模型包括如下子步骤：
22、步骤p1：在指定城市道路上采用指定摄像头收集路灯开启时间段的道路图像，然后采用labelme工具，将收集到的道路图像中的道路区域和非道路区域分别进行像素级标注，生成相应的标注图；
23、步骤p2：将标注图的大小统一调整为模型输入图像的大小，然后采用数据增强的方式增加图像的多样性，得到预处理后的图像集，数据增强的方式包括对图像进行多角度旋转、调整图像的亮度和颜色，以及进行图像裁剪；
24、步骤p3：选择deeplabv3+模型，并加载预训练的mobilenetv2作为骨干网络，利用自有标注数据集对模型进行优化调整；
25、步骤p4：将预处理后的图像集以8：2的比例进行划分，其中80％的数据作为训练集，20％的数据作为验证集，在训练集上进行模型的训练后，在验证集上对训练后的模型性能进行评估，通过计算平均交并比指标衡量模型的准确性，同时使用未参与训练的道路图片进一步验证模型的效果。
26、优选地，步骤s3包括如下子步骤：
27、步骤r1：采用中点法测量指定路段道路各个点位的照度值，并计算路段的平均照度和照度均匀度，收集和拍摄路灯开启时间段的道路图像，将道路图像和道路照明数据一一对应，制作道路照明数据集，同时采用数据增强技术对道路照明数据集进行扩展；
28、步骤r2：去除道路区域图像中的白色区域，接着，再转换为hsv色彩空间，然后，对转换后的图像进行尺寸调整和标准化处理，得到预处理后的道路区域图像；
29、步骤r3：将预处理后的道路区域图像输入resnet50模型，通过多层的卷积和池化操作，提取图像的高级特征，对提取后的特征图进行自适应平均池化，得到提取的图像特征；
30、步骤r4：将提取的图像特征输入到自定义多层神经网络的回归模型中，回归模型本文档来自技高网...
【技术保护点】
1.一种基于机器学习和视觉识别的路面照度检测系统，其特征在于，包括：
2.根据权利要求1所述的一种基于机器学习和视觉识别的路面照度检测系统，其特征在于，所述图像获取模块中，通过现有的道路监控系统或图像采集设备实时获取道路图像。
3.根据权利要求2所述的一种基于机器学习和视觉识别的路面照度检测系统，其特征在于，所述图像获取模块中，通过每秒钟选取一张道路图像，使用机器学习方法对所述道路图像进行干扰项检测，若检测到有车辆干扰项，则剔除所述道路图像，若未检测到车辆干扰项，则保留所述道路图像，且标准时间点和检测结果，作为待分析图像。
4.根据权利要求1所述的一种基于机器学习和视觉识别的路面照度检测系统，其特征在于，所述语义分割模块中，使用机器学习模型或根据图像采集位置手动设定感兴趣区域，对所述待分析图像进行语义分割，识别道路区域和非道路区域，通过对所述非道路区域进行处理得到道路区域图像。
5.一种基于机器学习和视觉识别的路面照度检测方法，其特征在于，包括如下步骤：
6.根据权利要求5所述的一种基于机器学习和视觉识别的路面照度检测方
7.根据权利要求5所述的一种基于机器学习和视觉识别的路面照度检测方法，其特征在于，所述步骤S2采用如下步骤：
8.根据权利要求5所述的一种基于机器学习和视觉识别的路面照度检测方法，其特征在于，所述步骤S2采用如下步骤：若摄像头的位置和拍摄角度固定，采取手动分割道路区域的方法，手动划定道路区域为感兴趣区域，对非道路区域使用白色掩码进行覆盖，得到仅包含道路区域的道路区域图像。
9.根据权利要求7所述的一种基于机器学习和视觉识别的路面照度检测方法，其特征在于，所述构建分割模型包括如下子步骤：
10.根据权利要求5所述的一种基于机器学习和视觉识别的路面照度检测方法，其特征在于，所述步骤S3包括如下子步骤：
...【技术特征摘要】
1.一种基于机器学习和视觉识别的路面照度检测系统，其特征在于，包括：
2.根据权利要求1所述的一种基于机器学习和视觉识别的路面照度检测系统，其特征在于，所述图像获取模块中，通过现有的道路监控系统或图像采集设备实时获取道路图像。
3.根据权利要求2所述的一种基于机器学习和视觉识别的路面照度检测系统，其特征在于，所述图像获取模块中，通过每秒钟选取一张道路图像，使用机器学习方法对所述道路图像进行干扰项检测，若检测到有车辆干扰项，则剔除所述道路图像，若未检测到车辆干扰项，则保留所述道路图像，且标准时间点和检测结果，作为待分析图像。
4.根据权利要求1所述的一种基于机器学习和视觉识别的路面照度检测系统，其特征在于，所述语义分割模块中，使用机器学习模型或根据图像采集位置手动设定感兴趣区域，对所述待分析图像进行语义分割，识别道路区域和非道路区域，通过对所述非道路区域进行处理得到道路区域图像。
5.一种...
【专利技术属性】
技术研发人员：武琼，卢强，刘翔，解伟豪，董昊，李付伟，卢阳，王文豪，林浩宇，马光耀，周凯文，
申请(专利权)人：上海五零盛同信息科技有限公司，
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。