【技术实现步骤摘要】
本专利技术涉及自动驾驶的，尤其涉及一种基于深度学习的乡村环境下可驾驶区域识别的方法。
技术介绍
1、可驾驶区域划分是安全通过越野环境的先决条件。其目标是分割自动驾驶车辆可进入的路面，以协助进行自动驾驶的路线规划任务。道路分割通常依靠搭载的传感器来收集不同场景的道路图像数据，对图像的每个像素进行分类预测。由于道路场景的复杂性和多样性，以及天气和光照条件等其他外部因素，会导致传感器得到的图像质量有所不稳定。且与城市道路相比，乡村道路往往缺乏车道辅助标记和清晰的道路结构。因此，有必要将重点放在为自动驾驶识别乡村环境中的可驾驶区域上。
2、基于上述情况，如何采取有效的方法准确判断出乡村环境下的可驾驶区域，减小图像质量等问题对识别可驾驶区域准确性的干扰，是亟待解决的技术问题。
技术实现思路
1、本专利技术提供了一种基于深度学习的乡村环境下可驾驶区域识别的方法，用于解决在乡村道路环境下，道路结构不清晰对道路识别算法造成的干扰的问题，以及实现在不同光线天气下都能比较稳定地识别的道路中的可驾驶区域的任务。减小图像质量等问题对识别可驾驶区域准确性的干扰。
2、一种基于深度学习的乡村环境下可驾驶区域识别的方法，包括如下步骤：
3、步骤s1：采用搭载摄像机的车辆，收集乡村环境的行驶图像，建立乡村道路数据集；
4、步骤s2：搭建深度学习语义分割网络模型，包括：编码模块，颈部模块和解码模块；
5、步骤s3：训练深度学习语义分割模型，将待检测的目标图
6、步骤s4：计算损失函数，损失函数包括交叉熵损失和骰子损失函数；
7、步骤s5：预测并标注可驾驶区域。
8、进一步地，在步骤s1中对原始图像进行随机旋转、裁剪、归一化预处理；
9、使用图像处理函数对数据集的亮度、对比度、色度和锐度进行增强或减弱处理，丰富数据类型；
10、使用数据标注软件构建可驾驶区域数据集。
11、进一步地，在步骤s2中，获取训练完成的深度学习语义分割网络模型包括：
12、在pytorch框架下搭建改进的yolo深度神经网络语义分割模型；
13、在可驾驶区域数据集上训练语义分割模型。
14、进一步地，所述yolo深度神经网络语义分割模型由以下三大模块构成：
15、编码模块：以cspdarknet轻量级网络作为骨干网络，连接编码模块和解码模块的颈部网络由aspp、门控深度截取模型和fpn组成；
16、门控深度可分离卷积模块：使用门控机制模块来帮助处理信息流；门控深度可分离卷积模块由两个深度inception卷积组成；深度卷积采用三个门控深度卷积并行的结构，包括普通卷积和核大小为1x1的深度可分离卷积；采用基于归一化的nam注意力模块，将每个分支的输出按通道进行拼接，最终将输出特征的通道数增加到3n，n为输入特征的通道数；
17、解码模块：应用yolov4提出的csp1_x结构，将原始输入分成两个分支进行卷积操作；将两个分支合并，使结构输出中的通道数为原始输入的一半；为了将预测结果还原为原始图像的大小，特征图被放大为最近上采样的三倍。
18、进一步地，在步骤s3中，将待检测的目标图像输入训练完成的深度学习网络，获取目标图像中可驾驶的区域包括：
19、将待检测的图像输入至所述训练完成的语义分割模型，预测每个像素的类别；
20、所述语义分割模型对输入的图像进行多尺度特征提取、丰富和融合；
21、所述语义分割模型输出待测图像的可驾驶区域。
22、进一步地，在步骤s4中，使用了交叉熵函数和骰子损失函数，其中骰子损失函数的加入使得语义分割网络预测结果更接近真实情况。
23、进一步地，在步骤s5中，预测可驾驶区域的方法为：
24、使用可视化代码实现在输入图像中标注出预测的可驾驶区域和真实的可驾驶区域。
25、本专利技术可以解决乡村环境下道路识别准确性不高的问题。本专利技术针对乡村环境下道路结构不清晰和不良光线条件等问题提出解决办法，提高了道路识别算法的泛用性。能够在各种光线条件下实时识别可驾驶区域，并以可视化的结果直观地展现。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的乡村环境下可驾驶区域识别的方法，其特征在于包括如下步骤：
2.根据权利要求1所述的基于深度学习的乡村环境下可驾驶区域识别的方法，其特征在于在步骤S1中对原始图像进行随机旋转、裁剪、归一化预处理；
3.根据权利要求2所述的基于深度学习的乡村环境下可驾驶区域识别的方法，其特征在于在步骤S2中，获取训练完成的深度学习语义分割网络模型包括：
4.根据权利要求3所述的基于深度学习的乡村环境下可驾驶区域识别的方法，其特征在于所述深度神经网络语义分割模型由以下三大模块构成：
5.根据权利要求4所述的基于深度学习的乡村环境下可驾驶区域识别的方法，其特征在于在步骤S3中，将待检测的目标图像输入训练完成的深度学习网络，获取目标图像中可驾驶的区域包括：
6.根据权利要求5所述的基于深度学习的乡村环境下可驾驶区域识别的方法，其特征在于在步骤S4中，使用了交叉熵函数和骰子损失函数，其中骰子损失函数的加入使得语义分割网络预测结果更接近真实情况。
7.根据权利要求6所述的基于深度学习的乡村环境下可驾驶区域识别的方法，
...【技术特征摘要】
1.一种基于深度学习的乡村环境下可驾驶区域识别的方法，其特征在于包括如下步骤：
2.根据权利要求1所述的基于深度学习的乡村环境下可驾驶区域识别的方法，其特征在于在步骤s1中对原始图像进行随机旋转、裁剪、归一化预处理；
3.根据权利要求2所述的基于深度学习的乡村环境下可驾驶区域识别的方法，其特征在于在步骤s2中，获取训练完成的深度学习语义分割网络模型包括：
4.根据权利要求3所述的基于深度学习的乡村环境下可驾驶区域识别的方法，其特征在于所述深度神经网络语义分割模型由以下三大模块构成：...
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。