申请/专利权人：重庆市设计院有限公司

申请日：2022-08-02

公开（公告）日：2024-04-23

公开（公告）号：CN115170970B

主分类号：G06V20/10

分类号：G06V20/10;G06V20/70;G06V10/762;G06V10/764;G06V10/766;G06V10/774;G06V10/80;G06V10/82;G06N3/045;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2022.10.28#实质审查的生效;2022.10.11#公开

摘要：本发明提供一种用于检测城市街道景观破损的方法，具体包括：S01、数据集的处理；S02、数据集的标记；S03、采用改进的YoloV4‑tiny模型进行对城市街景破损元素的初步预测；S04、采用改进损失函数引入双重平衡熵对城市街景数据进行训练、获得训练模型；S05、将设置在各个街道的摄像头获取的静态图片或动态视频进行格式处理后，放入训练模型中、获得城市街景破损检测结果。该方法基于改进的YoloV4‑tiny模型对城市街道景观破损度进行检测，可靠性与准确性高，人为主观因素影响小、检测效率高。

主权项：1.一种用于检测城市街道景观破损的方法，其特征在于：具体步骤包括：S01、数据集的处理，具体为：S11、首先构建城市街景图像的数据集，并采用数据增强的手段对数据集进行数据扩充，增加数据集的多样性；S12、然后，将数据集划分为训练集、验证集与测试集；其中，训练集用于模型的数据样本拟合，验证集是在模型训练过程中单独留出来的数据样本、用于对模型参数的调整和对模型能力进行初步判断，测试集用于评估最终模型的泛化能力；S02、数据集的标记，具体为：S21、首先使用标记工具对步骤S01中处理后训练集中的图像进行破损特征标记与定位，从而生成破损街景数据集；标记工具采用labelimg标记工具；S22、然后采用k-means算法进行聚类，获取城市街景数据先验框；具体为：随机选取步骤S21中破损街景数据集的9个标记框作为聚类中心、即锚框，并计算出其余标记框与选取的9个锚框中心点的欧式距离，具体公式为： ；式中，（x1,y1）表示9个锚框的中心点坐标；（x2,y2）表示标注框的中心点坐标；将每个标注框分到与其欧氏距离d值最大的锚框所属的锚框聚类；一次聚类完成后，计算每个锚框聚类的标注框的宽、高的平均值，作为下一次聚类的锚框的宽、高；重复聚类直至所有标注框与所属的锚框类与前一次聚类相同，停止聚类、获得9个聚类锚框作为城市街景数据先验框；在数据增强的基础上、获取城市街景数据的先验框，提高后续城市街景破损检测盒识别的可靠性与准确性；S03、采用改进的YoloV4-tiny模型进行对城市街景破损元素的初步预测，具体为：S31、首先，采用YoloV4-tiny模型的主干网络对步骤S02中处理后的训练集进行特征提取，即对S02中处理后的训练集的特征向量分别进行卷积、标准化、激活函数、残差网络的堆叠，实现训练集特征信息的初步提取；S32、然后，在YoloV4-tiny模型的主干网络提取特征图进行五次卷积后，引入空间金字塔模块、采用四种不同尺寸对五次卷积的结果进行最大池化处理，从而分离出绝缘子图像的特征信息；S33、之后，对获得的四种不同池化核进行堆叠；堆叠后再进行卷积与上采样的操作，最后与初步提取的特征信息进行特征层融合；S04、采用改进损失函数引入双重平衡熵对城市街景数据进行训练、获得训练模型，具体为：通过在置信度损失函数loss1与分类损失函数loss2中同时引入权重系数β，达到城市街景训练集中正、负样本个数平衡的目的，其中β∈（0,1）；具体为： 式中，与分别为预测的边界框包含目标物体与预测的边界框不包含目标物体；与分别为预测置信度与真实置信度；为预设参数值；S2为网格的个数；B为每个网格先验框的个数； 式中，c表示检测目标的种类；与分别表示属于类别c的实际概率和预测概率；最终改进的YoloV4-tiny模型的损失函数包括置信度损失函数loss1、分类损失函数loss2及目标框回归损失函数；具体为： 式中，IOU表示预测框与真实框之间的交集并集；wgt与hgt分别表示真实框的宽度与高度；w与h分别表示预测框的宽度与高度；表示预测框中心点与真实框中心点之间的欧式距离；C表示包含预测边界盒与真实边界盒的最小对角线距离；S05、将设置在各个街道的摄像头获取的静态图片或动态视频进行格式处理后，放入训练模型中、获得城市街景破损检测结果。

全文数据：

权利要求：

百度查询： 重庆市设计院有限公司 一种用于检测城市街道景观破损的方法

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