基于语义分割模型的路面类型识别技术研究

摘要：

在极端恶劣天气条件下,车辆能够及时根据路况信息调整车速和车距,将有效地减少交通事故的发生.道路类型和路面附着系数是影响路况的主要因素,传统的路面附着系数识别方法具有成本高、可靠性低的特点.同时基于机器视觉的路面信息识别技术已经成为当前研究的热点,但是精度低和鲁棒性差一直是研究的难点.将机器视觉中较为流行的语义分割模型作为基础模型,同时改进模型输出网络,提出一种新的路面类型识别技术.根据现有文献将车辆行驶路面分为以下9类,包括湿沥青路面、干沥青路面、湿混凝土路面、干混凝土路面、湿土路面、干土路面、砾石路面、压实雪地路面和结冰路面.通过拍照、下载等多种途径收集路面图片制作标准数据集,使用预处理的数据集训练改进后的语义分割网络模型.通过多次试验,选取达到预期效果的训练参数进行模型参数固化,使用固化后的语义分割模型对摄像头获取的路面图片进行预测.根据模型预测结果得到当前行驶路面的类别.大量的道路图片测试结果表明,9种道路类型的平均分类精度为94％左右,有效的提升了目前道路类型的识别精度和鲁棒性;在特定试验平台中的单张图片预测时间约为0.0286 s,满足实时性要求.

关键词：智能交通、路面类型识别、语义分割、路面附着系数、机器学习

所属期刊栏目：38

分类号：U467(汽车工程)

资助基金：国家自然科学基金项目61876137

在线出版日期：2021-02-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：128-134