基于深度学习的路面湿滑状态识别研究

摘要：

针对路面湿滑状态识别存在场景复杂多变、传统机器学习识别率低以及泛化能力差的问题,文中提出一种基于残差神经网络(ResNet?18)的路面湿滑状态识别算法.首先设计一种基于二维伽马函数的自适应校正算法,对光照不均匀的照片数据进行校正处理;然后在残差网络的残差块的特征连接层引入注意力机制,加强显著性特征的学习权重;再根据路面特征的相近性,在残差网络全连接层加入损失函数,损失函数由Softmax Loss与Center Loss融合得到,Softmax Loss实现提取特征的可区分,Center Loss加大所提取特征的差异化,从而提高路面识别精度.实验结果表明:所提算法在训练集的识别率为98.6％,验证集的识别率为96.7％,说明该算法能够对复杂场景下的路面湿滑状态进行识别,且具有较高的识别率和较强的泛化性能.

关键词：路面特征、湿滑状态、残差网络、深度学习、注意力机制、损失函数、识别精度

所属期刊栏目：45

分类号：TN911.23⁃34;U491.251

资助基金：国家自然科学基金51468062

在线出版日期：2022-06-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：137-142