一种道路资产检测模型构建和道路资产检测方法与流程

1.本发明涉及道路资产管理技术领域，具体涉及一种道路资产检测模型构建和道路资产检测方法。


背景技术：

2.道路(公路、铁路等)资产的管理包括对道路资产的检测与对道路资产的维护，传统的道路资产检测方法是采用人工巡查的方法，这不仅费时费力，且容易产生遗漏，管理单位无法全面、准确地掌握所拥有道路资产的情况，也无法全面、准确地掌握道路资产的损坏、丢失情况。随着公路、铁路的飞速发展，这种传统道路资产检测方法越来越表现出局限性。


技术实现要素：

3.有鉴于此，本发明实施例提供了涉及一种道路资产检测模型构建和道路资产检测方法，以解决现有技术中传统道路资产检测方法局限性较高的技术问题。
4.本发明提出的技术方案如下：
5.本发明实施例第一方面提供一种道路资产检测模型构建方法，该道路资产检测模型构建方法包括：获取道路资产图像数据集；对所述道路资产图像数据集中的图像按照目标属性进行分类并将分类后带标签的图像样本集输入至预设的神经网络中训练直至得到满足条件的道路资产检测模型。
6.可选地，所述获取道路资产图像数据集之后，所述方法还包括：对所述道路资产图像数据集进行数据增强处理，得到增强后的道路资产图像数据集；利用所述增强后的道路资产图像数据集中的图像训练得到所述道路资产检测模型。
7.可选地，所述道路资产图像数据集包括车道线数据集和道路标识数据集。
8.本发明实施例第二方面提供一种道路资产检测方法，该道路资产检测方法包括：获取视频流数据；对所述视频流数据进行抽帧处理得到对应的道路资产图像数据；将所述道路资产图像数据输入如本发明实施例第一方面及第一方面任一项所述的道路资产检测模型构建方法构建得到的道路资产检测模型进行检测。
9.本发明实施例第三方面提供一种道路资产检测模型构建装置，该道路资产检测模型构建装置包括：第一获取模块，用于获取道路资产图像数据集；训练模块，用于对所述道路资产图像数据集中的图像按照目标属性进行分类并将分类后带标签的图像样本集输入至预设的神经网络中训练直至得到满足条件的道路资产检测模型。
10.可选地，所述装置还包括：第一处理模块，用于对所述道路资产图像数据集进行数据增强处理，得到增强后的道路资产图像数据集；第一训练模块，用于利用所述增强后的道路资产图像数据集中的图像训练得到所述道路资产检测模型。
11.可选地，所述道路资产图像数据集包括车道线数据集和道路标识数据集。
12.本发明实施例第四方面提供一种道路资产检测装置，该道路资产检测装置包括：
第二获取模块，用于获取视频流数据；第二处理模块，用于对所述视频流数据进行抽帧处理得到对应的道路资产图像数据；检测模块，用于将所述道路资产图像数据输入如本发明实施例第一方面及第一方面任一项所述的道路资产检测模型构建方法构建得到的道路资产检测模型进行检测。
13.本发明实施例第五方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如本发明实施例第一方面及第一方面任一项所述的道路资产检测模型构建方法，或者如本发明实施例第二方面所述的道路资产检测方法。
14.本发明实施例第六方面提供一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如本发明实施例第一方面及第一方面任一项所述的道路资产检测模型构建方法，或者如本发明实施例第二方面所述的道路资产检测方法。
15.本发明提供的技术方案，具有如下效果：
16.本发明实施例提供的道路资产检测模型构建方法，所述方法包括：获取道路资产图像数据集；对所述道路资产图像数据集中的图像按照目标属性进行分类并将分类后带标签的图像样本集输入至预设的神经网络中训练直至得到满足条件的道路资产检测模型。该方法对图像数据集中的图像按照目标属性进行分类，有助于模型对于不同标签的属性的推断，同时方便了模型的管理和部署。因此，通过本发明，可以全面、准确地掌握道路资产图像。
17.本发明实施例提供的道路资产检测方法，所述方法包括：获取视频流数据；对所述视频流数据进行抽帧处理得到对应的道路资产图像数据；将所述道路资产图像数据输入如本发明实施例所述的道路资产检测模型构建方法构建得到的道路资产检测模型进行检测。该方法利用训练好的道路资产检测模型对输入的道路资产图像数据进行检测，代替了人工检测，提高了检测效率和准确性。
附图说明
18.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
19.图1是根据本发明实施例的路资产检测模型构建方法的流程图；
20.图2是根据本发明实施例的道路资产检测方法的流程图；
21.图3是根据本发明实施例的道路资产检测模型构建装置的结构框图；
22.图4是根据本发明实施例的道路资产检测装置的结构框图；
23.图5是根据本发明实施例提供的计算机可读存储介质的结构示意图；
24.图6是根据本发明实施例提供的电子设备的结构示意图。
具体实施方式
25.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例
中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
26.本发明实施例提供一种道路资产检测模型构建方法，如图1所示，该方法包括如下步骤：
27.步骤s101：获取道路资产图像数据集。具体地，可以利用车载摄像头或者路口固定摄像头等图像传感器采集实际交通场景下的道路资产图像形成道路资产图像数据集。其中，道路资产图像数据集包括从多个场景、多时间段下采集的多角度样本(多角度道路资产图像)；采集的道路资产图像要求目标清晰且容易分辨，比如，像素值大于100＊100；道路资产表示通过建造所形成的道路(公路、铁路等)基础设施资产。
28.步骤s102：对所述道路资产图像数据集中的图像按照目标属性进行分类并将分类后带标签的图像样本集输入至预设的神经网络中训练直至得到满足条件的道路资产检测模型。具体地，道路资产图像数据集中包含多个道路资产对应的图像，首先将道路资产图像数据集中包含的道路资产图像按照道路资产的属性进行分类，比如当道路资产图像数据集包括道路标志图像和车道线图像时，由于道路标志可以包括左拐、直行、右拐、左拐+直行、右拐+直行、左拐+掉头、掉头、左拐+右拐、斑马线、公交专用、导流线、网格线、减速、避让、停止线、信号灯、护栏等标志，车道线可以包括白实线、白虚线、黄实线、黄虚线、双白实线、双白虚线、双黄实线、双黄虚线、白色左虚右实线、白色左实右虚线、黄色左虚右实线、黄色左实右虚线、最低限速、最高限速等。此时，对道路资产图像数据集中的图像按照目标属性进行分类后可以得到包含每一个道路标志的图像(道路标志矩形框)和包含每一个车道线的图像(车道线点集)，即带标签的道路标志图像和带标签的车道线图像。
29.最后，将得到的带标签的图像样本集输入至预设的神经网络(比如cnn等卷积神经网络)中进行训练直至得到满足需求的道路资产检测模型。其中，具体的训练过程包括数据集准备及清洗、数据标注、网络训练、测试4个过程。
30.比如，利用laneattpro检测模型对输入的车道线图像进行模型训练，直至得到满足条件的车道线检测模型；利用yolox检测模型对输入的道路标志图像进行模型训练，直至得到满足条件的道路标志检测模型。其中，laneattpro检测模型表示一种车道线检测模型，通过组合局部和全局特征实现检测，使得可以在遮挡或没有可见车道标记的情况下更容易地使用来自其他车道的信息。因此，通过这种方式可以提升该车道线检测模型、道路标志检测模型在实际应用场景中的泛化性。
31.本发明实施例提供的道路资产检测模型构建方法，所述方法包括：获取道路资产图像数据集；对所述道路资产图像数据集中的图像按照目标属性进行分类并将分类后带标签的图像样本集输入至预设的神经网络中训练直至得到满足条件的道路资产检测模型。该方法对图像数据集中的图像按照目标属性进行分类，有助于模型对于不同标签的属性的推断，同时方便了模型的管理和部署。因此，通过本发明，可以全面、准确地掌握道路资产图像。
32.作为本发明实施例一种可选的实施方式，所述获取道路资产图像数据集之后，所述方法还包括：对所述道路资产图像数据集进行数据增强处理，得到增强后的道路资产图像数据集；利用所述增强后的道路资产图像数据集中的图像训练得到所述道路资产检测模
型。具体地，获取道路资产图像数据集之后，对该道路资产图像数据集进行数据增强处理来扩大数据集，可以得到更多同样有效的数据，然后利用扩大后的数据集进行训练，得到的道路资产检测模型效果更好且模型的泛化能力更好。其中，数据增强方式可以包括mosaic增强、随机擦除、加入噪声等，本发明不做具体限定，满足数据增强需求即可。
33.作为本发明实施例一种可选的实施方式，所述道路资产图像数据集包括车道线数据集和道路标识数据集。具体地，车道线数据集和道路标识数据集中包含的车道线图像和道路标识图像同步骤s102中提供的图像，此处不再赘述。
34.本发明实施例还提供一种道路资产检测方法，如图2所示，该方法包括如下步骤：
35.步骤s201：获取视频流数据。具体地，同步骤s101一样，可以利用车载摄像头或者路口固定摄像头等传感器采集实际交通场景下的视频流。
36.步骤s202：对所述视频流数据进行抽帧处理得到对应的道路资产图像数据。具体地，可以通过opencv或者ffmpeg等方式对得到的视频流数据进行抽取得到对应的道路资产图像数据。比如，视频流数据中包含道路资产图像、行人图像等多种图像，通过对视频抽帧处理可以得到道路资产图像并形成对应的道路资产图像数据。
37.步骤s203：将所述道路资产图像数据输入如本发明实施例所述的道路资产检测模型构建方法构建得到的道路资产检测模型进行检测。具体地，将道路资产图像数据输入训练好的模型进行检测。比如，将车道线图像数据输入车道线检测模型可以得到车道线的点集，通过该点集可以确定对应的车道线；将道路标志图像数据输入道路标志检测模型可以得到对应道路标志的坐标(道路标志矩形框左上、由下两个点)、类别信息以及置信度等，通过这些信息可以确定对应的道路标志。
38.其次，通过将道路资产图像数据输入训练好的道路资产检测模型进行检测还可以用于机动车违法/非机动车违法事件检测。比如，通过对车道线进行检测可以确定对应机动车的行驶路线，通过对道路标志进行检测可以确定对应机动车在对应行驶路线过程中经过的道路标志，比如，通过模型精测，确定行驶路线a上包括左拐、直行两个道路标志并存储，当某一机动车在路线a上行驶时，若监测到该机动车执行过右拐操作，则通过与存储的道路标志进行比对可以确定该机动车存在违规行驶行为。
39.本发明实施例提供的道路资产检测方法，所述方法包括：获取视频流数据；对所述视频流数据进行抽帧处理得到对应的道路资产图像数据；将所述道路资产图像数据输入如本发明实施例所述的道路资产检测模型构建方法构建得到的道路资产检测模型进行检测。该方法利用训练好的道路资产检测模型对输入的道路资产图像数据进行检测，代替了人工检测，提高了检测效率和准确性。
40.本发明实施例还提供一种道路资产检测模型构建装置，如图3所示，该装置包括：
41.第一获取模块301，用于获取道路资产图像数据集；详细内容参见上述方法实施例中步骤s101的相关描述。
42.训练模块302，用于对所述道路资产图像数据集中的图像按照目标属性进行分类并将分类后带标签的图像样本集输入至预设的神经网络中训练直至得到满足条件的道路资产检测模型；详细内容参见上述方法实施例中步骤s102的相关描述。
43.本发明实施例提供的道路资产检测模型构建装置，图像数据集中的图像按照目标属性进行分类，有助于模型对于不同标签的属性的推断，同时方便了模型的管理和部署。因
此，通过本发明，可以全面、准确地掌握道路资产图像。
44.作为本发明实施例一种可选的实施方式，所述装置还包括：第一处理模块，用于对所述道路资产图像数据集进行数据增强处理，得到增强后的道路资产图像数据集；第一训练模块，用于利用所述增强后的道路资产图像数据集中的图像训练得到所述道路资产检测模型。
45.作为本发明实施例一种可选的实施方式，所述道路资产图像数据集包括车道线数据集和道路标识数据集。
46.本发明实施例提供的道路资产检测模型构建装置的功能描述详细参见上述实施例中道路资产检测模型构建方法描述。
47.本发明实施例还提供一种道路资产检测装置，如图4所示，该装置包括：
48.第二获取模块401，用于获取视频流数据；详细内容参见上述方法实施例中步骤s201的相关描述。
49.第二处理模块402，用于对所述视频流数据进行抽帧处理得到对应的道路资产图像数据；详细内容参见上述方法实施例中步骤s202的相关描述。
50.检测模块403，用于将所述道路资产图像数据输入如本发明实施例所述的道路资产检测模型构建方法构建得到的道路资产检测模型进行检测；详细内容参见上述方法实施例中步骤s203的相关描述。
51.本发明实施例提供的道路资产检测装置，利用训练好的道路资产检测模型对输入的道路资产图像数据进行检测，代替了人工检测，提高了检测效率和准确性。
52.本发明实施例提供的道路资产检测装置的功能描述详细参见上述实施例中道路资产检测方法描述。
53.本发明实施例还提供一种存储介质，如图5所示，其上存储有计算机程序501，该指令被处理器执行时实现上述实施例中道路资产检测模型构建方法或道路资产检测方法的步骤。该存储介质上还存储有音视频流数据，特征帧数据、交互请求信令、加密数据以及预设数据大小等。其中，存储介质可为磁碟、光盘、只读存储记忆体(read－only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid－state drive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。
54.本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read－only memory，rom)、随机存储记忆体(randomaccessmemory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid－state drive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。
55.本发明实施例还提供了一种电子设备，如图6所示，该电子设备可以包括处理器61和存储器62，其中处理器61和存储器62可以通过总线或者其他方式连接，图6中以通过总线连接为例。
56.处理器61可以为中央处理器(central processing unit，cpu)。处理器61还可以为其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路
(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
57.存储器62作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的对应的程序指令/模块。处理器61通过运行存储在存储器62中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的道路资产检测模型构建方法或道路资产检测方法。
58.存储器62可以包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需要的应用程序；存储数据区可存储处理器61所创建的数据等。此外，存储器62可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器62可选包括相对于处理器61远程设置的存储器，这些远程存储器可以通过网络连接至处理器61。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
59.所述一个或者多个模块存储在所述存储器62中，当被所述处理器61执行时，执行如图1－2所示实施例中的道路资产检测模型构建方法或道路资产检测方法。
60.上述电子设备具体细节可以对应参阅图1至图2所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
61.虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。