道路积水识别方法、装置、设备及可读存储介质与流程

本申请涉及图像处理，更具体地说，涉及一种道路积水识别方法、装置、设备及可读存储介质。

背景技术：

1、近年来，极端天气频发，强降雨时有发生。而强降雨容易导致道路低洼处及隧道等路段存在大量积水，容易导致交通拥堵、车辆事故等一系列不良影响。为了避免不良结果的发生，及时识别道路积水并处理道路积水具有重要意义。

2、现有技术中，尝试分析道路低洼地段的传感器信号，识别是否存在道路积水。但上述方式的传感器由于安装于道路旁，容易被过往的车辆损坏，需要不定期更换，投入成本较高。

技术实现思路

1、有鉴于此，本申请提供了一种道路积水识别方法、装置、设备及可读存储介质，用于解决现有技术道路积水识别方法中投入成本较高的缺点。

2、为了实现上述目的，现提出的方案如下：

3、一种道路积水识别方法，包括：

4、获取待识别的道路图片及积水识别模型，所述积水识别模型为backbone层级中增加有可变形卷积模块、neck层级中增加有注意力机制cbam的yolov8模型，所述积水识别模型经过用于动态调整检测框回归损失的hiou损失函数训练得到；

5、利用所述积水识别模型对所述道路图片进行积水识别，评估所述道路图片是否表明对应道路存在积水。

6、可选的，所述利用所述积水识别模型对所述道路图片进行积水识别，评估所述道路图片是否表明道路存在积水，包括：

7、利用包含有可变形卷积模块的backbone层级对道路图片中的规则物体及不规则物体进行特征提取，得到多个特征信息；

8、利用包含有注意力机制cbam的neck层级调整各个特征信息的通道权重及空间权重，对多个特征信息进行特征融合，得到融合特征；

9、利用所述积水识别模型基于所述融合特征，判断所述道路图片是否表明对应道路存在积水，并在所述道路图片表明对应道路存在积水时，在所述道路图片中标注表明积水所处位置的目标检测框。

10、可选的，训练所述积水识别模型，包括：

11、构建backbone层级中增加有可变形卷积模块、neck层级中增加有注意力机制cbam的目标yolov8模型；

12、获取多个训练图像，各个训练图像由两类图像组成，一类图像为标注有对应积水边界框的道路图像，另一类为不存在积水的道路图像；

13、针对每一训练图像，将所述训练图像输入至目标yolov8模型中，得到所述训练图像对应的识别结果；利用所述hiou损失函数，基于所述训练图像及所述识别结果，计算损失值；基于所述损失值，对所述目标yolov8模型进行参数调整；

14、将最终得到的目标yolov8模型作为积水识别模型。

15、可选的，所述构建backbone层级中增加有可变形卷积模块、neck层级中增加有注意力机制cbam的目标yolov8模型，包括：

16、构建yolov8模型；

17、将所述yolov8模型backbone层级的多个c2f模块替换为可变形卷积模块；

18、在所述yolov8模型neck层级upsampl模块后增加注意力机制cbam，并在下采样结构的每个c2f模块后且cbs模块前增加注意力机制cbam，形成目标yolov8模型。

19、可选的，在任一识别结果对应的训练图像为标注有对应积水边界框的道路图像时，该识别结果还包括增加有预测积水锚框的对应训练图像；

20、所述hiou损失函数的表达式如下所示：

21、

22、

23、

24、

25、

26、

27、式中，为损失值；为衰减参数；为面积占比参数；为预测积水锚框的中心点横坐标；为预测积水锚框的中心点纵坐标；为预测积水锚框的宽；为预测积水锚框的高；为积水边界框的中心点横坐标；为积水边界框的中心点纵坐标；为积水边界框的宽；为积水边界框的高；为预测积水锚框与积水边界框交集矩形的宽；为预测积水锚框与积水边界框交集矩形的高；、为预设的中间参数；描述了纵横比的一致性；为最小边界框的宽；为最小边界框的高。

28、可选的，基于所述损失值，对所述目标yolov8模型进行参数调整，包括：

29、基于所述损失值，采用梯度下降法，对所述目标yolov8模型的注意力机制cbam及可变形卷积模块进行参数调整。

30、可选的，所述获取多个训练图像，包括：

31、通过网络爬取技术收集多个图像；

32、对每个图像进行格式转换，并从格式转换后的多个图像中筛选存在积水的目标图像，并在每个目标图像中标注积水边界框。

33、一种道路积水识别装置，包括：

34、获取模块，用于获取待识别的道路图片及积水识别模型，所述积水识别模型为backbone层级中增加有可变形卷积模块、neck层级中增加有注意力机制cbam的yolov8模型，所述积水识别模型经过用于动态调整检测框回归损失的hiou损失函数训练得到；

35、利用模块，用于利用所述积水识别模型对所述道路图片进行积水识别，评估所述道路图片是否表明对应道路存在积水。

36、一种道路积水识别设备，包括存储器和处理器；

37、所述存储器，用于存储程序；

38、所述处理器，用于执行所述程序，实现上述的道路积水识别方法的各个步骤。

39、一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现上述的道路积水识别方法的各个步骤。

40、从上述的技术方案可以看出，本申请提供的道路积水识别方法，该方法可以利用积水识别模型对道路图片进行积水识别，评估所述道路图片是否表明对应道路存在积水，其中，积水识别模型为backbone层级中增加有可变形卷积模块、neck层级中增加有注意力机制cbam的yolov8模型。基于此，本申请可以通过对道路图片的识别完成积水检测，而道路图片获取的容易度较低，例如，可以通过道路监控获取，而道路监控是道路固有设备，不需要额外投入成本，进一步降低了道路积水识别的成本。同时，本申请的积水识别模型中增加有可变形卷积模块及注意力机制，其可以聚合特征信息，提高通道注意力，提高小目标的关注度，避免积水小形液面的漏检，进一步提高道路积水检测可靠性。且积水识别模型积水识别模型经过用于动态调整检测框回归损失的hiou损失函数训练得到，能够在训练过程中动态调整回归损失，提高积水识别模型的可靠性，进一步提高本申请道路积水识别的准确度。可见，本申请可以在减少成本的同时，进一步提高道路积水识别的可靠性及准确度。

技术特征：

1.一种道路积水识别方法，其特征在于，包括：

2.根据权利要求1所述的道路积水识别方法，其特征在于，所述利用所述积水识别模型对所述道路图片进行积水识别，评估所述道路图片是否表明道路存在积水，包括：

3.根据权利要求1所述的道路积水识别方法，其特征在于，训练所述积水识别模型，包括：

4.根据权利要求3所述的道路积水识别方法，其特征在于，所述构建backbone层级中增加有可变形卷积模块、neck层级中增加有注意力机制cbam的目标yolov8模型，包括：

5.根据权利要求3所述的道路积水识别方法，其特征在于，在任一识别结果对应的训练图像为标注有对应积水边界框的道路图像时，该识别结果还包括增加有预测积水锚框的对应训练图像；

6.根据权利要求3所述的道路积水识别方法，其特征在于，基于所述损失值，对所述目标yolov8模型进行参数调整，包括：

7.根据权利要求3所述的道路积水识别方法，其特征在于，所述获取多个训练图像，包括：

8.一种道路积水识别装置，其特征在于，包括：

9.一种道路积水识别设备，其特征在于，包括存储器和处理器；

10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-7中任一项所述的道路积水识别方法的各个步骤。

技术总结本申请公开了一种道路积水识别方法、装置、设备及可读存储介质，该方法可以获取待识别的道路图片及积水识别模型，积水识别模型为Backbone层级中增加有可变形卷积模块、Neck层级中增加有CBAM的YOLOv8模型，积水识别模型经过用于动态调整检测框回归损失的HIoU损失函数训练得到；利用积水识别模型对道路图片进行积水识别，评估道路图片是否表明对应道路存在积水。基于此，本申请可通过对道路图片的识别完成积水检测，道路图片获取不需要额外成本，CBAM及可变形卷积模块可提高小目标的关注度，避免漏检，HIoU损失函数提高积水识别模型的可靠性。可见，本申请在减少成本的同时，提高道路积水识别的可靠性及准确度。技术研发人员：卢润戈,徐涛,李瀚儒,何志斌,李茂,刘东林受保护的技术使用者：广东电网有限责任公司广州供电局技术研发日：技术公布日：2024/9/2