一种基于Fast-SCNN的道路识别方法与流程

本申请涉及道路识别，特别是涉及一种基于fast-scnn的道路识别方法。

背景技术：

1、针对野外环境的道路识别，在现代科技中，自动驾驶和智能交通系统等领域的发展推动了对图像识别和语义分割技术的需求。现有技术主要集中在使用深度学习方法进行道路检测和分割。这些方法已经取得了一定的进展，但在野外环境中仍然存在一些挑战。目前的道路识别技术通常需要在云端进行部署，而无法实现在边缘设备上进行轻量级部署。这导致了延迟增加、网络带宽需求增加等问题，进而影响道路识别的实时性。

技术实现思路

1、本申请的目的是提供一种基于fast-scnn的道路识别方法，可提高道路识别的实时性。

2、为实现上述目的，本申请提供了如下方案：一种基于fast-scnn的道路识别方法包括：采用道路环境图像数据集训练基于fast-scnn的神经网络，得到道路识别模型；将所述道路识别模型转换为rknn模型文件部署到车载设备上；所述车载设备设置在目标车辆上；将所述目标车辆上摄像头实时采集的图像输入转换为rknn模型文件的所述道路识别模型中，实时输出道路区域识别结果。

3、根据本申请提供的具体实施例，本申请公开了以下技术效果：

4、本申请提供了一种基于快速分割卷积神经网络（fast segmentationconvolutional neural network，fast-scnn）的道路识别方法，通过训练基于fast-scnn的神经网络得到道路识别模型，利用fast-scnn轻量级的结构特点，使得道路识别模型具有较低的参数量和计算复杂度，从而提高了道路识别的实时性，另外，将道路识别模型转换为循环核神经网络（recurrent kernel neural network，rknn）模型文件，rknn模型文件的道路识别模型对输入图像能够更快作出响应，从而进一步提高了道路识别的实时性。

技术特征：

1.一种基于fast-scnn的道路识别方法，其特征在于，所述基于fast-scnn的道路识别方法包括：

2.根据权利要求1所述的基于fast-scnn的道路识别方法，其特征在于，将所述目标车辆上摄像头实时采集的图像输入转换为rknn模型文件的所述道路识别模型中，实时输出道路区域识别结果之后，所述基于fast-scnn的道路识别方法，还包括：

3.根据权利要求1所述的基于fast-scnn的道路识别方法，其特征在于，所述基于fast-scnn的神经网络包括编码器和解码器，所述编码器为fast-scnn，所述解码器为全卷积神经网络。

4.根据权利要求3所述的基于fast-scnn的道路识别方法，其特征在于，所述fast-scnn中下采样深度可分离卷积的通道数范围为大于或者等于32且小于或者等于48，全局池化模块的输入通道数为64，全局模块的输出通道数为128，特征融合模块的输出通道数为128。

5.根据权利要求3所述的基于fast-scnn的道路识别方法，其特征在于，所述解码器的输入通道数为128，所述解码器的输出端与输入端不连接，所述解码器采用sigmoid函数进行分类。

6.根据权利要求1所述的基于fast-scnn的道路识别方法，其特征在于，采用道路环境图像数据集训练基于fast-scnn的神经网络时，采用的损失函数为交叉熵损失函数。

7.根据权利要求1所述的基于fast-scnn的道路识别方法，其特征在于，将所述道路识别模型转换为rknn模型文件部署到车载设备上，具体包括：

8.根据权利要求1所述的基于fast-scnn的道路识别方法，其特征在于，采用道路环境图像数据集训练基于fast-scnn的神经网络，得到道路识别模型之前，所述基于fast-scnn的道路识别方法还包括：

9.根据权利要求8所述的基于fast-scnn的道路识别方法，其特征在于，对所述原始图像数据集中各道路环境图像中道路区域进行标注，得到标注图像数据集，具体包括：

10.根据权利要求8所述的基于fast-scnn的道路识别方法，其特征在于，对标注图像数据集中各标注图像进行数据增强，得到所述道路环境图像数据集，具体包括：

技术总结本申请公开了一种基于Fast‑SCNN的道路识别方法，涉及道路识别技术领域，该方法包括：采用道路环境图像数据集训练基于Fast‑SCNN的神经网络，得到道路识别模型；将所述道路识别模型转换为RKNN模型文件部署到车载设备上；所述车载设备设置在目标车辆上；将所述目标车辆上摄像头实时采集的图像输入转换为RKNN模型文件的所述道路识别模型中，实时输出道路区域识别结果。本申请可提高道路识别的实时性。技术研发人员：周晓坤受保护的技术使用者：中科华芯（东莞）科技有限公司技术研发日：技术公布日：2024/9/2