[发明专利]一种基于二值化网络的深度学习轨道线检测方法

说明书

本发明公开了一种基于二值化网络的深度学习轨道线检测方法，包括以下步骤：样本准备阶段，首先通过摄像头采集多个道路场景视频，将视频处理成单个帧之后，再对图片标定、训练、校正、旋转变换、后期处理，得到图片数据集P，数据集A以4∶1的比例分为训练集X和测试集Y；网络创建一阶段，创建BiSeNet；网络创建二阶段，将所述的BiSeNet创建为二值化网络。本发明所述的一种基于二值化网络的深度学习轨道线检测方法，可以实现图片中轨道线的检测，检测过程对时间上和功耗上的要求更小，即内存占用小训练速度快，而且将BiSeNet的卷积层参数二值化后会大大压缩并加速神经网络，有利于推动深度学习与嵌入式相融合，带来更好的使用前景。

技术领域

本发明涉及基于图像/视频的轨道线检测领域，特别涉及一种基于二值化网络的深度学习轨道线检测方法。

背景技术

随着深度学习的发展，人工智能在各个领域有了广泛的应用，近年来，越来越多的研究团队开展了关于井下机车运输课题等方面的工作，如井下障碍物检测、井下轨道检测、井下行人避障等内容。为了保障井下轨道机车的安全运输从而减少矿工作业人员伤亡，并进一步实现建设智能化、数字化矿山的终极目标，自动驾驶机车正逐渐被应运到井下轨道运输。一方面，井下光线照射条件较弱能见度低，巷道狭窄且轨道线路铺设复杂，操作环境较为恶劣。另一方面，存在一些不按照安全生产规范操作的矿工，运行中的机车极易与作业中的矿产资源开采人员发生碰撞，导致一系列的机车运输事故，给国家和人民造成了无可挽回的损失。

轨道线检测是指运用图像处理技术将视频或图像中的车道区域进行识别，并显示出轨道线的具体位置。轨道线检测是通过合适的算法，从图片中准确快速的找出轨道线在图片中的位置。在实际中，然而井下轨道检测容易受光照阴影变化、积水覆盖、车辆遮挡等复杂环境因素影响，使得现有的轨道线识别在多种轨道场景中实现轨道的分析速度慢，准确性较低而且不能实时获取结果，为此，我们提出一种基于二值化网络的深度学习轨道线检测方法。

发明内容

本发明的主要目的在于提供一种基于二值化网络的深度学习轨道线检测方法，可以有效解决背景技术中的问题，具有图片中轨道线的检测，检测过程对时间上和功耗上的要求更小，即内存占用小训练速度快的优点。

为实现上述目的，本发明采取的技术方案为：

一种基于二值化网络的深度学习轨道线检测方法，包括以下步骤：

a、样本准备阶段，首先通过摄像头采集多个道路场景视频，将视频处理成单个帧之后，再对图片标定、训练、校正、旋转变换、后期处理，得到图片数据集P，数据集A以4:1的比例分为训练集X和测试集Y；

b、网络创建一阶段，创建BiSeNet；

c、网络创建二阶段，将所述的BiSeNet创建为二值化网络；

d、网络运行阶段，通过所述的二值化条件生成对抗网络进行轨道线检测。

优选的，所述步骤a中，样本准备阶段中视频剪裁最终得到2500张分辨率带大小为1280*720的图片，选择其中部分公路车道的图片作为训练集，训练集的数量为2000张，将另一部分不同公路车道的图片作为测试集，测试集的数量为500张。

优选的，数据集中的图片均需要进行标注，采用AutoCAD对数据集进行统一标注，标注时人物、车辆与周围环境的标注颜色不同，能够便于区分环境，便于训练的时候模型参数能够尽快下降。

优选的，所述步骤b中，网络创建一阶段按包括以下步骤；