[发明专利]基于改进定位损失函数的隧道顶灯故障检测方法及系统

说明书

本发明涉及一种基于改进定位损失函数的隧道顶灯故障检测方法及系统，该方法包括：构建隧道顶灯检测图像的数据集；获取基于改进定位损失函数的YOLOv5s神经网络；根据数据集对YOLOv5s神经网络进行训练，得到训练后的YOLOv5s神经网络；获取待检测的隧道顶灯图像；利用训练后的YOLOv5s神经网络对待检测的隧道顶灯图像进行检测，得到发光顶灯的位置坐标；根据发光顶灯的位置坐标判断隧道顶灯是否存在故障。本发明能够精准定位隧道顶灯并标定其位置，并能够通过各个标定顶灯位置的相对关系检测隧道顶灯的工作状态是否正常。

技术领域

本发明涉及故障检测领域，特别是涉及一种基于改进定位损失函数的隧道顶灯故障检测方法及系统。

背景技术

我国高速公路隧道车道数量相对较少，车流量密集，一旦高速公路隧道发生交通事故，往往就会导致严重的人员伤亡。为了减少隧道交通事故，需要对隧道环境安全进行及时有效的监测。目前针对与高速公路隧道环境中的设施安全检测均采用人工巡检的方法，人工定期巡检隧道，发现设备问题并记录以便后续寻找施工人员进行维护。隧道人工巡检强度大，耗时长，实时性和可靠性相对较差，同时针对于隧道环境，人工巡检的频率较低。长期的巡检不及时还可能导致问题堆积间接导致严重的交通事故发生。若将人工智能巡检使用到隧道环境中，及时有效的发现隧道环境设施问题并进行处理，能够减少此方面的损失。因此，需要将智能检测算法应用在隧道顶灯检测，使之能够准确定位隧道顶灯位置并且进行实时检测。

目前，国内外已经有部分学者开始使用智能算法进行隧道目标检测，但是所针对的检测对象主要是针对的隧道裂缝检测，同时检测的基本载体也是针对于地铁隧道，管廊隧道等等专用隧道。相比于高速公路隧道环境监测，专用隧道环境固定，异物入侵率较低，因此检测难度相对较小，并且以往所采用的方式往往采用传统的特征提取方式，这种特征提取方法容易受到场景和光线的影响，无法满足智能分析的需要，但是深度学习凭借着其针对特定问题自动构建最合适的特征的优势，在图像分析领域相对于传统的图像处理方法具有很大的优势。

当前使用深度学习进行目标检测的方法主要分为两大类，即先定位后识别的两阶段目标方法，主要代表为Fast-RCNN算法；和近年来迅速发展的端到端的一阶段目标检测方法，主要代表为YOLO系列算法，而目前针对于隧道环境主要采用两阶段的目标检测方法进行目标检测，而一阶段目标检测算法由于近年来才开始逐渐发展，因此使用的较少。但是一阶段的目标检测算法相对于两阶段的目标检测法，往往速度更快，识别精度也能与两阶段的目标检测算法相差无几，能够达到实际应用所需。

因此提出采用一阶段的目标检测算法YOLOv5进行隧道顶灯检测，同时进行改进使之能够更加符合隧道环境的使用。

发明内容

本发明的目的是提供一种基于改进定位损失函数的隧道顶灯故障检测方法及系统，能够精准定位隧道顶灯并标定其位置，并能够通过各个标定顶灯位置的相对关系检测隧道顶灯的工作状态是否正常。

为实现上述目的，本发明提供了如下方案：

一种基于改进定位损失函数的隧道顶灯故障检测方法，包括：

构建隧道顶灯检测图像的数据集；

获取基于改进定位损失函数的YOLOv5s神经网络；

根据所述数据集对所述YOLOv5s神经网络进行训练，得到训练后的YOLOv5s神经网络；

获取待检测的隧道顶灯图像；

利用所述训练后的YOLOv5s神经网络对所述待检测的隧道顶灯图像进行检测，得到发光顶灯的位置坐标；

根据所述发光顶灯的位置坐标判断隧道顶灯是否存在故障。

一种基于改进定位损失函数的隧道顶灯故障检测系统，包括：

数据集构建模块，用于构建隧道顶灯检测图像的数据集；