[发明专利]基于自监督学习的路面病害语义分割方法

说明书

本发明公开一种基于自监督学习的路面病害语义分割方法，包括a、图像裁剪，将路面图像随机裁剪为若干子图；b、产生伪标签，对子图采用若干种语义分割模型进行语义分割，生成伪标签，将伪标签作为初始Ground Truth(GT)；c、判断；d、获得语义分割结果，将子图输入语义分割网络，输出语义分割结果；e、修正等步骤，采用通过传统的路面分割算法获取伪标注，在训练的过程中持续利用条件随机场对伪标注进行调整，从而使伪标签无限逼近于Ground Truth(GT)。能够避免人工标注，减少工作量、提高效率，达到提升路面病害分割的效果。

技术领域

本发明涉及自动驾驶技术领域，尤其涉及一种基于自监督学习的路面病害语义分割方法。

背景技术

在自动驾驶领域，路面的状况对自动驾驶策略有重要的影响。

申请号为202111144614.3的专利文献公开了一种双层结构对路面进行语义分割：第一层对路面图像进行特征提取，第二层对特征进行上采样，恢复到原始图像尺寸，实现原始路面图像的像素分类，从而完成语义分割。但是，上述方案所采取的数据集完全由人工标注，工作量巨大且效率低下。目前开源的已经标注好的数据集最多只有几千张，所拍摄的图像环境也与实际行驶环境有较大差异。并且，该方法实时性差，不能很好的满足检测路面的快速性要求。

发明内容

为了解决标注好的数据集难以获得的现状，本发明旨在提供一种基于自监督学习的路面病害分割方法，通过传统的路面分割算法获取伪标注，在训练的过程中持续利用条件随机场对伪标注进行调整，从而使伪标签无限逼近于Ground Truth(GT)（真实标签，即理想中的分割结果），避免了人工标注，减少工作量、提高效率，达到提升路面病害分割的效果。

为达到上述目的，本发明是采用以下技术方案实现的：

本发明公开的基于自监督学习的路面病害语义分割方法，包括以下步骤：

a、图像裁剪，将路面图像随机裁剪为若干子图；

b、产生伪标签，对子图采用若干种语义分割模型进行语义分割，生成伪标签，将伪标签作为初始Ground Truth(GT)；

c、判断，将子图采用神经网络进行训练，判断子图是否存在病害，

判断结果为存在病害，执行步骤d；

判断结果为不存在病害，执行步骤g；

d、获得语义分割结果，将子图输入语义分割网络，输出语义分割结果；

e、修正，将语义分割结果通过条件随机场并结合上一次生成的预测图的信息进行修正，替换初始Ground Truth(GT)；

f、重复步骤c、d、e直至当前预测图与上一次的预测图相同；

g、对所有初始Ground Truth(GT)对应的语义分割结果取平均值，得到最终的语义分割结果。

进一步的，在步骤g之后还包括：

h、将训练好的参数导入到Jetson nano开发板。

优选的，所述神经网络为残差神经网络。

优选的，所述若干种语义分割模型包括以下语义分割模型中的至少两种：。

进一步的，步骤a，所述路面图像为原始路面图像经过或不经过数据增强处理得到。

优选的，所述数据增强处理包括对比度随机变换和/或亮度随机变换。

优选的，所述图像裁剪采用滑动窗口的方式截取子图。

优选的，步骤h中，将训练好的参数导入Jetson nano开发板，所述Jetson nano开发板固化有语义分割网络。

本发明的有益效果如下：

1、本发明摆脱了人工标注方法，通过形成伪标签，在训练中逐步的将伪标签逼近为真实标签的方式，节省了大量枯燥的劳动。