原文传递
基于改进ALexNet模型的路面状况识别方法研究
| 题名： | 基于改进ALexNet模型的路面状况识别方法研究 |
| 作者： | 王启明;胥津铭;苏建;宗高强;薛牟宇 |
| 关键词： | 智能交通;路面状况识别;深度学习;迁移学习;环境感知 |
| 摘要： | 针对目前路面类型识别率低及人工提取路面图像特征过程复杂且提取方法较为单一等问题，提出了一种基于改进AlexNet模型的路面状况识别方法（PCRM）。首先，结合路面图像样本的特征，将ReLU激活函数改为LeakReLU，添加了正则化层BN，克服原有AlexNet网络显存的缺点。其次，将改进的AlexNet网络进行了迁移学习，冻结了ImageNet预训练的浅层网络权重，替换原有的3层全连接层为2层全连接层并在路面图像数据集进行了训练，用以提高网络训练效率和识别准确率。最后，在改进的ALexNet网络中用6-label SoftMax代替原分类器，进行WetAsphalt，Mud，Snow，Asphalt，Paved，Unpaved等6种路面类型分类，其中后3类Asphalt，Paved和Unpaved样本数据集最容易相互误判。对比原有的AlexNet网络，提出的PCRM模型验证集准确率提升了2.9%，验证数据集损失值降低了0.5554。从适应性、预测输出、误差性能等方面又对比分析了传统机器学习和本研究提出的PCRM模型。结果表明：后者识别精确率为99.9%，分别高于AlexNet，BP和SVM等分类模型3.3%，7.1%和11.81%，有效地提高了网络训练速度和道路图像识别精度，具有较强的鲁棒性，且能够满足多种实际路况路面图像的感知要求。该研究方法不只适用于单车道路识别，可推广至人-车-路-云协同感知车辆环境。 |
| 期刊名称： | 公路交通科技 |
| 出版年： | 2023 |
| 期： | 03 |
| 页码： | 209-218 |
检索历史
应用推荐
