基于深度学习的道路识别与寻迹

李彦锡，周 洋，李静峰，周琳习，陈昌达，范小兰，赵春锋

（上海工程技术大学工程训练中心，上海 201620）

0 引言

第十七届全国大学生智慧车竞赛中，组织委员会积极地提倡使用AI 技术，并设立了路面标记辨识比赛方案，智能小车在巡检时能够准确辨别三维物料形状并将其分类，同时以各种色彩的指示灯进行提示。若采用单片机采集图像再寻找特征来判断物料形状的方法，运算量大，且很难找出三维物料不同角度投影的特征，不能用于解决该类问题。本文提出了一种基于深度学习的方法来对不同物料进行分类，采用嵌入式Edgeboard 系统和PaddlePaddle 深度学习框架，结合Python 语言完成图像采集处理、设计合理的卷积神经网络，对赛道交通标识进行识别分类，对结果进行适当的逻辑判断，分类准确率高达100%［1-2］。控制程序流程如图1所示。

图1 控制程序流程

1 深度学习算法设计

1.1 板卡简介

本文选用的EdgeBoard FZ9 属于EdgeBoard高性能版本，计算性能高于CPU 计算卡50 倍，算力达3.6TOPS，针对大网络模型表现优异，硬件形态分为计算卡和计算盒。通过嵌入集成EdgeBoard FZ9 计算卡，可快速打造端侧智能硬件。通过集成EdgeBoard FZ9 计算盒，可以快速实现边缘化项目部署。

1.2 系统控制流程

采用C 语言开发的Edgeboard 嵌入式微系统可以实现小车的控制，控制流程如图1所示，摄像头通过USB 连接到Edgeboard 上，经过图像采集后，可以根据赛道图像实时调整小车的运行姿态，以确保它能够在赛道中心稳定行驶。

通过OpenCV，可以将输入的图像进行分割，从而截取出超出预设阈值的小区域面积，并通过面积筛选，从中提取出赛道元素，采用卷积神经网络来评估物料类型的准确性，最后通过逻辑判断输出最终的赛道元素。

1.3 神经网络算法

1.3.1 卷积神经网络

卷积神经网络是一个复杂的神经网络，它由注入层、卷积层、触发函数、池化层、全连结层和损失函数构成，它的功用是获取特性并进行决策判断［3］。

通过比较分析选用MobileNetSSD 模型，其属于轻量级的网络，具有深度可离散卷积，由depthwise 和pointwise 两方面构成，用来提取特征（Feature map）。与传统的卷积运算比较，这种方法的参量种类更少，运算成本也更低。

通过逐通道卷积，一个卷积核只负责一个通道，而且每个通道的数量与输入的通道数量相同。例如，对于一张5×5 像素、RGB 彩色输入图片，首先进行第一次卷积运算，然后在二维平面上进行depthwise 计算，最终生成三个Feature map。如图2所示。

图2 三通道逐通道卷积示意

逐点卷积是一种非常有效的数学信息处理方式，其卷积核尺度为1×1×M，M表示上一级的通道数，为了产生新的Feature map，它将上一次的map在深度方向上进行权重整合，这种方式的优势在于它可以迅速地完成任务。如图3所示。

图3 逐点卷积示意

1.3.2 训练集的制作及使用

（1）训练集制作过程

选定好合适的分辨率后，使用摄像头采集图片，部分道路识别特征训练集如图4所示。

图4 道路识别部分训练集

再通过labelme进行特征框选，如图5所示。

图5 特征框选

接着按照设定的格式进行数据整理，最后进行模型训练，将导出的模型放入Edgeboard 程序设计中，通过智能指针和OpenCV 实现特征可视化，如图6所示。

图6 OpenCV处理效果

（2）训练过程

训练中采用图像增强和十倍交叉验证法。将所有数据分为10 份，然后将其中1 份作为验证集，其他作为训练集来进行训练和验证。在这一过程中，保持超参数一致，然后取10 个模型的平均训练loss 和平均验证loss，来衡量超参数的好坏。最后取得一个满意的超参数后，使用全部数据作为训练集，用该超参数训练获得1个模型。

采用交叉检验，可以有效减小由于单次分析训练集和检验集所带来的偶然性，进而利用已有数据集，避开因为特定分析而造成无法实现泛化的超参数和模式。采用交叉验证技术可以有效地降低偶然性，进而提升泛化能力，如图7所示。

图7 深度学习编程环境

将所训练结果部署到智能小车中，如图8所示。

图8 智能小车实拍

2 结语

基于深度学习完成道路标志识别与循迹，其中任务包括加油站图标识别、施工区图标识别、禁行区标志识别、斑马线识别等多种道路元素的识别与判断，在比赛中获得良好的运行效果。深度学习模型的复杂程度直接影响道路识别精准度，目前的深度学习算法，并不能完全覆盖道路中会出现的所有情况，仍需进行不断的优化和改良，对不同的道路情况进行设计，使其判定内容具有普遍性［4］。