基于深度學習的道路識別與尋跡

李彥錫，周 洋，李靜峰，周琳習，陳昌達，范小蘭，趙春鋒

（上海工程技術大學工程訓練中心，上海 201620）

0 引言

第十七屆全國大學生智慧車競賽中，組織委員會積極地提倡使用AI 技術，并設立了路面標記辨識比賽方案，智能小車在巡檢時能夠準確辨別三維物料形狀并將其分類，同時以各種色彩的指示燈進行提示。若采用單片機采集圖像再尋找特征來判斷物料形狀的方法，運算量大，且很難找出三維物料不同角度投影的特征，不能用于解決該類問題。本文提出了一種基于深度學習的方法來對不同物料進行分類，采用嵌入式Edgeboard 系統和PaddlePaddle 深度學習框架，結合Python 語言完成圖像采集處理、設計合理的卷積神經網絡，對賽道交通標識進行識別分類，對結果進行適當的邏輯判斷，分類準確率高達100%［1-2］。控制程序流程如圖1所示。

圖1 控制程序流程

1 深度學習算法設計

1.1 板卡簡介

本文選用的EdgeBoard FZ9 屬于EdgeBoard高性能版本，計算性能高于CPU 計算卡50 倍，算力達3.6TOPS，針對大網絡模型表現優異，硬件形態分為計算卡和計算盒。通過嵌入集成EdgeBoard FZ9 計算卡，可快速打造端側智能硬件。通過集成EdgeBoard FZ9 計算盒，可以快速實現邊緣化項目部署。

1.2 系統控制流程

采用C 語言開發的Edgeboard 嵌入式微系統可以實現小車的控制，控制流程如圖1所示，攝像頭通過USB 連接到Edgeboard 上，經過圖像采集后，可以根據賽道圖像實時調整小車的運行姿態，以確保它能夠在賽道中心穩定行駛。

通過OpenCV，可以將輸入的圖像進行分割，從而截取出超出預設閾值的小區域面積，并通過面積篩選，從中提取出賽道元素，采用卷積神經網絡來評估物料類型的準確性，最后通過邏輯判斷輸出最終的賽道元素。

1.3 神經網絡算法

1.3.1 卷積神經網絡

卷積神經網絡是一個復雜的神經網絡，它由注入層、卷積層、觸發函數、池化層、全連結層和損失函數構成，它的功用是獲取特性并進行決策判斷［3］。

通過比較分析選用MobileNetSSD 模型，其屬于輕量級的網絡，具有深度可離散卷積，由depthwise 和pointwise 兩方面構成，用來提取特征（Feature map）。與傳統的卷積運算比較，這種方法的參量種類更少，運算成本也更低。

通過逐通道卷積，一個卷積核只負責一個通道，而且每個通道的數量與輸入的通道數量相同。例如，對于一張5×5 像素、RGB 彩色輸入圖片，首先進行第一次卷積運算，然后在二維平面上進行depthwise 計算，最終生成三個Feature map。如圖2所示。

圖2 三通道逐通道卷積示意

逐點卷積是一種非常有效的數學信息處理方式，其卷積核尺度為1×1×M，M表示上一級的通道數，為了產生新的Feature map，它將上一次的map在深度方向上進行權重整合，這種方式的優勢在于它可以迅速地完成任務。如圖3所示。

圖3 逐點卷積示意

1.3.2 訓練集的制作及使用

（1）訓練集制作過程

選定好合適的分辨率后，使用攝像頭采集圖片，部分道路識別特征訓練集如圖4所示。

圖4 道路識別部分訓練集

再通過labelme進行特征框選，如圖5所示。

圖5 特征框選

接著按照設定的格式進行數據整理，最后進行模型訓練，將導出的模型放入Edgeboard 程序設計中，通過智能指針和OpenCV 實現特征可視化，如圖6所示。

圖6 OpenCV處理效果

（2）訓練過程

訓練中采用圖像增強和十倍交叉驗證法。將所有數據分為10 份，然后將其中1 份作為驗證集，其他作為訓練集來進行訓練和驗證。在這一過程中，保持超參數一致，然后取10 個模型的平均訓練loss 和平均驗證loss，來衡量超參數的好壞。最后取得一個滿意的超參數后，使用全部數據作為訓練集，用該超參數訓練獲得1個模型。

采用交叉檢驗，可以有效減小由于單次分析訓練集和檢驗集所帶來的偶然性，進而利用已有數據集，避開因為特定分析而造成無法實現泛化的超參數和模式。采用交叉驗證技術可以有效地降低偶然性，進而提升泛化能力，如圖7所示。

圖7 深度學習編程環境

將所訓練結果部署到智能小車中，如圖8所示。

圖8 智能小車實拍

2 結語

基于深度學習完成道路標志識別與循跡，其中任務包括加油站圖標識別、施工區圖標識別、禁行區標志識別、斑馬線識別等多種道路元素的識別與判斷，在比賽中獲得良好的運行效果。深度學習模型的復雜程度直接影響道路識別精準度，目前的深度學習算法，并不能完全覆蓋道路中會出現的所有情況，仍需進行不斷的優化和改良，對不同的道路情況進行設計，使其判定內容具有普遍性［4］。