摘要
为提升低光照环境下路面病害识别模型的精确度与鲁棒性,提出了一种考虑低光照场景的自适应路面病害检测模型。将采集的数据按照亮度分成低光照图像和正常光照图像2类,随后对低光照图像进行自适应增强,并接入路面病害检测流程。为解决现有光照增强图像失真的问题,在Zero-DCE++基准模型上引入光照约束网络,提出了光照增强模块Zero-DCE-Retinex。在此基础上,以提升路面病害检测精度为核心需求,提出了以病害识别模型为驱动的光照增强模块训练策略。具体的,在训练过程中,将病害识别模型嵌入光照增强模块,并通过损失函数来引导光照增强模块的训练。试验结果表明:当使用所提模型对低光照图像进行增强后,再经过YOLOv7模型进行检测,比直接输入低光照图像的方式,AP指标提升了7.04%,F1-score指标提升了11.22%;图像质量亦得到进一步改善,表现在图像信息熵、标准差和平均梯度的提升分别为0.62、13.24和21.61。与同类无监督光照模型相比,所提模型在目标检测任务的AP和F1-score提升方面显著优于其他模型,同时有效避免了增强结果出现色彩失真和过度曝光等问题。因此,提出的模型可广泛适用于复杂道路光照场景,拓展了现有病害检测模型的应用环境,具有重要的工程应用价值。
- 单位