(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210983751.4 (22)申请日 2022.08.16 (71)申请人 贵州博睿 科讯科技发展 有限公司 地址 550081 贵州省贵阳市贵阳国家高新 技术产业开 发区滨湖路89 号时光俊园 第1栋1单 元13层11号房 (72)发明人 孔亮　蔡亚芬　潘斌　张靖华　 曾利　沈石禹　潘奕安　左珮良　 王逸扬　吴骁楠　 (74)专利代理 机构 天津诺德知识产权代理事务 所(特殊普通 合伙) 12213 专利代理师 栾志超 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/46(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于AI识别技术的涉路施工元素检测 系统及方法 (57)摘要 本发明属于图像识别技术领域， 更具体地 说， 涉及一种基于AI识别技术的涉路施工 元素检 测系统及方法。 以Faster  RCNN网络为基础网络 结构， 将采集后的道路图像输入网络并形成特征 图， 在Faster  RCNN网络上设置特征金字塔网络 并采用金字塔特征融合的方式精确特征图， 使用 网络级联串联多个Faster  RCNN网络， 设置基于 动力系统模块的检测网络并采用布朗运动模拟 道路不确定因素， 建立SDE ‑Net模型并设置检测 器， 完成道路检测。 本发明的有益效果是可在不 受周围环 境的影响下提取高精度道路图像， 在保 证极低的延时性的情况下提取高精度道路图像， 在快速处理道路图像并提高精确度与特征的同 时减少内存消耗。 权利要求书2页 说明书6页 附图3页 CN 115527059 A 2022.12.27 CN 115527059 A 1.一种基于AI识别技 术的涉路施工元 素检测方法， 其特 征在于， 所述方法的步骤 包括： 采集道路图像并将Faster  RCNN网络设置为基础网络结构， 通过所述Faster  RCNN网络 可提取所述道路图像的特 征形成特征图； 在所述Faster  RCNN网络的基础结构上设置特征金字塔网络， 所述特征金字塔网络可 融合网络多尺度信息， 增强所述特 征图的表达能力； 使用网络级联RPN网络进行训练； 设置基于随机动力系统模块的检测网络， 通过所述基于动力系统模块的检测网络筛选 异常目标并应用布朗运动模拟道路产生的不确定因素； 建立SDE‑Net模型配合所述动力系统模块检测道路不确定因素； 基于所述S DE‑Net模型设置检测器， 通过 所述检测器完成涉路目标的检测。 2.根据权利要求1所述的一种基于AI识别技术的涉路施工元素检测方法， 其特征在于： 所述Faster  RCNN网络包括底部特征提取层、 区域建议网络(RPN)与基于目标区域(ROI)的 分类器； 所述区域建议网络可基于所述特 征图建立检测候选 框； 经过ROI池化层的候选 框内的特 征被传输 至所述ROI分类 器内。 3.根据权利要求1所述的一种基于AI识别技术的涉路施工元素检测方法， 其特征在于： 所述特征金字塔网络包括自底向上模块、 自顶向下模块和上采样模块； 所述自底向上模块是 卷积网络在图像最小尺度上的前向计算； 所述自顶向下模块可对高层特征图进行上采样， 并通过横向连接将上采样结果和所述 自底向上模块每层金字塔输出的相同大小特 征图进行融合； 横向连接通过双线性插值上采样方法将低分辨率的特征图放大若干倍， 之后与所述自 底向上模块输出的特 征图按元 素相加， 最终生成融合后的特 征图。 4.根据权利要求1所述的一种基于AI识别技术的涉路施工元素检测方法， 其特征在于： 特征融合金字塔网络是所述特征金字塔网络的改进方法， 通过对所述特征金字塔网络操作 输出的所有特 征层进行累加， 可融合各尺度的特 征层。 5.根据权利要求1所述的一种基于AI识别技术的涉路施工元素检测方法， 其特征在于： 所述设置基于动力系统模块的检测网络， 通过所述基于动力系统模块的检测网络筛选异常 目标并应用布朗运动模拟道路产生的不确定因素的步骤 包括： 设置异常检测网络； 通过所述异常检测网络建立 Neural SDE模型用于描述 一个随机动力系统； 将所述布朗运动加入所述Neural  SDE模型得到Neural  SDE动力系统， 所述Neural  SDE 动力系统公式为： dxt＝f(xt,t)dt+g(xt,t)dWt 其中， g(xt,t)是布朗运动的幅度， 表示动力系统的认知不确定性， Wt是布朗运动， 是由 动力系统所在的空间决定的。 6.根据权利要求1所述的一种基于AI识别技术的涉路施工元素检测方法， 其特征在于： 所述建立S DE‑Net模型配合所述动力系统模块检测道路不确定因素的步骤 包括： 建立SDE‑Net模型， 使用两个 独立的神经网络来表示系统的主流和发散； 在所述SDE‑Net模型中的主流网络f控制系统的预测精度；权　利　要　求　书 1/2 页 2 CN 115527059 A 2在所述SDE‑Net模型中的发散网络g表示系统的发散程度； 设置所述S DE‑Net的目标函数： s.t.dxt＝fxt,t,fdt+gx0,gdWt 其中， L(·)是依赖于任务的损失函数， 例如分类的交叉熵损失； T是随机过程的结束时 间； PID是训练数据的分布,POOD是分布外数据。 7.一种基于AI识别技 术的涉路施工元 素检测系统， 包括： 图像提取模块， 所述图像提取模块以Faster  RCNN网络为基础网络结构， 通过Faster的 特征提取层可提取道路图像形成特 征图； 图像增强模块， 所述图像增强模块在所述Faster  RCNN网络上设置Faster  RCNN的特征 提取器， 通过 所述金字塔特 征融合的方式可增强图像特 征； 训练模块， 所述训练模块可使 若干所述Faster  RCNN网络通过网络级联串联并训练； 模拟模块， 所述模拟模块设置基于动力系统模块的检测网络， 结合布朗运动可模拟道 路不确定因素； 检测模块， 所述检测模块建立SDE ‑Net模型并基于所述SDE ‑Net模型设置检测器， 可结 合所述基于动力系统模块的检测网络进行道路检测。 8.一种电子设备， 其特征在于： 包括处理器和存储器， 所述存储器上存储有计算机程 序， 所述计算机程序被所述处 理器执行时， 实现权利要求1 ‑6中任一项所述的方法。 9.一种可读存储介质， 其特征在于， 所述可读存储介质内存储有计算机程序， 所述计算 机程序被处 理器执行时， 实现权利要求1 ‑6中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115527059 A 3