暗通道软约束和对象感知增强的深度脱气网络用于道路检查图像
Honglin Wu1, Tong Gao2, Zhenming Ji1
1School of Transportation Science and Engineering, Harbin Institute of Technology, Harbin 150090, China.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
这项研究引入了一个新的深度学习网络,用于清晰的道路检查图像,改善在雾条件下的可见性和对象识别. DCSC-OPE-Net在保留细节的同时增强了功能,从而导致更好的道路安全评估.
科学领域:
- 计算机视觉 计算机视觉
- 图像处理 图像处理
- 人工智能的人工智能
背景情况:
- 雾降低了道路检查图像质量,阻碍了对象检测和道路检查任务.
- 经典的暗通道先前方法在浅色道路特征上失败;深度网络缺乏可解释性和对象特征保存.
- 现有的除尘技术往往忽视了道路检查的具体需求,例如保持车道线条和车辆的细节.
研究的目的:
- 提出一个新的深度除尘网络,DCSC-OPE-Net,专门设计用于道路检查图像.
- 为了提高在模糊的道路图像中信息的恢复,同时保留关键的道路物体特征.
- 为了提高道路对象识别的准确性,从无尘图像中识别出道路对象.
主要方法:
- 开发了一个暗通道软约束和对象感知增强的深度脱气网络 (DCSC-OPE-Net).
- 整合了一个暗通道软限制损失功能,以保持浅色功能和分辨率增强模块.
- 集成了边缘增强损失与传输地图,用于自主近视对象感知和功能增强.
主要成果:
- 该DCSC-OPE-Net实现了优异的除烟性能,NIQE和BRISQUE分别达到4.5和18.67的分数.
- 与其他方法相比,显示出最好的道路物体识别准确率为83.67%.
- 在公共和真实道路检查数据集上的实验验证证证了网络的有效性.
结论:
- 拟议的DCSC-OPE-Net有效地解决了道路检查场景中现有的除尘方法的局限性.
- 该网络成功地恢复了图像信息,保留了基本功能,并增强了对象识别功能.
- 这种方法为在恶劣天气条件下运行的自动化道路检查系统提供了重大进步.
