Resumen

La inteligencia automovilística se ha convertido en una tendencia revolucionaria en la tecnología del automóvil. Las complejas condiciones de la carretera afectan directamente a la seguridad y el confort de la conducción. Por lo tanto, al mejorar la precisión de reconocimiento del tipo de carretera o del coeficiente de adherencia de la carretera, se mejorará la capacidad de los vehículos para percibir el entorno circundante. Esto contribuirá aún más a la inteligencia de los vehículos. En este trabajo, considerando que el proceso de extracción manual de las características de la imagen es complicado y que el método de extracción es aleatorio para todos, se propone un método de identificación del estado de la superficie de la carretera basado en un modelo ALexNet mejorado, a saber, el modelo de reconocimiento de la superficie de la carretera (RSRM). En primer lugar, el modelo de red ALexNet se entrena previamente en el conjunto de datos ImageNet sin conexión. En segundo lugar, los pesos de la estructura de red superficial tras el entrenamiento, incluida la capa convolucional, se guardan y migran al modelo propuesto. Además, la capa totalmente conectada fijada a la red superficial se sustituye por 2 a 3, lo que mejora la precisión del entrenamiento y acorta el tiempo de entrenamiento. Por último, se comparan el aprendizaje automático tradicional y el modelo ALexNet mejorado, centrándose en la adaptabilidad, el resultado de la predicción y el rendimiento del error, entre otros. Los resultados muestran que la precisión del modelo propuesto es mejor que la del método de aprendizaje automático tradicional en un 10 y el modelo ALexNet en un 3%, y es 0,3 h más rápido que ALexNet en velocidad de entrenamiento. Se comprueba que RSRM mejora eficazmente la velocidad de entrenamiento de la red y la precisión del reconocimiento de imágenes de carretera.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:modelo alexnet mejorado, condiciones complejas de conducción por carretera, método de identificación del estado del firme, modelo de reconocimiento del firme, modelo de red alexnet, velocidad de entrenamiento de la red, coeficiente de adherencia de la carretera, reconocimiento de imágenes de carretera, estructura de red poco profunda, aprendizaje automático tradicional
• Keywords:improved alexnet model, complex road driving conditions, road surface condition identification method, road surface recognition model, alexnet network model, network training speed, road adhesion coefficient, road image recognition, shallow network structure, traditional machine learning