[發明專利]一種基于卷積神經網絡的道路破損檢測方法及裝置

在審

• 申請號: 201710623701.4
• 申請日: 2017-07-27
• 公開（公告）號: CN107424150A
• 公開（公告）日: 2017-12-01
• 發明（設計）人: 高巖;段成德;于治樓
• 申請（專利權）人: 濟南浪潮高新科技投資發展有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04
• 代理公司: 濟南信達專利事務所有限公司37100
• 代理人: 李世喆

1.一種基于卷積神經網絡的道路破損檢測方法，其特征在于，包括：

獲取至少一個樣本破損區域分別對應的樣本圖像，根據各個所述樣本圖像確定卷積神經網絡模型；

還包括：

采集待檢測道路的至少一個切割路段所分別對應的采集圖像；

針對于每一個所述采集圖像，均執行：

利用所述卷積神經網絡模型提取所述采集圖像的至少一個特征區域，并根據提取的各個所述特征區域確定所述采集圖像所對應的切割路段是否存在破損區域；

當所述采集圖像所對應的切割路段存在破損區域時，確定所述采集圖像所對應的切割路段的位置信息，生成攜帶所述位置信息的破損提示信息，并提供。

2.根據權利要求1所述的方法，其特征在于，

所述根據各個所述樣本圖像確定卷積神經網絡模型，包括：

標記各個所述樣本圖像中對應于所述樣本破損區域的候選圖像區域，并標記各個所述候選圖像區域分別對應的破損類型；

根據各個所述候選圖像區域，確定卷積神經網絡模型的RPN網絡模型；

根據各個所述候選圖像區域及各個所述候選圖像區域所分別對應的破損類型確定卷積神經網絡的Fast R-CNN網絡模型；

則，

所述利用所述卷積神經網絡模型提取所述采集圖像的至少一個特征區域，并根據提取的各個所述特征區域確定所述采集圖像所對應的切割路段是否存在破損區域，包括：

利用所述RPN網絡模型提取所述采集圖像的至少一個特征區域；

針對于每一個所述特征區域，利用所述Fast R-CNN網絡模型執行：

確定所述特征區域所對應的目標破損類型，并計算所述特征區域與各個所述候選圖像區域中對應破損類型為所述目標破損類型的各個目標候選圖像區域之間所對應的特征相似度；

當存在至少一個目標特征相似度大于設定數值時，確定所述采集圖像所對應的切割路段存在破損區域。

3.根據權利要求2所述的方法，其特征在于，

所述確定所述采集圖像所對應的切割路段存在破損區域，進一步包括：輸出所述目標破損類型；

則，

所述生成攜帶所述位置信息的破損提示信息，包括：生成攜帶所述目標破損類型和所述位置信息的破損提示信息。

4.根據權利要求2所述的方法，其特征在于，所述破損類型包括：網狀破損、坑狀破損及條狀破損中的任意一種或多種。

5.一種基于卷積神經網絡的道路破損檢測裝置，其特征在于，包括：

訓練模塊，用于獲取至少一個樣本破損區域分別對應的樣本圖像，根據各個所述樣本圖像確定卷積神經網絡模型；

圖像采集模塊，用于采集待檢測道路的至少一個切割路段所分別對應的采集圖像；

所述卷積神經網絡模型，用于針對每一個所述采集圖像，提取所述采集圖像的至少一個特征區域，并根據提取的各個所述特征區域確定所述采集圖像所對應的切割路段是否存在破損區域；

破損提示模塊，用于當所述采集圖像所對應的切割路段存在破損區域時，確定所述采集圖像所對應的切割路段的位置信息，生成攜帶所述位置信息的破損提示信息，并提供。

6.根據權利要求5所述的裝置，其特征在于，

所述訓練模塊，包括：標記處理單元和模型確定單元；其中，

所述標記處理單元，用于標記各個所述樣本圖像中對應于所述樣本破損區域的候選圖像區域，并標記各個所述候選圖像區域分別對應的破損類型；

所述模型確定單元，用于根據各個所述候選圖像區域，確定卷積神經網絡模型的RPN網絡模型；根據各個所述候選圖像區域及各個所述候選圖像區域所分別對應的破損類型確定卷積神經網絡的Fast R-CNN網絡模型；

所述RPN網絡模型，用于提取所述采集圖像的至少一個特征區域；

所述Fast R-CNN網絡模型，用于確定所述特征區域所對應的目標破損類型，并計算所述特征區域與各個所述候選圖像區域中對應破損類型為所述目標破損類型的各個目標候選圖像區域之間所對應的特征相似度；判斷各個所述特征相似度中是否存在至少一個目標特征相似度大于設定數值；當存在至少一個目標特征相似度大于設定數值時，確定所述采集圖像所對應的切割路段存在破損區域。