[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的道路破損檢測(cè)方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 201710623701.4
• 申請(qǐng)日: 2017-07-27
• 公開(kāi)（公告）號(hào): CN107424150A
• 公開(kāi)（公告）日: 2017-12-01
• 發(fā)明（設(shè)計(jì)）人: 高巖;段成德;于治樓
• 申請(qǐng)（專利權(quán)）人: 濟(jì)南浪潮高新科技投資發(fā)展有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06N3/04
• 代理公司: 濟(jì)南信達(dá)專利事務(wù)所有限公司37100
• 代理人: 李世喆

技術(shù)領(lǐng)域

本發(fā)明涉及交通工程技術(shù)領(lǐng)域，特別涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的道路破損檢測(cè)方法及裝置。

背景技術(shù)

道路承載著最繁重的交通運(yùn)輸任務(wù)，隨著我國(guó)經(jīng)濟(jì)水平的快速提高，無(wú)軌車輛的數(shù)量大量增多，導(dǎo)致道路壓力空前高漲，使得道路極易出現(xiàn)破損區(qū)域。相應(yīng)的，道路出現(xiàn)破損區(qū)域時(shí)，則可能阻礙交通運(yùn)行，因此，為方便及時(shí)針對(duì)破損區(qū)域進(jìn)行維護(hù)，如何檢測(cè)道路中是否存在破損區(qū)域、以及檢測(cè)破損區(qū)域的位置信息則成為亟待解決的問(wèn)題。

目前，主要依靠人工巡查的方式檢測(cè)道路是否存在破損區(qū)域，并依靠人工記錄道路上破損區(qū)域所對(duì)應(yīng)的位置信息，人工介入程度較高，檢測(cè)的各個(gè)破損區(qū)域所分別對(duì)應(yīng)的位置信息的準(zhǔn)確性偏低。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例提供了一種基于卷積神經(jīng)網(wǎng)絡(luò)的道路破損檢測(cè)方法及裝置，可更為準(zhǔn)確的得到道路上各個(gè)破損區(qū)域所分別對(duì)應(yīng)的位置信息。

第一方面，本發(fā)明提供了一種基于卷積神經(jīng)網(wǎng)絡(luò)的道路破損檢測(cè)方法，包括：

獲取至少一個(gè)樣本破損區(qū)域分別對(duì)應(yīng)的樣本圖像，根據(jù)各個(gè)所述樣本圖像確定卷積神經(jīng)網(wǎng)絡(luò)模型；

采集待檢測(cè)道路的至少一個(gè)切割路段所分別對(duì)應(yīng)的采集圖像；

針對(duì)于每一個(gè)所述采集圖像，均執(zhí)行：

利用所述卷積神經(jīng)網(wǎng)絡(luò)模型提取所述采集圖像的至少一個(gè)特征區(qū)域，并根據(jù)提取的各個(gè)所述特征區(qū)域確定所述采集圖像所對(duì)應(yīng)的切割路段是否存在破損區(qū)域；

當(dāng)所述采集圖像所對(duì)應(yīng)的切割路段存在破損區(qū)域時(shí)，確定所述采集圖像所對(duì)應(yīng)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。

優(yōu)選地，

所述根據(jù)各個(gè)所述樣本圖像確定卷積神經(jīng)網(wǎng)絡(luò)模型，包括：

標(biāo)記各個(gè)所述樣本圖像中對(duì)應(yīng)于所述樣本破損區(qū)域的候選圖像區(qū)域，并標(biāo)記各個(gè)所述候選圖像區(qū)域分別對(duì)應(yīng)的破損類型；

根據(jù)各個(gè)所述候選圖像區(qū)域，確定卷積神經(jīng)網(wǎng)絡(luò)模型的RPN網(wǎng)絡(luò)模型；

根據(jù)各個(gè)所述候選圖像區(qū)域及各個(gè)所述候選圖像區(qū)域所分別對(duì)應(yīng)的破損類型確定卷積神經(jīng)網(wǎng)絡(luò)的Fast R-CNN網(wǎng)絡(luò)模型；

則，

所述利用所述卷積神經(jīng)網(wǎng)絡(luò)模型提取所述采集圖像的至少一個(gè)特征區(qū)域，并根據(jù)提取的各個(gè)所述特征區(qū)域確定所述采集圖像所對(duì)應(yīng)的切割路段是否存在破損區(qū)域，包括：

利用所述RPN網(wǎng)絡(luò)模型提取所述采集圖像的至少一個(gè)特征區(qū)域；

針對(duì)于每一個(gè)所述特征區(qū)域，利用所述Fast R-CNN網(wǎng)絡(luò)模型執(zhí)行：

確定所述特征區(qū)域所對(duì)應(yīng)的目標(biāo)破損類型，并計(jì)算所述特征區(qū)域與各個(gè)所述候選圖像區(qū)域中對(duì)應(yīng)破損類型為所述目標(biāo)破損類型的各個(gè)目標(biāo)候選圖像區(qū)域之間所對(duì)應(yīng)的特征相似度；

當(dāng)存在至少一個(gè)目標(biāo)特征相似度大于設(shè)定數(shù)值時(shí)，確定所述采集圖像所對(duì)應(yīng)的切割路段存在破損區(qū)域。

優(yōu)選地，

所述確定所述采集圖像所對(duì)應(yīng)的切割路段存在破損區(qū)域，進(jìn)一步包括：輸出所述目標(biāo)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(biāo)破損類型和所述位置信息的破損提示信息。

優(yōu)選地，所述破損類型包括：網(wǎng)狀破損、坑狀破損及條狀破損中的任意一種或多種。

第二方面，本發(fā)明實(shí)施例提供了一種基于卷積神經(jīng)網(wǎng)絡(luò)的道路破損檢測(cè)裝置，包括：

訓(xùn)練模塊，用于獲取至少一個(gè)樣本破損區(qū)域分別對(duì)應(yīng)的樣本圖像，根據(jù)各個(gè)所述樣本圖像確定卷積神經(jīng)網(wǎng)絡(luò)模型；

圖像采集模塊，用于采集待檢測(cè)道路的至少一個(gè)切割路段所分別對(duì)應(yīng)的采集圖像；

所述卷積神經(jīng)網(wǎng)絡(luò)模型，用于針對(duì)每一個(gè)所述采集圖像，提取所述采集圖像的至少一個(gè)特征區(qū)域，并根據(jù)提取的各個(gè)所述特征區(qū)域確定所述采集圖像所對(duì)應(yīng)的切割路段是否存在破損區(qū)域；

破損提示模塊，用于當(dāng)所述采集圖像所對(duì)應(yīng)的切割路段存在破損區(qū)域時(shí)，確定所述采集圖像所對(duì)應(yīng)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。

優(yōu)選地，

所述訓(xùn)練模塊，包括：標(biāo)記處理單元和模型確定單元；其中，

所述標(biāo)記處理單元，用于標(biāo)記各個(gè)所述樣本圖像中對(duì)應(yīng)于所述樣本破損區(qū)域的候選圖像區(qū)域，并標(biāo)記各個(gè)所述候選圖像區(qū)域分別對(duì)應(yīng)的破損類型；

所述模型確定單元，用于根據(jù)各個(gè)所述候選圖像區(qū)域，確定卷積神經(jīng)網(wǎng)絡(luò)模型的RPN網(wǎng)絡(luò)模型；根據(jù)各個(gè)所述候選圖像區(qū)域及各個(gè)所述候選圖像區(qū)域所分別對(duì)應(yīng)的破損類型確定卷積神經(jīng)網(wǎng)絡(luò)的Fast R-CNN網(wǎng)絡(luò)模型；

所述RPN網(wǎng)絡(luò)模型，用于提取所述采集圖像的至少一個(gè)特征區(qū)域；