[發(fā)明專利]一種基于深度卷積融合神經(jīng)網(wǎng)絡(luò)的路面裂縫識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910497697.0
• 申請(qǐng)日: 2019-06-10
• 公開(kāi)（公告）號(hào): CN110349122A
• 公開(kāi)（公告）日: 2019-10-18
• 發(fā)明（設(shè)計(jì)）人: 孫朝云;李偉;沙愛(ài)民;郝雪麗;馬志丹;戶媛姣
• 申請(qǐng)（專利權(quán)）人: 長(zhǎng)安大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/62
• 代理公司: 西安恒泰知識(shí)產(chǎn)權(quán)代理事務(wù)所 61216
• 代理人: 黃小梧

1.一種基于深度卷積融合神經(jīng)網(wǎng)絡(luò)的路面裂縫識(shí)別方法，其特征在于，包括以下步驟：

步驟1，采集N幅路面圖像，并對(duì)N幅路面圖像進(jìn)行預(yù)處理，對(duì)預(yù)處理后的N幅路面圖像進(jìn)行圖像增廣，得到M幅路面圖像，M>N；

步驟2，對(duì)M幅路面圖像進(jìn)行裂縫類別標(biāo)注，并將裂縫標(biāo)注后的M幅路面圖像按照7:3的比例分為訓(xùn)練集和交叉驗(yàn)證集；

步驟3，構(gòu)建裂縫分類檢測(cè)模型，將訓(xùn)練集和交叉驗(yàn)證集輸入所構(gòu)建裂縫分類檢測(cè)模型中進(jìn)行訓(xùn)練，得到裂縫分類檢測(cè)模型的最優(yōu)權(quán)重；

步驟4，構(gòu)建裂縫分割模型，將訓(xùn)練集和交叉驗(yàn)證集輸入所構(gòu)建裂縫分割模型模型中進(jìn)行訓(xùn)練，得到裂縫分割模型的最優(yōu)權(quán)重；

步驟5，將待識(shí)別圖像輸入裂縫分割模型中，得到待識(shí)別圖像中裂縫的類別和置信度，將裂縫的類別標(biāo)注在待識(shí)別圖像上；

再將待識(shí)別圖像輸入至裂縫分割模型，得到裂縫二值圖像，即得到待識(shí)別圖像中裂縫的坐標(biāo)；

步驟6，根據(jù)裂縫二值圖像，計(jì)算待識(shí)別圖像中裂縫的面積、長(zhǎng)度和寬度；

步驟7，將待識(shí)別圖像中裂縫的類別、置信度、坐標(biāo)、面積、長(zhǎng)度和寬度信息繪制到待識(shí)別圖像上。

2.如權(quán)利要求1所述的基于深度卷積融合神經(jīng)網(wǎng)絡(luò)的路面裂縫識(shí)別方法，其特征在于，所述步驟3中所構(gòu)建裂縫分類檢測(cè)模型為SSD卷積神經(jīng)網(wǎng)絡(luò)模型；

所述SSD卷積神經(jīng)網(wǎng)絡(luò)模型包括50個(gè)卷積層，所述50個(gè)卷積層中的第4個(gè)卷積層與第15個(gè)卷積層相同，第7個(gè)卷積層與第27個(gè)卷積層相同，第8個(gè)卷積層與第30個(gè)卷積層相同，第10個(gè)卷積層與第34個(gè)卷積層相同，第12個(gè)卷積層與第40個(gè)卷積層相同，第14個(gè)卷積層與第46個(gè)卷積層相同，第16個(gè)卷積層與第50個(gè)卷積層相同；

當(dāng)將訓(xùn)練集和交叉驗(yàn)證集輸入所構(gòu)建SSD卷積神經(jīng)網(wǎng)絡(luò)模型中，對(duì)SSD卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練時(shí)，將SSD卷積神經(jīng)網(wǎng)絡(luò)模型中的激活函數(shù)設(shè)置為Relu函數(shù)，優(yōu)化器設(shè)置為SGD優(yōu)化器，并且當(dāng)訓(xùn)練次數(shù)小于80次時(shí)，學(xué)習(xí)率設(shè)置為0.01，當(dāng)訓(xùn)練次數(shù)大于等于80并且小于100時(shí)，學(xué)習(xí)率設(shè)置為0.001，當(dāng)訓(xùn)練次數(shù)大于等于100時(shí)，學(xué)習(xí)率設(shè)置為0.0001。

3.如權(quán)利要求1所述的基于深度卷積融合神經(jīng)網(wǎng)絡(luò)的路面裂縫識(shí)別方法，其特征在于，所述步驟4中所構(gòu)建裂縫分割模型為U-Net卷積神經(jīng)網(wǎng)絡(luò)模型；

所述U-Net卷積神經(jīng)網(wǎng)絡(luò)模型包括50個(gè)卷積層，所述50個(gè)卷積層中的第2個(gè)卷積層與第1個(gè)卷積層相同，第5個(gè)卷積層與第4個(gè)卷積層相同，第8個(gè)卷積層與第9個(gè)卷積層相同，第12個(gè)卷積層與第26個(gè)卷積層相同，第16個(gè)卷積層與第43個(gè)卷積層相同；

當(dāng)將訓(xùn)練集和交叉驗(yàn)證集輸入所構(gòu)建U-Net卷積神經(jīng)網(wǎng)絡(luò)模型中，對(duì)U-Net卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練時(shí)，將U-Net卷積神經(jīng)網(wǎng)絡(luò)模型中的激活函數(shù)設(shè)置為Sigmoid函數(shù)，優(yōu)化器設(shè)置為SGD優(yōu)化器，并且當(dāng)訓(xùn)練次數(shù)小于38時(shí)，學(xué)習(xí)率設(shè)置為0.001，當(dāng)訓(xùn)練次數(shù)大于等于38時(shí)，學(xué)習(xí)率設(shè)置為0.0001。

4.如權(quán)利要求1所述的基于深度卷積融合神經(jīng)網(wǎng)絡(luò)的路面裂縫識(shí)別方法，其特征在于，所述步驟6中根據(jù)裂縫二值圖像，計(jì)算待識(shí)別圖像中裂縫的面積、長(zhǎng)度和寬度，包括：

步驟61，設(shè)裂縫像素面積S＝0，裂縫行參數(shù)L_x＝0，裂縫列參數(shù)L_y＝0；

步驟62，按照從左至右、從上到下的順序，依次選取裂縫二值圖像中的每一個(gè)像素點(diǎn)作為當(dāng)前像素點(diǎn)；

若當(dāng)前像素點(diǎn)的像素值為1，則S＝S+1；否則，S＝S+0；

步驟63，重復(fù)步驟62，直至裂縫二值圖像中的每一個(gè)像素點(diǎn)均被作為當(dāng)前像素點(diǎn)，得到待識(shí)別圖像中裂縫的面積S；

步驟64，按照從左至右的順序，依次選取裂縫二值圖像中的每一列像素作為當(dāng)前列像素；

若當(dāng)前列像素的像素值為1，則L_x＝L_x+1；否則，L_x＝L_x+0；

步驟65，重復(fù)步驟64，直至裂縫二值圖像中的每一列像素均被作為當(dāng)前列像素，得到待識(shí)別圖像中裂縫行參數(shù)L_x；

步驟66，按照從上到下的順序，依次選取裂縫二值圖像中的每一行像素作為當(dāng)前行像素；

若當(dāng)前行像素的像素值為1，則L_y＝L_y+1；否則，L_y＝L_y+0；

步驟67，重復(fù)步驟66，直至裂縫二值圖像中的每一行像素均被作為當(dāng)前行像素，得到待識(shí)別圖像中裂縫列參數(shù)L_y；

步驟68，通過(guò)式(1)得到裂縫長(zhǎng)度L；

步驟69，通過(guò)式(2)得到裂縫寬度W；

W＝S/L。