[發明專利]一種基于深度卷積融合神經網絡的路面裂縫識別方法

在審

• 申請號: 201910497697.0
• 申請日: 2019-06-10
• 公開（公告）號: CN110349122A
• 公開（公告）日: 2019-10-18
• 發明（設計）人: 孫朝云;李偉;沙愛民;郝雪麗;馬志丹;戶媛姣
• 申請（專利權）人: 長安大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/62
• 代理公司: 西安恒泰知識產權代理事務所 61216
• 代理人: 黃小梧

本發明提供了一種基于深度卷積融合神經網絡的路面裂縫識別方法，包括以下步驟：步驟1，采集N幅路面圖像，并對N幅路面圖像進行預處理，對預處理后的N幅路面圖像進行圖像增廣，得到M幅路面圖像；步驟2，對M幅路面圖像進行裂縫類別標注，并將裂縫標注后的M幅路面圖像分為訓練集、交叉驗證集和測試集；步驟3，訓練裂縫分類檢測；步驟4，訓練裂縫分割模型；步驟5，將待識別圖像輸入裂縫分割模型中，得到待識別圖像中裂縫的類別和置信度；再將待識別圖像輸入至裂縫分割模型，得到裂縫二值圖像；步驟6，計算待識別圖像中裂縫面積、長度和寬度；步驟7，將待識別圖像中裂縫的類別、置信度、坐標、面積、長度和寬度信息繪制到待識別圖像上。

技術領域

本發明屬于路面裂縫檢測領域，具體涉及一種基于深度卷積融合神經網絡的路面裂縫識別方法。

背景技術

隨著我國經濟的日益繁榮，公路交通運輸業得以迅速發展。在二十一世紀日益激烈的國際競爭中，公路的建設與維護情況不僅反映了一個國家的經濟水平，而且是衡量一個國家綜合國力的重要依據。路面裂縫作為道路常見病害之一，是道路養護工作的重點和難點。傳統的基于主動特征提取的路面裂縫識別方法，首先進行裂縫圖像分割，且要進行繁瑣的噪聲點去除及斷縫連接的過程，然后根據裂縫的橫縱比等參數再進行裂縫分類。這種方式對于復雜的實際路面圖像的普遍適用性有待提高，導致路面裂縫的識別準確度不高。隨著深度學習的再次興起，目前已存在應用深度學習的方式進行路面識別，但這些方法使用神經網絡進行路面裂縫的分類和定位時，其定位方式是用矩形框確定裂縫位置，這種定位方式不夠精確且無法對裂縫的幾何參數進行計算，即無法得到裂縫的更完整更精確的信息，其對于路面裂縫識別的實際應用價值還可進一步提高。

發明內容

針對現有技術中存在的不足，本發明的目的在于，提供一種基于深度卷積融合神經網絡的路面裂縫識別方法，解決現有技術無法準確、高效對路面裂縫進行分類和分割的技術問題。

為了解決上述技術問題，本申請采用如下技術方案予以實現：

一種基于深度卷積融合神經網絡的路面裂縫識別方法，包括以下步驟：

步驟1，采集N幅路面圖像，并對N幅路面圖像進行預處理，對預處理后的N幅路面圖像進行圖像增廣，得到M幅路面圖像，M>N；

步驟2，對M幅路面圖像進行裂縫類別標注，并將裂縫標注后的M幅路面圖像按照7:3的比例分為訓練集和交叉驗證集；

步驟3，構建裂縫分類檢測模型，將訓練集和交叉驗證集輸入所構建裂縫分類檢測模型中進行訓練，得到裂縫分類檢測模型的最優權重；

步驟4，構建裂縫分割模型，將訓練集和交叉驗證集輸入所構建裂縫分割模型模型中進行訓練，得到裂縫分割模型的最優權重；

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

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

步驟6，根據裂縫二值圖像，計算待識別圖像中裂縫的面積、長度和寬度；

步驟7，將待識別圖像中裂縫的類別、置信度、坐標、面積、長度和寬度信息繪制到待識別圖像上。

進一步地，所述步驟3中所構建裂縫分類檢測模型為SSD卷積神經網絡模型；

所述SSD卷積神經網絡模型包括50個卷積層，所述50個卷積層中的第4個卷積層與第15個卷積層相同，第7個卷積層與第27個卷積層相同，第8個卷積層與第30個卷積層相同，第10個卷積層與第34個卷積層相同，第12個卷積層與第40個卷積層相同，第14個卷積層與第46個卷積層相同，第16個卷積層與第50個卷積層相同；