[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡的道路裂縫自動檢測方法

有效

• 申請?zhí)枺?/td>: 201910745317.0
• 申請日: 2019-08-13
• 公開（公告）號: CN110503637B
• 公開（公告）日: 2022-12-06
• 發(fā)明（設計）人: 林俊浩;單云霄;陳龍
• 申請（專利權）人: 中山大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06N3/04;G06N3/08
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 陳偉斌

本發(fā)明涉及圖像識別與深度學習技術領域，更具體地，涉及一種基于卷積神經(jīng)網(wǎng)絡的道路裂縫自動檢測方法。本發(fā)明基于輕量級的卷積神經(jīng)網(wǎng)絡，僅需對數(shù)據(jù)進行手動標注，根據(jù)檢測衡量標準精確的和召回率來篩選并保持網(wǎng)絡權重，在進行檢測時，對圖片進行(平方)壓縮后，再切分成27*27大小進行檢測，根據(jù)初步檢測的結果對相應的裂縫區(qū)域進行多次旋轉變換后再檢測，更新檢測結果，得到每一幀中裂縫的位置標出并響鈴提示。本發(fā)明的模型是輕量級的，具有很高的召回率和精確度，可用于實時的裂縫檢測，對于檢測到的裂縫我們會記錄其位置信息并標出，同時可以響鈴警示工作人員，比以上提出的發(fā)明更具有實用性。

技術領域

本發(fā)明涉及圖像識別與深度學習技術領域，更具體地，涉及一種基于卷積神經(jīng)網(wǎng)絡的道路裂縫自動檢測方法。

背景技術

現(xiàn)有的裂縫識別方法大多采用“先識別、后分類”的處理模式，在此處理模式下，目前主流的基于圖像的裂縫識別方法主要有以下幾種：(1)基于灰度閾值的裂縫識別方法，通過對路面圖像灰度特征進行分析，選取合適的灰度閾值區(qū)分圖像背景與目標。該方法一般建立在裂縫的灰度通常比背景灰度低的前提條件下，要求裂縫具有較高的對比度及較好的連續(xù)性，但由于路面積灰、裂縫的縫壁脫落、路面顆粒紋理豐富等原因，裂縫通常具有低對比度、連續(xù)性差等特征，故基于灰度閾值的裂縫識別方法難以識別灰度特征不夠顯著的病害。(2)基于形態(tài)學處理的裂縫識別方法，該方法利用腐蝕、膨脹、骨架提取、邊緣檢測等方法獲取裂縫的二維形態(tài)特征。然而路面圖像復雜、病害形式多樣，基于形態(tài)學處理的識別方法實用性不高。(3)基于機器學習的裂縫識別方法，該方法主要用于裂縫檢測后的類型分類，關鍵在于路面裂縫特征的提取與分類器的設計。由于路況復雜、裂縫形式多樣，裂縫特征提取難度加大，同時測試樣本集較小、算法復雜、計算量大等因素都制約著分類算法的準確性、魯棒性及實時性。(4)基于多尺度幾何分析的路面裂縫的識別方法，通常利用圖像幾何結構特征，采用小波、Ridgelet(脊波)、Curvelet(曲線波)、Contourlet(輪廓波)、Bandelet(帶條波)等變換表達圖像信息。由于復雜背景下的瀝青路面裂縫具有不規(guī)則性，裂縫形態(tài)及位置具有不可預測性，該方法無法有效的提取復雜裂縫信息，同時，多尺度分析方法普遍存在計算過程復雜、效率較低問題。現(xiàn)有的裂縫檢測技術大多建立在圖像質量好的基礎上，缺乏對復雜環(huán)境的適應性，難以滿足工程應用的實際需求。

上述現(xiàn)有技術中，基于邊緣檢測的算法只能對一些平滑的路面進行檢測，對于一些具有復雜的細微結構的路面，如瀝青路，會提取到很多的干擾邊緣，且很多的混凝土路為了增加摩擦力也會在路面上增加規(guī)則的劃痕，這些與裂縫很相似的劃痕都會被識別成裂縫，導致該算法無效。基于閾值分割的方法根據(jù)像素值進行分割，在很多道路上是行不通的，在裂縫深度不大且光照正常的情況下，其像素值與路面是區(qū)別不大的，因此檢測效果并不好。基于無監(jiān)督學習的方法其學習出來的結果是不穩(wěn)定的，針對不同的場景其檢測結果波動較大，難以進行場景遷移。基于圖像處理或機器學習的方法需要很大的數(shù)據(jù)支撐，在一種路面的數(shù)據(jù)集上訓練出來的模型難以用于對另一個路面進行檢測，若要檢測另一路面的裂縫需要重新收集大量的數(shù)據(jù)，成本很高。

發(fā)明內(nèi)容

本發(fā)明為克服上述現(xiàn)有技術中的缺陷，提供一種基于卷積神經(jīng)網(wǎng)絡的道路裂縫自動檢測方法，可實現(xiàn)對路面高精確度和高召回率的裂縫檢測。

為解決上述技術問題，本發(fā)明采用的技術方案是：一種基于卷積神經(jīng)網(wǎng)絡的道路裂縫自動檢測方法，包括以下步驟：

S1.采集含有裂縫的圖片數(shù)據(jù)，使用圖像處理軟件對圖片進行像素級別的標注；

S2.從原始圖片中提取出w*h大小的小圖片，利用統(tǒng)計的方法，根據(jù)小圖片中裂縫像素的總數(shù)來劃分正負樣本并根據(jù)一定比例劃分為訓練集和測試集，對訓練集的正樣本進行旋轉，翻轉操作，增加訓練集數(shù)據(jù)的多樣性；其中，w*h優(yōu)選為27×27；

S3.采用遷移學習的思想，邊訓練邊測試，取在測試集中準確率和召回率綜合最好的網(wǎng)絡權重進行保存，得到一個二分類器；