[發(fā)明專利]一種基于編碼器-解碼器的自動(dòng)化裂縫檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201911370791.6
• 申請(qǐng)日: 2019-12-25
• 公開（公告）號(hào): CN111127449B
• 公開（公告）日: 2023-06-02
• 發(fā)明（設(shè)計(jì)）人: 李沖;范衠;陳穎;韋家弘;卞新超
• 申請(qǐng)（專利權(quán)）人: 汕頭大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00
• 代理公司: 廣州三環(huán)專利商標(biāo)代理有限公司 44202
• 代理人: 周增元;曹江

本發(fā)明實(shí)施例公開了一種基于編碼器－解碼器的自動(dòng)化裂縫檢測(cè)方法，所述方法包括：創(chuàng)建基于深度學(xué)習(xí)的道路裂縫圖像的訓(xùn)練集和測(cè)試集；創(chuàng)建包含編碼器、解碼器、空洞卷積模塊和分層特征提取模塊的深度卷積神經(jīng)網(wǎng)絡(luò)；利用訓(xùn)練集和測(cè)試集訓(xùn)練深度卷積深度神經(jīng)網(wǎng)絡(luò)；將深度卷積神經(jīng)網(wǎng)絡(luò)中分層特征提取模塊的結(jié)果疊加，并輸出裂縫圖像。本發(fā)明方法具有檢測(cè)過程簡(jiǎn)單，檢測(cè)效率高，勞動(dòng)強(qiáng)度低，便于攜帶，可操作性強(qiáng)等優(yōu)點(diǎn)。

技術(shù)領(lǐng)域

本發(fā)明涉及道路結(jié)構(gòu)健康檢測(cè)與評(píng)估領(lǐng)域，尤其是涉及一種基于編碼器-解碼器的多尺度分層特征提取的自動(dòng)化裂縫檢測(cè)方法。

背景技術(shù)

隨著全國(guó)范圍內(nèi)公路路網(wǎng)的建成，公路建設(shè)得到了迅速發(fā)展。車輛在路面上高速行駛過程中，路面的完好率和平整度是確保行車安全的重要因素。裂縫是道路受損的重要標(biāo)志，如果路面出現(xiàn)凹凸和裂縫等情況，會(huì)嚴(yán)重影響道路的壽命以及行車的安全，需要定期的對(duì)其健康狀況做出評(píng)估，因此對(duì)道路和橋梁裂縫進(jìn)行檢測(cè)有著至關(guān)重要的作用。

目前，道路橋梁的裂縫檢測(cè)方法主要是基于傳統(tǒng)的圖像處理算法和人眼識(shí)別。單單依靠人眼進(jìn)行裂縫檢測(cè)與識(shí)別，效率不高。采用圖像處理方法，主要是針對(duì)同一材質(zhì)和紋理背景圖像進(jìn)行裂縫檢測(cè)，無法對(duì)彩色圖像直接進(jìn)行裂縫檢測(cè)。基于深度學(xué)習(xí)框架的道路裂縫檢測(cè)可以實(shí)現(xiàn)對(duì)彩色圖像的裂縫檢測(cè)處理，可以實(shí)現(xiàn)端到端的圖像處理，無需卷積神經(jīng)網(wǎng)路的滑塊處理。因此，基于深度學(xué)習(xí)框架的道路裂縫檢測(cè)方法，可以實(shí)現(xiàn)道路裂縫的自動(dòng)化檢測(cè)。因此，如何提高路面裂縫檢測(cè)的監(jiān)測(cè)效率和效果，是路面裂縫檢測(cè)領(lǐng)域需要攻克的技術(shù)難題。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例所要解決的技術(shù)問題在于，提供一種基于編碼器-解碼器的自動(dòng)化裂縫檢測(cè)方法。該方法可解決人眼觀察和圖像處理裂縫檢測(cè)中定位精度不高，誤差大等問題。

為了解決上述現(xiàn)有技術(shù)問題，本發(fā)明實(shí)施例提供了一種基于編碼器-解碼器的自動(dòng)化裂縫檢測(cè)方法，該方法具體包括以下步驟：

S1、創(chuàng)建基于深度學(xué)習(xí)的道路裂縫圖像的訓(xùn)練集和測(cè)試集；

S2、創(chuàng)建包含編碼器、解碼器、空洞卷積模塊和分層特征提取模塊的深度卷積神經(jīng)網(wǎng)絡(luò)；

S3、利用訓(xùn)練集和測(cè)試集訓(xùn)練深度卷積深度神經(jīng)網(wǎng)絡(luò)；

S4、將深度卷積神經(jīng)網(wǎng)絡(luò)中分層特征提取模塊的結(jié)果疊加，并輸出裂縫圖像。

進(jìn)一步地，所述步驟S1具體包括：

S11、利用公共的裂縫圖像數(shù)據(jù)集CFD和AigleRN以及其它的裂縫圖像數(shù)據(jù)集，將裂縫圖像分為訓(xùn)練集和測(cè)試集；

S12、利用智能終端采集到的不同結(jié)構(gòu)表面裂縫圖像，構(gòu)建裂縫圖像數(shù)據(jù)庫，對(duì)構(gòu)建的裂縫圖像庫進(jìn)行數(shù)據(jù)增強(qiáng)，將數(shù)據(jù)增強(qiáng)后的裂縫圖像庫中的裂縫圖像的裂縫區(qū)域?qū)嵤?biāo)簽標(biāo)注，然后將裂縫圖像庫中的圖像分為訓(xùn)練集和測(cè)試集。

更進(jìn)一步地，所述步驟S2具體包括：

S21、搭建深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型：確定所述深度卷積神經(jīng)網(wǎng)絡(luò)卷中編碼器和解碼器層數(shù)，以及每個(gè)部分卷積層所含有的特征圖的數(shù)量、池化層的層數(shù)、池化層中采樣核的大小和訓(xùn)練步長(zhǎng)、反卷積層的層數(shù)和每個(gè)反卷積層所含有的特征圖數(shù)量、空洞卷積模塊中空洞比率的大小和分層特征提取模塊的卷積層和反卷積層的特征圖數(shù)量；

S22、選擇深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練策略：所述深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練中代價(jià)函數(shù)的選擇為交叉熵?fù)p失函數(shù)、平方損失函數(shù)等，以及激活函數(shù)的選擇Relu，softmax，sigmoid等，在損失代價(jià)函數(shù)中加入權(quán)值衰減正則化項(xiàng)，同時(shí)在卷積層中加入dropout來減少過擬合，所述深度神經(jīng)網(wǎng)絡(luò)中訓(xùn)練使用優(yōu)化算法包括SGD，Adam等其它優(yōu)化算法；

S23、所述深度卷積神經(jīng)網(wǎng)絡(luò)中編碼器與解碼器通過跳連實(shí)現(xiàn)連接；