[發明專利]基于卷積神經網絡的道路裂縫圖像識別方法、裝置及系統

在審

• 申請號: 202010362466.1
• 申請日: 2020-04-30
• 公開（公告）號: CN111597932A
• 公開（公告）日: 2020-08-28
• 發明（設計）人: 范衠;黃文寧;朱貴杰;韋家弘
• 申請（專利權）人: 汕頭大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 蔡偉杰

本發明涉及圖像識別技術領域，具體涉及一種基于卷積神經網絡的道路裂縫圖像識別方法、裝置及系統，所述方法為：首選采用U?Net模型搭建級聯的全卷積神經網絡，并在每個處理模塊的最后一個卷積層的輸出端加入注意力機制，得到第一神經網絡模型，接著采用標定數據集對所述第一神經網絡模型進行訓練，將完成訓練的第一神經網絡模型中權重低于閾值的通道進行裁剪，并再次用標定數據集進行訓練，得到道路裂縫識別模型，對待檢測的道路圖像逐幀讀取，并輸入到道路裂縫識別模型進行裂縫識別，標記出待檢測的道路圖像中的道路裂縫，本發明還相應的提供了道路裂縫圖像識別裝置及系統，本發明可以高效快速高精度進行裂縫圖像識別。

技術領域

本發明涉及圖像識別技術領域，具體涉及一種基于卷積神經網絡的道路裂縫圖像識別方法、裝置及系統。

背景技術

隨著交通運輸業的發展，公路的養護工作變得十分的重要。道路，特別是橋梁，作為當今社會交通樞紐的重要組成部分，不僅承擔著運輸重任，還關系著運輸人員的安危，但由于道路中的材料、結構在長期使用中難免產生各種各樣的損壞，導致路面車轍松散、裂縫等問題日益嚴重，造成道路結構抗力衰減和安全隱患，因此定期的檢查和維護是必不可少的。裂縫是道路中最常見的缺陷，道路路面缺陷的檢測是后續維護和修理的前提。因此道路裂縫的檢測工作必不可少。現實生活中，由于裂縫分布雜亂無規律，往往存在很多細小裂縫容易被周邊障礙物干擾，造成漏檢誤檢，產生極大的安全隱患。為了避免這一類情況的發生，對細小裂縫檢測的研究變得十分重要。

傳統的道路裂縫識別一般由道路維護人員現場人工檢測，盡管采用攝像設備進行圖像采集，裂縫的識別標注還是需要人工標注完成，不同觀察者的經驗判斷，主觀感受都不一樣，即便是對同一張道路裂縫圖像進行識別標注，不同觀察者給出的結果也各不相同。因此傳統的手工道路裂縫識別不僅耗費大量人力，而且沒有辦法保證裂縫識別的精度和效率。

采用傳統圖像處理方法對道路裂縫進行識別，其對圖像的畫質要求較高，且操作復雜，耗時，得到的識別效果不太理想，精度不高；采用無監督方法，神經網絡模型通常涉及較多需要滿足的附加條件，對圖像的質量要求較高，且識別出的道路裂縫精度較低；有監督方法中，神經網絡模型需要逐層提取圖像特征，在逐層提取圖像特征的同時也帶來了計算量的劇增，導致神經網絡模型進行裂縫識別過程耗時長，效率低。

綜上，針對道路裂縫識別任務的復雜性及神經網絡模型巨大的計算量，如何高效、快速、高精度進行圖像裂縫識別成為亟待解決的問題。

發明內容

為解決上述問題，本發明提供一種基于卷積神經網絡的道路裂縫圖像識別方法、裝置及系統，以解決現有技術中所存在的一個或多個技術問題，至少提供一種有益的選擇或創造條件。

為了實現上述目的，本發明提供以下技術方案：

一種基于卷積神經網絡的道路裂縫圖像識別方法，包括：

步驟S100、采用U-Net模型搭建級聯的全卷積神經網絡，所述U-Net模型的架構由多個處理模塊組成，所述處理模塊包括依次級聯的初始卷積模塊、4個編碼器模塊和4個解碼器模塊；

步驟S200、在每個處理模塊的最后一個卷積層的輸出端加入注意力機制，得到第一神經網絡模型；

步驟S300、采用標定數據集對所述第一神經網絡模型進行訓練，所述標定數據集為標定好道路裂縫特征的特征圖集合；

步驟S400、將完成訓練的第一神經網絡模型中權重低于閾值的通道進行裁剪，得到第二神經網絡模型；

步驟S500、再次用標定數據集對第二神經網絡模型進行訓練，得到道路裂縫識別模型；

步驟S600、對待檢測的道路圖像逐幀讀取，并輸入到道路裂縫識別模型進行裂縫識別，標記出待檢測的道路圖像中的道路裂縫。