[發明專利]一種基于多尺度和多層次的路面裂縫檢測方法

在審

• 申請號: 202011401716.4
• 申請日: 2020-12-02
• 公開（公告）號: CN112489023A
• 公開（公告）日: 2021-03-12
• 發明（設計）人: 程文科;周應華
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 趙榮之

本發明涉及一種基于多尺度和多層次的路面裂縫檢測方法，屬于道路表面裂縫識別領域，包括以下步驟：獲取待檢測圖像創建訓練集和測試集；創建包含編碼器、解碼器、多尺度模塊和多層次模塊的深度卷積神經網絡；訓練和測試所述深度卷積神經網絡模型，得到裂縫檢測神經網絡模型；使用裂縫檢測神經網絡模型對待檢測的圖像進行像素級分類，輸出裂縫的二值圖像。本發明，能夠實現完全依靠深度神經網絡模型自動提取裂縫特征，實現路面裂縫的自動檢測，具有檢測過程簡單、檢測速度快和效率高等優點。

技術領域

本發明屬于道路表面裂縫識別領域，涉及一種基于多尺度和多層次的路面裂縫檢測方法。

背景技術

伴隨著公路的長期使用，一些于早期修建的公路逐漸進入了維護期。各種自然條件和人為因素等都會影響到道路的健康狀況，導致道路出現了各種不同的道路病害。如果能在道路破損初期就能發現道路產生的病害情況，并提前對其進行養護，將能防患于未然并減少相應的工作量和維護費用。常見的各種道路病害中，最早期的病害一般是路面裂縫，如果沒有及時對裂縫進行處理，裂縫可能衍生出其他更為嚴重的次生病害。

人工檢測是裂縫檢測中的一種常用的方法，但檢測過程通常是耗時費力的，而由于檢測人員具有一定的主觀性，可能會影響到檢測結果的準確度，還有可能存在一定程度的漏檢、誤檢。隨著各類自動化工具和技術的發展，目前也出現了許多自動化的路面裂縫檢測方法，最為常用的方法是基于數字圖像處理的檢測方法，此類方法雖然可以替代部分勞動力，但卻對道路上的許多類型的噪聲和障礙物都很敏感，導致檢測結果和實際的路面情況有一定的差距，因此基于此類的方法無法完全適應所有的路面情況，算法的魯棒性不強，在復雜環境下很難得到預期的結果。而基于一般卷積神經網絡的裂縫檢測方法又無法實現端到端的圖像處理，只能判斷一個像素塊里是否包含裂縫，無法獲取裂縫是位于圖片中的位置信息，破壞了裂縫的完整性。

明顯的，當前道路裂縫檢測技術還存在以下問題：

(1)由于路面裂縫圖像容易受到復雜多樣的噪聲影響，因此在現實情況下，基于數字圖像處理技術的檢測方法不能適應各種復雜的場景。

(2)近年來多數基于深度學習的路面裂縫檢測算法都是基于圖像塊的。這種做法不是真正意義上的逐像素預測，也沒有考慮到裂縫的整體性，不能為預測提供足夠的上下文信息，同時也增加了計算量和時間消耗。

(3)主流的卷積神經網絡只采用了最后一層的特征圖作為輸出，單使用高層的小特征圖無法恢復識別物體的細節信息，這種做法會對裂縫這種細小的分割目標造成較大的影響。

發明內容

有鑒于此，本發明的目的在于提供一種基于多尺度和多層次的路面裂縫檢測方法，采用多尺度模塊獲取裂縫的上下文信息，恢復裂縫細節，采用多層次模塊提升模型的整體性能。

為達到上述目的，本發明提供如下技術方案：

一種基于多尺度和多層次的路面裂縫檢測方法，包括以下步驟：

S1：獲取待檢測圖像創建訓練集和測試集；

S2：創建包含編碼器、解碼器、多尺度模塊和多層次模塊的深度卷積神經網絡；

S3：訓練和測試所述深度卷積神經網絡模型，得到裂縫檢測神經網絡模型；

S4：使用裂縫檢測神經網絡模型對待檢測的圖像進行像素級分類，輸出裂縫的二值圖像。

進一步，步驟S1具體包括以下步驟：

S11：使用數據增強對待檢測的圖像數據集進行擴充，對每個圖像樣本圍繞著該樣本本身進行幾何變換操作，包括旋轉、翻轉、縮放等各類操作；

S12：同時也對該圖像樣本的標注圖像進行同樣的操作，保證樣例和標注一一對應；

S13：將擴充后的圖像數據按一定比例劃分為訓練集和測試集。