[發明專利]一種基于深度卷積神經網絡的瀝青路面裂縫圖像分割方法

有效

• 申請號: 202110012193.2
• 申請日: 2021-01-06
• 公開（公告）號: CN112634292B
• 公開（公告）日: 2021-08-24
• 發明（設計）人: 萬海峰;李娜;孫啟潤;黃磊;苑兆迪
• 申請（專利權）人: 煙臺大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 山東三邦知識產權代理事務所(普通合伙) 37308
• 代理人: 肖太升;高洋

本發明公開了一種基于深度卷積神經網絡的瀝青路面裂縫圖像分割方法，所述方法包括：準備裂縫圖片數據集，并根據數據集進行圖片預處理；確定CrackResAttentionNet模型結構，并確定損失函數以及優化器，進而使用正態分布初始化權值矩陣，通過前向傳播以到達輸出層的預測值、反向傳播對參數梯度修正更新、更新權值矩陣，最后加載訓練好的CrackResAttentionNet模型，從而預測出分割好的瀝青路面圖像并進行裂縫圖像分割的精確輸出。本發明可將增加的兩個注意力模塊的輸出按比例融合，更加強調位置信息，其每個編碼層的輸出與注意力輸出融合，而且與相應解碼層連接，上一個解碼層輸出作為輸入到下一個解碼層。這樣，解碼層及其上采樣操作可以充分利用空間信息，提高圖像的分割精度。

技術領域

本發明涉及人工智能技術領域，尤其涉及的是，一種基于深度卷積神經網絡的瀝青路面裂縫圖像分割方法。

背景技術

裂縫是瀝青路面早期損壞和潛在退化的最初表現，由于交通量劇增和交通荷載級位的提高，道路工程的性能和功能受到裂縫的不利影響愈發顯著。瀝青路面產生早期開裂時，及時精準檢測識別裂縫并準確評估裂縫規模可指導道路工程管理和養護機構采取科學的路面預養護方案，以防止路面產生不可逆的大規模結構性損壞及服役壽命縮短。人工進行瀝青路面裂縫檢查需要大量的時間和人力成本，而且準確性不足；而使用攝像機捕捉圖像的裂紋檢測精度顯著提高，且更具有一致性和客觀性，精準度同步提升。然而，對于像素級裂紋的分割，由于受到陰影、光照不均勻或裂紋形狀不規則等因素的影響，仍然不夠精確。針對深度卷積神經網絡的瀝青路面裂縫圖像分割對于瀝青路面裂縫的精準和自動化、智能化檢測具有重要意義。

通過融入注意力機制的深度卷積神經網絡架構的深度學習和圖像處理技術，集成圖像分割方法與技術設備并嵌入于路面檢測裝備中，可實現對瀝青路面裂縫的精準化和智能化識別，從而借助云平臺全天候實時、動態地獲取瀝青路面裂縫數據信息，提高瀝青路面裂縫的智能化檢測和管養決策水平及效率。

發明內容

本發明要解決的技術問題是克服現有技術的缺點，提供一種結構簡單、易實現、收斂速度快且精準的圖像分割方法，可精確、高效地識別瀝青路面的裂縫，從而為瀝青路面的智能化無損傷檢測及養護決策方案制定提供科學方法。

一種基于深度卷積神經網絡的瀝青路面裂縫圖像分割方法，包括以下步驟：

步驟一：準備瀝青路面裂縫圖片數據集；

步驟二：圖片預處理；圖片的預處理包括對大的圖像進行縮放到統一的尺寸；

步驟三：設定CrackResAttentionNet的模型結構，CrackResAttentionNet 的模型采用基于編碼器-解碼器的結構，包括編碼器和解碼器，在每個編碼器和解碼器之間，增加一個注意力模塊，所述注意力模塊位于每個編碼器后并與相應的解碼器相連；

步驟四：確定損失函數；使用像素交叉熵損失(CE)、平衡像素交叉熵損失(BCE)以及Dice損失進行比較：

步驟401：像素交叉熵損失CE如下公式(6)所示：

上述i表示像素的索引，n*n表示輸出圖像的大小，p為樣本的真實值，正類為1，負類為0，為樣本預測為正的概率；

步驟402：平衡像素交叉熵損失與像素交叉熵損失類似，權重之和為 1，如下公式(7)所示：

其中，BCE為平衡像素交叉熵損失，n*n表示輸出像素的大小，β為平衡系數，p為樣本的真實值，正類為1，負類為0，為樣本預測為正的概率；

步驟403：Dice損失從交并比IoU的角度設計，Dice損失如公式(8) 所示：