[發(fā)明專利]一種基于U型編碼解碼器神經(jīng)網(wǎng)絡(luò)的道路裂縫檢測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110102284.5
• 申請日: 2021-01-26
• 公開（公告）號: CN112785578A
• 公開（公告）日: 2021-05-11
• 發(fā)明（設(shè)計）人: 朱貴杰;馬培立;范衠;李曉明;林培涵;韋家弘;黃文寧;葉志豪;李建立;黃銘威
• 申請（專利權(quán)）人: 汕頭大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州嘉權(quán)專利商標事務(wù)所有限公司 44205
• 代理人: 朱繼超

1.一種基于U型編碼解碼器神經(jīng)網(wǎng)絡(luò)的道路裂縫檢測方法，其特征在于，包括：

獲取初始道路裂縫數(shù)據(jù)集，對初始道路裂縫數(shù)據(jù)集擴展處理，得到第一道路裂縫數(shù)據(jù)集；

構(gòu)建U型編碼解碼器神經(jīng)網(wǎng)絡(luò)，使用第一道路裂縫數(shù)據(jù)集訓(xùn)練所述U型編碼解碼器神經(jīng)網(wǎng)絡(luò)，得到訓(xùn)練好的U型編碼解碼器神經(jīng)網(wǎng)絡(luò)，所述U型編碼解碼器神經(jīng)網(wǎng)絡(luò)包括編碼器部分和解碼器部分，所述編碼器部分包括第一層的初始卷積模塊，第二層至第五層的4組卷積編碼器模塊，所述解碼器部分包括第六層的1組注意力模型層數(shù)加深模塊、第七層至第十層的4組注意力卷積解碼器模塊；

使用第二道路裂縫數(shù)據(jù)集驗證所述訓(xùn)練好的U型編碼解碼器神經(jīng)網(wǎng)絡(luò)，得到驗證通過后的最終U型編碼解碼器神經(jīng)網(wǎng)絡(luò)；

將最終U型編碼解碼器神經(jīng)網(wǎng)絡(luò)嵌入到移動設(shè)備，進行道路裂縫的實際檢測。

2.根據(jù)權(quán)利要求1所述的基于U型編碼解碼器神經(jīng)網(wǎng)絡(luò)的道路裂縫檢測方法，其特征在于，所述構(gòu)建道路裂縫數(shù)據(jù)集，對道路裂縫數(shù)據(jù)集擴展處理，得到第一道路縫數(shù)據(jù)集包括：

獲取道路裂變圖像并進行人工標記，組成初始道路裂縫數(shù)據(jù)集；

將所述初始道路裂縫數(shù)據(jù)集中的道路裂變圖像在[0,360)內(nèi)按照45°遞增的7個不同角度分別進行旋轉(zhuǎn)并在上述7個不同角度旋轉(zhuǎn)后分別進行水平翻轉(zhuǎn)，并分別加以隨機高斯噪聲處理得到的圖像和初始道路裂縫數(shù)據(jù)集作為第一道路裂縫數(shù)據(jù)集。

3.根據(jù)權(quán)利要求1所述的基于U型編碼解碼器神經(jīng)網(wǎng)絡(luò)的道路裂縫檢測方法，其特征在于，初始卷積模塊由輸入層和2組卷積層組成，輸入層用于輸入第一道路裂縫數(shù)據(jù)集，在2組卷積層中，卷積核大小均設(shè)置為3×3，步長均為1，根據(jù)卷積核大小和步長，在邊緣補1個像素,其灰度值為0。

4.根據(jù)權(quán)利要求3所述的基于U型編碼解碼器神經(jīng)網(wǎng)絡(luò)的道路裂縫檢測方法，其特征在于，第二層至第四層的4組卷積編碼器模塊中，每一個卷積編碼模塊包含一個下采樣層和2組卷積層，卷積編碼器模塊中的卷積層和初始卷積模塊中的卷積層的結(jié)構(gòu)相同。

5.根據(jù)權(quán)利要求1所述的基于U型編碼解碼器神經(jīng)網(wǎng)絡(luò)的道路裂縫檢測方法，其特征在于，所述注意力模型層數(shù)加深模塊包括兩個標準殘差模塊與一個注意力模塊，所述注意力模塊包括第一自適應(yīng)均值池化單元、第二自適應(yīng)均值池化單元、第三自適應(yīng)均值池化單元、第一1×1卷積和修正線性單元、第二1×1卷積和修正線性單元、第三1×1卷積和修正線性單元、1×1卷積批歸一化和修正線性單元、平均池化單元、第一乘法器、第二乘法器、第三乘法器、第一加法器、第二加法器、第三加法器和輸出端；

第一輸入的特征圖輸入至第一自適應(yīng)均值池化單元，第二輸入的特征圖輸入至第三自適應(yīng)均值池化單元，其中，第一輸入的特征圖為第五層的卷積編碼器模塊的輸出，第二輸入的特征圖為第五層的卷積編碼器模塊的輸出經(jīng)過兩個標準殘差模塊后的輸出，第一輸入的特征圖和第二輸入的特征圖通過第一加法器相加后輸出至第二自適應(yīng)均值池化單元，第一自適應(yīng)均值池化單元、第二自適應(yīng)均值池化單元和第三自適應(yīng)均值池化單元分別輸出通道數(shù)×長×寬為C×2×2、C×1×1和C×2×2的特征圖，第一自適應(yīng)均值池化單元輸出的C×2×2的特征圖輸入第一1×1卷積和修正線性單元進行卷積操作和使用線性整流函數(shù)操作后輸出至第一乘法器，第二自適應(yīng)均值池化單元輸出的C×1×1的特征圖輸出至第一乘法器，第一乘法器的輸出提供給第二加法器，第三自適應(yīng)均值池化單元輸出的C×2×2的特征圖輸入第二加法器，第二加法器的輸出依次通過第二1×1卷積和修正線性單元、平均池化單元后輸出C×1×1的特征圖，并輸入第二乘法器，第一輸入的特征圖輸入至第三1×1卷積和修正線性單元進行卷積操作和使用線性整流函數(shù)操作后輸出至第三乘法器，第三乘法器的輸出輸入至第三加法器，第二輸入的特征圖分別輸入至第三加法器和第三乘法器，第三加法器的輸出經(jīng)過1×1卷積批歸一化和修正線性單元進行卷積操作、批歸一化操作和使用線性整流函數(shù)操作后輸出至第三乘法器，第三乘法器的輸出作為所述注意力模型層數(shù)加深模塊的輸出，其中C為整數(shù)。