[發明專利]一種基于改進U-Net神經網絡的道路裂縫檢測方法

有效

• 申請號: 202110471512.6
• 申請日: 2021-04-29
• 公開（公告）號: CN112949783B
• 公開（公告）日: 2023-09-26
• 發明（設計）人: 朱節中;張果榮;柯福陽;余曉棟;陸松;李富;丁健;陳道勇
• 申請（專利權）人: 南京信息工程大學濱江學院
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/82;G06V20/10;G06N3/0464
• 代理公司: 南京匯盛專利商標事務所(普通合伙) 32238
• 代理人: 張立榮

本發明公開了一種基于改進U?Net神經網絡的道路裂縫檢測方法，包括：1)采集道路裂縫圖像，構建道路裂縫數據集，并進行預處理操作，形成訓練集和測試集；2)構建改進U?Net神經網絡模型；3)基于所述訓練集，對所述改進U?Net神經網絡模型進行訓練；4)基于所述測試集，對訓練完成的改進U?Net神經網絡模型進行測試，輸出檢測結果，并對模型進行評估，得出模型性能。本發明方法構建的改進U?Net神經網絡引入帶擴張率的空洞卷積，可以減少卷積層的層數，減少模型的參數，同時節省了計算資源，降低了計算成本。本發明方法構建的改進U?Net神經網絡在每個卷積層后，加入BN層，加速模型的訓練，防止梯度爆炸。

技術領域

本發明屬于計算機視覺和模式識別領域，具體涉及一種基于改進U-Net道路裂縫檢測方法。

背景技術

道路裂縫是路面病害的主要初期表現形式之一，對行車安全造成威脅，及時發現并修復路面裂縫，保持路面狀況良好是對于路面管理一項重要的工作。采用傳統的人工方法檢測不僅檢測速度跟不上近年來道路發展的需要，而且人工方法往往會存在主觀性，存在準確度不夠等問題。隨著深度學習技術的發展，用神經網絡語義分割的方法可以很好的將道路裂縫提取出來。

然而受計算機性能因素的制約，龐大的神經網絡在訓練的過程中會耗費大量的時間，無法快速得出結果。然而，隨著神經網絡深度的增加，并沒有給模型帶來性能上很大的提升，反而極大的增加了計算成本。

發明內容

為解決現有技術中存在的問題，本發明提出一種基于改進U-Net道路裂縫檢測方法，可以明顯減少神經網絡模型的參數，節省了計算資源，提升了速度。

本發明的技術方案如下：

一種基于改進U-Net神經網絡的道路裂縫檢測方法，包括

1)采集道路裂縫圖像，構建道路裂縫數據集，并進行預處理操作，形成訓練集和測試集；

2)構建改進U-Net神經網絡模型，所述改進U-Net神經網絡模型包括編碼器和解碼器，所述編碼器和解碼器采用的網絡結構，包括1層64個3×3卷積核的卷積層、1層128個3×3卷積核的卷積層、1層256個3×3卷積核的卷積層、1層512個3×3卷積核的卷積層以及1層1024個3×3卷積核的卷積層，編碼器與解碼器通過卷積計算連接；其中，編碼器的卷積層均連接2×2步長為2的最大池化層，解碼器的卷積層均連接3×3步長為2的反卷積層；

所述卷積層采用帶有擴張率r的空洞卷積，并且每個空洞卷積后依次加入了批歸一化BN層，以及一個線性整流函數ReLu層；

3)基于所述訓練集，對所述改進U-Net神經網絡模型進行訓練；

4)基于所述測試集，對訓練完成的改進U-Net神經網絡模型進行測試，輸出檢測結果，并對模型進行評估，得出模型性能。

優選地，步驟1)中，所述道路裂縫圖像采用道路裂縫拍攝照片。

優選地，步驟1)中，所述預處理操作包括：對道路裂縫數據集中各道路裂縫圖像進行分割，將圖像統一為256*256大小，通道數為3的圖像；

對分割后的子圖像進行篩選并對各子圖像中道路裂縫部分標注，其中，裂縫部分標注為白色，非裂縫部分標注為黑色，最后再按8:2的比例劃分成訓練集和測試集。

優選地，步驟2)中，所述線性整流函數ReLu層為：

式中，x為卷積中各元素的輸入值；f(x)為卷積中各元素對應的輸出值，若卷積中元素的輸入值為負值，則對應的輸出值為0，若為正值，則保持原有元素輸出；

優選地，步驟2)中，所述空洞卷積為：

k'＝k+(k-1)×(r-1)