[發明專利]一種道路表觀病害智能識別方法和系統

在審

• 申請號: 202210101302.2
• 申請日: 2022-01-27
• 公開（公告）號: CN114529522A
• 公開（公告）日: 2022-05-24
• 發明（設計）人: 吳剛;戴姣;劉慧;侯士通;陳金橋;費東煒;王浩琛
• 申請（專利權）人: 東南大學;江蘇東印智慧工程技術研究院有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/62;G06T7/70;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 陸燁

1.一種道路表觀病害智能識別方法，其特征在于，包括以下步驟：

(1)道路表觀病害的粗定位：基于目標檢測模型對輸入的道路表觀圖像進行病害檢測，返回道路病害的病害區域位置坐標信息，病害類型以及病害的置信度；

(2)道路表觀病害的精確定位：利用固定大小的小框格精確定位病害區域，便于對特定病害進行長度或面積的計算；

(3)定位結果的后處理：對精確定位的結果進行后處理，包括移除孤立框和移除相同項，得到最終的識別結果。

2.根據權利要求1所述道路表觀病害智能識別方法，其特征在于，步驟(1)的具體過程如下：

(1a)獲取多功能路況檢測車采集的圖像，對數據進行篩選并按照所屬病害類別對圖像進行標注，構建道路表觀病害標注數據集，并擴充部分無病害圖像作為背景圖，共同作為總數據集，將總數據集劃分成訓練集和驗證集；

(1b)基于目標檢測方法構建道路表觀病害檢測模型，利用訓練集對道路表觀病害檢測模型進行訓練，將驗證集用于訓練后的道路表觀病害檢測模型，保存在驗證集上表現最好的道路表觀病害檢測模型作為病害粗定位模型；

(1c)將待檢測的道路表觀圖像傳入到病害粗定位模型中，得到病害的檢測框detected_Box：

detected_Box＝[Box,confidence,class]

其中，Box＝[x₁,y₁,x₂,y₂],(x₁,y₁),(x₂,y₂)分別表示病害檢測框的左上頂點坐標和右下頂點坐標，confidence表示存在病害的概率值，class表示具體的病害類別。

3.根據權利要求2所述道路表觀病害智能識別方法，其特征在于，在步驟(1a)中，所述病害類別包括但不限于裂縫、龜裂、坑槽和修補；在步驟(1b)中，所述道路表觀病害檢測模型采用YOLO系列模型架構。

4.根據權利要求2所述道路表觀病害智能識別方法，其特征在于，步驟(2)的具體過程如下：

(2a)小框格劃分：

將Box區域劃分為一系列小框格圖像，記為R_Images：

RW＝T_W·W

RH＝T_H·H

其中，RW和RH為小框格的長和寬，W和H為道路檢測圖像的長和寬，

(2b)通過精準定位算法，將R_Images中不包含病害區域的框格剔除，得到有效小框格集合R_Boxes，其中每個小框格R_Box包含如下信息：

R_Box＝[u₁,v₁,u₂,v₂,class]

其中，(u1,v1)，(u2,v2)為小框格的左上頂點坐標和右下頂點坐標。

5.根據權利要求4所述道路表觀病害智能識別方法，其特征在于，在步驟(2b)中，所述精準定位算法包括采用Feature-map計算策略，具體過程如下：

(2b101)基于detected_Box的坐標信息和類別信息，從原圖上將特定區域裁剪下來，作為構建bBox分類模型的數據集，并將數據集劃分為訓練集和驗證集；

(2b102)基于卷積神經網絡構建bBox分類模型，利用訓練集對bBox分類模型進行訓練，選擇在驗證集上準確率最高時的模型參數為最終的bBox分類模型參數；

(2b103)基于detected_Box的坐標信息將特定區域從原圖上剪切下來，送入bBox分類模型，計算得到該區域的熱力圖Feature-map；

(2b104)對于道路上的橫向病害和縱向病害，在其垂直方向尋找熱力圖最高的區域所處的框格作為有效框格，反之為無效框格，保留有效框格，對無效框格進行過濾，得到R_Boxes。

6.根據權利要求5所述道路表觀病害智能識別方法，其特征在于，在步驟(2b102)中，所述卷積神經網絡采用Resnet系列模型；在步驟(2b103)中，采用CAM方法或者Grad-CAM方法計算熱力圖Feature-map。