[發明專利]基于DeepLabV3+網絡模型的裂縫語義分割方法

在審

• 申請號: 202210434313.2
• 申請日: 2022-04-24
• 公開（公告）號: CN114998580A
• 公開（公告）日: 2022-09-02
• 發明（設計）人: 蔣瑋;單金煥;肖晶晶;吳旺杰;李鵬飛;袁東東
• 申請（專利權）人: 長安大學
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/40;G06V10/764;G06V10/80;G06K9/62;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 房鑫

本發明提供基于DeepLabV3+網絡模型的裂縫語義分割方法，能夠有效提高瀝青路面裂縫語義分割的準確性，提升了網絡整體的裂縫預測性能。裂縫語義分割方法具體包括如下步驟：采用并聯的普通卷積、空洞卷積和可變形卷積對待檢測裂縫圖像進行編碼；通過雙線性插值對編碼后的待檢測裂縫圖像進行解碼；通過像素點渲染對解碼后的待檢測裂縫圖像進行重點像素點重構；對重構后的待檢測裂縫圖像進行分類預測，獲得裂縫分割結果。

技術領域

本發明涉及圖像語義分割技術領域，具體為基于DeepLabV3+網絡模型的裂縫語義分割方法。

背景技術

瀝青路面開裂會加速路面劣化過程，開裂的發生和嚴重程度是路面養護決策方案的重要指標。因此，裂縫評價是制定適時的養護決策的一項關鍵任務。傳統上，裂縫評估是通過人工現場調查進行的。然而，這些手動測量方法的重復性和再現性較差，需要過多的時間，消耗大量的勞動力，并將測量員置于危險的環境中。此外，由于主觀性，收集的數據可能因不同的評分者而異。為了克服手動測量的缺點，目前已經進行了大量的研究工作，隨著人工智能深度學習的發展，開發自動裂縫檢測和測量方法已成為研究熱點。

目前裂縫檢測可分為三類任務，裂縫分類、目標檢測和語義分割。分割任務需要從像素點角度出發，將圖片像素點進行分類，分成背景和裂縫。對于一般的語義分割任務，通過深層神經網絡進行編碼提取特征，然后通過線性插值進行解碼還原至原圖大小。調研前期研究，發現現有模型中不同主干網絡對裂縫的分割結果有一定差異性，部分裂縫未能被準確識別，這對養護數據的準確性和養護方案制定的可靠性有較大的影響。

發明內容

為了解決現有技術中存在的問題，本發明提供基于DeepLabV3+網絡模型的裂縫語義分割方法，能夠有效提高瀝青路面裂縫語義分割的準確性，提升了網絡整體的裂縫預測性能。

為實現上述目的，本發明提供如下技術方案：

一種基于DeepLabV3+網絡模型的裂縫語義分割方法，包括如下步驟：

采用并聯的普通卷積、空洞卷積和可變形卷積對待檢測裂縫圖像進行編碼；

通過雙線性插值對編碼后的待檢測裂縫圖像進行解碼；

通過像素點渲染對解碼后的待檢測裂縫圖像進行重點像素點重構；

對重構后的待檢測裂縫圖像進行分類預測，獲得裂縫分割結果。

優選地，所述采用并聯的普通卷積、空洞卷積和可變形卷積對待檢測裂縫圖像進行編碼前，還包括：

先采用Backbone網絡對待檢測裂縫圖像進行初步特征提取，再對初步提取的特征進行多尺度卷積完成進一步特征提取。

優選地，所述可變形卷積包括在普通卷積的基礎上對每一個采樣位置增加一個可學習的二維偏移。

優選地，所述采用并聯的普通卷積、空洞卷積和可變形卷積對待檢測裂縫圖像進行編碼，還包括：

采用并聯的普通卷積、空洞卷積和可變形卷積對待檢測裂縫圖像進行特征提取后，對不同卷積提取的特征進行融合。

優選地，所述通過像素點渲染對解碼后的待檢測裂縫圖像進行重點像素點重構包括：

在解碼后待檢測裂縫圖像的網格上選取N個不確定像素點，通過組合待檢測裂縫圖像的低層特征和高層特征在選取的不確定像素點上重新構造逐點特征。

優選地，所述重點像素點重構后，還包括：

對重點像素點進行多層感知機學習。

一種基于DeepLabV3+網絡模型的裂縫語義分割系統，包括：

編碼模塊，用于采用并聯的普通卷積、空洞卷積和可變形卷積對待檢測裂縫圖像進行編碼；