[發明專利]基于卷積神經網絡的道路病害檢測方法及系統

在審

• 申請號: 202210608746.5
• 申請日: 2022-05-30
• 公開（公告）號: CN114882474A
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 劉國良;劉泳辰;田國會
• 申請（專利權）人: 山東大學
• 主分類號: G06V20/58
• 分類號: G06V20/58;G06V20/52;G06N3/04;G06N3/08;G06V10/80;G06V10/82;G06V10/764;G06V10/774;G06V10/60
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 李琳

1.基于卷積神經網絡的道路病害檢測方法，其特征在于，包括如下步驟：

獲取待檢測道路病害圖像；

基于生成對抗網絡的陰影去除模塊去除待檢測道路病害圖像的陰影；

基于去除陰影后的圖像和目標檢測模型檢測得到道路病害類型；其中，所述目標檢測模型的構建過程為：采用融合卷積注意力模塊的Yolov5目標檢測網絡，分別在通道和空間維度上執行注意力機制，提取得到不同維度的特征圖；

基于特征雙向融合的思想，采用自適應特征融合方法對不同維度的特征圖進行加權融合得到融合的特征圖，基于融合的特征圖進行特征識別得到道路病害的分類結果。

2.如權利要求1所述的基于卷積神經網絡的道路病害檢測方法，其特征在于，所述分別在通道和空間維度上執行注意力機制具體包括：

對原始特征圖進行維度壓縮時同時引用平均池化和最大池化，得到兩個一維特征圖，將兩個一維特征圖分別送入一個兩層共享的神經網絡，進行加和操作，生成通道注意力特征；

對通道注意力特征和原始特征圖進行乘法操作，得到第三特征圖，基于通道做全局最大池化和全局平均池化，得到兩個一維特征圖，將這兩個一維特征圖進行通道拼接，并使用卷積操作降維，生成空間注意力特征。

3.如權利要求1所述的基于卷積神經網絡的道路病害檢測方法，其特征在于，所述基于生成對抗網絡的陰影去除模塊去除待檢測道路病害圖像的陰影中，

所述生成對抗網絡的陰影去除模塊包括陰影消除器，所述陰影消除器的消除過程包括：

根據陰影模型表示任意位置的光強度和陰影區域的光強度；

基于任意位置的光強度和陰影區域的光強度得到輸入圖像與地面實況圖像之間的差異；

基于輸入圖像與地面實況圖像之間的差異消除陰影得到去除陰影的圖像。

4.如權利要求3所述的基于卷積神經網絡的道路病害檢測方法，其特征在于，所述陰影消除器采用UNet++的網絡結構，上采樣、下采樣和多個節點組成，每個節點都是一個由卷積層、批量歸一化層、Mish激活函數和scSE模塊組成的殘差塊，在UNet++的網絡之后設置附加結構ColorBlock，利用全連接層對圖像每個顏色通道的權重進行估計。

5.如權利要求3所述的基于卷積神經網絡的道路病害檢測方法，其特征在于，所述輸入圖像與地面實況圖像之間的差異表示為：

Δ＝I_gt-I_input

＝P(I^lit(x,λ)-I^shadow(x,λ))

≈I^lit(x,λ)-I^shadow(x,λ)

＝L^d(x,λ)R(x,λ)

式中，I_gt表示無陰影圖像，I_input表示有陰影圖像，函數P表示相機圖像采集系統的圖像處理，I^lit為位置x的光強度，I^shadow為陰影區域的光強度，L^d表示直接照明的光照度，R為反射率，λ表示波長。

6.如權利要求1所述的基于卷積神經網絡的道路病害檢測方法，其特征在于，所述道路病害的類型包括縱向裂縫、橫向裂縫、龜紋裂縫和道路坑槽四類道路病害。

7.如權利要求1所述的基于卷積神經網絡的道路病害檢測方法，其特征在于，所述陰影去除模塊還包括，陰影檢測器在UNet++的網絡之后設置附加結構，對輸出的陰影蒙版限制范圍，限制在0到1的范圍內。