[發明專利]一種基于無監督學習的路面裂縫檢測方法

在審

• 申請號: 202211280351.3
• 申請日: 2022-10-19
• 公開（公告）號: CN115564744A
• 公開（公告）日: 2023-01-03
• 發明（設計）人: 劉艷霞;胡美振;李少佳
• 申請（專利權）人: 北京聯合大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/00;G06T5/30;G06N3/04;G06N3/08
• 代理公司: 北京馳納南熙知識產權代理有限公司 11999
• 代理人: 周月叢

1.一種基于無監督學習的路面裂縫檢測方法，包括采集正常路面數據并生成正常路面數據集，其特征在于，還包括以下步驟：

步驟1：下載在Imagenet數據集上預訓練的vgg16網絡模型作為專家網絡，并分別設計識別克隆網絡和定位克隆網絡；

步驟2：使用所述正常路面數據集中的數據對所述識別克隆網絡和所述定位克隆網絡進行訓練；

步驟3：獲取實際路面圖像；

步驟4：把所述實際路面圖像分別導入所述專家網絡和所述識別克隆網絡，判斷是否有裂縫，如果有裂縫，則執行步驟5；

步驟5：把所述實際路面圖像分別導入所述專家網絡和所述定位克隆網絡，實現裂縫具體位置的定位。

2.如權利要求1所述的基于無監督學習的路面裂縫檢測方法，其特征在于，所述專家網絡采用所述vgg16網絡模型的前10層作為骨干網，其中，P1、P2、P3、P4分別為網絡結構中第2、第4、第7和第10個卷積層后的池化操作。

3.如權利要求2所述的基于無監督學習的路面裂縫檢測方法，其特征在于，所述步驟1包括通過最小化蒸餾層的差異，使所述識別克隆網絡模型和所述定位克隆網絡模型學習所述專家網絡的知識。

4.如權利要求3所述的基于無監督學習的路面裂縫檢測方法，其特征在于，在所述學習的過程中，所述識別克隆網絡模型舍棄P4池化操作后的卷積層。

5.如權利要求4所述的基于無監督學習的路面裂縫檢測方法，其特征在于，最小化池化操作P4處的特征圖差異用于實現針對路面裂縫識別任務的最佳知識蒸餾。

6.如權利要求5所述的基于無監督學習的路面裂縫檢測方法，其特征在于，在所述學習的過程中，所述識別克隆網絡模型把除第10個卷積層外其他所有卷積層的通道數改為32。

7.如權利要求6所述的基于無監督學習的路面裂縫檢測方法，其特征在于，在所述學習的過程中，所述定位克隆網絡模型舍棄P3池化操作后的卷積層。

8.如權利要求7所述的基于無監督學習的路面裂縫檢測方法，其特征在于，最小化池化操作P3處的特征圖差異用于實現針對路面裂縫定位任務的最佳知識蒸餾。

9.如權利要求8所述的基于無監督學習的路面裂縫檢測方法，其特征在于，在所述學習的過程中，所述定位克隆網絡模型把除第7個卷積層外其他所有卷積層的通道數改為32。

10.如權利要求9所述的基于無監督學習的路面裂縫檢測方法，其特征在于，所述差異是指訓練無監督網絡的損失函數，包括知識的幅值和方向兩部分，分別用均方根誤差和余弦相似度誤差來表示。