[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

本發明提供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，還包括以下步驟：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；使用正常路面數據集中的數據對識別克隆網絡和定位克隆網絡進行訓練；獲取實際路面圖像；把實際路面圖像分別導入專家網絡和識別克隆網絡，判斷是否有裂縫，如果有裂縫，則執行下一步驟；把實際路面圖像分別導入專家網絡和定位克隆網絡，實現裂縫具體位置的定位。本發明用于路面裂縫識別和定位，只需提供由正常路面圖片構建的訓練集，無需進行像素級路面裂縫標注，節省了大量人力成本，同時還能具有較高的檢測精度和實時性。

技術領域

本發明涉及圖像處理的技術領域，特別是一種基于無監督學習的路面裂縫檢測方法。

背景技術

路面裂縫是道路最具代表性的缺陷之一，主要由超載、溫度變化和路面老化引起。這些損壞會降低路面的性能，縮短道路的使用壽命，并危及車輛的駕駛安全，對道路安全構成潛在威脅。為了保持道路處于良好狀態，對裂縫進行定位和修復是運輸維護部門的重要職責。早期人工巡檢耗時低效，已逐漸被道路巡檢車代替。然而靠人力從巡檢車檢測視頻中定位存在裂縫的路段也面臨很大的挑戰。快速準確的路面裂縫檢測有助于及時維護道路，防止道路狀況進一步惡化。隨著計算機視覺技術的發展，人們致力于應用計算機視覺技術進行自動裂縫檢測。現有的基于計算機視覺技術的裂縫檢測方法可以大致分為三類：傳統方法、基于機器學習的和基于深度學習的方法。

傳統檢測方法中，不需要從數據集學習，并且大多數數學計算都是分析性的，并且具有輕量級計算的快速性。但是對各種隨機變量因子的泛化能力較弱，一旦應用場景或環境發生變化，就需要對參數進行或重新設計算法。

基于機器學習的算法在路面裂縫檢測方面獲得成功應用。基于機器學習的檢測模型大多數都需要人工設計路面裂縫特征，但是面對多種類型的路面裂縫，很難設計通用的特征提取模型來提取路面裂縫特征，從而導致檢測模型效果不佳。

雖然基于深度學習的路面裂縫檢測方法可以達到較高精度，但大多屬于有監督算法，需要進行大量像素級標注，耗費大量人力物力。而且路面裂縫檢測中的異常樣本屬于小概率事件，樣本量較小，導致有監督學習時存在嚴重的樣本不平衡問題。

2021年在Computer Vision and Pattern Recognition.IEEE上公開了Salehi M、Sadjadi N和Baselizadeh S的題目為《Multiresolution Knowledge Distillation forAnomaly Detectio》(的文章，提出一種基于無監督學習的多分辨率知識蒸餾(Multiresolution Knowledge Distillation for Anomaly Detection,MKD)方法進行異常檢測，只用正常樣本訓練網絡，但學習到的特征能夠區分正常和異常樣本。該方法的缺點是對裂縫的識別準確率不高。

發明內容

為了解決上述的技術問題，本發明提出了一種基于無監督學習的路面裂縫檢測方法，用于路面裂縫識別和定位，只需提供由正常路面圖片構建的訓練集，無需進行像素級路面裂縫標注，節省了大量人力成本，同時還能具有較高的檢測精度和實時性。

本發明提供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，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；