[發明專利]一種基于稀疏特征的兩階段智能道路裂縫定位系統

在審

• 申請號: 202211340907.3
• 申請日: 2022-10-30
• 公開（公告）號: CN115690041A
• 公開（公告）日: 2023-02-03
• 發明（設計）人: 徐向陽;趙勉;楊浩
• 申請（專利權）人: 蘇州大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/73;G06V10/25;G06V10/28;G06V10/30;G06V10/44;G06V10/764;G06V10/82;G06N3/0464;G06N3/084
• 代理公司: 蘇州見山知識產權代理事務所(特殊普通合伙) 32421
• 代理人: 袁麗花

1.一種基于稀疏特征的兩階段智能道路裂縫定位系統，其特征在于，包括：

第一階段包括數據采集模塊、數據分析與預處理模塊，第二階段包括模型訓練模塊、裂紋智能檢測模塊；

所述數據采集模塊對道路進行拍攝，采集有裂紋的圖片，組成裂紋數據集；

所述數據分析與預處理模塊先分析裂紋數據集，再選擇稀疏特征預處理方法處理所述裂紋數據集；

所述模型訓練模塊使用Faster R-CNN網絡訓練，所述Faster R-CNN網絡包括特征提取模塊、區域候選網絡模塊、興趣域池化模塊和回歸分類模塊，用數據采集模塊和數據分析與預處理模塊處理好的裂紋數據集進行訓練；

所述裂紋智能檢測模塊使用訓練好的Faster R-CNN網絡對道路進行檢測。

2.根據權利要求1所述的基于稀疏特征的兩階段智能道路裂縫定位系統，其特征在于：所述數據采集模塊包括拍攝子模塊、控制和數據采集子模塊；所述的拍攝子模塊包括道路情況拍攝儀器并輔以攝像機；所述控制和數據采集子模塊，將來自拍攝子模塊的原始數據儲存到控制臺的磁盤矩陣中。

3.根據權利要求1所述的基于稀疏特征的兩階段智能道路裂縫定位系統，其特征在于：所述數據分析與預處理模塊包括四種算法，其中算法一用于淺裂縫、多裂縫，圖片輕微模糊數據集；算法二用于淺裂縫、多條裂縫、有與裂紋相似的目標數據集；算法三用于裂縫走向多樣、多條裂縫、有與裂紋相似的目標數據集；算法四用于裂縫走向多樣、多條裂縫、圖片輕微模糊數據集。

4.根據權利要求3所述的基于稀疏特征的兩階段智能道路裂縫定位系統，其特征在于：所述算法一是一種線性平滑濾波技術，消除高斯噪聲，該算法使用一個服從二維高斯分布的采樣框來處理圖像，確定其鄰域內的加權平均像素值，并用其替代采樣框中心像素的像素值；所述算法二是一種非線性平滑濾波技術，該算法使用一個滑動的采樣框，將采樣框內的像素按像素值大小進行排序，取中值，并用該中值替代采樣框中心像素的像素值；所述算法三是一種非線性平滑濾波技術，利用二維高斯函數，該算法同時考慮了像素的空域和值域，先根據像素值對像素點鄰域內的像素進行分類，再給該像素點所屬的類別相對較高的權重，然后進行鄰域加權求和，得到最終結果；所述算法四先將數據集圖像灰度化，再統計裂紋部分與背景部分的閾值，根據數學統計的原理選擇一個能突出裂紋部分的最佳分割閾值，該算法將小于或等于最佳分割閾值的部分即裂紋部分的像素值取零，將大于最佳閾值的部分即背景部分的像素值保留。

5.根據權利要求1所述的基于稀疏特征的兩階段智能道路裂縫定位系統，其特征在于：所述模型訓練模塊使用基于ImageNet的骨干進行預訓練，在訓練中使用SGD優化器、批量標準化、訓練熱身、聯合訓練來優化效果；所述SGD優化器即隨機梯度下降，一次隨機優化某一條訓練數據上的損失函數，使參數更新速度加快；所述批量標準化，對每個卷積核的輸入做歸一化，用在網絡的中間層；所述訓練熱身即剛開始的學習率設置為低，保證網絡良好的收斂性，然后逐漸增大到設置的學習率，最后再慢慢變小；所述聯合訓練即將RPN和R-CNN的損失進行權重加和，簡化訓練流程。

6.根據權利要求5所述的基于稀疏特征的兩階段智能道路裂縫定位系統，其特征在于：所述模型訓練模塊的特征提取模塊，使用深度殘差網絡和特征金字塔網絡作為Faster R-CNN特征提取部分，將特征提取后5張不同大小的特征圖送到下一網絡中。

7.根據權利要求5所述的基于稀疏特征的兩階段智能道路裂縫定位系統，其特征在于：所述模型訓練模塊的區域候選網絡模塊，使用5個相同的區域候選網絡得到5個特征圖，然后利用這些特征圖生成區域建議，區域候選網絡生成不同大小的錨框，來獲得指定數量的區域建議特征圖。

8.根據權利要求5所述的基于稀疏特征的兩階段智能道路裂縫定位系統，其特征在于：所述模型訓練模塊的興趣域池化模塊，用于收集區域候選網絡生成的區域建議，并從特征圖中提取出來，生成區域建議特征圖，送入全連接層繼續做分類和回歸。