一种基于U型全卷积神经网络的路面裂缝检测方法

本发明涉及路面裂缝检测，具体涉及一种u型全卷积神经网络的路面裂缝检测方法。

背景技术：

1、裂缝是一种最常见的路面缺陷类型，基于视觉的自动检测裂缝已成为研究的热点。目前基于视觉的裂缝检测方法大致可分为传统图像处理方法和深度学习方法。其中传统图像处理方法主要通过分析裂缝的图像特征，如纹理、边缘和对比度等，通过人为地设计分割和提取的依据，能够在特定的数据集上取得良好的检测效果。深度学习方法已经在多个视觉应用场合表现出卓越的性能，研究者对基于深度学习的图像裂缝检测也展开了广泛的研究，提出的方法根据任务类型不同大致可分为三类：图像分类方法，判断采集的图像中是否存在裂缝；目标检测方法，定位裂缝在图像的位置；像素级预测方法，能够对图中的每一个像素都得到一个对应的分类结果。前两种算法能够在路面图像中定位裂缝，但无法逐像素检测裂缝，而像素级预测方法可以获得裂缝的几何特征，例如形状、方向、长度和宽度，这对于准确评估路面状况并做出路面维护决策至关重要。

技术实现思路

1、为了克服现有技术中识别数据存在冗余、识别效率低效、数据处理存在偏差的不足，本发明提供一种基于u型全卷积神经网络的路面裂缝检测方法，可以实现提高分割精度和泛化能力提高数据处理能力，节省计算空间，提高识别准确性。

2、本发明解决其技术问题所采用的技术方案是：

3、一种基于u型全卷积神经网络的面裂缝检测方法，包括以下步骤：

4、步骤1：实地巡检采集路面图像，建立路面图像数据库；

5、步骤2：筛选所述路面图像，通过识别并处理pavement diseases数据，构建训练集和测试集；

6、步骤3：使用所述训练集训练u型全卷积神经的裂缝路面检测网络模型；

7、步骤4：使用所述测试集对训练后的网络模型进行测试，根据测试结果计算以recall作为评价指标，若评价指标满足要求则说明网络模型满足要求，保存网络模型用于提取路面裂缝；

8、步骤5：使用保存后的网络模型进行路面裂缝比对，对裂缝进行分类和路面破损程度的评估。本发明可以实现提高分割精度和泛化能力提高数据处理能力，节省计算空间，提高识别准确性。

9、进一步，所述步骤3包括以下步骤：

10、步骤3.1：使用u型全卷积模式对待检测图像进行特征提取，在所述u型全卷积模式下，第一层为普通卷积，第二层与最后一层深度学习为全卷积；

11、步骤3.2：在使用u型全卷积模式对检测图像进行提取后，利用语义分割的方式，把所述图像生产像素级别的分析图；

12、步骤3.3：将协调注意力机制模块融入第一组卷积操作以及每组特征提取组；

13、步骤3.4：通过上采样操作恢复网络深层特征信息并与编码器阶段提取的细节特征进行融合；

14、步骤3.5：使用u型全卷积特征提取图像进行进一步的特征提取；

15、步骤3.6：重复执行步骤3.2到步骤3.5设定次数，形成最终特征图像；

16、再进一步，所述步骤4中，u型全卷积神经网络ucracknet包括编码器、桥接单元和解码器，将vgg-16作为ucracknet编码器的基础结构，桥接单元是由两个1024通道3×3卷积组成，使用多个密集连接的空洞卷积，模型的解码器采用与编码器结构对称设计，其中vgg-16中的池化层更换成上采样层，最终输出像素级的预测结果；ucracknet也采用了u-net结构中跳跃连接方式，在最大池化和反卷积之间引入直连方式，在每层跳跃连接中加入一个参数为0.3的dropout层来缓解网络过拟。

17、优选的，所述u型全卷积神经的裂缝路面检测网络模型在建模的过程中，使用4个最大池化层，借鉴segnet中提出的池化索引思想，在裂缝检测的下采样过程中记录每个池中最大特征值的位置，在上采样时使用该位置索引对图像特征进行恢复，得到一个稀疏特征图，最后通过卷积层生成稠密特征图。

18、所述步骤5包括下列步骤：

19、步骤5.1：所述的路面裂缝在记录的过程中，进行了四次记录，对四个路面病害进行比对；

20、步骤5.2：在路面病害比对的过程中，会剔除不满足评价指标的图像，并通过图层对照，形成感兴趣的区域roi与网络模型进行对照；

21、步骤5.3：使用分割模型对图像块中的每一个像素都进行一个对应的分类输出，最终通过合并图像块的预测结果得到整个路面病害区域；

22、步骤5.4：在与网络模型对比并生成对裂缝进行分类和路面破损程度的评估，最后生成的病害分析会存入网络模型；

23、步骤5.5：通过不断存入病害分析从而让网络模型进行深度学习，进而提高u型全卷积神经网络的智能化、统一化。

24、本发明的有益效果为：可以实现提高分割精度和泛化能力提高数据处理能力，节省计算空间，提高识别准确性。

技术特征：

1.一种基于u型全卷积神经网络的路面裂缝检测方法，其特征在于，所述方法包括以下步骤：

2.如权利要求1所述的一种基于u型全卷积神经网络的路面裂缝检测方法，其特征在于，所述步骤3包括以下步骤：

3.如权利要求1或2所述的一种基于u型全卷积神经网络的路面裂缝检测方法，其特征在于，所述步骤4中，u型全卷积神经网络ucracknet包括编码器、桥接单元和解码器，将vgg-16作为ucracknet编码器的基础结构，桥接单元是由两个1024通道3×3卷积组成，使用多个密集连接的空洞卷积，模型的解码器采用与编码器结构对称设计，其中vgg-16中的池化层更换成上采样层，最终输出像素级的预测结果；ucracknet也采用了u-net结构中跳跃连接方式，在最大池化和反卷积之间引入直连方式，在每层跳跃连接中加入一个参数为0.3的dropout层来缓解网络过拟。

4.如权利要求3所述的一种基于u型全卷积神经网络的路面裂缝检测方法，其特征在于，所述u型全卷积神经的裂缝路面检测网络模型在建模的过程中，使用4个最大池化层，借鉴segnet中提出的池化索引思想，在裂缝检测的下采样过程中记录每个池中最大特征值的位置，在上采样时使用该位置索引对图像特征进行恢复，得到一个稀疏特征图，最后通过卷积层生成稠密特征图。

5.如权利要求1或2所述的一种基于u型全卷积神经网络的路面裂缝检测方法，其特征在于，所述步骤5包括下列步骤：

技术总结
一种基于U型全卷积神经网络的路面裂缝检测方法，包括以下步骤：步骤2：实地巡检采集路面图像，建立路面图像数据库；步骤3：筛选所述路面图像，通过识别并处理pavement diseases数据，构建训练集和测试集；步骤4：使用训练集训练U型全卷积神经的裂缝路面检测网络模型；步骤5：使用测试集对训练后的网络模型进行测试，根据测试结果计算以Recall作为评价指标，若评价指标满足要求则说明网络模型满足要求，保存网络模型用于提取路面裂缝；步骤6：使用保存后的网络模型进行路面裂缝比对，对裂缝进行分类和路面破损程度的评估。本发明可以实现提高分割精度和泛化能力提高数据处理能力，节省计算空间，提高识别准确性。

技术研发人员：金群斌,毛可涵,冯佳欣,杨仲元,赵陈豪,黄健强,吴进,沈阳,余洋
受保护的技术使用者：浙江交通职业技术学院
技术研发日：
技术公布日：2024/1/15