[发明专利]路面修补信息检测方法、装置、设备及存储介质

说明书

本申请实施例提供一种路面修补信息检测方法、装置、设备及存储介质，该方法包括：获取多帧路面样本图像；根据所述多帧路面样本图像，对多个卷积神经网络模型进行训练，得到多个训练后的卷积神经网络模型；确定所述多个训练后的卷积神经网络模型中的目标卷积神经网络模型；将待检测路面图像输入到所述目标卷积神经网络模型中，得到所述待检测路面图像中的路面修补信息。本申请实施例提供的方法能够解决现有技术中无法保证修补信息的识别率，同时浪费时间和资源的问题。

技术领域

本申请实施例涉图像识别技术领域，尤其涉及一种路面修补信息检测方法、装置、设备及存储介质。

背景技术

路面修补是路面病害(路面病害包括裂缝、坑槽、修补等)之一，是日常道路维护需要重点关注的一类病害，养护部门需要对修补进行及时的检测与统计。

在现有的维护过程中，对路面修补信息的检测及统计通常是以人工方式进行的。路面图像通过图像采集车采集，然后将这些图像集中交给相关的标记人员，标记人员在标注软件的辅助下，在图中标记出修补出现的位置，然后统计相关的信息。

由于目前路面修补信息检测方法主要是通过传统图像识别手段，而传统图像识别手段用于实际路面采集图像中识别成本高、效率低，无法满足实际工程的性能需求。因此，现有的路面修补信息检测方法无法保证修补信息的识别率，同时浪费时间和资源。

发明内容

本申请实施例提供一种路面修补信息检测方法、装置、设备及存储介质，以克服现有的路面修补信息检测方法无法保证修补信息的识别率，同时浪费时间和资源的问题。

第一方面，本申请实施例提供一种路面修补信息检测方法，包括：

获取多帧路面样本图像；

根据所述多帧路面样本图像，对多个卷积神经网络模型进行训练，得到多个训练后的卷积神经网络模型；

确定所述多个训练后的卷积神经网络模型中的目标卷积神经网络模型，所述目标卷积神经网络模型包括：多个第一组合层、多个第二组合层和第一卷积层，所述多个第一组合层依次连接，所述多个第二组合层依次连接，所述多个第一组合层、所述多个第二组合层和第一卷积层依次连接，所述多个第一组合层中的每个第一组合层包括第二卷积层、第一池化层和第一批量归一化层，每个所述第一组合层中的所述第二卷积层、所述第一池化层和所述第一批量归一化层依次连接，所述多个第二组合层中的每个第二组合层包括多个第三卷积层、第二池化层和第二批量归一化层，所述多个第三卷积层依次连接，每个所述第二组合层中的所述多个第三卷积层、所述第二池化层和所述第二批量归一化层依次连接；

将待检测路面图像输入到所述目标卷积神经网络模型中，得到所述待检测路面图像中的路面修补信息。

在一种可能的设计中，在所述对多个卷积神经网络模型进行训练之前，所述方法还包括：

根据所述多帧路面样本图像，确定训练集，所述训练集包括至少两帧路面样本图像，所述训练集中的路面样本图像均含有路面修补区域；

所述对所述多个卷积神经网络模型进行训练，包括：

分别配置所述多个卷积神经网络模型中每个卷积神经网络模型的参数，每个所述卷积神经网络模型的参数包括学习率和训练样本的数量，所述训练样本为所述训练集中的每帧路面样本图像；

根据每个所述卷积神经网络模型对应的所述训练样本的数量，将所述训练集划分为多个训练样本集，所述多个训练样本集中每个训练样本集包括的路面样本图像的数量小于或等于所述训练样本的数量；

遍历所述多个卷积神经网络模型中的每个所述卷积神经网络模型，将所述多个训练样本集中每个训练样本集输入到所述卷积神经网络模型中，得到每个所述卷积神经网络模型分别对应的第一预测结果，所述第一预测结果表示每个训练样本集中每帧路面样本图像含有路面修补区域的概率矩阵；