[发明专利]一种基于深度卷积融合神经网络的路面裂缝识别方法

说明书

本发明提供了一种基于深度卷积融合神经网络的路面裂缝识别方法，包括以下步骤：步骤1，采集N幅路面图像，并对N幅路面图像进行预处理，对预处理后的N幅路面图像进行图像增广，得到M幅路面图像；步骤2，对M幅路面图像进行裂缝类别标注，并将裂缝标注后的M幅路面图像分为训练集、交叉验证集和测试集；步骤3，训练裂缝分类检测；步骤4，训练裂缝分割模型；步骤5，将待识别图像输入裂缝分割模型中，得到待识别图像中裂缝的类别和置信度；再将待识别图像输入至裂缝分割模型，得到裂缝二值图像；步骤6，计算待识别图像中裂缝面积、长度和宽度；步骤7，将待识别图像中裂缝的类别、置信度、坐标、面积、长度和宽度信息绘制到待识别图像上。

技术领域

本发明属于路面裂缝检测领域，具体涉及一种基于深度卷积融合神经网络的路面裂缝识别方法。

背景技术

随着我国经济的日益繁荣，公路交通运输业得以迅速发展。在二十一世纪日益激烈的国际竞争中，公路的建设与维护情况不仅反映了一个国家的经济水平，而且是衡量一个国家综合国力的重要依据。路面裂缝作为道路常见病害之一，是道路养护工作的重点和难点。传统的基于主动特征提取的路面裂缝识别方法，首先进行裂缝图像分割，且要进行繁琐的噪声点去除及断缝连接的过程，然后根据裂缝的横纵比等参数再进行裂缝分类。这种方式对于复杂的实际路面图像的普遍适用性有待提高，导致路面裂缝的识别准确度不高。随着深度学习的再次兴起，目前已存在应用深度学习的方式进行路面识别，但这些方法使用神经网络进行路面裂缝的分类和定位时，其定位方式是用矩形框确定裂缝位置，这种定位方式不够精确且无法对裂缝的几何参数进行计算，即无法得到裂缝的更完整更精确的信息，其对于路面裂缝识别的实际应用价值还可进一步提高。

发明内容

针对现有技术中存在的不足，本发明的目的在于，提供一种基于深度卷积融合神经网络的路面裂缝识别方法，解决现有技术无法准确、高效对路面裂缝进行分类和分割的技术问题。

为了解决上述技术问题，本申请采用如下技术方案予以实现：

一种基于深度卷积融合神经网络的路面裂缝识别方法，包括以下步骤：

步骤1，采集N幅路面图像，并对N幅路面图像进行预处理，对预处理后的N幅路面图像进行图像增广，得到M幅路面图像，M>N；

步骤2，对M幅路面图像进行裂缝类别标注，并将裂缝标注后的M幅路面图像按照7:3的比例分为训练集和交叉验证集；

步骤3，构建裂缝分类检测模型，将训练集和交叉验证集输入所构建裂缝分类检测模型中进行训练，得到裂缝分类检测模型的最优权重；

步骤4，构建裂缝分割模型，将训练集和交叉验证集输入所构建裂缝分割模型模型中进行训练，得到裂缝分割模型的最优权重；

步骤5，将待识别图像输入裂缝分割模型中，得到待识别图像中裂缝的类别和置信度，将裂缝的类别标注在待识别图像上；

再将待识别图像输入至裂缝分割模型，得到裂缝二值图像，即得到待识别图像中裂缝的坐标；

步骤6，根据裂缝二值图像，计算待识别图像中裂缝的面积、长度和宽度；

步骤7，将待识别图像中裂缝的类别、置信度、坐标、面积、长度和宽度信息绘制到待识别图像上。

进一步地，所述步骤3中所构建裂缝分类检测模型为SSD卷积神经网络模型；

所述SSD卷积神经网络模型包括50个卷积层，所述50个卷积层中的第4个卷积层与第15个卷积层相同，第7个卷积层与第27个卷积层相同，第8个卷积层与第30个卷积层相同，第10个卷积层与第34个卷积层相同，第12个卷积层与第40个卷积层相同，第14个卷积层与第46个卷积层相同，第16个卷积层与第50个卷积层相同；