[发明专利]一种基于深度卷积神经网络的沥青路面裂缝图像分割方法

说明书

本发明公开了一种基于深度卷积神经网络的沥青路面裂缝图像分割方法，所述方法包括：准备裂缝图片数据集，并根据数据集进行图片预处理；确定CrackResAttentionNet模型结构，并确定损失函数以及优化器，进而使用正态分布初始化权值矩阵，通过前向传播以到达输出层的预测值、反向传播对参数梯度修正更新、更新权值矩阵，最后加载训练好的CrackResAttentionNet模型，从而预测出分割好的沥青路面图像并进行裂缝图像分割的精确输出。本发明可将增加的两个注意力模块的输出按比例融合，更加强调位置信息，其每个编码层的输出与注意力输出融合，而且与相应解码层连接，上一个解码层输出作为输入到下一个解码层。这样，解码层及其上采样操作可以充分利用空间信息，提高图像的分割精度。

技术领域

本发明涉及人工智能技术领域，尤其涉及的是，一种基于深度卷积神经网络的沥青路面裂缝图像分割方法。

背景技术

裂缝是沥青路面早期损坏和潜在退化的最初表现，由于交通量剧增和交通荷载级位的提高，道路工程的性能和功能受到裂缝的不利影响愈发显著。沥青路面产生早期开裂时，及时精准检测识别裂缝并准确评估裂缝规模可指导道路工程管理和养护机构采取科学的路面预养护方案，以防止路面产生不可逆的大规模结构性损坏及服役寿命缩短。人工进行沥青路面裂缝检查需要大量的时间和人力成本，而且准确性不足；而使用摄像机捕捉图像的裂纹检测精度显著提高，且更具有一致性和客观性，精准度同步提升。然而，对于像素级裂纹的分割，由于受到阴影、光照不均匀或裂纹形状不规则等因素的影响，仍然不够精确。针对深度卷积神经网络的沥青路面裂缝图像分割对于沥青路面裂缝的精准和自动化、智能化检测具有重要意义。

通过融入注意力机制的深度卷积神经网络架构的深度学习和图像处理技术，集成图像分割方法与技术设备并嵌入于路面检测装备中，可实现对沥青路面裂缝的精准化和智能化识别，从而借助云平台全天候实时、动态地获取沥青路面裂缝数据信息，提高沥青路面裂缝的智能化检测和管养决策水平及效率。

发明内容

本发明要解决的技术问题是克服现有技术的缺点，提供一种结构简单、易实现、收敛速度快且精准的图像分割方法，可精确、高效地识别沥青路面的裂缝，从而为沥青路面的智能化无损伤检测及养护决策方案制定提供科学方法。

一种基于深度卷积神经网络的沥青路面裂缝图像分割方法，包括以下步骤：

步骤一：准备沥青路面裂缝图片数据集；

步骤二：图片预处理；图片的预处理包括对大的图像进行缩放到统一的尺寸；

步骤三：设定CrackResAttentionNet的模型结构，CrackResAttentionNet 的模型采用基于编码器-解码器的结构，包括编码器和解码器，在每个编码器和解码器之间，增加一个注意力模块，所述注意力模块位于每个编码器后并与相应的解码器相连；

步骤四：确定损失函数；使用像素交叉熵损失(CE)、平衡像素交叉熵损失(BCE)以及Dice损失进行比较：

步骤401：像素交叉熵损失CE如下公式(6)所示：

上述i表示像素的索引，n*n表示输出图像的大小，p为样本的真实值，正类为1，负类为0，为样本预测为正的概率；

步骤402：平衡像素交叉熵损失与像素交叉熵损失类似，权重之和为 1，如下公式(7)所示：

其中，BCE为平衡像素交叉熵损失，n*n表示输出像素的大小，β为平衡系数，p为样本的真实值，正类为1，负类为0，为样本预测为正的概率；

步骤403：Dice损失从交并比IoU的角度设计，Dice损失如公式(8) 所示：