[发明专利]一种基于深度学习的路面裂缝检测与分割方法

说明书

为了解决现有裂缝识别算法中准确率不高、检测与分割任务不能同时进行等问题，本发明提出了一种基于深度学习的路面裂缝检测与分割方法，首先，建立本方法的裂缝图像数据集并进行标注，然后，设计了一种改进的C‑Mask RCNN多阈值检测模型，通过结合级联不同IoU阈值的检测器来提高候选框质量，实现高阈值检测下的裂缝精准定位；最后，对改进后的模型进行一系列的优化参数和实验对比。实验结果表明，C‑Mask RCNN模型检测部分的平均准确率达到95.4％，分割部分的平均准确率达到93.5％，识别效果较好。

技术领域

本发明属于交通路面检测领域，涉及一种基于深度学习的路面裂缝检测与分割的方法。

背景技术

路面裂缝是很常见的一种道路病害，它对公路使用期限以及车辆行车安全均会产生严重的影响，因此，对路面裂缝进行检测也就具有十分重要的研究意义。随着近几年来人工智能技术的发展，采用深度学习对路面裂缝进行智能检测也取得了不错的成就。与传统裂缝检测方法相比，深度学习技术具有良好的模型泛化能力以及鲁棒性，并且检测精度较高，可用于复杂多样的路面情况中。

尽管近几年来对于路面裂缝检测与分割工作的研究有了一定程度的进步，但现有方法依然存在一些问题：1)实际路面裂缝的背景较为复杂，存在光照、阴影、路面污染等噪声影响，裂缝与背景之间的像素也可能出现相近的情况，这些问题都会导致裂缝识别的准确率不高；2)很多现有方法使用场景局限，完成任务单一，大都只实现了裂缝的检测或者分割任务，使用检测模型可以实现裂缝的定位，但不能计算裂缝长宽、面积等参数信息；使用分割模型能够对裂缝像素进行分割，但却无法定位裂缝位置以及区别裂缝条数。这种使用单一任务的模型(如检测模型或分割模型)只能完成路面裂缝的检测或是分割任务；3)当使用检测与分割的组合模型时，也会出现一些因裂缝像素分割结果的断裂而导致裂缝数目的错判问题，亦或是因检测模型准确率低造成检测框框不全裂缝，从而导致分割结果不完整的现象。

发明内容

为了解决现有技术存在的不足，本发明提供一种基于深度学习的路面裂缝检测与分割方法，解决了现有技术中存在的模型准确率不高、完成任务单一的问题，实现在裂缝定位的同时对生成检测框内的裂缝像素进行分割。

为了达到上述目的，本发明采用如下技术方案予以实现：

一种基于深度学习的路面裂缝检测与分割方法，Mask R-CNN模型可以将裂缝的检测与分割任务融合在一个网络模型之中，在实现目标定位的同时对生成检测框内的裂缝像素进行分割。但由于Mask R-CNN模型属于单阈值检测器，在进行多分类任务时为了考虑正负样本的均衡，把划分正负样本IoU(Intersection over Union，交并比)阈值设为0.5，这种划分方法其实并不适合裂缝目标的检测，对于裂缝这种一般存在于候选框对角线位置上的细长形目标，会因为背景的干扰而仅仅使很少一部分的裂缝目标作为正样本参与模型训练，这会导致检测结果出现大量误检进而使得定位不准，但直接提高IoU阈值又会使正负样本的分布不均衡，从而导致正样本数量减少而出现漏检现象。因此针对Mask R-CNN模型出现的检测不精准问题，本发明在其基础上对模型进行改进，引入多阈值检测的思想，提出了一种C-Mask RCNN模型完成裂缝的检测与分割任务，具体步骤如下：

步骤1，裂缝图像采集与预处理

使用智能检测车设备采集不同路面条件下的裂缝图像，采集的图像包含三种类别，分别为横向裂缝、纵向裂缝和网状裂缝；之后对图像进行去噪处理，由于智能检测车设备的相机拍摄的原始图像中包含噪声，噪声会影响后续模型对裂缝目标的特征提取，因此采用频域滤波的方式进行去噪，去除高频分量的噪声信息；

步骤2，图像标注

对去噪处理后的图像进行裂缝类别、位置及轮廓的标注，并将标注好的裂缝图像按照9：1的比例随机划分为训练集和测试集，用于后续模型的训练；

步骤3，构建C-Mask RCNN模型