[发明专利]基于Cascade RCNN的路面裂缝病害识别方法

说明书

本发明公开了一种基于Cascade RCNN的路面裂缝病害识别方法，通过多层神经网络与双分支混合结构的检测头进行病害问题的定位和识别，泛化能力强，识别精度高，双分支混合结构的检测头将定位任务与分类任务进行解耦，并通过自学习系数加权融合的方式处理全连接层支路和卷积层支路独立提取的高维语义特征，有效提升了网络识别能力和定位精度，能够实现歧义难分路面裂缝病害的准确分类，从而综合提高检测识别的精确度，在工业缺陷检测、小目标检测等领域具有广阔的应用背景。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种基于Cascade RCNN的路面裂缝病害识别方法。

背景技术

伴随中国公路建设日渐完善，公路路面的日常性养护成为有效延长道路服役寿命的重要措施，是有效延长道路基础设施运行寿命的关键。对于大量普通公路路面常见病害的日常巡查，仍然是以人工调查的方式实现，这种方式对病害的判断受主观因素影响大，巡查效率低。传统的路面裂缝病害的自动化检测方法主要包括Cascade+Hog、DPM+Harr及其改进或优化方法，这些方法的缺点是采用人工设计特征，对光线条件要求苛刻，且对复杂路面、前景背景杂乱等情况下的多类型裂缝病害辨识，其性能表现急剧下降。近年来，伴随着深度学习方法在目标检测任务中的广泛运用，采用海量数据预训练的大规模卷积神经网络提取的图像特征质量远超传统手工设计的特征，具有较强的鲁棒性。并且基于卷积神经网络设计的目标检测网络能够实现端到端的推理分析，大幅度提升路面病害的识别效率。

伴随深度学习的迅猛发展，目前已有大量针对真实场景目标检测的深度学习算法。但是常见的自然场景中的缺陷检测仍然以Faster RCNN为代表的两阶段网络为主。Faster RCNN网络由于其结构简单，两阶段结构先使用候选区域生成网络(RegionProposal Network，RPN)对整张图片中的待检测目标的可能出现的候选区域进行判断，区分前景类与背景类；再通过分类回归网络对候选区域的前景进一步分类，确定目标的具体分类类别，对候选区域前景的坐标位置进一步回归，得到最终的目标框。

Cascade RCNN则是对二阶段目标检测网络Faster RCNN的进一步完善，在二阶段网络的区域生成了若干提名候选区域后，首先会对这些提名的候选区域进行一轮筛选。通过计算真实目标与提名候选区域的交并比(Intersection of Union,IoU)对提名的候选区域进行划分，区分正样本(前景类)与负样本(背景)。因此，IoU阈值的合理选取会对最终检测效果带来很大影响。除此之外，网络的训练阶段和推理阶段提名的候选区域的分布情况存在差异，单纯采用单一IoU阈值来区分正负样本并不合理。Cascade RCNN网络的核心在于：采用级联检测方式逐级提升IoU阈值来实现逐级检测，使得模型能够检测特定IoU的目标检测框，并且目标检测框的精度逐级提升，最终提升了网络的检测效果。但Cascade RCNN采用特征共享的检测头，以卷积层、全连接层的结构在同一分支上进行包围框回归、分类阶段的特征提取，在处理分类与回归问题时很难回归到最优值。同时，由于数据样本中隐含的标注噪声，往往分类准确的结果会被较低的分类结果干扰，导致包围框的漏检。

Double Head RCNN是在二阶段目标检测网络Faster RCNN的基础上通过设计两种不同结构的检测头，以全连接层分支分别对目标检测任务中的包围框的回归与分类问题，全卷积层处理目标检测任务中的分类问题。尽管Double Head RCNN结构缓解了二阶段Faster RCNN网络在最终包围框的回归、分类问题中的难度，分别采用两个检测头对包围框生成任务进行解耦。但单纯的网络解耦无法解决候选区域分布差异问题，很多候选框的结果在回归分类过程中由于不合适的IoU阈值直接被视为负样本被网络丢弃，也导致了包围框的漏检。

发明内容

本发明针对现有技术中的不足，提供一种基于Cascade RCNN的路面裂缝病害识别方法，采用解耦学习和级联检测头的方法解决路面裂缝数据样本中标注噪声、单一IoU阈值造成的包围框漏检问题，用于准确识别复杂场景下的路面裂缝病害。

为实现上述目的，本发明采用以下技术方案：