[发明专利]一种基于多路卷积特征融合网络与差温知识蒸馏的路面裂缝图像轻量化分割方法

说明书

本发明设计了一种基于多路卷积特征融合网络与差温知识蒸馏的路面裂缝图像轻量化分割方法，其包含了一种基于多路卷积特征融合的轻量化分割网络设计方法与一种基于差温知识蒸馏的模型训练方法，解决了现有基于深度学习的道路路面图像分割网络难以应用的问题。本发明设计了一种多路卷积特征融合网络结构，其包含标准卷积路径、长方卷积路径、膨胀卷积路径与融合路径，能在浅网络层与窄特征通道的条件下保持良好的分割性能。本发明拓展了知识蒸馏，通过制造差异温度参数进一步缩小轻量化网络的收敛空间，从而提升网络性能。最终基于本发明所训练出来的轻量化网络能够部署到嵌入式设备中执行高效准确的路面裂缝分割检测任务。

技术领域

本发明涉及道路路面病害识别技术领域，可用于路面路面裂缝的快速检测，具体涉及一种基于多路卷积特征融合的轻量化分割网络设计方法与一种基于差温知识蒸馏的模型训练方法。

技术背景

道路裂缝是指道路固体材料组织在机械力冲击，化学侵蚀，温差效应等作用下产生的一种不连续现象，一般表现为肉眼可见的，宽度等于或大于0.05mm的宏观裂隙。道路路面裂缝扩展会使雨水与杂物侵入面层结构与路基，造成道路的结构性破坏，导致路面承载能力与耐久性下降，加速路面老化与损坏，增加交通安全风险。为了降低路面裂缝扩展带来的安全风险，我国每年要投入大量资金改善结构状况以维持道路寿命。目前，路面裂缝调查一般依靠检测员目测评估完成，但这种工作方式危险、辛苦而低效。所以，设计一种自动化快速巡检路面裂缝方法具有现实意义。

近年来得益于计算机视觉在道路结构健康监测领域的发展，基于图像的裂缝检测与分割方法取得了巨大进步。相关研究者构建深层神经网络执行路面裂缝检测任务，利用卷积神经网络强大的特征提取能力，开发了一系列自动化、高性能的检测方法，这些方法为道路运营与维护工作提供了便利。但是，由于深度神经网络对计算机内存空间与运算能力存在较高要求，因此神经网络的应用部署工作难以推进。而浅层神经网络又无法满足道路检测任务的性能要求。因此，寻找一种能同时满足轻量化与性能要求的路面裂缝图像分割网络具有现实意义。同时，寻找一种适用于嵌入式设备的神经网络部署方案可以进一步拓展神经网络的工程应用场景。

发明内容

为了克服现有技术的缺点，本发明的目的是提供一种基于多路卷积特征融合网络与差温知识蒸馏的路面裂缝图像轻量化分割方法，解决现有神经网络无法部署到嵌入式设备并维持良好性能的问题，实现了路面裂缝分割网络在嵌入式设备中能以极小的运行成本进行接近实时、高效和准确的裂缝图像分割任务。

本系统涉及基于多路卷积特征融合的轻量化网络结构设计方法、基于差温知识蒸馏的轻量化模型训练方案以及适用于嵌入式设备的轻量化网络部署方案。

为了实现上述目的，本发明的技术方案是：

步骤一：收集路面裂缝图像，对图像进行数据分析、数据清理与数据增广等操作，对裂缝图像进行分割标注并创建训练实例；

步骤二：根据数据分析所获得的先验知识，设计构建复杂多路卷积特征融合深度神经网络与不平衡损失函数，针对裂缝的不同特征进行差异性提取，再融合提取到的差异性特征用于预测分割标签；

步骤三：训练构建好的复杂神经网络，经过反复实验后得到性能优越的复杂深度神经网络；

步骤四：修改复杂神经网络分类层参数，使复杂神经网络推理软目标分割标签，并将软目标分割标签视作轻量化神经网络训练数据集的一部分；

步骤五：设计构造与复杂网络具有相似结构的轻量化多路卷积特征融合神经网络，使用差温知识蒸馏的模型训练方案让轻量化网络学习复杂神经网络的知识，从而使轻量化分割神经网络保持优良性能；

步骤六：对轻量化分割神经网络进行修剪与量化，进一步压缩网络。

步骤七：将训练得到的基于多路卷积特征融合的轻量化神经网络部署至嵌入式设备，连接摄像头并安置在智能移动小车上，执行自动化巡检路面裂缝任务。