[发明专利]基于增强深度边缘特征的二维及三维路面裂缝识别方法

说明书

本发明提供了一种基于增强深度边缘特征的二维及三维路面裂缝识别方法，包括：读入路面采集系统获取的三维路面数据/二维路面数据；数据预处理；三维路面数据姿态起伏/二维路面数据光照不均信息去除；边缘增强数据获取；整体嵌套边缘检测深度网络训练，根据训练模型获取测试数据边缘概率图；S6，对边缘概率图转化处理，获取路面数据强边缘信息；S7，强边缘选取和连接；S8，提取二维/三维路面的裂缝属性信息。本发明融合了路面横断面频率成分特性以及深度学习网络获取的多尺度边缘特性，对路面裂缝边缘进行增强，有助于二维、三维路面数据裂缝的准确提取，适用于二维、三维数据采集系统获取的多种典型路面的裂缝自动识别任务。

技术领域

本发明涉及路面破损自动检测识别技术领域，特别涉及一种基于增强深度边缘特征的二维及三维路面裂缝识别方法。

背景技术

随着公路路面破损测量设备和自动检测技术的发展，车载公路路面测量系统能获取越来越多的二维和三维路面数据，包括不同路面背景及不同裂缝类型的数据。二维光学路面数据获取设备具有经济实惠、技术成熟的特点，而且适用于典型机器学习方法的引入，但是在实际应用中容易受到光照、阴影、路表轮胎磨痕和油渍等的影响。线扫描三维路面检测方法能克服实际路面检测工程中光照阴影不均匀的干扰，而且能获取路面破损的三维信息，是目前的发展趋势。但是，高精度三维路面数据在实际动态采集环境中包含了严重的载车姿态起伏信息，而且三维数据中包含了路面破损、路面纹理、标志线以及其他路面目标的高程信息。相较于二维光学路面破损检测算法的快速发展，目前三维路面破损检测技术还相对滞后。裂缝作为路面破损中最常见的破损类型，是实际路面养护检测工程应用中最受关注的检测指标。由于二维路面数据和三维路面数据在实际公路检测工程应用中都有一定优势，目前也都在具体的检测工程中发挥作用。但是，目前针对二维路面和三维路面裂缝检测的方法都是各自独立的，缺乏能同时处理二维和三维路面数据裂缝检测的方法。

由于实际路面裂缝检测工程应用中二维、三维路面数据的海量大数据特性，利用机器学习方法从海量路面数据中快速自动检测裂缝位置和属性信息具有重要的理论和应用价值。由于二维光学路面数据更符合计算机视觉机器学习模型的数据集需求，目前二维光学路面机器学习深度学习方法得到了广泛的研究和实际生产应用。然而，机器学习难以直接在线扫描三维路面数据裂缝检测应用中获取较好的效果，一方面线扫描三维数据中包含行车姿态及变形病害等因素的干扰，实际裂缝检测任务对于方法的鲁棒性较高，需要适用于不同类型裂缝不同路面背景的数据；另一方面由于三维数据与二维数据中裂缝特性差异较大，三维路面标注一般获取更加困难，传统的监督机器学习方法甚至深度学习方法对不同数据不同路面裂缝的适用性有限。

应该注意，上面对技术背景的介绍只是为了方便对本申请的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本申请的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。

发明内容

本发明的目的是：针对上述背景技术中存在的不足，提供一种基于增强深度边缘特征的二维及三维路面裂缝自动检测方法，以充分增强并利用裂缝在路面数据中表现出来的连续边缘特性，能适用于二维和三维路面数据各种典型路面裂缝提取的裂缝检测应用。

为了达到上述目的，本发明提供了一种基于增强深度边缘特征的二维及三维路面裂缝识别方法，包括如下步骤：

S1，读入路面采集系统获取的三维路面数据/二维路面数据；

S2，数据预处理；

S3，三维路面数据姿态起伏/二维路面数据光照不均信息去除；

S4，边缘增强数据获取；

S5，整体嵌套边缘检测深度网络训练，根据训练模型获取测试数据边缘概率图；

S6，对边缘概率图转化处理，获取路面数据强边缘信息；

S7，强边缘选取和连接；