[发明专利]基于卷积神经网络的道路病害检测方法及系统

权利要求书

1.基于卷积神经网络的道路病害检测方法，其特征在于，包括如下步骤：

获取待检测道路病害图像；

基于生成对抗网络的阴影去除模块去除待检测道路病害图像的阴影；

基于去除阴影后的图像和目标检测模型检测得到道路病害类型；其中，所述目标检测模型的构建过程为：采用融合卷积注意力模块的Yolov5目标检测网络，分别在通道和空间维度上执行注意力机制，提取得到不同维度的特征图；

基于特征双向融合的思想，采用自适应特征融合方法对不同维度的特征图进行加权融合得到融合的特征图，基于融合的特征图进行特征识别得到道路病害的分类结果。

2.如权利要求1所述的基于卷积神经网络的道路病害检测方法，其特征在于，所述分别在通道和空间维度上执行注意力机制具体包括：

对原始特征图进行维度压缩时同时引用平均池化和最大池化，得到两个一维特征图，将两个一维特征图分别送入一个两层共享的神经网络，进行加和操作，生成通道注意力特征；

对通道注意力特征和原始特征图进行乘法操作，得到第三特征图，基于通道做全局最大池化和全局平均池化，得到两个一维特征图，将这两个一维特征图进行通道拼接，并使用卷积操作降维，生成空间注意力特征。

3.如权利要求1所述的基于卷积神经网络的道路病害检测方法，其特征在于，所述基于生成对抗网络的阴影去除模块去除待检测道路病害图像的阴影中，

所述生成对抗网络的阴影去除模块包括阴影消除器，所述阴影消除器的消除过程包括：

根据阴影模型表示任意位置的光强度和阴影区域的光强度；

基于任意位置的光强度和阴影区域的光强度得到输入图像与地面实况图像之间的差异；

基于输入图像与地面实况图像之间的差异消除阴影得到去除阴影的图像。

4.如权利要求3所述的基于卷积神经网络的道路病害检测方法，其特征在于，所述阴影消除器采用UNet++的网络结构，上采样、下采样和多个节点组成，每个节点都是一个由卷积层、批量归一化层、Mish激活函数和scSE模块组成的残差块，在UNet++的网络之后设置附加结构ColorBlock，利用全连接层对图像每个颜色通道的权重进行估计。

5.如权利要求3所述的基于卷积神经网络的道路病害检测方法，其特征在于，所述输入图像与地面实况图像之间的差异表示为：

Δ＝I_gt-I_input

＝P(I^lit(x,λ)-I^shadow(x,λ))

≈I^lit(x,λ)-I^shadow(x,λ)

＝L^d(x,λ)R(x,λ)

式中，I_gt表示无阴影图像，I_input表示有阴影图像，函数P表示相机图像采集系统的图像处理，I^lit为位置x的光强度，I^shadow为阴影区域的光强度，L^d表示直接照明的光照度，R为反射率，λ表示波长。

6.如权利要求1所述的基于卷积神经网络的道路病害检测方法，其特征在于，所述道路病害的类型包括纵向裂缝、横向裂缝、龟纹裂缝和道路坑槽四类道路病害。

7.如权利要求1所述的基于卷积神经网络的道路病害检测方法，其特征在于，所述阴影去除模块还包括，阴影检测器在UNet++的网络之后设置附加结构，对输出的阴影蒙版限制范围，限制在0到1的范围内。