[发明专利]基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法

说明书

本发明提出一种基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法，首先针对现有路面裂缝检测方法对裂缝表达存在的局限性，提出了新的基于几何属性的裂缝表达方式，可表达图像中相关区域内裂缝的位置、延伸方向与长度等几何属性。新的裂缝表达方法显著提升了裂缝图像的标注效率，提升了标注的一致性，并具有对裂缝识别功能，还具有较高的面积与位置检测精度。进而，本发明提出了基于深度卷积神经网络，搭建了深度裂缝几何属性检测网络，设计了新的损失函数，使得网络可以预测裂缝的几何属性，并根据裂缝几何属性即可将裂缝分为横纹、纵纹与龟裂三类。本发明为公路路面图像裂缝检测与识别提供了一种新的思路、新的技术途径和方法。

技术领域

本发明涉及公路路面图像裂缝检测与识别技术领域，特别是涉及一种基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法。

背景技术

公路路面质量对交通安全至关重要，尽快发现路面病害，及时养护路面，可以避免交通事故和重大经济损失。路面裂缝是一种常见的路面病害，及时检测和修补路面裂缝可以避免进一步的损坏。随着高速公路总里程数的不断增加，依靠人工检测路面图像裂缝已经无法满足路面质量评价时效性的要求。因此开展基于机器学习的路面裂缝自动检测与识别技术对保证道路质量和行车安全具有重要意义。

目前，国内外研究人员提出的基于机器学习的路面裂缝检测与识别方法可分为两类：传统机器学习方法和深度学习方法。

传统机器学习方法主要利用先验知识和专业知识手动提取特征，然后训练浅层分类器来检测和识别裂缝。这类方法绝大多数需要人工设定特征提取参数和分类器参数，泛化性不足，难以满足工程实践要求。深度学习方法可以通过大量数据训练深度模型提取裂缝特征，从而识别裂缝类型，比传统机器学习方法具有更好的泛化性。研究工作者们提出了很多基于深度学习方法的路面图像裂缝检测算法，主要分为3类。基于语义分割的裂缝检测算法，基于检测框的裂缝检测算法，以及利用二值分类器判断图像是裂缝图像还是非裂缝图像的算法。把输入图像分为裂纹图像还是非裂纹图像的二值分类器无法给出裂缝在图像中的准确位置。基于检测框的裂缝检测算法运行速度快，但是在实际应用中，由于检测框的矩形形状与各种各样的裂缝形状相差较大，致使基于检测框的裂缝检测算法在计算裂缝面积时误差较大，给工程实践带来困难。基于语义分割的裂缝检测算法可以预测裂缝图像中的每个像素是否为裂缝，从而精准地计算出裂缝的长度和面积，但也存在一些突出问题。首先训练样本的像素级标注是一项繁重的工作，同时在标注时，对于处于裂缝边缘的像素，人们很难准确地界定每一个像素是否属于裂缝，不同的标注者对它们有不同的定义。而且，由于计算精确到像素级，基于语义分割的裂缝检测算法的计算速度较慢、模型参数大、检测效率低。

因此，有必要探索一个新的方法，来大幅降低训练样本标注工作量，并在具有较高裂缝检测精度的同时，提高检测效率。

发明内容

为解决现有路面裂缝检测与识别方法存在的种种问题，本发明提出一种基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法(A crack geometricattributes detection and recognition method based on deep convolutionalneural networks,CGADRCNN)。

本发明首先针对现有路面裂缝检测方法对裂缝表达存在的局限性，提出了新的基于几何属性的裂缝表达方法，可表达图像中相关区域内裂缝的位置、延伸方向与长度等几何属性。新的裂缝表达方法显著提升了裂缝图像的标注效率，提升了标注的一致性，并具有对裂缝识别功能，还具有较高的面积与位置检测精度。进而，本发明提出了基于深度卷积神经网络，搭建了深度裂缝几何属性检测网络，设计了新的损失函数，使得网络可以预测裂缝的几何属性，并根据裂缝几何属性即可将裂缝分为横纹、纵纹与龟裂三类。本发明为公路路面图像裂缝检测与识别提供了一种新的思路、新的技术途径和方法。

本发明的技术方案为：