[发明专利]一种基于编-解码器的路面裂纹检测方法

权利要求书

1.一种基于编-解码器的路面裂纹检测方法，其特征在于，包括如下步骤：

步骤(1)、数据集获取；

数据集采用公开数据集crack 500；

步骤(2)、构建新的端到端编码器-解码器残差网络；

所述的新的端到端编码器-解码器残差网络，包括编码器网络和解码器网络；

所述编码器网络包含一个输入层、ResNet-34的四个残差块和一个桥接模块；

在解码器网络中，交替使用多层级通道加权融合模块(MCW)和残差优化模块(ORM)来逐步恢复先前多尺度特征中编码的显著性信息；桥接模块的输出会先经过MCW，然后是ORM，循环往复，共有5个MCW和4个ORM组成解码器模块；

步骤3、通过步骤1中的数据集对构建的端到端编码器-解码器残差网络进行训练；

步骤4、通过训练好的端到端编码器-解码器残差网络完成路面裂纹检测。

2.根据权利要求1所述的一种基于编-解码器的路面裂纹检测方法，其特征在于，对于编码器网络，选择ResNet-34作为主干网络；整个编码器网络包含一个输入层、ResNet-34的四个残差块和一个桥接模块；输入层有64个通道，内核大小为3×3和步幅为1，在输入层的尾部增加了最大池化的操作，以进一步扩大接受场的大小；输入层的卷积输出被输入到一个批归一化层，以平衡特征的尺度，然后是一个ReLU激活函数，以增强非线性表示能力；

形式上，给定一个输入图像，在5个层次上提取多尺度特征；每一个resnet34的残差块都被嵌入了通道注意力模块和空间注意力模块；

在编码器网络的末端设计了一个额外的桥接模块，以进一步捕获全局上下文感知信息，这适用于准确定位缺陷对象的区域；桥接模块包含3个512通道分别具有{1，2，4}的膨胀率的3×3卷积块并列，将三个模块的输出，拼接在一起后送入下一个3×3卷积块后作为桥接模块的输出；值得注意的是，每个卷积层之后都是一个批处理归一化和一个ReLU激活函数。

3.根据权利要求2所述的一种基于编-解码器的路面裂纹检测方法，其特征在于，MCW模块的输入是编码器中同一层级的残差块输出EN和上一层级的解码器阶段的输出特征DE；特别的是，最底层的MCW的EN是桥接模块的输出；首先会将接收到的EN和DE进行通道维度上的拼接操作，然后经过一个1x1的卷积将通道变为原来的大小；然后经过一个通道注意力模块，最后与输入DE进行相加，得到MCW模块的输出OUT1。

4.根据权利要求3所述的一种基于编-解码器的路面裂纹检测方法，其特征在于，ORM模块的输入是当前层级的MCW模块输出OUT1；首先经过一个3x3的卷积，然后进行一个通道洗牌操作，之后再经过一个3x3的卷积和一个1x1的卷积，最后与输入OUT1相加，得到输出OUT2即解码器阶段的输出特征DE；每个3x3的卷积后都会进行BN、ReLU操作。

5.根据权利要求4所述的一种基于编-解码器的路面裂纹检测方法，其特征在于，步骤3具体方法如下：

通过步骤1中的数据集对构建的端到端编码器-解码器残差网络进行训练，在训练过程中采用深度监督机制，对编码器网络每个阶段的输出，即每一层级的OUT2进行一个3x3的卷积，并将通道数降为1，将结果成为每一层级的侧输出；然后进行一个双线性上采样，与输入图像进行相同的分辨率匹配，以及一个sigmoid激活函数，将预测值映射到[0,1]；每一层级的输出都进行监督，而将最顶层侧输出显著图作为本发明的最终的输出；

构建了一个融合损失来监督网络的训练过程，以学习边界位置和结构捕获中更详细的信息；

融合损失采用了BCE、IoU、SSIM三种损失的有机融合；

其中，和分别表示BCE损失、IoU损失和SSIM损失；而权值α、β、γ会随着训练的不同阶段，进行变化；在训练前期，将BCE的权值放大，加快收敛，在中期逐步加大IoU和SSIM损失的权值，加快模型的细化。