[发明专利]基于YOLOX和DeepLabv3 plus的快速路面裂缝提取方法

权利要求书

1.基于YOLOX和DeepLabv3 plus的快速路面裂缝提取方法，其特征在于，包括以下步骤：

步骤1：对采集后的部分路段路面图像进行标注，形成目标检测原始数据集；

步骤2：对YOLOX-L检测模型进行优化得到检测效果更优的C-YOLOX模型；

步骤3：将C-YOLOX检测结果矩形框内的图像进行像素级标注得到分割所用数据集；

步骤4：基于DeepLabv3 plus网络模型对其骨干网络进行优化改进得到检测速度更快的mobi lenetv3-DeepLabv3+分割模型。

2.根据权利要求1所述的基于YOLOX和DeepLabv3 plus的快速路面裂缝提取方法，其特征在于，所述步骤1具体包括如下步骤：

步骤1.1：获取路面数据的方法是通过车载路面病害检测系统进行路面图像采集的数据作为样本；

步骤1.2：将图面裂缝数据集分为横向裂缝、纵向裂缝、龟网裂缝三类裂缝类型；

步骤1.3：使用可视化的图像标定工具对路面裂缝进行标记；

步骤1.4：划分训练集：验证集：测试集的比例为8:1:1。

3.根据权利要求1所述的基于YOLOX和DeepLabv3 plus的快速路面裂缝提取方法，其特征在于，所述步骤2具体包括如下步骤：

步骤2.1：设置实验超参数，并采用mixup和mosaic的数据增强方法增广数据，且在模型FPN中分别添加CBAM、CA注意力模块进行对比实验；

步骤2.2：将检测效果好的几种目标检测模型与C-YOLOX检测模型进行对比。

4.根据权利要求3所述的基于YOLOX和DeepLabv3 plus的快速路面裂缝提取方法，其特征在于，所述步骤2.1具体包括如下步骤：

步骤2.1.1：对C-YOLOX的Backbone采用在大型数据集Image Net上的预训练参数进行迁移学习；

步骤2.1.2：确定每轮mixup和mosaic的比例参数；

步骤2.1.3：在FPN中分别添加CBAM、CA注意力模块进行检测训练；

步骤2.1.4：在FPN中同时添加CBAM及CA模块再次进行检测训练；

步骤2.1.5：对检测实验数据及检测注意力机制可视化热力图进行有效性对比。

5.根据权利要求3所述的基于YOLOX和DeepLabv3 plus的快速路面裂缝提取方法，其特征在于，所述步骤2.2具体包括如下步骤：

步骤2.2.1：选取相同路面数据通过与SSD、Faster RCNN、YOLOv5及YOLOX检测模型进行裂缝检测任务；

步骤2.2.2：通过对比模型参数量及mAP值证实检测效果。

6.根据权利要求1所述的基于YOLOX和DeepLabv3 plus的快速路面裂缝提取方法，其特征在于，所述步骤3具体包括如下步骤：

步骤3.1：将所得矩形框分为横向裂缝、纵向裂缝、龟网裂缝三种裂缝类型；

步骤3.2：使用可视化的图像标定工具对矩形框内裂缝进行像素级标注；

步骤3.3：通过旋转、镜像、增加噪声的方法进行扩充，并按照训练集与检测集9:1的比例对数据集进行划分。

7.根据权利要求1所述的基于YOLOX和DeepLabv3 plus的快速路面裂缝提取方法，其特征在于，所述步骤4具体包括如下步骤：

步骤4.1：将Mobi leNet代替Xeption作为DeepLabv3+的骨干网络；

步骤4.2：在Mobi leNet网络中加入SE注意力机制模块进行分割训练；

步骤4.3：选择在裂缝检测方面效果优秀的两种经典语义分割网络UNet和PSPNet进行对比实验。