[发明专利]高速公路路面病害的定位方法和装置

权利要求书

1.一种高速公路路面病害的定位方法，其特征在于，包括：

获取由无人机针对目标高速公路采集的待测图像帧；其中，所述无人机在采集时的飞行参数与所述目标高速公路的特征参数有关，所述飞行参数包括飞行高度、变焦相机的焦距和镜头传感器尺寸，所述特征参数包括所处地貌和单向车道数量；

将所述待测图像帧输入到预先训练好的路面病害检测模型中，得到标记所述待测图像帧中路面病害的多个第一边界框；其中，至少部分所述第一边界框存在重合；

对多个所述第一边界框进行无监督聚类，得到至少一个第二边界框；其中，每个所述第二边界框均用于标记一个路面病害，所述第二边界框的面积比所述第一边界框的面积大；

基于所述无人机的飞行参数、所述待测图像帧的像素和由所述无人机记录的所述待测图像帧中心的位置信息，对所述待测图像帧中路面病害的真实位置信息进行定位。

2.根据权利要求1所述的方法，其特征在于，所述路面病害检测模型包括特征提取结构、特征融合结构和目标检测结构；

所述特征提取结构包括依次相连的第一深度卷积模块、第一残差模块、第二深度卷积模块、第二残差模块、第一卷积注意力模块、第三深度卷积模块、第三残差模块、第二卷积注意力模块和第四深度卷积模块；

所述特征融合结构包括第一子特征融合结构、第二子特征融合结构和第三子特征融合结构，所述第一子特征融合结构包括依次相连的特征融合模块、第一标准卷积模块、第一上采样模块和第一特征拼接模块，所述第二子特征融合结构包括依次相连的第二标准卷积模块、第三卷积注意力模块、第二上采样模块、第二特征拼接模块和第四卷积注意力模块，所述第三子特征融合结构包括依次相连的第三标准卷积模块、第三特征拼接模块、第四标准卷积模块、第四特征拼接模块和第五卷积注意力模块；

所述第一卷积注意力模块与所述第二特征拼接模块相连，所述第二卷积注意力模块与所述第一特征拼接模块相连，所述第四深度卷积模块与所述特征融合模块相连，所述第一标准卷积模块与所述第四特征拼接模块相连，所述第一特征拼接模块与所述第二标准卷积模块相连，所述第三卷积注意力模块与所述第三特征拼接模块相连，所述第四卷积注意力模块分别与所述第三标准卷积模块和所述目标检测结构相连，所述第五卷积注意力模块与所述目标检测结构相连。

3.根据权利要求2所述的方法，其特征在于，所述第一残差模块、所述第二残差模块和所述第三残差模块均包括一个第一模块、一个第二模块和一个特征拼接模块，其中：

所述第一模块包括依次相连的一个1×1的卷积核和一个sonmax函数，所述第一模块用于将输入的特征依次经1×1的卷积核和softmax函数处理得到的特征与该输入的特征进行乘运算；

所述第二模块包括依次相连的一个1×1的卷积核、一个归一化层和一个1×1的卷积核，所述第二模块用于将由所述第一模块输出的特征依次经1×1的卷积核、归一化层和1×1的卷积核进行处理；

所述特征拼接模块用于将所述第一模块输入的特征和所述第二模块输出的特征进行加运算，以加强路面图像的上下文特征。

4.根据权利要求2所述的方法，其特征在于，所述特征融合模块包括多个不同尺寸的池化核、与每个所述池化核对应的卷积核以及一个上采样子模块，每个所述池化核用于对所述特征融合模块输入的特征进行池化，以得到不同范围的感受野，每个所述卷积核用于对与其对应的池化核输出的特征进行卷积运算，所述上采样子模块用于对所有所述卷积核输出的特征进行上采样。

5.根据权利要求1所述的方法，其特征在于，所述路面病害检测模型是通过如下方式进行训练的：

获取由无人机针对目标高速公路采集的样本图像帧；

对所述样本图像帧中路面病害进行多个样本边界框的标记；

利用标记结果对预设的目标检测算法进行训练，得到路面病害检测模型。

6.根据权利要求5所述的方法，其特征在于，每个所述样本边界框的高和宽分别大于32像素，相邻两个所述样本边界框的重合率在10％～50％之间；和/或，

所述无监督聚类采用DBSCAN算法。