[发明专利]基于深度神经网络的路面裂缝检测模型构建及检测方法

权利要求书

1.基于深度神经网络的路面裂缝检测模型的构建方法，其特征在于，包括以下步骤：

步骤1，获取不同路面背景下的路面裂缝图像集，根据不同的路面背景和裂缝情况对路面裂缝图像集加注标签，获得路面裂缝图像标签集；

所述的“路面背景”是指正常背景、路面光照不均衡、有路面标识和有阴影遮挡等路面背景，其中，正常背景是指路面光照均衡、没有路面标识和没有阴影遮挡的路面，所述的“裂缝情况”是指修补裂缝和未修补裂缝；

步骤2，对每一幅路面裂缝图像使用n种不同角度的sigmoid曲线进行特征提取，最终获得n×m个特征图，n≥4，m为路面裂缝图像集中的图像个数；所述的sigmoid曲线可以用来模拟路面图像中裂缝面积与背景信息之间的强烈对比为确保检测的鲁棒性；

步骤3，将步骤2获得的特征图作为输入，将步骤1中的标签作为输出，训练神经网络，获得路面裂缝检测模型；

其中，所述的神经网络包括依次设置的特征提取层和分类层；

所述的特征提取层用于去除敏感性图中的不敏感区域；所述的分类层对裂缝或者背景进行分类和边界回归。

2.如权利要求1所述的基于深度神经网络的路面裂缝检测模型的构建方法，其特征在于，所述的分类层包括依次设置的二分类模块和多分类模块，其中二分类模块用于将经过特征提取层的特征图分类为有裂缝图和无裂缝图，多分类模块用于根据不同的标签将经过二分类模块处理后的图进行细分。

3.如权利要求2所述的基于深度神经网络的路面裂缝检测模型的构建方法，其特征在于，所述的二分类模块包括依次设置的卷积子层、激励子层、归一化子层、分类子层、归一化子层。

4.如权利要求3所述的基于深度神经网络的路面裂缝检测模型的构建方法，其特征在于，所述的分类子层为softmax函数分类层。

5.如权利要求2所述的基于深度神经网络的路面裂缝检测模型的构建方法，其特征在于，所述的多分类模块包括依次设置的ROI池化子层、全连接子层、激励子层和全连接子层。

6.如权利要求1所述的基于深度神经网络的路面裂缝检测模型的构建方法，其特征在于，所述的特征提取层包括依次设置的卷积子层、激励子层、池化子层、卷积子层、激励子层、池化子层、卷积子层、激励子层、卷积子层、激励子层、卷积子层和激励子层。

7.如权利要求3、5或6所述的基于深度神经网络的路面裂缝检测模型的构建方法，其特征在于，所述的激励子层的函数为ReLU函数。

8.基于深度神经网络的路面裂缝检测方法，其特征在于，采用权利要求1至权利要求7任一项所述的检测模型进行检测，具体包括：

首先，获取待处理的路面裂缝图像，采用权利要求1中步骤1和步骤2对所述的路面裂缝图像进行处理，获得特征图；

然后，将特征图输入到权利要求1至7任一项所述的检测模型中，输出路面裂缝检测结果。