[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

说明书

本发明公开了基于深度卷积神经网络的路面裂缝检测模型的构建及检测方法，具包括：获取不同路面背景下的路面裂缝图像集，使用不同角度的sigmoid曲线进行特征提取，获得特征图；将特征图作为输入，将所述的的标签作为输出，训练神经网络，获得路面裂缝检测模型；其中，神经网络包括依次设置的特征提取层和分类层。再将待检测路面图像输入到检测模型中，输出路面裂缝检测结果。实现对不同背景环境下修补和未修补的路面裂缝进行检测分类的目的，具有较高的检测分类精度。

技术领域

本发明属于交通路面检测技术领域，涉及一种基于深度神经网络的路面 裂缝检测模型构建和检测方法。

背景技术

为了以低成本的方式维护路面的使用性能，公路管理机构需经常对路面 状况进行评估，通过对损害路面的检测，可以安排适当的维修，从而大大的 提高路面的使用寿命。传统的人工检测方法有劳动密集、耗时和不准确等缺 点。而用自动路面状况调查方法可以解决这些不足，通常使用高速数码相机 来捕捉路面数据，通过分辨率和尺寸的调整，利用不同的图像处理方法对图 像进行分析，从而识别图像中的裂缝。

虽然以往的这些方法在路面裂缝检测方面取得了很大的成果，但目前的 大多数研究只是对正常的未受影响的路面裂缝图像进行检测，对于无法克服 路面图像固有的缺陷如光照不平衡、路面标识不均匀、有阴影遮挡等影响下 的路面修补过裂缝和未修补裂缝的研究却寥寥无几。此外，由于修补过裂缝 和未修补裂缝在长度和方向上极其相似，因此在路面裂缝检测分类领域仍存 在很大的局限性。

发明内容

为解决现有技术中存在的不足，本发明提供了一种基于深度神经网络 的路面裂缝检测模型构建及检测方法，解决现有的检测方法不能准确区分 不同路面条件下的修补裂缝和未修补裂缝的问题。

为了解决上述技术问题，本发明采用如下技术方案予以实现：

本发明公开的基于深度神经网络的路面裂缝检测模型的构建方法，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；

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；

步骤3，将步骤2获得的特征图作为输入，将步骤一中的标签作为输出， 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。

具体的，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。

具体的，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。

具体的，所述的分类子层为softmax函数分类层。

具体的，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。

具体的，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。

具体的，所述的激励子层的函数为ReLU函数。

本发明还公开了一种基于深度神经网络的路面裂缝检测方法，该方法采 用本发明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；