[发明专利]一种基于深度学习的路面灌封裂缝检测方法

权利要求书

1.一种基于深度学习的路面灌封裂缝检测方法，其特征在于，包括如下步骤：

步骤1：采集N幅路面灌封裂缝图像，对N幅路面灌封裂缝图像进行图像增广，得到M幅路面图像，M>N；

步骤2：对M幅路面图像进行图像标注，得到每一幅路面图像对应的裂缝区域框；将所有标注后的路面灌封裂缝图像放缩为统一尺寸，得到放缩后的图像，作为训练集；

步骤3：构建灌封裂缝检测模型，将训练集输入所构建的灌封裂缝检测模型中进行训练，得到灌封裂缝模型的最优权重；

步骤4：将待检测图像输入经步骤3训练后得到的灌封裂缝检测模型中，得到待检测图像中物体是灌封裂缝的置信度和检测框，将灌封裂缝置信度和检测框标注在待检测图像上。

2.如权利要求1所述的基于深度学习的路面灌封裂缝检测方法，其特征在于，所述步骤1中的数据增广处理是指通过图像镜像翻转、每隔45度进行角度旋转等方式进行数据增广。

3.如权利要求1所述的基于深度学习的路面灌封裂缝检测方法，其特征在于，所述步骤3中所构建的路面灌封裂缝检测模型为Faster R-CNN模型；

所述Faster R-CNN模型中，保证anchor变换面积256不变，将该面积区域变换成横纵比分别为1:1、1:2、1:4、1:6、1:8、1:10、10:1、8:1、6:1、4:1、2:1的11个区域；然后将这11个区域的横向尺寸、纵向尺寸分别按8倍、16倍和32倍进行扩充，共得到11×3＝33个anchor。

4.如权利要求3所述的基于深度学习的路面灌封裂缝检测方法，其特征在于，当将训练集输入所构建的灌封裂缝检测模型中，对灌封裂缝检测模型训练时，将Faster R-CNN网络模型中的激活函数设置为Relu函数，优化器设置为带动量的SGD优化器，训练次数设置为70000次，学习率设置为0.001，当训练次数大于等于50000时，学习率自动衰减为0.0001。