[发明专利]一种基于深度学习的路面灌封裂缝检测方法

说明书

本发明公开了一种基于深度学习的路面灌封裂缝检测方法：步骤1：采集路面灌封裂缝图像，进行图像增广得到路面图像；步骤2：对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。本发明首次使用了深度学习的方法对路面图像中的灌封裂缝进行检测，并能够达到0.8994的检测精度。

技术领域

本发明属于道路工程领域，具体涉及一种基于改进的Faster R-CNN模型的路面灌封裂缝检测方法。

背景技术

灌封裂缝产生的原因主要是路面养护部门发现道路出现裂缝后使用路面裂缝灌封技术后形成的一种新的病害。灌封裂缝一旦出现表明这条路已经发生过破损，灌封裂缝的有效检测对延长路面的使用寿命有很大影响，如何对灌封裂缝进行实时、准确和高效的检测，成为公路管理养护部门十分关注的问题。

传统的灌封裂缝检测是基于主动特征提取的图像处理方法，这种方法有一定的局限性，在实时性和检测精度上都有所欠缺，无法进行实时、准确和高效的检测。因此，研究一种能够准确和高效的灌封裂缝检测方法是非常有必要的。

发明内容

针对上述传统路面灌封裂缝检测方法存在的不足，本发明的主要目的在于，提供一种基于改进的Faster R-CNN模型的路面灌封裂缝检测方法。该方法能够实现对路面灌封裂缝数据的高效、准确的定位，为进一步研究路面自动检测提供参考。

为了达到上述目的，本发明采用如下的技术方案：

一种基于深度学习的路面灌封裂缝检测方法，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。

进一步的，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。

进一步的，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。

进一步的，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。

与现有技术相比，本发明的方法具有以下优点：

1.本发明采用了使用深度学习方法对路面灌封裂缝进行检测，并达到0.8994的检测精度。