[发明专利]一种基于卷积神经网络的道路裂缝自动检测方法

权利要求书

1.一种基于卷积神经网络的道路裂缝自动检测方法，其特征在于，包括以下步骤：

S1.采集含有裂缝的图片数据，使用图像处理软件对图片进行像素级别的标注；

S2.从原始图片中提取出w*h大小的小图片，利用统计的方法，根据小图片中裂缝像素的总数来划分正负样本并根据一定比例划分为训练集和测试集，对训练集的正样本进行旋转，翻转操作，增加训练集数据的多样性；

S3.采用迁移学习的思想，边训练边测试，取在测试集中准确率和召回率综合最好的网络权重进行保存，得到一个二分类器；在所述的S3步骤中，使用卷积神经网络进行分类，包括以下步骤：

S31.神经网络的参数设置；所用的模型都基于Nvidia GTX1070上的Pytorch的API，将训练的epoch设置为25，使用SGD作为优化器，模型的学习率、batch size、冲量、衰减步数和衰减率分别为0.001、256、0.9、7和0.1；

S32.使用交叉熵函数作为Loss函数；表示为如下公式：

其中，为预测值，y_i为真实值，即标注值；

S33.网络选取精确度与召回率；对模型的召回率和精确度进行计算，暂存当前最好的模型的权重，所有epoch的训练结束后保存具有最好的召回率和精确度的模型，其计算公式如(2)(3)：

式中，Pr、Re、TP、FP和FN分别为精确度、召回率、真正例、假正例和假负例；由于在程序中无法直接获取TP、FP和FN的值，令R为检测中正样本的数目，P为预测结果中为正样本的数目，T为预测值与真实值不同的样本数目，R、P和T都是可以在程序运行时计算出来的，由R、P和T的定义，有如下关系：

R＝TP+FN (4)

P＝TP+FP (5)

T＝FN+TN (6)

由上式得：

因此精确度和召回率的公式可改写成如下形式：

S34.选取网络权重；召回率大于当前最好的召回率或精确度大于当前最好的精确度，则将其暂存于内存中，执行完所有的epoch后，将其保存到本地；

S4.使用摄像头获取路面的图像，将输入的每一帧图片进行4x4像素邻域内的双立方插值，将像素改变为W*H；

S5.将图片等分为w*h大小的检测单元并记录其位置信息，利用步骤S3训练出来的二分类器对每一个检测单元分类，输出该单元是否为裂缝单元；

S6.对检测为裂缝的区域分别进行多个角度的旋转，得到多个新的样本，再次进行检测，若有两个以上被分类为裂缝，则确信其为裂缝，否则更新其为非裂缝；

S7.根据步骤S6优化后的裂缝结果，标出裂缝单元在原图片的位置，如有裂缝单元，则给出提示。

2.根据权利要求1所述的基于卷积神经网络的道路裂缝自动检测方法，其特征在于，所述的S1步骤使用图像处理软件对图片进行像素级别标注具体包括以下步骤：

S11.使用Photoshop的索套工具将裂缝区域剪切出来；

S12.将剪切的区域保存为新的图层，图层以纯黑色为底色；

S13.图片转为csv格式，观察图片的像素值分布，裂缝像素与无关像素具有明显的区别，观察其分布规律，选取合适的阈值；

S14.使用matlab，根据图片的R通道，设置合适的阈值，将处于阈值内的像素标为1，其余的标为0，输出为.mat文件，即为标注文件；

S15.将标注文件可视化。

3.根据权利要求2所述的基于卷积神经网络的道路裂缝自动检测方法，其特征在于，所述的S2步骤中，将裂缝像素总数大于50的样本分为正样本，将裂缝数小于20的样本分为负样本；从数据集中提取出N万张数据，其中正负样本比例为1：3，训练集和测试集的比例为1：5。