[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

说明书

本发明涉及图像识别与深度学习技术领域，更具体地，涉及一种基于卷积神经网络的道路裂缝自动检测方法。本发明基于轻量级的卷积神经网络，仅需对数据进行手动标注，根据检测衡量标准精确的和召回率来筛选并保持网络权重，在进行检测时，对图片进行(平方)压缩后，再切分成27*27大小进行检测，根据初步检测的结果对相应的裂缝区域进行多次旋转变换后再检测，更新检测结果，得到每一帧中裂缝的位置标出并响铃提示。本发明的模型是轻量级的，具有很高的召回率和精确度，可用于实时的裂缝检测，对于检测到的裂缝我们会记录其位置信息并标出，同时可以响铃警示工作人员，比以上提出的发明更具有实用性。

技术领域

本发明涉及图像识别与深度学习技术领域，更具体地，涉及一种基于卷积神经网络的道路裂缝自动检测方法。

背景技术

现有的裂缝识别方法大多采用“先识别、后分类”的处理模式，在此处理模式下，目前主流的基于图像的裂缝识别方法主要有以下几种：(1)基于灰度阈值的裂缝识别方法，通过对路面图像灰度特征进行分析，选取合适的灰度阈值区分图像背景与目标。该方法一般建立在裂缝的灰度通常比背景灰度低的前提条件下，要求裂缝具有较高的对比度及较好的连续性，但由于路面积灰、裂缝的缝壁脱落、路面颗粒纹理丰富等原因，裂缝通常具有低对比度、连续性差等特征，故基于灰度阈值的裂缝识别方法难以识别灰度特征不够显著的病害。(2)基于形态学处理的裂缝识别方法，该方法利用腐蚀、膨胀、骨架提取、边缘检测等方法获取裂缝的二维形态特征。然而路面图像复杂、病害形式多样，基于形态学处理的识别方法实用性不高。(3)基于机器学习的裂缝识别方法，该方法主要用于裂缝检测后的类型分类，关键在于路面裂缝特征的提取与分类器的设计。由于路况复杂、裂缝形式多样，裂缝特征提取难度加大，同时测试样本集较小、算法复杂、计算量大等因素都制约着分类算法的准确性、鲁棒性及实时性。(4)基于多尺度几何分析的路面裂缝的识别方法，通常利用图像几何结构特征，采用小波、Ridgelet(脊波)、Curvelet(曲线波)、Contourlet(轮廓波)、Bandelet(带条波)等变换表达图像信息。由于复杂背景下的沥青路面裂缝具有不规则性，裂缝形态及位置具有不可预测性，该方法无法有效的提取复杂裂缝信息，同时，多尺度分析方法普遍存在计算过程复杂、效率较低问题。现有的裂缝检测技术大多建立在图像质量好的基础上，缺乏对复杂环境的适应性，难以满足工程应用的实际需求。

上述现有技术中，基于边缘检测的算法只能对一些平滑的路面进行检测，对于一些具有复杂的细微结构的路面，如沥青路，会提取到很多的干扰边缘，且很多的混凝土路为了增加摩擦力也会在路面上增加规则的划痕，这些与裂缝很相似的划痕都会被识别成裂缝，导致该算法无效。基于阈值分割的方法根据像素值进行分割，在很多道路上是行不通的，在裂缝深度不大且光照正常的情况下，其像素值与路面是区别不大的，因此检测效果并不好。基于无监督学习的方法其学习出来的结果是不稳定的，针对不同的场景其检测结果波动较大，难以进行场景迁移。基于图像处理或机器学习的方法需要很大的数据支撑，在一种路面的数据集上训练出来的模型难以用于对另一个路面进行检测，若要检测另一路面的裂缝需要重新收集大量的数据，成本很高。

发明内容

本发明为克服上述现有技术中的缺陷，提供一种基于卷积神经网络的道路裂缝自动检测方法，可实现对路面高精确度和高召回率的裂缝检测。

为解决上述技术问题，本发明采用的技术方案是：一种基于卷积神经网络的道路裂缝自动检测方法，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；其中，w*h优选为27×27；

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；