[发明专利]路面裂缝检测的方法、装置及计算机设备

权利要求书

1.一种路面裂缝检测的方法，其特征在于，包括：

获取道路裂缝图像，并进行预处理；

利用所述道路裂缝图像训练deeplab V3+网络模型；

依据训练好的所述deeplab V3+网络模型对路面图像进行裂缝检测，并提取出裂缝信息。

2.根据权利要求1所述的方法，其特征在于，所述获取道路裂缝图像，并进行预处理，具体包括：

将道路裂缝图像切割成预定尺寸大小；

标注所述道路裂缝图像中包含的道路裂缝；

将标注后的所述道路裂缝图像按照预设比例划分为训练数据集和验证数据集。

3.根据权利要求2所述的方法，其特征在于，所述利用所述道路裂缝图像训练deeplabV3+网络模型，具体包括：

根据统计标注的道路裂缝的像素值个数与背景像素数量的比值，配置损失权重系数；

将所述训练数据集中的道路裂缝图像输入deeplab V3+网络模型中，按照所述损失权重系数确定对应的损失值；

若依据所述损失值判定训练完成，则将所述验证数据集中的道路裂缝图像输入所述deeplab V3+网络模型中计算平均交并比；

根据所述平均交并比的大小和变化情况调整训练参数，以使所述deeplab V3+网络模型满足训练标准。

4.根据权利要求3所述的方法，其特征在于，所述平均交并比的计算公式为：其中，i表示真实类，j表示预测类，p_ii表示判别正确的像素数量，p_ij表示将类别i预测为类别j的像素数量，p_ji表示将类别j预测为类别i的像素数量。

5.根据权利要求4所述的方法，其特征在于，所述根据所述平均交并比的大小和变化情况调整训练参数，以使所述deeplab V3+网络模型满足训练标准，具体包括：

将计算出的所述平均交并比与预设阈值进行比较，若判定所述平均交并比大于或等于所述预设阈值，则判定所述deeplab V3+网络模型通过准确性验证；

若判定所述平均交并比小于所述预设阈值，则判定所述deeplab V3+网络模型未通过准确性验证，则重新配置所述损失权重系数，以使所述deeplab V3+网络模型满足训练标准。

6.根据权利要求5所述的方法，其特征在于，所述依据训练好的所述deeplab V3+网络模型对路面图像进行裂缝检测，并提取出裂缝信息，具体包括：

基于预设地图开放平台提供的全景静态图应用程序接口获取街景图像，通过设置参数，编辑统一资源定位符来保存待检测街景图像；

将所述待检测街景图像输入满足所述训练标准的所述deeplab V3+网络模型中，获取裂缝信息。

7.根据权利要求6所述的方法，其特征在于，在所述依据训练好的所述deeplab V3+网络模型对路面图像进行裂缝检测，并提取出裂缝信息之后，具体还包括：

根据所述裂缝信息中包含裂缝区域的坐标位置计算所述裂缝区域的占地面积；

将所述裂缝区域的占地面积与预设面积阈值进行比较，进一步确定所述裂缝区域的大小属性；

输出所述裂缝信息及所述裂缝区域的大小属性。

8.一种路面裂缝检测的装置，其特征在于，包括：

处理模块，用于获取道路裂缝图像，并进行预处理；

训练模块，用于利用所述道路裂缝图像训练deeplab V3+网络模型；

检测模块，用于依据训练好的所述deeplab V3+网络模型对路面图像进行裂缝检测，并提取出裂缝信息。

9.一种非易失性可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至7中任一项所述的路面裂缝检测的方法。

10.一种计算机设备，包括非易失性可读存储介质、处理器及存储在非易失性可读存储介质上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7中任一项所述的路面裂缝检测的方法。