[发明专利]一种基于深度学习的道路病害检测方法

权利要求书

1.一种基于深度学习的道路病害检测方法，其特征在于，包括以下步骤：

(S1)获取道路的图像；

(S2)将道路的图像输入到深度学习识别模型，以获得病害检测识别结果；

(S3)对所述病害检测识别结果进行校正；

(S4)对识别出道路病害的图像附加GPS坐标、道路名称以及道路病害的类型；

其中，在步骤(S2)中，所采用的深度学习识别模型为YOLO-v3算法模型；所述深度学习识别模型的训练过程包括以下步骤：

(S21)构建数据集，对数据集中每种道路病害的正样本图像进行标记；

(S22)对所述数据集进行增强，增强过程采用的方法包括Mix-up、添加负样本、通过填鸭式图像处理增加正样本、数据集扩充以及数据集均衡中的一种或多种的组合；

(S23)将所述数据集按照9：1的比例划分为训练集以及验证集，并使用训练集对YOLO-v3算法模型进行训练，得到深度学习识别模型的权重。

2.根据权利要求1所述的一种基于深度学习的道路病害检测方法，其特征在于，所述道路病害的类型包括道路窨井盖高差超标、道路标线不清、道路裂缝、道路坑槽。

3.根据权利要求2所述的一种基于深度学习的道路病害检测方法，其特征在于，当所述病害检测识别结果为道路裂缝时，对所述病害检测识别结果进行校正，以区分未修补裂缝以及已修补裂缝，校正过程包括以下步骤：

(S31)根据深度学习识别模型的识别结果，按照阈值T对检出道路裂缝的图像进行目标分裂；

(S32)采用3×3的模板对目标分裂后的图像进行膨胀；

(S33)对膨胀后的图像进行滤波；

(S34)对滤波后的图像进行连通域标记，并统计连通域的宽度；若连通域的宽度大于滤除阈值，将该图像的病害检测识别结果修改为已修补裂缝。

4.根据权利要求1所述的一种基于深度学习的道路病害检测方法，其特征在于，添加负样本的过程包括以下步骤：

(201)在使用验证集对深度学习识别模型进行验证的过程中，找出识别错误的图像，并找出该图像对应的原始图像帧；

(202)制作一个与该原始图像帧对应的空白xml文件；

(203)将所述原始图像帧以及所述xml文件添加到数据集中。

5.根据权利要求1所述的一种基于深度学习的道路病害检测方法，其特征在于，通过填鸭式图像处理增加正样本的过程中，选取若干识别出道路病害的图像，从中获取识别目标，并将获取的识别目标添加至正常的图像中，获得新的正样本。

6.根据权利要求1所述的一种基于深度学习的道路病害检测方法，其特征在于，对数据集进行均衡的过程中，重新构造数据集的每一类个数，并减少数据量比较大的类，并且复制数据量比较小的类。

7.根据权利要求1所述的一种基于深度学习的道路病害检测方法，其特征在于，在数据集扩充的过程中，对数据集中的图像进行水平镜像，垂直镜像，随机的剪切、缩放、旋转、对比度变换、添加噪声等处理得到新的图像样本。