[发明专利]一种基于深度学习的道路病害检测方法在审
申请号: | 201911289720.3 | 申请日: | 2019-12-13 |
公开(公告)号: | CN111080620A | 公开(公告)日: | 2020-04-28 |
发明(设计)人: | 刘俊;袁彬;李川;王军群 | 申请(专利权)人: | 中远海运科技股份有限公司 |
主分类号: | G06T7/00 | 分类号: | G06T7/00;G06T7/136;G06N3/04;G06N3/08;G06T5/30 |
代理公司: | 上海伯瑞杰知识产权代理有限公司 31227 | 代理人: | 孟旭彤;胡永宏 |
地址: | 200135 上海市浦*** | 国省代码: | 上海;31 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 深度 学习 道路 病害 检测 方法 | ||
本发明公开了一种基于深度学习的道路病害检测方法,其包括以下步骤:(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。本发明采用的方法可实现病害自动检测,检测人员仅需在养护车内,即可获得路面信息,全程无需人工干预,大大降低了人员工作强度。在实施本方法时,仅需在养护车辆车顶上方安装高清摄像机,工控机、路由器等设备均放置于驾驶位下方或后备箱内,不影响车辆美观且车辆改造方便。
技术领域
本发明涉及智能交通技术领域,具体涉及一种基于深度学习的道路病害检测方法。
背景技术
随着经济的发展,我国公路设施投入成本逐年增大,公路养护工作也是我们一直关注的问题。公路建成后受到气候、地质条件、通行量、载荷量等因素的影响,随着年限的增加,道路会出现不同程度的损坏,道路养护部门需定期对公路进行检测及维护。目前对道路病害的检测主要依据人工检测方法,工作人员长期在户外工作,检测效率较低且工作环境恶劣,如何实现路面病害的自动化检测,是道路养护目前主要的研究内容。
发明内容
本发明的目的是根据上述现有技术的不足之处,提供一种基于深度学习的道路病害检测方法,该方法将深度学习技术与传统的图像处理技术相结合,实现了对道路病害的自动化检测。
为了实现上述目的,本发明提供了一种基于深度学习的道路病害检测方法,其包括以下步骤:
(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。
本发明的进一步改进在于,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。
本发明的进一步改进在于,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。
本发明的进一步改进在于,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;
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中远海运科技股份有限公司,未经中远海运科技股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201911289720.3/2.html,转载请声明来源钻瓜专利网。