[发明专利]一种基于编码器-解码器的自动化裂缝检测方法

说明书

本发明实施例公开了一种基于编码器－解码器的自动化裂缝检测方法，所述方法包括：创建基于深度学习的道路裂缝图像的训练集和测试集；创建包含编码器、解码器、空洞卷积模块和分层特征提取模块的深度卷积神经网络；利用训练集和测试集训练深度卷积深度神经网络；将深度卷积神经网络中分层特征提取模块的结果叠加，并输出裂缝图像。本发明方法具有检测过程简单，检测效率高，劳动强度低，便于携带，可操作性强等优点。

技术领域

本发明涉及道路结构健康检测与评估领域，尤其是涉及一种基于编码器-解码器的多尺度分层特征提取的自动化裂缝检测方法。

背景技术

随着全国范围内公路路网的建成，公路建设得到了迅速发展。车辆在路面上高速行驶过程中，路面的完好率和平整度是确保行车安全的重要因素。裂缝是道路受损的重要标志，如果路面出现凹凸和裂缝等情况，会严重影响道路的寿命以及行车的安全，需要定期的对其健康状况做出评估，因此对道路和桥梁裂缝进行检测有着至关重要的作用。

目前，道路桥梁的裂缝检测方法主要是基于传统的图像处理算法和人眼识别。单单依靠人眼进行裂缝检测与识别，效率不高。采用图像处理方法，主要是针对同一材质和纹理背景图像进行裂缝检测，无法对彩色图像直接进行裂缝检测。基于深度学习框架的道路裂缝检测可以实现对彩色图像的裂缝检测处理，可以实现端到端的图像处理，无需卷积神经网路的滑块处理。因此，基于深度学习框架的道路裂缝检测方法，可以实现道路裂缝的自动化检测。因此，如何提高路面裂缝检测的监测效率和效果，是路面裂缝检测领域需要攻克的技术难题。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于编码器-解码器的自动化裂缝检测方法。该方法可解决人眼观察和图像处理裂缝检测中定位精度不高，误差大等问题。

为了解决上述现有技术问题，本发明实施例提供了一种基于编码器-解码器的自动化裂缝检测方法，该方法具体包括以下步骤：

S1、创建基于深度学习的道路裂缝图像的训练集和测试集；

S2、创建包含编码器、解码器、空洞卷积模块和分层特征提取模块的深度卷积神经网络；

S3、利用训练集和测试集训练深度卷积深度神经网络；

S4、将深度卷积神经网络中分层特征提取模块的结果叠加，并输出裂缝图像。

进一步地，所述步骤S1具体包括：

S11、利用公共的裂缝图像数据集CFD和AigleRN以及其它的裂缝图像数据集，将裂缝图像分为训练集和测试集；

S12、利用智能终端采集到的不同结构表面裂缝图像，构建裂缝图像数据库，对构建的裂缝图像库进行数据增强，将数据增强后的裂缝图像库中的裂缝图像的裂缝区域实施标签标注，然后将裂缝图像库中的图像分为训练集和测试集。

更进一步地，所述步骤S2具体包括：

S21、搭建深度神经网络结构模型：确定所述深度卷积神经网络卷中编码器和解码器层数，以及每个部分卷积层所含有的特征图的数量、池化层的层数、池化层中采样核的大小和训练步长、反卷积层的层数和每个反卷积层所含有的特征图数量、空洞卷积模块中空洞比率的大小和分层特征提取模块的卷积层和反卷积层的特征图数量；

S22、选择深度神经网络的训练策略：所述深度神经网络训练中代价函数的选择为交叉熵损失函数、平方损失函数等，以及激活函数的选择Relu，softmax，sigmoid等，在损失代价函数中加入权值衰减正则化项，同时在卷积层中加入dropout来减少过拟合，所述深度神经网络中训练使用优化算法包括SGD，Adam等其它优化算法；

S23、所述深度卷积神经网络中编码器与解码器通过跳连实现连接；