[发明专利]一种道路裂缝检测方法和装置

说明书

本发明公开了一种道路裂缝检测方法和装置，所述方法包括：利用特征提取网络将待检测的道路图像映射到编码空间，得到不同尺寸的特征图像；对于每个尺寸的特征图像，将其输入到一个裂缝检测网络，对其进行渐进式特征融合、预设卷积运算、注意力增强，以及后续的预设卷积运算、上采样后，得到尺寸与所述道路图像相同、且标注有裂缝区域的特征图像；将得到的各标注有裂缝区域的特征图像通过图像融合网络的预设卷积运算融合，得到用以检测裂缝区域的目标图像。应用本发明能够对道路裂缝有较佳的检测效果、较小的检测误差，且神经网络训练过程简单。

技术领域

本发明涉及图像处理技术领域，特别是指一种道路裂缝检测方法和装置。

背景技术

道路作为国家经济发展的重要基础设施，对国家发展和现代化建设发挥着不可替代的作用。裂缝作为道路最常见、最广泛的病害之一，及时检测道路裂缝对于安全驾驶、交通运输和安全出行等具有重要意义。依靠人工走查道路进行裂缝检测，不仅耗费高、效率低，还会影响城市交通及人们的正常通行，存在巨大安全隐患。

随着图像处理技术的发展，对于道路裂缝的检测主要利用道路裂缝和背景之间像素的差别获取道路裂缝。传统的道路裂缝检测方法，通常采用专业的检测设备，例如：探地雷达、三维激光传感器等，或者采用传统的图像处理的方式进行裂缝检测。这些方法或技术存在很大的弊端，前者专业检测设备不仅价格高昂，而且实际部署操作繁琐；后者易受路边背景的纹理和光照等影响，导致实际检测复杂路面场景的效果不佳。

近年来，深度学习技术在图像处理领域取得很大进展，深度学习技术也被广泛应用于道路裂缝检测；目前一种基于深度学习技术的道路裂缝检测方案中，采用两个结构相同的神经网络分别对普通路面病害和复杂路面病害进行检测；然而，该方法训练过程繁琐复杂，需要进行两次学习过程；且采用矩形框形式对道路裂缝区域进行检测，使得该方法对于形状不规则的道路裂缝区域会产生较大误差。

因此，有必要提供一种检测效果较佳、检测误差较小，且神经网络训练过程简单的道路裂缝检测方法。

发明内容

有鉴于此，本发明的目的在于提出一种道路裂缝检测方法和装置，能够对道路裂缝有较佳的检测效果、较小的检测误差，且神经网络训练过程简单。

基于上述目的，本发明提供一种道路裂缝检测方法，包括：

利用特征提取网络将待检测的道路图像映射到编码空间，得到不同尺寸的特征图像；

对于每个尺寸的特征图像，将其输入到一个裂缝检测网络，对其进行渐进式特征融合、预设卷积运算、注意力增强，以及后续的预设卷积运算、上采样后，得到尺寸与所述道路图像相同、且标注有裂缝区域的特征图像；

将得到的各标注有裂缝区域的特征图像通过图像融合网络的预设卷积运算融合，得到用以检测裂缝区域的目标图像；

其中，由所述特征提取网络、裂缝检测网络以及图像融合网络构成的道路裂缝检测模型是预先通过带有裂缝的道路样本图像以及所述道路样本图像的标注有裂缝区域的掩码图像训练得到的。

较佳地，所述特征提取网络包括n层卷积层；以及

所述利用特征提取网络将待检测的道路图像映射到编码空间，得到不同尺寸的特征图像，具体包括：

将所述待检测的道路图像输入到所述特征提取网络，每经过所述特征提取网络的一层卷积层得到一个特定尺寸的特征图像。

较佳地，所述裂缝检测网络为n个，所述特征提取网络中的每层卷积层分别连接一个裂缝检测网络，以及所述裂缝检测网络中包括：特征融合卷积模块、注意力模块、一个卷积层、上采样模块；以及

所述对于每个尺寸的特征图像，将其输入到一个裂缝检测网络，对其进行渐进式特征融合、预设卷积运算、注意力增强，以及后续的预设卷积运算、上采样，具体包括：