[发明专利]基于卷积神经网络的道路裂缝图像识别方法、装置及系统

权利要求书

1.一种基于卷积神经网络的道路裂缝图像识别方法，其特征在于，包括：

步骤S100、采用U-Net模型搭建级联的全卷积神经网络，所述U-Net模型的架构由多个处理模块组成，所述处理模块包括依次级联的初始卷积模块、4个编码器模块和4个解码器模块；

步骤S200、在每个处理模块的最后一个卷积层的输出端加入注意力机制，得到第一神经网络模型；

步骤S300、采用标定数据集对所述第一神经网络模型进行训练，所述标定数据集为标定好道路裂缝特征的特征图集合；

步骤S400、将完成训练的第一神经网络模型中权重低于阈值的通道进行裁剪，得到第二神经网络模型；

步骤S500、再次用标定数据集对第二神经网络模型进行训练，得到道路裂缝识别模型；

步骤S600、对待检测的道路图像逐帧读取，并输入到道路裂缝识别模型进行裂缝识别，标记出待检测的道路图像中的道路裂缝。

2.根据权利要求1所述的一种基于卷积神经网络的道路裂缝图像识别方法，其特征在于，步骤S300中，采用标定数据集对所述第一神经网络模型进行训练，包括如下步骤：

获得处理模块中最后一个卷积层的输出端输出的第一特征图；

对第一特征图分别进行最大池化和平均池化计算，将计算得到的两个结果进行叠加，得到第二特征图；

将第二特征图输入第一全连接操作层进行全连接层的运算，得到第三特征图；其中，第一全连接操作层的输出通道数为C/r，输入通道C为8的倍数，C/r为整数，C/r≥2；

将第三特征图输入第二全连接操作层进行全连接层的运算，得到第四特征图，其中，第二全连接操作层的输出通道数为C；

将第四特征图输出给下一个处理模块，直至全部的处理模块完成处理。

3.根据权利要求2所述的一种基于卷积神经网络的道路裂缝图像识别方法，其特征在于，所述处理模块进行卷积操作的卷积核大小为3x3，步长1，无边缘填充补零，空洞系数为1。

4.根据权利要求2所述的一种基于卷积神经网络的道路裂缝图像识别方法，其特征在于，所述初始卷积模块用于对输入的特征图进行两次卷积操作，两次卷积操作后输出的特征图通道数分别为64，64，在每次卷积操作之后都进行ReLU操作的非线性激活函数运算；

所述编码器模块用于对输入的特征图进行下采样操作，使得特征图长宽维度都缩小一倍；

所述解码器模块用于对输入的特征图进行转置卷积操作，使得特征图的长宽维度扩大一倍。

5.一种基于卷积神经网络的道路裂缝图像识别装置，其特征在于，包括：

模型搭建模块，用于采用U-Net模型搭建级联的全卷积神经网络，所述U-Net模型的架构由多个处理模块组成，所述处理模块包括依次级联的初始卷积模块、4个编码器模块和4个解码器模块；

第一神经网络模型建立模块，用于在每个处理模块的最后一个卷积层的输出端加入注意力机制，得到第一神经网络模型；

第一神经网络模型训练模块，用于采用标定数据集对所述第一神经网络模型进行训练，所述标定数据集为标定好道路裂缝特征的特征图集合；

第二神经网络模型生成模块，用于将完成训练的第一神经网络模型中权重低于阈值的通道进行裁剪，得到第二神经网络模型；

道路裂缝识别模型生成模块，用于再次用标定数据集对第二神经网络模型进行训练，得到道路裂缝识别模型；

道路裂缝检测模块，用于对待检测的道路图像逐帧读取，并输入到道路裂缝识别模型进行裂缝识别，标记出待检测的道路图像中的道路裂缝。

6.一种基于卷积神经网络的道路裂缝图像识别系统，其特征在于，所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述方法的步骤。