[发明专利]一种基于卷积神经网络路面故障检测方法

说明书

本发明公开了一种基于卷积神经网络路面故障检测方法，包括如下步骤：S1：获取图像，并去除图像的运动模糊，S2：构建质量判断模型，对图像进行质量判断，滤除失焦或者非路面信息的图像，S3：对路面故障图片进行标注，S4：构建故障检测语义分割模型，对路面故障进行识别，S5：多次迭代训练，然后输出分割出故障道路区域。本发明提出的一种基于卷积神经网络路面故障检测方法，利用卷积神经网络算法，准确、快速地分析出视频中的路面故障，能够判断出裂缝、坑槽、护栏杆损坏、杂草等故障类型及相关参数。

技术领域

本发明涉及一种路面故障检测方法，具体涉及一种基于卷积神经网络路面故障检测方法。

背景技术

高速路的养护工作多需要人为巡视检测，发现路面故障后，通过拍照记录。而随着移动互联网和多媒体的飞速发展，人工智能逐渐运用到路面故障检测中。目前虽有基于视频分析进行路面故障检测的技术，但由于实际环境中光照变化、运动复杂性、遮挡情况、目标与背景颜色相似、杂乱背景等各种因素的叠加，导致目标检测与跟踪算法设计的难度较大，识别准确率较低。

发明内容

本发明提供一种基于卷积神经网络路面故障检测方法，利用卷积神经网络算法，准确、快速地分析出视频中的路面故障。

为实现上述目的，本发明提供的一种基于卷积神经网络路面故障检测方法，包括以下步骤：

S1：通过行驶中的车辆获取含有路面区域的图像，并对图像进行预处理，以消除拍照时产生的运动模糊：

S2：使用质量模型对图像进行质量判断，滤除失焦或者非路面信息的图像；

S3：对含有路面故障的图片进行标，标注内容包括路面故障类型和出现该故障的区域；使用标注后的图片构建样本集，并按照比例分为训练集和验证集；

S4：构建故障检测语义分割模型对所述区域中的路面故障进行识别，该故障检测语义分割模型由标注有路面故障类型和区域的路面故障样本图像训练得到；

该故障检测语义分割模型的逻辑如下：输入数据到网络中经过多级的卷积结构和反卷积结构，模型会输出NCHW的特征图；然后，对特征图每个像素位置对应的分类数计算分类概率S_i得到像素点的分类信息：

其中，W表示分类对应的权重，b表示其对应的偏置项，x_i表示第i个输入样本，n表示分类数。进而得到像素分类信息训练过程的损失函数为：

其中，n为分类总数，y_c为故障类别，表示网络输出的分类信息；α为超参数，用来平衡正负样本的影响系数；λ为超参数，设定衰减项的权重；w为网络权重；

S5：故障检测语义分割模型训练基于现有的路面故障的有效数据，再做样本分类数据均衡之后进行多次迭代训练，然后输出分割出故障道路区域。

进一步的，所述步骤S1中，预处理过程包括如下步骤：

a、获取采集图像的设备的陀螺仪加速度参数，记录当前图像的运动速度w_x,w_y并对其积分，则得到其运动角距离θ_x,θ_y；

b、计算图像上共n个点的模糊核：

其中，n表示投影点个数，x₁,y₁为n个投影点中第一个点的初始坐标，x_i,y_i为图像中的n个投影点中第i个投影点坐标；