[发明专利]一种道面病害分割的方法

说明书

本发明公开了一种道面病害分割的方法，包括：设定Focal Loss函数的权值w；预设阈值β，并将权值w转换成分段函数w'；利用分段函数w'对Focal Loss函数进行优化，得到改进型Focal Loss函数。通过上述方案，本发明具有分类准确、抑制错误标注带来的干扰等优点，在图像处理技术领域具有很高的实用价值和推广价值。

技术领域

本发明涉及图像处理技术领域，尤其是一种道面病害分割的方法。

背景技术

随着深度学习技术的飞速发展，基于深度学习的图像语义分割模型在道面病害自动检测任务中也得到了广泛的应用。这些模型以道面图像作为输入，利用卷积神经网络对图像中每个像素所属类型进行预测，如背景像素、裂缝像素、灌缝像素、修补像素等。损失函数作为衡量模型预测值与真实值间不一致性的一种手段，对于模型训练过程中的自动参数调节至关重要。传统上，深度学习语义分割模型的损失函数大多使用交叉熵，但是近期一些新颖的损失函数(如Focal Loss、Dice Loss、IOU Loss、Tversky Loss、ExponentialLogarithmic Loss等)在语义分割任务中逐渐趋于流行。

Focal Loss(FL)改进自交叉熵损失函数，用于解决目标检测模型训练时由于正负样本不均衡(负样本数量远远多于正样本数量)而导致模型性能下降的情况。Focal Loss在用于二分类时的公式如下：

其中，p_t是经过函数Sigmoid激活后的预测输出(p_t∈[0,1])；y是真实样本的标签(y∈{0,1}，0表示负样本，1表示正样本)；α是平衡正负样本的系数(α∈[0,1])；γ是平衡简单与困难样本的系数(γ∈[0.5,5])。

公式(1)相当于在原始交叉熵的基础上乘以一个权值，该权值由α和γ共同作用。在推荐值情况下(α＝0.25，γ＝2)，正负样本比例被控制在1:3，而易分类正样本(i.e.当p_t值较大时)的权重会较小，难分类正样本(i.e.当p_t值较小时)的权重会较大；另一方面，易分类负样本(i.e.当p_t值较小时)的权重会较小，难分类负样本(i.e.当p_t值较大时)的权重会较大。Focal Loss利用该权重解决了网络在训练时受负样本和易分类样本主导的弊端，使得网络更加关注难分类的样本，从而带来网络模型性能提升。

在Focal Loss应用在语义分割的实践当中，确实对道面病害(尤其是道面裂缝)的自动检测具有正向的作用。但是，深度学习语义分割模型的训练需要对原始图像中的每个像素进行事先标注，这种标注工作一般都是由标注人员手动完成。在道面病害图像标注的过程当中，标注质量会受到标注人员的专业知识和主观判断的影响而参差不齐，存在误标、漏标等现象。当训练数据的标注质量无法保证，误标、漏标情况较多时，Focal Loss会重点关注较“错误样本”而非难分类样本，导致网络性能在训练过程当中波动明显且无法收敛至一个满意的结果。

发明内容

针对上述问题，本发明的目的在于提供一种道面病害分割的方法，本发明采用的技术方案如下：

一种道面病害分割的方法，包括以下步骤：采用改进型Focal Loss函数进行处理，深度学习网络是以VGG16为骨架的FCN，输入是道面图像，输出是裂缝/背景的二分类图像，优化器使用Adam，

设定Focal Loss函数的权值w，其表达式为：

其中，p_t是经过函数Sigmoid激活后的预测输出，其取值范围为[0,1]；y是真实样本的标签，0表示负样本，1表示正样本；γ是平衡简单与困难样本的系数，其取值为[0.5,5]；

预设阈值β，并将权值w转换成分段函数w'，其表达式为：