[发明专利]一种基于多尺度和多层次的路面裂缝检测方法

说明书

本发明涉及一种基于多尺度和多层次的路面裂缝检测方法，属于道路表面裂缝识别领域，包括以下步骤：获取待检测图像创建训练集和测试集；创建包含编码器、解码器、多尺度模块和多层次模块的深度卷积神经网络；训练和测试所述深度卷积神经网络模型，得到裂缝检测神经网络模型；使用裂缝检测神经网络模型对待检测的图像进行像素级分类，输出裂缝的二值图像。本发明，能够实现完全依靠深度神经网络模型自动提取裂缝特征，实现路面裂缝的自动检测，具有检测过程简单、检测速度快和效率高等优点。

技术领域

本发明属于道路表面裂缝识别领域，涉及一种基于多尺度和多层次的路面裂缝检测方法。

背景技术

伴随着公路的长期使用，一些于早期修建的公路逐渐进入了维护期。各种自然条件和人为因素等都会影响到道路的健康状况，导致道路出现了各种不同的道路病害。如果能在道路破损初期就能发现道路产生的病害情况，并提前对其进行养护，将能防患于未然并减少相应的工作量和维护费用。常见的各种道路病害中，最早期的病害一般是路面裂缝，如果没有及时对裂缝进行处理，裂缝可能衍生出其他更为严重的次生病害。

人工检测是裂缝检测中的一种常用的方法，但检测过程通常是耗时费力的，而由于检测人员具有一定的主观性，可能会影响到检测结果的准确度，还有可能存在一定程度的漏检、误检。随着各类自动化工具和技术的发展，目前也出现了许多自动化的路面裂缝检测方法，最为常用的方法是基于数字图像处理的检测方法，此类方法虽然可以替代部分劳动力，但却对道路上的许多类型的噪声和障碍物都很敏感，导致检测结果和实际的路面情况有一定的差距，因此基于此类的方法无法完全适应所有的路面情况，算法的鲁棒性不强，在复杂环境下很难得到预期的结果。而基于一般卷积神经网络的裂缝检测方法又无法实现端到端的图像处理，只能判断一个像素块里是否包含裂缝，无法获取裂缝是位于图片中的位置信息，破坏了裂缝的完整性。

明显的，当前道路裂缝检测技术还存在以下问题：

(1)由于路面裂缝图像容易受到复杂多样的噪声影响，因此在现实情况下，基于数字图像处理技术的检测方法不能适应各种复杂的场景。

(2)近年来多数基于深度学习的路面裂缝检测算法都是基于图像块的。这种做法不是真正意义上的逐像素预测，也没有考虑到裂缝的整体性，不能为预测提供足够的上下文信息，同时也增加了计算量和时间消耗。

(3)主流的卷积神经网络只采用了最后一层的特征图作为输出，单使用高层的小特征图无法恢复识别物体的细节信息，这种做法会对裂缝这种细小的分割目标造成较大的影响。

发明内容

有鉴于此，本发明的目的在于提供一种基于多尺度和多层次的路面裂缝检测方法，采用多尺度模块获取裂缝的上下文信息，恢复裂缝细节，采用多层次模块提升模型的整体性能。

为达到上述目的，本发明提供如下技术方案：

一种基于多尺度和多层次的路面裂缝检测方法，包括以下步骤：

S1：获取待检测图像创建训练集和测试集；

S2：创建包含编码器、解码器、多尺度模块和多层次模块的深度卷积神经网络；

S3：训练和测试所述深度卷积神经网络模型，得到裂缝检测神经网络模型；

S4：使用裂缝检测神经网络模型对待检测的图像进行像素级分类，输出裂缝的二值图像。

进一步，步骤S1具体包括以下步骤：

S11：使用数据增强对待检测的图像数据集进行扩充，对每个图像样本围绕着该样本本身进行几何变换操作，包括旋转、翻转、缩放等各类操作；

S12：同时也对该图像样本的标注图像进行同样的操作，保证样例和标注一一对应；

S13：将扩充后的图像数据按一定比例划分为训练集和测试集。