[发明专利]一种基于机器视觉的轻量化道路路面检测方法及系统

说明书

本发明公开了一种基于机器视觉的轻量化道路路面检测方法及系统，获取待识别的道路路面图像，所述道路路面图像包括路面损坏状态；对道路路面图像中的路面损坏位置进行目标框标记，得到道路路面图像中路面损坏的目标区域；将道路路面图像输入到已训练完成的深度学习模型中，所述深度学习模型包括SVM分类器和回归器；根据SVM分类器对路面损坏的局部图像进行图像处理，得到道路路面的损坏类型；根据回归器对预测框进行修正，并根据目标区域对锚框进行边界回归处理，得到路面损坏位置；采用本轻量化道路路面检测免去了人工识别的麻烦，提高了识别的效率，能够适应不同的道路检测。

技术领域

本发明涉及道路路面检测技术领域，尤其涉及一种基于机器视觉的轻量化道路路面检测方法及系统。

背景技术

随着城市的快速发展，汽车越来越多，从而带来交通量日益增大，这会造成城市道路的压力越来越重。由于年久失修、市政管线增设因带来的反复开挖等等原因，部分道路出现不同程度的损坏，这会给车辆的正常行驶带来一定的安全隐患。现有的道路检测方法是采用路面检测车拍摄路面照片，然后人工分析照片，抽取路面的破损数据。

但是，上述的方法存在下述的问题：

1、通过人工去分析照片，需要用肉眼去识别出路面照片上1毫米以上细小的裂缝，工作强度大，识别的周期长；

人工识别大量的道路照片容易产生判断失误，无法得到正确的检测结果，不利于后续工作的开展。

发明内容

基于背景技术存在的技术问题，本发明提出了一种基于机器视觉的轻量化道路路面检测方法及系统，免去了人工识别的麻烦，提高了识别的效率，能够适应不同的道路检测。

本发明提出的一种基于机器视觉的轻量化道路路面检测方法，包括：

获取待识别的道路路面图像，所述道路路面图像包括路面损坏状态；

对道路路面图像中的路面损坏位置进行目标框标记，得到道路路面图像中路面损坏的目标区域；

将道路路面图像输入到已训练完成的深度学习模型中，所述深度学习模型包括SVM分类器和回归器；

根据SVM分类器对路面损坏的局部图像进行图像处理，得到道路路面的损坏类型；

根据回归器对预测框进行修正，并根据目标区域对锚框进行边界回归处理，得到路面损坏位置。

进一步地，在对道路路面图像中的路面损坏位置进行目标框标记，得到道路路面图像中路面损坏的目标区域之后，对道路路面图像进行预处理，具体预处理包括：

对道路路面图像进行数据增强处理，得到增强后的道路路面图像；

对增强后道路路面图像数据设定初始锚框，计算路面损坏位置所处的锚框值，该锚框值对应的锚框位置作为预测框；

对增强后道路路面图像进行自适应缩放，得到同一标准的道路路面图像。

进一步地，在将道路路面图像输入到已训练完成的深度学习模型中，包括：

对所述道路路面图像进行切片处理，得到特征向量图；

对所述特征向量图进行多次卷积处理，提取道路路面图像的特征值；

将道路路面图像的特征值送入SVM分类器中，以输出道路路面的损坏类型。

进一步地，在根据回归器对锚框进行修正，并根据目标区域对锚框进行边界回归处理，得到路面损坏位置中，其中，对锚框进行边界回归处理，具体包括：

利用平移变换和尺度变换对道路路面图像进行映射，得到预测框对应的预测值；

根据预测值和目标框对应的真实值之间差距最小原则，得到损失函数；