[发明专利]一种基于车载摄像的耦合传统和机器学习的病害增强方法

权利要求书

1.一种基于车载摄像的耦合传统和机器学习的病害增强方法，其特征在于：利用行车记录仪自动化获取道路图片，并结合传统方法和机器学习方法进行数据增强，具体步骤如下：

步骤一：原始照片预处理；

首先，将行车记录仪拍摄的道路图片分为有、无病害两种类别；其次，选取合适的位置进行批量裁剪并缩放至合适的大小；

步骤二：数据增强；

将裁剪缩放后的每张路面图片进行上下、左右翻转变换，扩大两倍图集，然后经过亮度、对比度的调整，再次扩大数倍路面病害图集；

步骤三：数据集制作；

把路面病害图片集按照训练集、验证集和测试集比例约为10：1：1进行划分；

步骤四：CAE图片重构；

CAE网络由2层编码层和2层解码层构成；编码层1的卷积核尺寸为3×3、个数为16，使用ReLU激活函数，后接一个步幅为2的最大池化层；编码层2的卷积核尺寸为3×3、个数为32，同样以ReLU作为激活函数，再次经过一个步幅为2的最大池化层；此时，编码器已学得图片特征，表示在尺寸为80×40×8特征图中，随后在解码器中进行图片重构；解码层1的卷积核尺寸为3×3、个数为8，经过ReLU激活函数后，经过一个步幅为2的上采样层(UpSampling)；解码层2的卷积核尺寸为3×3、个数为16，同样经过ReLU激活函数后，经过一个步幅为2的上采样层；此时，特征图尺寸还原为320×160×16，后经过输出层；在输出层仍采用尺寸为3×3的卷积核，个数为1，并且当输入小于0时，ReLU激活函数的输出值为0，采用sigmoid激活函数，最终获得尺寸为320×160×1的路面图片；将原始图片、扩增和重构后的图片一起作对抗生成网络的输入；

步骤五：对抗生成网络数据增强；

深度卷积对抗生成网络由生成器和判别器两部分构成；生成器随机获取100维向量作为输入，首先重构为1024张10×20的特征图，后接四个大小为5×5，步长为2的反卷积层；此时生成器生成大小为320×160的虚假路面图片，随后输入判别器；判别器采用四个大小为5×5，步长为2的卷积层，后接全局平均池化层；最后，输出该图片预测为真/假图片的概率及预测结果。

2.根据权利要求1所述的一种基于车载摄像的耦合传统和机器学习的病害增强方法，其特征在于，在传统方法对原始道路图片进行数据增强的基础上，先利用卷积自编码器重构图片，再输入对抗生成网络，能够更好的学习病害特征，生成高质量图片。

3.根据权利要求1所述的一种基于车载摄像的耦合传统和机器学习的病害增强方法，其特征在于，采用深度卷积对抗生成网络模型在原始模型进行以下改进：(1)反卷积代替池化操作；(2)添加了批标准化的操作，稳定学习训练过程；(3)以全局平均池化代替全连接层；(4)除生成器的输出层使用Tanh激活函数之外其他层使用ReLU激活函数，判别器的所有层采用LeakyReLU激活函数。