[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

说明书

本发明公开了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，结合传统方法、卷积自编码器以及对抗生成网络对数据进行扩增，以达到数据增强的效果。使用人工方法对原始路面图片进行分类、批量裁剪以及数据集制作。本发明先对行车记录仪拍摄的道路图片进行传统方法数据增强，在此基础上采用卷积自编码重构图片，最后一起输入到对抗生成网络模型，进一步学习病害特征，使得图片样本病害特征相对更加明显，更易被机器识别，有助于提高模型的泛化能力，减少过拟合。此外，本发明不仅可以节约人工和时间成本，还可以为后续的病害识别、分类奠定基础。

技术领域

本发明属于图像处理领域，涉及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。本发明应用于道路病害图片数据增强。

背景技术

近二十年来，我国公路网已经逐步建设成型，未来的公路基建局势已经从“建设”渐渐转化为“养护”。裂缝、坑槽等病害在一定程度上影响行车的安全性和舒适性，因此，及时、快速检测和提取病害信息是最重要的部分之一。

由于缺少足够的基础理论和技术支撑，目前大部分的病害识别工作都需要大量的人工和成本，通过现场检查或基于路面病害现场照片进行人工识别，难以满足现代化智能路面检测的需要。受益于人工智能技术的发展，机器学习方法被逐渐应用于路面病害识别领域，能够相对快速高效地识别道路病害图片，节约时间，降低成本。

目前基于深度学习的路面病害识别经常面临训练数据集小，以及路面图片标注人工成本高等问题，数据增强可以带来可观的性能提升，提高准确性和稳定性，并减少过度拟合。

因此，本发明提出了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。本发明首先运用常规图片几何变换将行车记录仪拍摄的路面病害图片进行扩增，再经过卷积自编码器重构，最后将原始数据和扩增的图片一起用对抗生成网络进行训练，从而生成新的高质量路面病害图片，以扩充样本数量，为之后的路面病害识别工作奠定基础。

发明内容

本发明的目的在于通过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，对道路病害及其他路面对象进行识别和数据增强，使得病害特征相对更加明显，且样本数据量得到提升。

一、卷积自编码器

本发明采用的卷积自编码器(Convolutional Autoencoder，CAE)将卷积神经网络结构融入自编码器中，用卷积和池化操作代替编码器中的全连接层以及用反卷积和上采样操作代替解码器中的全连接层，从而较好的保留路面病害图片特征信息。自编码器由两部分组成：编码器和解码器，如图1所示。编码器将输入的路面病害图片压缩为潜在空间表征，将高维数据压缩为低维数据；解码器将空间表征重构为输出，生成新的路面病害图片。

二、深度卷积对抗生成网络

本发明采用的深度卷积对抗生成网络模型使用了卷积神经网络来替代对抗生成网络中的多层感知机，在原始的对抗生成网络模型的基础上进行以下改进：(1)以反卷积代替池化操作；(2)添加了批标准化的操作，以稳定学习训练过程；(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。

本发明采用的对抗生成网络包括两部分结构，即生成器和判别器。两者组成互相博弈的双方，经过不断迭代更新，学习病害特征，使得生成器具有良好的生成路面病害图片的能力，判别器具有良好的鉴别图片真假能力，如图2所示。

本发明采用的技术方案为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，包括原始图像预处理、传统方法数据增强、数据集制作、卷积自编码图片重构和对抗生成网络数据增强五大部分，如图3所示，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路面图片进行分类，分为有病害、无病害两类。