[发明专利]一种基于MobileNet-PSPNet神经网络模型的路面裂缝检测方法

权利要求书

1.一种基于MobileNet-PSPNet神经网络模型的校园道路裂缝检测方法，其特征在于，方法步骤如下：

S1.收集裂缝图像数据集，人工标定标签并将其转换为对应的掩码位图；

S2.设计MobileNet-PSPNet神经网络并使用步骤S1中处理过的图像进行训练；

S3.采集校园路面图像并实时传输至终端；

S4.利用MobileNet提取步骤S3中采集到的数据集图像的全局特征；

S5.对步骤S4中所获得的全局特征图通过MobileNet-PSPNet网络中的金字塔自适应平均池化模块提取局部特征；

S6.将步骤S5中得到的局部特征进行上采样操作，然后将其与全局特征进行特征融合，得到既包含全局特征和局部特征的新特征；

S7.将新特征通过上采样与卷积操作得到最终预测结果。

2.根据权利要求1所述的一种基于MobileNet-PSPNet神经网络模型的校园道路裂缝检测方法，其特征在于，所述S1中人工标定标签并将其转换为对应的掩码位图的过程包括：

首先采用语义分割标注软件Labelme进行裂缝图像标注，由用户在道路工程师指导下人工评判得到每个数据集图像的标签信息，利用Labelme软件标注完生成的标签包含有标注过程中的关键点json文件，然后利用json文件由python代码的脚步生成掩码位图。

3.根据权利要求1所述的一种基于MobileNet-PSPNet神经网络模型的校园道路裂缝检测方法，其特征在于，所述S1中的裂缝图像数据集来源于论文中的裂缝数据集以及通过人工拍摄的裂缝图像，包含水泥路裂缝数据集、混凝土路面裂缝数据集和沥青路面裂缝数据集。

4.根据权利要求2所述的一种基于MobileNet-PSPNet神经网络模型的校园道路裂缝检测方法，其特征在于，所述S2中的MobileNet-PSPNet神经网络的结构包括：

输入层：用于输入二维或三维的图像数据矩阵；

主干特征提取网络层：用于提取主干特征信息；

平均池化层：使用不同大小的池化核进行降采样处理，减小图像的尺寸大小并保留图像的显著特征；

激活层：用于模拟及表达卷积运算时的非线性因素；

全连接层：用于将提取的局部特征连接起来进行对其整体感知；

MobileNet-PSPNet神经网络的训练过程包括：

将采集好的裂缝数据集图像进行预处理操作，预处理好的数据集图片传入主干特征提取网络MobileNet进行主干特征提取，获得特征层，将得到的特征层作为全局特征，同时传入金字塔池化模块加强特征提取，作为局部特征，在金字塔池化模块中使用1*1，2*2，3*3，6*6的平均池化模块将传入的特征层分为四个不同的尺度，最后将这四个不同的尺度进行级联然后上采样，使得到的局部特征在维度上与之前的全局特征维度大小相同，然后将局部特征和全局特征两者之间进行特征融合，使得新得到的特征即含有全局特征同时包含局部特征，最后通过上采样操作和通过全连接层卷积分类得到裂缝检测结果。

5.根据权利要求4所述的一种基于MobileNet-PSPNet神经网络模型的校园道路裂缝检测方法，其特征在于，MobileNet-PSPNet神经网络训练过程中使用交叉熵损失函数来计算损失值，并且交叉熵损失函数对每个像素均进行预测评估；

交叉熵损失函数公式如下：

L＝ylogy′+(1-y)log(1-y′)

其中L表示交叉熵损失函数，y为样本标签。

6.根据权利要求1所述的一种基于MobileNet-PSPNet神经网络模型的校园道路裂缝检测方法，其特征在于，所述S3中采用无人机采集所需检测的校园路面图像。