[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

说明书

本发明提供了一种基于Mobilenet‑PSPNet神经网络模型的校园道路裂缝检测方法，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.通过卷积与上采样操作得到最终预测结果。本发明通过基于PSPNet卷积神经网络改进的Mobilenet‑PSPNet对校园道路的裂缝实现实时检测，准确高效，不易产生错检漏检。

技术领域

本发明涉及基于深度学习卷积神经网络的裂缝检测领域，尤其涉及一种基于MobileNet-PSPNet神经网络模型的路面裂缝检测方法。

背景技术

据交通运输部官网介绍，我国公路总里程已经突破500万公里，居世界第一。但是目前，道路裂缝检测在实践中主要还是人工检查，该方法工作成本高，劳动强度大且检测效率低，同时主要通过人工的方法进行检测，不但具有主观性，而且可能因监督者身体状态或精神不集中的原因会导致漏检或者分类错误的情况出现。因此，快速及时地掌握道路路面信息，实现结构表面缺陷自动化检测，是本发明主要解决的问题。本发明提出了一种基于PSPNet神经网络改进的 MobileNet-PSPNet神经网络模型的校园道路裂缝检测方法，传统的分割任务只是单纯的提取图像的低维特征来实现分割，但是使用本方法所分割出的裂缝图像结果不仅会进行语义标注，同时又在FCN、U-Net、SegNet等语义分割神经网络的基础上进一步考虑上下文和局部的信息去做裂缝图像的预测。

发明内容

为解决上述技术问题，尤其是裂缝检测准确性不高，丢失细节信息，针对现有技术中存在的缺陷或不足，本发明提供了一种基于MobileNet-PSPNet神经网络模型的校园道路裂缝检测方法。利用MobileNet-PSPNet神经网络结构中的一组不同尺度的池化块组成金字塔池化模块达到加强特征提取功能，从而实现全局场景级先验的场景分析。

本发明通过以下技术手段实现解决上述技术问题的：

本发明提出一种基于MobileNet-PSPNet神经网络模型的校园道路裂缝检测方法，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.通过卷积与上采样操作得到最终预测结果。

优选的，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，掩码位图可用于PSPNet神经网络训练时识别的索引图，并且将这些数索引图搭建成模型需要的训练库。