[发明专利]一种基于改进Faster R-CNN的路面破损识别方法

说明书

本发明提出了一种基于改进Faster R‑CNN的路面破损识别方法，应用了数据增强方法，预先对路面破损图像进行分类，通过改进VGG16卷积层来提取路面破损特征，细化特征图粒度，降低背景因素带来的影响，引入Sigmoid加权函数对非极大值抑制算法进行改进，解决坑洞漏检问题，使用RPN快速定位图像中的坑洞并进行个数统计。本发明方法克服了路面破损识别率低，检测时出现的漏检错检问题。

技术领域

本发明涉及路面破损识别技术领域，尤其是一种基于改进Faster R-CNN的路面破损识别方法。

背景技术

近几十年来，随着我国经济迅速发展，基础设施建设取得巨大成就，而在这其中，公路建设的成就令人瞩目。根据交通运输部统计数据显示，自2010年起，全国公路总里程数增长迅猛，截止2019年末，全国公路总里程数已达501.25万公里，公路密度更是达到了52.31公里/百平方公里。然而在实际的使用过程中，路面经常受到天气因素(例如光照过强，气温骤变，湿度过高，风力过猛等)和交通负荷的影响，导致路面寿命减少，造成交通延误，影响通勤者的安全和效率。通常路面变形以裂缝和坑洞的形式出现，在没有及时规避的情况下会对车辆和行人构成威胁，因此道路养护对驾驶和运输极为重要。国家和地方交通管理维护部门有必要对路面状况进行定期抽查和检测，收集相关数据集，从而做出应对措施，这对交通安全运行具有很大的意义。

从传统的图像分析处理技术到如今深度学习的快速发展，大量研究人员不断研究路面破损的检测和分割，并取得了一些优秀的成果。在基于传统的计算机视觉算法方面，Dhiman等人提出了一种利用视差图像识别坑洞的方法[A.Dhiman,H.-J.Chien,andR.Klette,Road surface distress detection in disparity space[C].InternationalConference on Image and Vision Computing New Zealand,IEEE online,2017.]。而在近几年，许多学者成功的将深度学习与路面破损检测相结合。Zhang等人建立一个CrackNet模型来预测现有道路损伤中所有像素的等级分数[A.Zhang,K.Wang,B.Li,E.Yang,X.Dai,Y.Peng,Y.Fei,Y.Liu,J.Q.Li,and C.Chen,Automated pixel-level pavement crackdetection on 3D asphalt surfaces using a deep-learning network[J].Computer-Aided Civil Infrastructure Engineering,32(10):805–819,2017.]；Chen在DeepLab中提出另一类卷积神经网络，DeepLab中的膨胀卷积有助于在不增加参数的情况下以指数方法增加视图[L.-C Chen,G.Papandreou,I.Kokkinos,K.Murphy,and A.L.Yuille,DeepLab:Semantic image segmentation with deep convolutional nets,atrous convolution,and fully connected CRFs[J].IEEE Trans.Pattern Analysis Machine Intelligence,40(4):834–848,2018.]。但由于它应用在高分辨率的特征映射中，这种类型的卷积在实际应用上是非常昂贵的。

发明内容

针对现有技术中存在的问题与不足，为了准确有效的检测路面破损，本发明提供一种基于改进Faster R-CNN的路面破损识别方法，解决路面破损识别率低，检测时出现的漏检错检问题。

为实现上述目的，本发明采用的技术方案如下：

本发明提供一种基于改进Faster R-CNN的路面破损识别方法，包括：

收集路面破损图片和平滑路面图片，并进行分类标记，形成样本库；

提取样本库中图片的特征图；