[发明专利]一种基于Seg-CapsNet算法的路面裂缝像素级别检测方法

说明书

本发明公开了一种基于Seg‑CapsNet算法的路面裂缝像素级别检测方法，包括如下步骤：S10、采集获取路面病害图像，进行数据预处理，构建用于模型训练、测试的数据集；S20、构建Seg‑CapsNet路面病害分割模型，初始化模型超参数，进行模型训练；S30、进行模型测试，保存模型，输出分割结果；S40、构建路面病害测量算法，进行路面病害尺寸信息测量。本发明所述模型可以有效实现路面病害的智能分割，通过引入动态路由(Dynami c Rout i ng)算法，得到了胶囊的向量输出，从而提高模型参数更新的准确性，并且本发明通过测量算法，实现对路面病害的准确测量。

技术领域

本发明涉及路面病害图像处理技术领域，具体涉及一种基于Seg-CapsNet 算法的路面裂缝像素级别检测方法。

背景技术

近年来，我国公路建设逐渐完善，有力促进国民经济发展和社会进步然而， 在通车使用一段时间后，由于设计、施工等因素都会陆续出现各种破损、变形 等缺陷，这些病害可以直接反应路面结构的耐久性、安全性。严重的病害使得 公路承载能力等使用性能严重下降，影响公路的运营安全，增加交通事故爆发 频率。因此，对路面病害的定期检测，根据病害检测的种类、位置及尺寸信息， 进一步推断出路基层面内在的破坏及潜在的原因，对于路面安全评定、运营、 维护是十分重要的。

目前针对路面病害的分割问题，主要有四种方法。(1)人工巡检，主要依 靠工作人员在公路上巡回检测来确定路面病害信息。由于路面损伤种类及数量 繁多，造成检测工作的耗时费力。检测人员的检测能力以及经验严重影响着路 面病害检测的结果。(2)基于图像处理技术的分割技术，基于图像处理的算法 包括阈值分割、区域增长及边缘检测方法。但是，该方法对于背景复杂的图像 检测效果不佳。(3)基于机器学习的分割技术，分为基于监督学习与非监督学 习的分割方法。上述方法在路面图像纹理复杂、形状不规则的情况下，存在难 以正确提取、分析路面病害特征的不足。(4)基于深度学习的分割技术，近年来，深度学习技术得到迅速发展，被广泛应用于各个领域。在目标检测领域也 取得了优异成果。Duo Ma等人提出一种基于ResNet-101的全卷积神经网络进行 路面裂缝区域的智能识别，该模型具有较高的识别精度和召回率，并且可以提 取出更完整，更准确的裂纹特征。上述方法只是进行了路面病害的检测，并没 有提取病害具体轮廓，也没有进行路面病害尺寸的测量。因而现有的路面病害 分割技术存在不足，还有待改进和提高

发明内容

为解决现有技术中存在的问题，本发明提供了一种基于Seg-CapsNet算法的 路面裂缝像素级别检测方法，以高效、准确对路面病害进行分类、分割，还构 建路面病害测量算法，实现路面病害尺寸信息测量，解决了上述背景技术中提 到的问题。

为实现上述目的，本发明提供如下技术方案：一种基于Seg-CapsNet算法 的路面裂缝像素级别检测方法，包括如下步骤：

S10、采集获取路面病害图像，进行数据预处理，构建用于模型训练、测试 的数据集；

S20、构建Seg-CapsNet路面病害分割模型，初始化模型超参数，进行模型 训练；

S30、进行模型测试，保存模型，输出分割结果；

S40、构建路面病害测量算法，进行路面病害尺寸信息测量。

优选的，所述步骤S10中，所述的数据预处理包括：

去噪，采用高斯滤波器对图像进行平滑滤波；

裁剪，将采集的图像裁剪为预定像素的图像；

数据增强，使用镜像、旋转、添加高斯噪声技术对数据做增强处理

标注，使用labelme软件在图像中对病害区域进行标示，根据病害类型将 图像中背景区域标注为0，裂缝区域标注为1，龟裂区域标注为2，坑洞区域标 注为3。