[发明专利]一种端到端的道路裂缝检测系统

说明书

本发明公开了一种端到端的道路裂缝检测系统，涉及计算机视觉中的语义分割领域。检测系统的检测过程包括以下步骤：视频传输；用户通过本地上传视频数据或者公网视频流输入视频数据，视频数据解码为单帧的RGB图像输入到模型中，进行下一步操作；加载双边注意力机制模型；读取图像数据帧；提取空间注意力信息；提取通道注意力信息，通过平均池化和最大池化保留了更加关注的通道特征；融合输出并可视化。系统通过设计一个大感受野的双边全局注意力网络，裂缝检测分割准确率得到提高，并且兼顾了识别速度。

技术领域

本发明涉及计算机视觉中的语义分割领域，具体涉及一种端到端的道路裂缝检测系统。

背景技术

随着人工智能相关技术的加速落地，语义分割作为计算机视觉领域的关键分支，地位受到重视，应用到越来越多的实际场景之中，如工业质检，室内导航，虚拟现实，缺陷检测，自动驾驶等。以前的语义分割模型集中解决的是提高模型泛用性和速度上，能够在通用数据集上获得较高的准确度和FPS。当然这样能够有更广阔的应用场景。但是实际项目需求对专业性要求较强，分类数目也单一。这也导致在通用数据集表现出色的模型，在实际效果中差强人意。

Ping Hu等人在论文《Real-time Semantic Segmentation with FastAttention》中提出了依赖于快速的空间注意的体系结构，这是对流行的自我注意机制的简单而有效的修改，并且通过改变操作顺序，以很小的计算成本捕获相同的丰富空间上下文。此外，为了有效地处理高分辨率输入，对网络的中间特征级应用了额外的空间缩减，由于使用了快速注意力模块来融合特征，因此精度损失最小。在Cityscapes上，该网络在单个Titan X GPU上以72FPS的速度实现了74.4％的mIoU，以58FPS的速度实现了75.5％的mIoU。其虽然改进了注意力机制，但是改进的地方在整个网络中占比很小，因此模型速度提升有限。并且忽视了通道维度的影响。

Changqian Yu等人在论文《BiSeNet:Bilateral Segmentation Network forReal-time Semantic Segmentation》中提出了一个新的双边分割网络。该网络首先设计了一个小步长的空间路径来保存空间信息，并且生成高分辨率的特征。同时，采用具有快速下采样策略的上下文路径来获得足够的感受野。在这两条路径的基础上，引入了一个新的特征融合模块来有效地组合特征。所提出的架构在Cityscapes、等官方数据集上的速度和分割性能之间取得了适当的平衡。具体来说，对于2048×1024的输入，在Cityscapes测试数据集上以105FPS的速度在一个NVIDIA Titan XP卡上实现了68.4％的Mean IOU，这明显快于性能相当的现有方法。过高的识别速度是值得肯定的，但是这也导致其泛化性能较差，实际分割效果精度低等一系列问题。

专利号CN110120041A的中国专利，公开了一种路面裂缝图像检测方法，所述方法包括：获取待检测路面图像；获取训练数据，所述训练数据包括多个路面图像与每个所述路面图像对应的裂缝标记图像；获取预训练的深度模型，并基于所述深度模型构建初始路面裂缝检测模型；基于所述训练数据，训练所述初始路面裂缝检测模型；基于训练后得到的路面裂缝检测模型，获取所述待检测路面图像的裂缝标记图像，得到路面裂缝图像检测结果。本发明能够根据预训练的深度模型构建路面裂缝检测模型，提高了模型训练效率，还提高了所获取的裂缝标记图像的精度。但是该方法在速度和准确度上均有较高提升空间。