[发明专利]一种基于深度学习的路面缺陷检测方法及系统

权利要求书

1.一种基于深度学习的路面缺陷检测方法，其特征在于：所述方法包括以下步骤：

图像分割模型构建，所述图像分割模型构建包括U型多尺度扩张网络，所述U型多尺度扩张网络将U型多尺度膨胀卷积模块嵌入到U-Net深度神经网络上采样之前形成了U-MDN，U-MDN使用U-Net特征提取网络作为主干，提取从不同卷积阶段得到的多尺度特征，使用U-MDM进一步提取缺陷深层特征，再将浅层特征和深层特征中得到的多尺度特征进行高效融合，以得到预测结果；

路面缺陷量化评定，所述路面缺陷量化评定根据得到的预测结果对缺陷的量化参数进行量化计算，并且基于量化参数进一步计算路面破损指标，得到相应的路面破损等级。

2.根据权利要求1所述的基于深度学习的路面缺陷检测方法，其特征在于：U-Net深度神经网络包含有下采样图像压缩路径和上采样图像扩展路径的对称U型结构。

3.根据权利要求2所述的基于深度学习的路面缺陷检测方法，其特征在于：所述下采样阶段使用了4个Convolution block1和1个Convolution block2，上采样阶段使用了4个Convolution block3，Convolution block1和3中每个卷积块都使用了两次卷积核为3*3的卷积操作和一次2*2的MaxPooling操作，Convolution block2中使用了三次卷积核为3*3的卷积操作。

4.根据权利要求3所述的基于深度学习的路面缺陷检测方法，其特征在于：U-MDN网络由4个Convolution block1、1个Convolution block2、1个U-MDM和4个Convolution block3组成，U-MDN网络输入图像为256*256*3，输出特征为256*256*2的黑白二值图像。

5.根据权利要求4所述的基于深度学习的路面缺陷检测方法，其特征在于：所述图像分割模型构建包括模型训练，训练过程中，设置超参数Batch size为8，每次训练设置150个epoch，初始学习率lr为1e-4，使用Adam优化器来收敛网络，并使用Adam的动量和自适应学习率来加快收敛速度。

6.根据权利要求5所述的基于深度学习的路面缺陷检测方法，其特征在于：所述对缺陷的量化参数进行量化计算包括以下步骤：

根据裂缝图像像素数量N和实际尺寸D计算出换算比例分割后的裂缝图像的实际裂缝尺寸为D＝p·N，将分割后的二值图像进行裂缝轮廓提取，将裂缝区域用内接圆填充。

7.根据权利要求6所述的基于深度学习的路面缺陷检测方法，其特征在于：所述对缺陷的量化参数进行量化计算包括以下步骤：h为裂缝区域外轮廓长度，w为裂缝区域外轮廓宽度，将相邻圆连接圆心，计算圆心之间的距离，w_i为相邻两个圆的圆心像素横坐标之差，h_i为相邻两个圆的圆心像素纵坐标之差，则l_i为裂缝的近似实际距离，那么n个圆心间的距离就是该整条裂缝的实际长度L，实际宽度R为内接圆直径平均值，则需要计算的量化参数宽度的计算方式为：

长度的计算方式为：

外接矩形面积的计算方式为：S＝p²·h·w。

8.根据权利要求7所述的基于深度学习的路面缺陷检测方法，其特征在于：所述U-MDN将得到的16*16*512特征图分别进行了Pooling size为16*16、8*8、4*4和2*2的MaxPooling操作之后分别得到了1*1*512、2*2*512、4*4*512和8*8*512的特征图，再经过膨胀率为1、2、4和6的卷积操作得到1*1*256、2*2*256、4*4*256和8*8*256的特征图。