[发明专利]一种基于深度学习的路面缺陷检测方法及系统

说明书

本发明涉及一种基于深度学习的路面缺陷检测方法及系统，所述方法包括以下步骤：图像分割模型构建，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，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。本发明克服了常用标准卷积提取的特征单一的缺点，可以去除冗余信息减少计算量；通过使用改进的深度神经网路对路面缺陷进行实时检测，克服了传统人工检测路面方法的缺点，提高了检测效率。

技术领域

本发明涉及路面缺陷检测技术领域，尤其涉及一种基于深度学习的路面缺陷检测方法及系统。

背景技术

随着交通运输业的快速发展，我国已经形成具有一定规模的公路交通网。在使用过程中产生的大量表面缺陷标志着现有公路已进入大面积检测和养护阶段。而公路交通网的愈发多样化和复杂化，致使该领域对缺陷检测方法的性能要求越来越高。因此，能够及时发现和更加精准且快速地实现裂缝检测对公路养护和行车安全具有重大意义。

路面裂缝是最为常见的病害之一，对公路安全产生了巨大威胁。能够及时发现、修复和阻止进一步恶化成为了交通部门的一项重要任务。早期路面缺陷检测方法主要有摄像测量法、探地雷达法、激光测量和红外线测量法等。这些方法通常采用人工评估，实地获取数据再回到实验室进行数据分析。这种评估方法不仅增加了成本，费时费力，而且检测精度低，达不到要求。之后对路面缺陷检测技术的研究主要集中在机器学习方面，其中包括定向梯度直方图、支持向量机、Canny边缘检测和Otsu阈值分割等检测方法。这类基于阈值的检测方法在简单背景下检测效果较好。但现如今路况复杂程度不断加深，一些诸如油渍、阴影和异物等原因严重影响着检测精度，制约着图像分割技术的发展。从而满足不了实际检测要求。

随着深度学习的发展，各种深度神经网路被用于道路缺陷检测领域，能够挖掘出更深层次的特征，在很大程度上滤除复杂背景带来的影响，成为了道路缺陷检测领域的主流趋势。典型的全卷积网络(FCN)因其跳级融合结构取得的良好分割效果成为了语义分割领域具有里程碑式意义的分割网络。但FCN将下采样阶段获得的裂缝边缘、图案和形状等不同特征进行了相同的处理，这样对分割结果影响较大。而且对于路面裂缝这种比较纤细的目标来说，FCN的连续卷积操作会使局部细节丢失严重。为了改善这一问题，国内外诸多研究学者对FCN进行了改进，诞生出了U-Net和SegNet等网络，这些网络沿用了FCN编解码结构的基本思路。不同的是，二者都对上采样阶段获得的特征图与下采样阶段获得的底层特征进行了融合，增加了定位的准确性和语义信息的完整性，提高了裂缝分割效果。但是，这些基于编解码结构的网络仅对一些裂缝连续性好且与强干扰对比度大等情况检测效果较为理想。因此，在光线变化大、背景干扰性强以及一些纤细裂缝与噪声边界模糊等情况下检测效果依然不佳。由此可见，实现高精度的裂缝检测依然是一个研究重点。

综上所述，寻求一种路面缺陷检测方法以解决上述问题是非常有必要的。

发明内容

本发明的目的在于提供一种基于深度学习的路面缺陷检测方法及系统，通过设置U-MDM，该模块采用4个尺度的上下采样结构，并且结合了膨胀卷积的优点，克服了常用标准卷积提取的特征单一的缺点，并且可以去除冗余信息减少计算量。

为了解决上述技术问题，本发明提供的基于深度学习的路面缺陷检测方法及系统的技术方案具体如下：

第一方面，本发明实施例公开了一种基于深度学习的路面缺陷检测方法，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；