[发明专利]基于DeepLabV3+网络模型的裂缝语义分割方法

说明书

本发明提供基于DeepLabV3+网络模型的裂缝语义分割方法，能够有效提高沥青路面裂缝语义分割的准确性，提升了网络整体的裂缝预测性能。裂缝语义分割方法具体包括如下步骤：采用并联的普通卷积、空洞卷积和可变形卷积对待检测裂缝图像进行编码；通过双线性插值对编码后的待检测裂缝图像进行解码；通过像素点渲染对解码后的待检测裂缝图像进行重点像素点重构；对重构后的待检测裂缝图像进行分类预测，获得裂缝分割结果。

技术领域

本发明涉及图像语义分割技术领域，具体为基于DeepLabV3+网络模型的裂缝语义分割方法。

背景技术

沥青路面开裂会加速路面劣化过程，开裂的发生和严重程度是路面养护决策方案的重要指标。因此，裂缝评价是制定适时的养护决策的一项关键任务。传统上，裂缝评估是通过人工现场调查进行的。然而，这些手动测量方法的重复性和再现性较差，需要过多的时间，消耗大量的劳动力，并将测量员置于危险的环境中。此外，由于主观性，收集的数据可能因不同的评分者而异。为了克服手动测量的缺点，目前已经进行了大量的研究工作，随着人工智能深度学习的发展，开发自动裂缝检测和测量方法已成为研究热点。

目前裂缝检测可分为三类任务，裂缝分类、目标检测和语义分割。分割任务需要从像素点角度出发，将图片像素点进行分类，分成背景和裂缝。对于一般的语义分割任务，通过深层神经网络进行编码提取特征，然后通过线性插值进行解码还原至原图大小。调研前期研究，发现现有模型中不同主干网络对裂缝的分割结果有一定差异性，部分裂缝未能被准确识别，这对养护数据的准确性和养护方案制定的可靠性有较大的影响。

发明内容

为了解决现有技术中存在的问题，本发明提供基于DeepLabV3+网络模型的裂缝语义分割方法，能够有效提高沥青路面裂缝语义分割的准确性，提升了网络整体的裂缝预测性能。

为实现上述目的，本发明提供如下技术方案：

一种基于DeepLabV3+网络模型的裂缝语义分割方法，包括如下步骤：

采用并联的普通卷积、空洞卷积和可变形卷积对待检测裂缝图像进行编码；

通过双线性插值对编码后的待检测裂缝图像进行解码；

通过像素点渲染对解码后的待检测裂缝图像进行重点像素点重构；

对重构后的待检测裂缝图像进行分类预测，获得裂缝分割结果。

优选地，所述采用并联的普通卷积、空洞卷积和可变形卷积对待检测裂缝图像进行编码前，还包括：

先采用Backbone网络对待检测裂缝图像进行初步特征提取，再对初步提取的特征进行多尺度卷积完成进一步特征提取。

优选地，所述可变形卷积包括在普通卷积的基础上对每一个采样位置增加一个可学习的二维偏移。

优选地，所述采用并联的普通卷积、空洞卷积和可变形卷积对待检测裂缝图像进行编码，还包括：

采用并联的普通卷积、空洞卷积和可变形卷积对待检测裂缝图像进行特征提取后，对不同卷积提取的特征进行融合。

优选地，所述通过像素点渲染对解码后的待检测裂缝图像进行重点像素点重构包括：

在解码后待检测裂缝图像的网格上选取N个不确定像素点，通过组合待检测裂缝图像的低层特征和高层特征在选取的不确定像素点上重新构造逐点特征。

优选地，所述重点像素点重构后，还包括：

对重点像素点进行多层感知机学习。

一种基于DeepLabV3+网络模型的裂缝语义分割系统，包括：

编码模块，用于采用并联的普通卷积、空洞卷积和可变形卷积对待检测裂缝图像进行编码；