[发明专利]一种道路病害识别检测方法及系统

说明书

本申请公开了一种道路病害识别检测方法及系统，方法包括：采集数据集，并将数据集划分为训练集、验证集和测试集；对数据集进行预处理，得到处理后数据；根据处理后数据，利用Transformer算法提取图像不同层级的目标特征，得到最终目标向量；基于最终目标向量，得到目标的类别概率，并回归出目标边界框，实现目标精准检测。本申请利用视觉Transformer结构自动提取图像特征，避免了基于CNN方法无法有效利用上下文信息和全局性不够等缺点，通过对图像数据进行道路病害识别，可以代替人工检查道路路面病害情况，有效提高检测效率，降低检测成本，与基于传统CNN的目标检测算法相比，本申请有更高的召回率与精确度。

技术领域

本申请涉及道路损伤检测技术领域，具体涉及一种道路病害识别检测方法及系统。

背景技术

随着道路交通的快速发展，交通事故，车辆超载或恶意破坏公路行为，以及自然灾害造成路产损坏等情形，对公路的系统性和完整性都构成了不同程度的侵害，上述情况需在日常养护巡检中及时发现并按照国家标准给出技术状况评估并进一步根据评估结果进行道路养护。目前道路巡查方式大多处于人工巡查阶段，效率低成本高，且部分路段采用基于传统的图像处理算法鲁棒性较低，容易受到外界因素如光照、噪声、清晰度等的干扰，产生较大的漏检和误检，且通常很耗费计算资源，而现有基于深度学习的智能化巡检方法对道路病害识别的准确率、召回率不高，很难发现隐藏在相似背景下的道路病害，且容易受训练样本规模限制，造成模型的过度拟合，因此，如何高效准确的利用图像检测路面的损伤技术状况就成为了一个急需解决的问题。

在计算机视觉领域，CNN自2012年以来已经成为视觉任务的主导模型，随着技术的发展，越来越高效的算法结构出现在视觉处理领域，视觉Transformer结构作为一种基于注意力的编码器架构，在计算机视觉领域做出了开创性的工作，与CNN相比，视觉Transformer结构有着更加出色的建模能力，Transformer结构中的自注意力机制将全局的上下文信息充分利用了起来，利用全局特征进行全局建模，可以有效提取出相似背景下路面病害的目标特征，由此，Transformer结构为改进道路病害识别方法提供了新的思路。本申请所述基于视觉Transformer结构的道路病害识别方法，从训练集中提取特征，弥补了人工提取特征的不足，减少了复杂的图像预处理过程，克服了基于CNN方法的区域性和无法有效利用全局上下文信息等缺点，利用多维度数据增强能获得大量、具有相关性的图像，减少了神经网络过拟合的可能，而且特征表达效果更好。

发明内容

本申请通过对含有路面信息的光学影像数据分析处理，可以给出精准的、符合国家公路技术评定标准的道路路面损伤和病害识别结果。

为实现上述目的，本申请提供了一种道路病害识别检测方法，步骤包括：

采集数据集，并将所述数据集划分为训练集、验证集和测试集；

对所述数据集进行预处理，得到所述处理后数据；

根据所述处理后数据，利用Transformer算法提取图像不同层级的目标特征，得到最终目标向量；

基于所述最终目标向量，得到目标的类别概率，并回归出目标边界框，实现目标精准检测。

优选的，采集数据集的方法包括：根据《公路技术状况评定标准》制作病害标注数据，采用含有多尺度、不同背景环境、不同光照状态下路面病害信息的光学影像数据组建成所述数据集。

优选的，所述预处理的方法包括：

对所述训练集和所述测试集进行图像尺寸调整，得到多张尺寸调整后的图像样本，并通过数据增强方法扩充训练集数据量；得到数据样本；

对所述数据样本进行切块处理，得到若干小型三维图像立方体；

对每个所述小型三维图像立方体做扁平化的线性映射，得到若干与之对应的一维向量，其代表了所述图像样本的原始特征。