[发明专利]基于SRA-Net的路面裂缝分割方法

权利要求书

1.一种基于SRA-Net的路面裂缝分割方法，其特征在于：包括以下步骤：

S1.获取路面裂缝图像样本数据集；

S2.搭建基于编码-解码结构的SRA-Net模型，在编码器中加入空洞空间金字塔池化模块和空间通道模块；

S3.将数据集输入SRA-Net模型中进行训练；

S4.判断SRA-Net模型是否训练完成，如是，则进入步骤S5，如否，则更新SRA-Net模型的参数，返回步骤S3中；

S5.将待测数据输入至训练完成后的SRA-Net模型中，输出分割结果图。

2.根据权利要求1所述一种基于SRA-Net的路面裂缝分割方法，其特征在于：步骤S2中，通过如下方法构建SRA-Net模型中的编码器模块，并进行编码：

构建编码器，解码器包含卷积核、残差块和空洞空间金字塔模块，其中，残差块中采用空间通道模块进行下采样；

对图像进行编码：

S211.构建输入图像的1×1卷积核，将RGB图像输入残差块，在残差块中将改变通道数，输出特征图M1；

S212.在残差块后加入空洞空间金字塔池化ASPP模块，对输入的特征图进行空洞卷积采样；

S213.在空洞空间金字塔池化ASPP模块后，再次加入残差块SPD-Res Block，残差块中使用空间通道模块进行下采样，根据输入通道的不同，对输入的特征图叠加不同数量的残差块，并改变通道数，输出特征图M2；

S214.依次重复步骤S212和步骤S213各三次，分别输出特征图M3、特征图M4和特征图M5；

S215.将特征图M5输入空洞空间金字塔池化模块ASPP，改变通道数，输出特征图M6。

3.根据权利要求2所述一种基于SRA-Net的路面裂缝分割方法，其特征在于：空洞空间金字塔池化以不同采样率的空洞卷积并行采样，将采样的结果相加，得到精度更高的特征图。

4.根据权利要求2所述一种基于SRA-Net的路面裂缝分割方法，其特征在于：残差块中，使用空间通道模块进行下采样，采用非线性激活函数ReLU6作为激活函数：

空间通道模块将输入残差块的特征图的特征层沿通道方向进行切割，再沿空间方向进行拼接，得到切割并拼接后的特征图，切割公式为：

f_0,0＝X[0:S:scale,0:S:scale],f_1,0＝X[1:S:scale,0:S:scale],…,f_scale-1,

＝X[scale-1:S:scale,0:S:scale]；

f_0,1＝X[0:S:scale,1:S:scale],f_1,1,…,f_scale-1,1

＝X[scale-1:S:scale,1:S:scale]；

...

f_0,scale-1＝X[0:S:scale,scale-1:S:scale],f_1,scale-1,…,f_{scale-1,scale-}

＝X[scale-1:S:scale,scale-1:S:scale].

其中，X表示输入残差块的特征图，S表示输入残差块的特征图的长或者宽，f_x,y表示下采样后的子图，scale表示下采样的比例因子；

非线性激活函数ReLU6公式为：

f(c)＝min{max(0,c)，6}

其中，c为来自上一层神经网络的输入量。