[发明专利]基于SRA-Net的路面裂缝分割方法

说明书

本发明提供的一种基于SRA‑Net的路面裂缝分割方法，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。

技术领域

本发明涉及一种图像分割领域，尤其涉及一种基于SRA-Net的路面裂缝分割方法。

背景技术

传统的人工裂缝分割方法虽然简单，但是往往存在主观性较强，劳动力成本较大等缺点，这就造成检测的结果可能不同，可靠性也不高，人工分割方法已经不能适应公路发展的要求。自80年代以来，由于人工智能和计算机视觉的发展，路面状况数据的收集与评估已经从人工逐渐过渡到自动化。相比传统人工分割，自动化的分割方法克服了人工检测的缺点，并且对裂缝的特征更加敏感，这对后期维护的决策非常重要。传统机器学习的方法虽然存在一定的自动化特点，但往往这些方法也需要人工提取一定特征，又由于在路面裂缝图像存在着裂缝背景复杂、裂缝出现位置存在随机性、采集时的光照等原因导致成像质量差等因素，导致了传统机器学习方法存在鲁棒性差，泛化能力有限的缺点。自2016年深度学习首次运用到路面裂缝分割领域，经过不断发展，虽已经很大程度上克服了传统机器学习的缺点，但现有模型仍然存在易受噪声影响、对细小裂缝的特征提取不足、对复杂背景鲁棒性不高的缺点。

因此，为解决上述技术问题，亟需提出一种新的技术手段。

发明内容

有鉴于此，本发明提供一种基于SRA-Net的路面裂缝分割方法，旨在解决路面裂缝经典语义分割模型对细粒特征提取的效果差、对细小裂纹和不明显特征不敏感，导致分割效果差的问题，提高现有路面裂缝语义分割模型精确度，IoU等指标。

本发明提供的一种基于SRA-Net的路面裂缝分割方法，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。

进一步，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。