[发明专利]一种沥青路面图像的裂缝检测方法

摘要

本发明公开了一种沥青路面图像的裂缝检测方法。首先将标记好的训练数据输入到Crack‑Faster‑RCNN模型；其次，训练深度残差卷积神经网络ResNet101提取图像特征的能力、区域建议网络RPN对裂缝和背景的分类能力、分类网络Classifier对裂缝的分类以及边框位置回归的能力；最后保存训练好的Crack‑Faster‑RCNN模型参数。将训练好的Crack‑Faster‑RCNN模型用于检测新的路面裂缝图像，首先加载模型的参数，提取图像的特征；然后对其进行裂缝的检测；最后标记裂缝的位置信息。本发明通过构建路面裂缝检测的深度神经网络框架，实现了可应用于实际场景的沥青路面裂缝检测方法。

主权项

1.一种沥青路面图像的裂缝检测方法，通过构建深度神经网络学习框架，对路面裂缝图像进行特征提取，以实现对沥青道路路面裂缝的即时检测，包括如下步骤：/n步骤1、使用适宜线宽的矩形框，利用已经获取的路面裂缝标记图像集，标出其每幅图像中裂缝的精确位置，即GroundTruth；/n步骤2、训练Crack-Faster-RCNN模型/n步骤2.1：将标记好GroundTruth的路面裂缝图像作为输入，传入用ImageNet数据集训练好的深度残差神经网络ResNet101；对每幅图像通过多次卷积操作、ReLU函数激活和池化操作提取图像特征，输出特征映射Feature map；/n步骤2.2：将2.1所获特征映射Feature map输入给区域建议网络RPN，RPN网络先对Feature map进行1次卷积和1次池化操作，然后使用anchor策略，在特征映射的每一个像素点上都生成K个anchor，K大于或等于9；/n步骤2.3：整个RPN网络分为两个分支，分支1结合图像的GroundTruth和步骤2.2得到的所有anchor，通过计算每个anchor与GroundTruth的Intersection-Over-Union对裂缝目标和背景噪声进行区分，训练RPN网络分支1对裂缝目标和背景噪声的分类能力；/n步骤2.4：利用2.3训练好的RPN网络的分支1区分出包含裂缝的anchor，对每一个anchor通过softmax函数计算出一个相应的置信值，即其被分类为裂缝的概率；然后将计算出置信值后的所有anchor输入给RPN网络的分支2；分支2首先结合GroundTruth对输入的每一个anchor进行边框位置的初步回归，然后对位置回归后的anchor按照其相应的置信值进行排序；提取出排序靠前的若干个位置回归后的anchor，进行非极大值抑制后再按照置信值进行排序，提取出一定数量排序靠前的anchor作为候选区域proposals，并输出；/n步骤2.5：将步骤2.4得到的一定数量的候选区域proposals结合步骤2.1得到的特征映射Feature map进行ROI pooling,然后经过Classifier网络的非线性映射对处理后的候选区域进行最终的裂缝目标检测和边框位置的精确回归；/n步骤2.6：保存训练得到的Crack-Faster-RCNN的模型参数；/n步骤3、沥青路面图像裂缝的检测/n步骤3.1：加载步骤2.6保存的Crack-Faster-RCNN模型参数；/n步骤3.2：将需要检测的路面图像输入到深度残差神经网络ResNet101，进行特征的提取，得到特征映射Feature map；/n步骤3.3：执行步骤2.2的过程生成anchor，然后执行步骤2.4-2.5；/n步骤3.4:在输入的检测图像中画出裂缝的位置及预测概率。/n