[发明专利]一种基于深度学习的道路裂缝识别方法

摘要

本发明公开了一种基于深度学习的道路裂缝识别方法。该方法步骤如下：首先采集道路裂缝图像并建立训练集，构建卷积神经网络提取图像中的特征生成特征图；然后训练Faster R‑CNN模型，该模型包括依次连接的RPN网络、RoI Pooling网络和全连接层，RPN网络获得检测目标和图像背景并得到候选框位置，最后生成候选区域，RoI Pooling网络输出固定尺寸的RoI特征图，综合卷积神经网络生成的特征图与RoI特征图，判别检测目标的物体类别并回归物体的精确位置；最后将待识别的道路图像输入到训练好的Faster R‑CNN模型中，判别该图像是否为道路裂缝图像。本发明的优点是检测速度快、识别准确率高。

主权项

1.一种基于深度学习的道路裂缝识别方法，其特征在于，具体步骤如下：(1)采集道路裂缝图像并进行标注，建立道路裂缝图像训练集，该训练集用于训练Faster R‑CNN模型；(2)构建VGG‑16卷积神经网络，输入道路裂缝图像训练集，提取道路裂缝图像中的特征，输出为特征图；(3)训练Faster R‑CNN模型，该模型包括依次连接的RPN网络、RoI Pooling网络和全连接层；(3.1)将VGG‑16卷积神经网络生成的特征图输入到RPN网络，每个特征图的像素点生成9个锚点anchor，RPN网络分为分类层和回归层2条路线，分类层和回归层的输出均连接到Proposal层，在分类层中，通过softmax函数分类anchor获得检测目标foreground和图像背景background，在回归层中，通过回归anchor得到候选框位置，最后Proposal层综合foreground和侯选框位置生成候选区域proposals；(3.2)将VGG‑16卷积神经网络生成的特征图和proposals输入到RoI Pooling网络，输出固定尺寸的RoI特征图；RoI特征图输入到全连接层；(4)综合VGG‑16卷积神经网络生成的特征图与RoI特征图，通过全连接层与softmax函数计算输出每个proposals具体属于哪个物体类别的概率向量，同时用平滑函数进行边框回归bounding box regression并获得每个候选区域proposals的位置偏移量，用于回归物体的精确位置；(5)将待识别的道路图像输入到训练好的Faster R‑CNN模型中，判别该图像是否为道路裂缝图像。