一种基于深度学习的公路路面病害智能检测方法与流程

计算;推算;计数设备的制造及其应用技术1.本发明使用深度学习结合道路工程技术，适用于道路养护和管理领域，尤其是涉及了一种基于深度学习的公路路面病害检测算法。背景技术：2.公路建成投入运营后，在长期反复的汽车荷载和外界自然环境因素的影响下，特别是交通量增长引起累计轴载数量增加，致使道路在超负荷状态下的运营，路面的材料性质和结构疲劳衰变，最终导致路面的使用性能及安全性能降低，因此，应当及时检测路面病害，用于路面损伤程度的判断和病害的精确维修。3.传统检测主要依靠人力进行，工作效率低，检测时间长，检测期间影响交通的正常运行。随着科技的发展，人们开始研究基于计算机视觉的道路病害检测方法，该方法主要可以分为两类，第一种方法为基于病害边缘像素值变化大的边缘检测算法，主要包括soble边缘检测方法、canny边缘检测方法和小波分析的方法；第二种方法为基于病害区域像素值较大的方法，主要包括hog直方图检测方法、各向异性检测方法、阈值分割方法和最小路径法等。技术实现要素：4.针对现有技术的不足，本发明的目的是提供一种基于深度学习的公路路面病害智能检测方法，以解决现有技术中道路病害检测方法检测精度与效率低、鲁棒性与泛化能力差的问题。5.为了解决上述技术问题，本发明采用了如下的技术方案：本发明提供了一种基于深度学习的公路路面病害智能检测方法，包括以下步骤：s10、获取数据集：采集路面病害图像作为数据集；s20、图像数据分类标定：根据所述步骤s10获取的所述路面病害数据集，对病害进行分类标注；s30、图像预处理：对标记好的所述路面病害图像进行预处理；s40、数据集划分：将所述路面病害数据集划分为三个数据子集，分别为训练集、验证集、测试集；s50、搭建网络并进行检测：搭建核心的卷积神经网络模型，简称yolo-unet网络，使用所述yolo-unet网络对病害进行检测，并输出病害的轮廓信息；s60、病害定量识别：使用步骤s50中输出的轮廓信息对病害的长度、宽度、面积等参数进行定量识别；s70、模型训练：搭载yolo-unet网络的模型，将模型初始化，并将训练集图片导入模型，进行训练；s80、损失函数设置：yolo-unet网络训练时的损失函数由边界框回归损失lciou、置信度损失lconf、分类损失lclass3 部分组成。若在某个边界框内不存在目标，仅计算置信度损失，若存在目标，则计算3种损失；置信度损失lconf与分类损失lclass通过交叉熵方法计算，边界框回归损失lciou通过ciou损失函数计算。具体计算公式为：l_ciou=∑_(i=0)^(s^2)▒∑_(j=0)^b▒i_(i,j)^obj[1-iou+(ρ^2(b,b^gt))/c^2+(16/π^4(arctanw^gt/h^gt-arctanw/h)^4)/(1-iou+4/π^2(arctanw^gt/h^gt-arctanw/h)^2)]；l_conf=-∑_(i=0)^(s^2)▒∑_(j=0)^b▒i_(i,j)^obj[ĉ_i^jlog〖(c_i^j)+〗(1-ĉ_i^j)log(〖1-c〗_i^j)]-λ_noobj∑_(i=0)^(s^2)▒∑_(j=0)^b▒i_(i,j)^noobj[ĉ_i^jlog〖(c_i^j)+〗(1-ĉ_i^j)log(〖1-c〗_i^j)]；l_class=-∑_(i=0)^(s^2)▒〖i_(i,j)^obj∑_cϵclasses▒[p̂_i^jlog〖(p_i^j)+〗(1-p̂_i^j)log(〖1-p〗_i^j)]〗；式中：s2、b分别为特征图尺度与先验框；λnoobj为权重系数；i_(i,j)^obj、i_(i,j)^noobj意为若第i网格的第j先验框处有目标，分别取1与0，若没有目标，分别取0与1；ρ(•)为欧氏距离；c是预测框与实际框闭包区域的对角线距离；b、w、h分别为预测框的中心坐标及宽高；bgt、wgt、hgt是实际目标所在区域框的中心坐标及宽高；c_i^j、ĉ_i^j——预测框与标注框的置信度；p_i^j、p̂_i^j是预测框与标注框的类别概率；s90、模型测试：引入所述测试集图片进行模型测试，输出各项检测数值指标，判断是否达到预期值；使用检测车进行路面病害视频拍摄，传输回高性能计算机终端检测，判断模型检测效率及准确率能否达到所需要求。[0006]进一步的，所述步骤s10具体包括：s11、获取数据集的方法为：通过网络收集、爬虫和道路检测装置现场采集所得，建立一个具有10000张路面病害图像的公路路面病害数据集。[0007]进一步的，所述步骤s20具体包括：s21、将获取路面病害数据集中的图像分为横向裂缝，纵向裂缝，坑槽，龟裂四类病害类型；s22、使用可视化的图像标定工具—lableimg工具对路面病害进行标记。[0008]进一步的，所述步骤s30具体包括：s31、将图像统一处理为分辨率为600×600；s32、使用clahe限制对比度自适应直方图均衡化方法来确保较暗区域的亮度与亮区域的亮度之间存在大的差异，该方法是将图像分块，以块为单位，先计算直方图，然后修剪直方图，最后均横直方图的计算方法。[0009]进一步的，步骤s40数据集划分中三个数据子集的比例为8:1:1。[0010]进一步的，所述步骤s50具体包括：s51、将原始的整张路面病害图像作为yolo-unet网络的输入，并将路面病害图片划分成7×7大小的网格，对于其中的每个网格，如果病害的中心出现在这个网格中，那么在这个网格负责检测出病害目标；s52、每个网格都需要预测出多个候选框，并且每个候选框都包含5个预测量，即（x,y,w,h,score）,其中，物体的中心点坐标为(x,y)，候选框的宽和高为(w,h)，候选框中含有路面病害的置信度为score，其表达式为：score=pr(object)×〖iou〗_pred^truth式中，pr(object)表示候选框的单元中是否含有病害，若其中含有病害，则将pr(object)置为1，否则将其置为0。〖iou〗_pred^truth为预测框与实际框的交叉区域与联合区域的比率；s53、从3个尺度进行多尺度预测，每种尺度预测3个可能包含检测目标的区域，最后对路面病害进行预测分类，判别病害的类型；s54、为了定量计算路面病害长度、面积等指标，针对病害定量识别，通过yolo-unet网络提取病害精确轮廓信息，通过目标识别和图像分割，利用多神经网络提升对细笔迹、细划痕的抗干扰能力，输出识别出的路面病害的轮廓信息。[0011]进一步的，所述步骤s60具体包括：s61、通过二值图像细化，将一个连通区域细化成一个像素的宽度，不断减少外围像素，提取图像像素骨架；通过膨胀圆得到病害像素长度或宽度，根据距离或参照物换算出实际尺寸对应多少个像素，进而换算出路面病害的轮廓长度、宽度或面积。[0012]进一步的，所述步骤s70具体包括：s71、采用随机初始化的方法来初始化参数；s72、使用梯度下降的方法对yolo-unet网络进行训练。[0013]进一步的，所述步骤s90中所述检测数值指标为指精确率，是所有的预测结果中真正的目标所占比例。[0014]本发明提供的一种基于深度学习的公路路面病害智能检测方法与现有技术相比，至少具有如下有益效果：本发明采用的yolo-unet网络的模型作为检测框架，通过对大量路面病害学习，模型能够学习到更具鲁棒性的特征表达，从而增加了泛化能力，提高识别的准确度，同时提取病害精确轮廓信息，通过目标识别和图像分割，利用多神经网络提升对细笔迹、细划痕的抗干扰能力，输出识别的路面病害的轮廓信息，从而实现病害的定量识别。[0015]附图说明为了更清楚地说明本发明的方案，下面将对实施例描述中所需要使用的图作一个简单的介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0016]图1为本发明提供的一种基于深度学习的公路路面病害智能检测方法的总流程图2为本发明提供的一种基于深度学习的公路路面病害智能检测方法的总体网络结构图。具体实施方式[0017]为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。[0018]除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。[0019]如图1所示，本发明提供的一种基于深度学习的公路路面病害智能检测方法，包括以下步骤：s10、获取数据集：采集路面病害图像用于路面病害检测的数据集；s11、获取数据集的方法为：通过网络收集、爬虫和道路检测装置现场采集所得，建立一个具有10000张路面病害图像的公路路面病害数据集。[0020]s12、由专业人员挑选病害图片具体地，挑选图片的主要依据有:1、图像应具有多样性，包含水泥路、行人道绿化带、沥青路等；2、图片应具有多视角，包括正视、侧视和斜视等，可采用图像旋转算法;3、病害应具有明显的特征；4、图像的清晰度应该有保证。[0021]s20、图像数据分类标定：根据所述步骤s10获取的所述路面病害数据集，对病害进行分类标注。[0022]s21、将获取的路面病害数据集中的图像分为横向裂缝，纵向裂缝，坑槽，龟裂四类病害类型；s22、使用可视化的图像标定工具—lableimg工具对路面病害进行标记。[0023]具体地，标注病害时，应尽量沿边缘划分，对于边界不明显的病害，或病害重合的区域，应由有经验的专业人员进行辨认。[0024]s30、图像预处理：对标记好的路面病害图像进行预处理。[0025]s31、将图像统一处理为分辨率为600×600；s32、使用clahe限制对比度自适应直方图均衡化方法来确保较暗区域的亮度与亮区域的亮度之间存在大的差异，该方法是将图像分块，以块为单位，先计算直方图，然后修剪直方图，最后均横直方图的计算方法。[0026]s40、数据集划分：将所述数据集划分为三个数据子集，分别为训练集、验证集、测试集。[0027]具体地，步骤s40数据集划分中三个数据子集的比例为8:1:1。[0028]s50、搭建网络并进行检测：搭建核心的卷积神经网络模型结构，简称yolo-unet网络，使用yolo-unet网络对病害进行检测，并输出病害的轮廓信息。[0029]具体地，步骤s50搭建的卷积网络模型的总结构图如图2所示，将yolov5同unet相结合，首先使用yolov5对路面病害图像学习和识别，同时应用unet提取病害精确轮廓信息，通过目标识别和图像分割，利用多神经网络提升对细笔迹、细划痕的抗干扰能力，输出通过yolo-unet网络识别出的路面病害的轮廓信息，从而实现病害的定量识别。[0030]s51、将原始的整张路面病害图像作为yolo-unet网络的输入，并将路面病害图片划分成7×7大小的网格，对于其中的每个网格，如果病害的中心出现在这个网格中，那么在这个网格负责检测出病害目标；s52、每个网格都需要预测出多个候选框，并且每个候选框都包含5个预测量，即（x,y,w,h,score）,其中，物体的中心点坐标为(x,y)，候选框的宽和高为(w,h)，候选框中含有路面病害的置信度为score，其表达式为：score=pr(object)×〖iou〗_pred^truth式中，pr(object)表示候选框的单元中是否含有病害，若其中含有病害，则将prunet网络的模型作为检测框架，通过对大量路面病害学习，模型能够学习到更具鲁棒性的特征表达，从而增加了泛化能力，提高识别的准确度，同时应用unet提取病害精确轮廓信息，通过目标识别和图像分割，利用多神经网络提升对细笔迹、细划痕的抗干扰能力，输出通过yolo识别出的路面病害的轮廓信息，从而实现病害的定量识别。[0039]显然，以上所描述的实施例仅仅是本发明较佳实施例，而不是全部的实施例，附图中给出了本发明的较佳实施例，但并不限制本发明的专利范围。凡是利用本发明说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本发明专利保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!