【技术实现步骤摘要】
一种基于深度学习的道路裂缝检测方法
[0001]本专利技术涉及计算机视觉检测
,特别涉及一种基于深度学习的道路裂缝检测方法。
技术介绍
[0002]近年来,我国的公路交通发展迅速,为国民出行带来了极大的便利。与此同时,发达的公路交通体系在其稳定运行和行车舒适性等方面提出了更高的要求。随着我国经济的快速发展,各种重载车辆活动频繁,在长期的行车载荷压作用下极易出现不同类型的道路病害,最常见的就是各种道路裂缝。及时排查并修复路面裂缝及受损区域,能够有效消除道路安全隐患,保证公路交通的稳定运行。由于路面裂缝位置不定、大小不一致以及路面背景复杂等因素,在日常检测中即使耗费大量人力物力,仍极易出现误检和漏检的状况。
[0003]为提高路面巡检效率和降低人为主观因素干扰,目前路面检测中大多采用基于机器学习的检测方法,这些方法依赖于手工设计的特征提取器,方法设计较为复杂。而基于图像处理的裂缝检测方法虽然操作简单,但其检测效果受背景噪声干扰严重。因此,这些方法的实际检测效果并不理想,无法满足路面巡检的要求。
技术实现思路
[0004]专利技术针对路面裂缝漏检和定位不准的问题,提出了一种基于深度学习的道路裂缝检测方法CrackNet,能够准确检测包括横向裂缝、纵向裂缝、龟裂及坑槽在内的四种路面裂缝。
[0005]本专利技术提供一种基于深度学习的道路裂缝检测方法,所述道路裂缝检测方法包括以下步骤:步骤1,建立路面裂缝数据集,并将裂缝定义为对应类型;步骤2,结合路面裂缝数据集中裂缝几何特征设计裂缝的预设 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的道路裂缝检测方法,其特征在于,所述道路裂缝检测方法包括以下步骤:步骤1,建立路面裂缝数据集,并将裂缝定义为对应类型;步骤2,结合路面裂缝数据集中裂缝几何特征设计裂缝的预设锚框尺寸;步骤3,构建融合注意力和任务解耦的路面裂缝深度学习模型,识别裂缝类别,通过锚框尺寸标识裂缝。2.根据权利要求1所述基于深度学习的道路裂缝检测方法,其特征在于,在步骤1中,所述路面裂缝数据集对裂缝分为纵向裂缝、横向裂缝、龟裂和坑槽四种类型。3.根据权利要求1所述基于深度学习的道路裂缝检测方法,其特征在于,在步骤2中,使用K
‑
means聚类算法对路面裂缝数据集中包围框尺寸进行聚类,在8倍、16倍和32倍采样尺度下分别聚类大目标、中等目标和小目标尺寸,并根据聚类结果在每个下采样尺度预设3个锚框。4.根据权利要求1所述基于深度学习的道路裂缝检测方法,其特征在于,在步骤1中,所述路面裂缝数据集包括多张沥青路面裂缝图像,图像分辨率为2048
×
1536。5.根据权利要求4所述基于深度学习的道路裂缝检测方法,其特征在于,在步骤3中,所述路面裂缝深度学习模型包括特征提取网络、特征融合网络和预测网络,还包括以下步骤:步骤31,在特征提取网络中分别生成80
×
80
×
256的特征图和40
×
40
×
512的特征图,并通过SPFF模块生成20
×
20
×
1024特征图;步骤32,所述20
×
20
×
1024特征图通过卷积生成20
×
20
×
512的Y3特征图,所述Y3特征图通过上采样与所述40
×
40
×
512的特征图拼接并卷积生成40
×
40
×
256的Y2特征图,所述Y2特征图通过上采样与所述80
×
80
×
256的特征图拼接并卷积生成80
×
80
×
256的Y1特征图;步骤33,分别将Y1特征图、Y2特征图和Y3特征图输入融合注意力模块FAM进行加权,生成加权Y1特征图、加权Y2特征图和加权Y3特征图;步骤34,加权Y1特征图通过卷积将特征图调整至80
×
80
×
128,加权Y1特征图通过卷积与加权Y2特征图进行拼接再进行卷积将特征图调整至40
×
40
×
256,加权Y1特征图通过卷积与加权Y2特征图拼接后与加权Y3特征图进行拼接...
【专利技术属性】
技术研发人员:张晓鹏,赵锐,白静波,尚文,夏彦,马飞,
申请(专利权)人:国网山西省电力公司大同供电公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。