基于联合检测的裂缝检测方法、装置和计算机设备制造方法及图纸

本申请涉及一种基于联合检测的裂缝检测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取待检测对象的目标图像；将目标图像输入至预训练的裂缝联合检测网络，得到第一检测结果和第二检测结果；第一检测结果为目标图像中各检测区域对应的裂缝识别结果；裂缝识别结果包括包含裂缝和不包含裂缝；第二检测结果为包含类别预测置信度和位置信息的裂缝预测框；将裂缝识别结果为包含裂缝的检测区域确定为候选检测区域；根据各候选检测区域与各裂缝预测框的重叠面积，在各候选检测区域中确定包含裂缝的目标检测区域。采用本方法能够提高裂缝检测的精确度。方法能够提高裂缝检测的精确度。方法能够提高裂缝检测的精确度。

【技术实现步骤摘要】
基于联合检测的裂缝检测方法、装置和计算机设备


[0001]本申请涉及人工智能
，特别是涉及一种基于联合检测的裂缝检测方法、装置、计算机设备、存储介质和计算机程序产品。

技术介绍

[0002]裂缝检测，如沥青路面、桥梁、其它建筑等工程结构表面的裂缝检测，是工程结构预防性维护的关键环节。例如，沥青路面裂缝不仅会影响驾驶安全性和舒适性，还会由于渗水引发铺装层稳定性变差以及其他二次病害。因而对沥青路面早期裂缝及时进行养护和修补，可以延长沥青路面的使用寿命。因此，对沥青路面等工程结构表面进行定期检测和评估，为裂缝等病害进行及时养护和修补提供决策依据，对维护工程结构表面健康有着重要意义。
[0003]随着深度学习技术的发展，出现了目标检测算法，可用于对沥青路面等工程结构表面进行裂缝检测，然而裂缝检测的精确度不高，不利于裂缝率的计算。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提高裂缝检测精确度的基于联合检测的裂缝检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0005]第一方面，本申请提供了一种基于联合检测的裂缝检测方法。所述方法包括：
[0006]获取待检测对象的目标图像；
[0007]将所述目标图像输入至预训练的裂缝联合检测网络，得到第一检测结果和第二检测结果；所述第一检测结果为所述目标图像中各检测区域对应的裂缝识别结果；所述裂缝识别结果包括包含裂缝和不包含裂缝；所述第二检测结果为包含类别预测置信度和位置信息的裂缝预测框；<br/>[0008]将所述裂缝识别结果为包含裂缝的所述检测区域确定为候选检测区域；
[0009]根据各所述候选检测区域与各所述裂缝预测框的重叠面积，在各所述候选检测区域中确定包含裂缝的目标检测区域。
[0010]在其中一个实施例中，所述根据各所述候选检测区域与各所述裂缝预测框的重叠面积，在各所述候选检测区域中确定目标检测区域，包括：
[0011]针对每个所述候选检测区域，计算所述候选检测区域和各所述裂缝预测框的重叠面积，并在各所述重叠面积中，存在至少一个所述重叠面积大于预设阈值的情况下，将所述候选检测区域确定为包含裂缝的目标检测区域。
[0012]在其中一个实施例中，所述检测区域为预设尺寸的网格区域，各所述网格区域组成所述目标图像；所述方法还包括：
[0013]确定所述目标检测区域的数量、以及所述目标图像包含的所述网格区域的总数量，并计算所述数量与所述总数量的比值，将所述比值确定为所述待检测对象的总裂缝率。
[0014]在其中一个实施例中，所述第二检测结果还包含所述裂缝预测框对应的裂缝类
别；所述根据各所述候选检测区域与各所述裂缝预测框的重叠面积，在各所述候选检测区域中确定包含裂缝的目标检测区域之后，还包括：
[0015]针对每个所述目标检测区域，在各所述裂缝预测框中确定与所述目标检测区域的重叠面积最大的目标裂缝预测框，并将所述目标裂缝预测框对应的裂缝类别，确定为所述目标检测区域对应的裂缝类别。
[0016]在其中一个实施例中，所述裂缝联合检测网络包括骨干网络、与所述骨干网络分别连接的第一颈部网络和第二颈部网络、以及与所述第一颈部网络连接的第一头部网络，与所述第二颈部网络连接的第二头部网络；所述将所述目标图像输入至预训练的裂缝联合检测网络，得到第一检测结果和第二检测结果，包括：
[0017]将所述目标图像输入至所述骨干网络进行特征提取，并将提取的特征信息分别输入至所述第一颈部网络和所述第二颈部网络，通过所述第一颈部网络进行第一处理，得到第一特征图，并通过所述第二颈部网络进行第二处理，得到第二特征图；其中，所述第一特征图的每个像素点与一个所述检测区域对应；
[0018]将所述第一特征图输入至所述第一头部网络，通过所述第一头部网络对所述第一特征图的每个像素点进行第一裂缝类别预测，得到所述第一检测结果；
[0019]将所述第二特征图输入至所述第二头部网络进行第二裂缝类别预测，得到所述第二检测结果。
[0020]在其中一个实施例中，所述裂缝联合检测网络的训练过程包括：
[0021]获取样本对象的样本图像、以及所述样本图像对应的标注数据；所述标注数据包括第一类型标注数据和第二类型标注数据，所述第一类型标注数据为所述样本图像包含的多个样本检测区域对应的裂缝标注结果，所述裂缝标注结果包括包含裂缝和不包含裂缝；所述第二类型标注数据为包含裂缝类别信息和位置信息的标注框；
[0022]将所述样本图像和所述标注数据，输入至初始的裂缝联合检测网络进行联合训练，得到训练后的裂缝联合检测网络。
[0023]第二方面，本申请还提供了一种基于联合检测的裂缝检测装置。所述装置包括：
[0024]第一获取模块，用于获取待检测对象的目标图像；
[0025]检测模块，用于将所述目标图像输入至预训练的裂缝联合检测网络，得到第一检测结果和第二检测结果；所述第一检测结果为所述目标图像中各检测区域对应的裂缝识别结果；所述裂缝识别结果包括包含裂缝和不包含裂缝；所述第二检测结果为包含类别预测置信度和位置信息的裂缝预测框；
[0026]第一确定模块，用于将所述裂缝识别结果为包含裂缝的所述检测区域确定为候选检测区域；
[0027]第二确定模块，用于根据各所述候选检测区域与各所述裂缝预测框的重叠面积，在各所述候选检测区域中确定包含裂缝的目标检测区域。
[0028]在其中一个实施例中，所述第二确定模块具体用于：
[0029]针对每个所述候选检测区域，计算所述候选检测区域和各所述裂缝预测框的重叠面积，并在各所述重叠面积中，存在至少一个所述重叠面积大于预设阈值的情况下，将所述候选检测区域确定为包含裂缝的目标检测区域。
[0030]在其中一个实施例中，所述检测区域为预设尺寸的网格区域，各所述网格区域组
成所述目标图像；所述装置还包括：
[0031]计算模块，用于确定所述目标检测区域的数量、以及所述目标图像包含的所述网格区域的总数量，并计算所述数量与所述总数量的比值，将所述比值确定为所述待检测对象的总裂缝率。
[0032]在其中一个实施例中，所述第二检测结果还包含所述裂缝预测框对应的裂缝类别；所述装置还包括：
[0033]第三确定模块，用于针对每个所述目标检测区域，在各所述裂缝预测框中确定与所述目标检测区域的重叠面积最大的目标裂缝预测框，并将所述目标裂缝预测框对应的裂缝类别，确定为所述目标检测区域对应的裂缝类别。
[0034]在其中一个实施例中，所述裂缝联合检测网络包括骨干网络、与所述骨干网络分别连接的第一颈部网络和第二颈部网络、以及与所述第一颈部网络连接的第一头部网络，与所述第二颈部网络连接的第二头部网络；所述检测模块具体用于：
[0035]将所述目标图像输入至所述骨干网络进行特征提取，并将提取的特征信息分别输入至所述第一颈部网络和所述第二颈部网络，通过所述第一颈部网络进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联合检测的裂缝检测方法，其特征在于，所述方法包括：获取待检测对象的目标图像；将所述目标图像输入至预训练的裂缝联合检测网络，得到第一检测结果和第二检测结果；所述第一检测结果为所述目标图像中各检测区域对应的裂缝识别结果；所述裂缝识别结果包括包含裂缝和不包含裂缝；所述第二检测结果为包含类别预测置信度和位置信息的裂缝预测框；将所述裂缝识别结果为包含裂缝的所述检测区域确定为候选检测区域；根据各所述候选检测区域与各所述裂缝预测框的重叠面积，在各所述候选检测区域中确定包含裂缝的目标检测区域。2.根据权利要求1所述的方法，其特征在于，所述根据各所述候选检测区域与各所述裂缝预测框的重叠面积，在各所述候选检测区域中确定目标检测区域，包括：针对每个所述候选检测区域，计算所述候选检测区域和各所述裂缝预测框的重叠面积，并在各所述重叠面积中，存在至少一个所述重叠面积大于预设阈值的情况下，将所述候选检测区域确定为包含裂缝的目标检测区域。3.根据权利要求1所述的方法，其特征在于，所述检测区域为预设尺寸的网格区域，各所述网格区域组成所述目标图像；所述方法还包括：确定所述目标检测区域的数量、以及所述目标图像包含的所述网格区域的总数量，并计算所述数量与所述总数量的比值，将所述比值确定为所述待检测对象的总裂缝率。4.根据权利要求1所述的方法，其特征在于，所述第二检测结果还包含所述裂缝预测框对应的裂缝类别；所述根据各所述候选检测区域与各所述裂缝预测框的重叠面积，在各所述候选检测区域中确定包含裂缝的目标检测区域之后，还包括：针对每个所述目标检测区域，在各所述裂缝预测框中确定与所述目标检测区域的重叠面积最大的目标裂缝预测框，并将所述目标裂缝预测框对应的裂缝类别，确定为所述目标检测区域对应的裂缝类别。5.根据权利要求1所述的方法，其特征在于，所述裂缝联合检测网络包括骨干网络、与所述骨干网络分别连接的第一颈部网络和第二颈部网络、以及与所述第一颈部网络连接的第一头部网络，与所述第二颈部网络连接的第二头部网络；所述将所述目标图像输入至预训练的裂缝联合检测网络，得到第一检测结果和第二检测结果，包括：将所述目标图像输入至所述骨干网络进行特征提取，并将提取的特征信息分别输入至所述第...

【专利技术属性】
技术研发人员：樊健生，刘宇飞，李保罗，李法雄，刘诚，齐玉，胡跃军，
申请(专利权)人：北京未新科技有限公司，
类型：发明
国别省市：