【技术实现步骤摘要】
本专利技术属于路桥表面病害检测的，尤其涉及一种基于数字图像处理的路桥表面病害预测方法及装置。
技术介绍
1、目前，对于路桥表面病害一般采用人工目视检测，具有检测效率低、人员检测误差大等缺陷。大量国内外学者对基于深度学习的路桥表面病害智能检测方法开展了广泛研究，以实现路桥表面病害的自动化定位(矩形边界框)和识别(病害类别)。此类方法主要针对路桥表面病害设计与深度学习模型，再利用数据驱动的方式采用数据集对模型精心训练。因此数据集的特征丰富度会极大影响检测模型的最终检测精度。
2、然而，大量的路桥表面病害数据是垂直路面的俯视视角采集，而在实际检测过程中，部分检测图像是基于平行路面的行车记录仪等设备采集，存在一定的透视变化与图像畸变，因此图像不同的视角特征会导致已训练模型的检测精度较低，导致在现有检测模型在工程实践中缺乏足够的鲁棒性和检测精度。
3、专利文献cn116363088a公开了一种基于无人机的高速公路混凝土路面裂缝检测方法、电子设备及存储介质，该方法通过设定无人机的飞行路线与高度，对高速公路混凝土路面裂缝进行数据采集，通过labelimg工具进行裂缝类别标注，裂缝类别为横向裂缝、纵向裂缝、龟裂和块状裂缝，将标注后的高速公路混凝土路面裂缝数据分为训练集、验证集和测试集；改进yolov5网络模型构建高速公路混凝土路面裂缝检测网络模型；将训练集、验证集和测试集输入高速公路混凝土路面裂缝检测网络模型，得到训练好的高速公路混凝土路面裂缝检测网络模型。该方法仅能对航拍获得的数据进行数据处理，但未能考虑相机本身的拍摄
4、专利文献cn115063681a公开了一种公路路面病害检测方法，该方法包括s1.构建路面三维模型；s2.采集公路路面数据；s3.将公路路面数据输入至病害检测模型中，得到病害数据；s4.将病害数据匹配至路面三维模型中。该方法所需要样本量非常大，其前期样本准备阶段较为繁琐。
技术实现思路
1、本专利技术的目的是提供一种路桥表面病害预测方法及装置，该方法可以有效提高路桥表面检测时的稳定性和准确性。
2、为了实现本专利技术的第一个目的，提供一种基于数字图像处理的路桥表面病害预测方法，包括以下步骤：
3、获取路桥图像，并根据相机参数对路桥图像进行样本扩增，以获得多视角病害数据集。
4、以路桥表面的病害位置与病害类别对所述多视角病害数据集进行标签标注，将多视角病害数据集和标签组成数据集。
5、利用所述数据集，对预构建的预测模型进行训练，以获得用于识别多视角下病害类型的路桥表面病害预测模型。
6、将拍摄获得的路桥图像输入至所述路桥表面病害预测模型中，以输出路桥表面存在的病害类型和病害位置。
7、本专利技术采用相机参数对路桥图像进行样本扩增，以提高样本容量，从而更进一步提高最终模型的稳定性。
8、具体的，所述路桥图像通过检测车搭载垂直于路桥表面的相机采集获得。
9、具体的，所述多视角病害数据集还包括病害图像对应的路面材质，拍摄时间以及天气情况。
10、具体的，所述样本扩增包括透视变换和广角畸变。
11、具体的，所述病害类别包括纵向修补，横向修补，纵向裂缝，横向裂缝以及块状裂缝。
12、具体的，所述预测模型采用faster r-cnn神经网络框架进行构建，其包括特征提取模块，边界框选模块以及预测模块；
13、所述特征提取模块用于提取输入路桥图像的线段作为图像特征，所述边界框候选模块用于生成图像特征所在位置的边界框，所述预测模块根据获得的图像特征和对应的边界框，以获得预测结果，所述预测结果包括路桥表面的病害类别和病害位置。
14、具体的，训练时，采用特征交互融合的四步交替训练法对预测模型的参数进行调整。
15、为了实现本专利技术的第二目的是提供一种路桥表面病害预测装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机存储器中采用上述的基于数字图像处理的路桥表面病害预测方法。
16、所述计算机处理器执行所述计算机程序时实现以下步骤：
17、将拍摄获得的路桥图像输入至所述路桥表面病害预测模型中，以输出路桥表面存在的病害类别以及对应的病害位置。
18、与现有技术相比，本专利技术的有益效果：
19、在数据集建立过程中采用图像视角特征处理，在图像扩增过程中引透视变换和广角畸变，丰富数据集的不同视角特征，解决了采集设备与拍摄视角单一的局限、无法有效获取多视角特征的数据集的问题，为现有桥面病害检测模型提供具有丰富特征信息的数据集，实现对路桥表面检测工程中出现的多种病害的准确检测。
本文档来自技高网...【技术保护点】
1.一种基于数字图像处理的路桥表面病害预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于数字图像处理的路桥表面病害预测方法，其特征在于，所述路桥图像通过检测车搭载垂直于路桥表面的相机采集获得。
3.根据权利要求1所述的基于数字图像处理的路桥表面病害预测方法，其特征在于，所述多视角病害数据集还包括病害图像对应的路面材质，拍摄时间以及天气情况。
4.根据权利要求1所述的基于数字图像处理的路桥表面病害预测方法，其特征在于，所述样本扩增包括透视变换和广角畸变。
5.根据权利要求1所述的基于数字图像处理的路桥表面病害预测方法，其特征在于，所述病害类别包括纵向修补，横向修补，纵向裂缝，横向裂缝以及块状裂缝。
6.根据权利要求1所述的基于数字图像处理的路桥表面病害预测方法，其特征在于，所述病害位置通过人工矩形边界框进行标注。
7.根据权利要求1所述的基于数字图像处理的路桥表面病害预测方法，其特征在于，所述预测模型采用Faster R-CNN神经网络框架进行构建，其包括特征提取模块，边界框选模块以及预测模块；
8.根据权利要求1所述的基于数字图像处理的路桥表面病害预测方法，其特征在于，训练时，采用特征交互融合的四步交替训练法对预测模型的参数进行调整。
9.一种路桥表面病害预测装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述计算机存储器中采用权利要求1-8任一项所述的基于数字图像处理的路桥表面病害预测方法；所述计算机处理器执行所述计算机程序时实现以下步骤：
...【技术特征摘要】
1.一种基于数字图像处理的路桥表面病害预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于数字图像处理的路桥表面病害预测方法，其特征在于，所述路桥图像通过检测车搭载垂直于路桥表面的相机采集获得。
3.根据权利要求1所述的基于数字图像处理的路桥表面病害预测方法，其特征在于，所述多视角病害数据集还包括病害图像对应的路面材质，拍摄时间以及天气情况。
4.根据权利要求1所述的基于数字图像处理的路桥表面病害预测方法，其特征在于，所述样本扩增包括透视变换和广角畸变。
5.根据权利要求1所述的基于数字图像处理的路桥表面病害预测方法，其特征在于，所述病害类别包括纵向修补，横向修补，纵向裂缝，横向裂缝以及块状裂缝。
6.根据权利要求1所述的基于数字图像处理的...
【专利技术属性】
技术研发人员：叶建龙，舒江鹏，丁威，张晓武，肖文楷，
申请(专利权)人：浙江省交通集团检测科技有限公司，
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。