【技术实现步骤摘要】
本专利技术涉及路面裂缝识别，具体涉及一种基于yalov3的路面裂缝自动识别方法及系统。
技术介绍
1、随着城市交通的不断发展，路面裂缝的及时识别和维护对于道路的安全和可持续使用至关重要，传统的路面裂缝检测通常依赖于人工巡检，这种方式耗时费力且容易遗漏细微的裂缝，因此，自动化的路面裂缝识别技术成为解决这一问题的关键。
2、现有技术中，基于计算机视觉和深度学习的方法逐渐成为路面裂缝检测的热门选择，然而，由于路面病害的多样性和复杂性，传统的图像处理和模式识别方法在处理这一问题上存在一定的局限性，因此，寻求一种能够高效、快速且准确地自动识别路面裂缝的方法是当前研究的重点。
3、公开于该
技术介绍
部分的信息仅仅旨在加深对本公开总体
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。
技术实现思路
1、本专利技术中提供了一种基于yalov3的路面裂缝自动识别方法及系统，从而有效解决
技术介绍
中所指出的问题。
2、为了达到上述目的，本专利技术所采用的技术方案是：
3、一种基于yalov3的路面裂缝自动识别方法，所述方法包括：
4、采集路面实时图像并进行预处理，得到路面图像数据集；
5、对所述路面图像数据集中的图像进行路面病害标注，并获得路面病害情况统计信息；
6、基于yalov3建立路面裂缝识别的卷积神经网络模型，并根据所述路面病害情况统计信息，对所述卷积神经网络模型进行优化；
7、使用优化后的所述卷积神经网络模型对路面病害图像进行识别；
8、使用非极大值抑制，对所述卷积神经网络模型输出的裂缝边界框进行筛选。
9、进一步地，所述方法进一步包括：
10、基于w-segnet网络架构，构建所述路面病害图像分割模型；
11、基于所述路面病害图像分割模型，对识别后的所述路面病害图像进行图像分割，并得到各路面病害分割图像数据集；
12、对所述路面病害分割图像数据集中的图像进行裂缝量化特征提取，并得到裂缝的量化特征提取结果；
13、根据所述量化特征提取结果，计算各裂缝的量度信息。
14、进一步地，基于w-segnet网络架构，构建所述路面病害图像分割模型，包括：
15、采用labelime对所述路面病害图像进行像素级标注；
16、将经过所述像素级标注的所述路面病害图像整理为训练集和验证集；
17、基于w-segnet网络架构的描述，构建编码器和解码器结构，设置与路面病害的类别数适应的输出层；
18、使用dice损失函数和adam最小优化算法，并利用所述训练集对模型进行训练，所述dice损失函数的表达式为：
19、
20、其中，n为一幅图像中的所有元素，为第i个像素的真实值，yi为预测的第i个像素的值，ε为平滑值。
21、使用所述验证集对训练后的所述模型进行性能评估，并完成所述路面病害图像分割模型的构建。
22、进一步地，所述预处理，包括：
23、按照预设的图像分辨率对路面图像进行切割处理，并对无法完整切割的部分进行补齐，得到路面切割图像数据集；
24、将所述路面切割图像数据集中的图像进行数据增强，所述数据增强为几何变换、随机调整亮度、随机调整对比度以及添加高斯噪声和椒盐噪声，其中，所述几何变换为平移、旋转和翻转。
25、进一步地，对所述路面图像数据集中的图像进行路面病害标注，并获得路面病害情况统计信息，包括：
26、将所述路面图像数据集中的图像进行路面病害类型分类；
27、使用labelime手动对各所述图像进行路面病害类型标注；
28、根据标注结果对各所述路面病害类型的图像进行统计，并获得所述路面病害情况统计信息。
29、进一步地，基于yalov3建立路面裂缝识别的卷积神经网络模型，包括：
30、使用yolov3作为骨干模型，并采用darknet-50作为主干提取网络；
31、利用yolov3的特征金字塔网络结构，将从所述主干提取网络得到的不同尺度的特征图进行融合；
32、使用步长为2的卷积核替代传统的池化层和全连接层，并引入多尺度预测；
33、使用所述进行路面病害标注的图像进行模型训练，并引入正则化技术，得到所述卷积神经网络模型。
34、进一步地,根据所述路面病害情况统计信息，对所述卷积神经网络模型进行优化，包括：
35、根据所述路面病害情况统计结果，对各类型的路面病害进行排序；
36、根据排序结果，使用类别平衡策略，对少数类别进行数据增强和加权处理。
37、进一步地，使用非极大值抑制，对所述卷积神经网络模型输出的裂缝边界框进行筛选，包括：
38、根据模型的置信度得分对每个裂缝边界框进行筛选，保留得分高于0.5的边界框。
39、对于剩余的所述边界框，计算两者之间的重叠区域，计算公式为：
40、
41、其中，iou为交并比，bp为预测边界框，bg为人工标注真实边界框；
42、根据得分从低到高对剩余边界框进行排序，移除与当前边界框重叠区域大于设定阈值的所有边界框。
43、一种基于yalov3的路面裂缝自动识别系统,所述系统包括：
44、路面图像获取模块，采集路面实时图像并进行预处理，得到路面图像数据集；
45、病害情况统计模块，对所述路面图像数据集中的图像进行路面病害标注，并获得路面病害情况统计信息；
46、识别模型构建模块，基于yalov3建立路面裂缝识别的卷积神经网络模型，并根据所述路面病害情况统计信息，对所述卷积神经网络模型进行优化；
47、病害图像识别模块，使用优化后的所述卷积神经网络模型对路面病害图像进行识别；
48、裂缝边界筛选模块，使用非极大值抑制，对所述卷积神经网络模型输出的裂缝边界框进行筛选。
49、进一步地，所述病害情况统计模块，包括：
50、类型分类单元，将所述路面图像数据集中的图像进行路面病害类型分类；
51、类型标注单元，使用labelime手动对各所述图像进行路面病害类型标注；
52、信息统计单元，根据标注结果对各所述路面病害类型的图像进行统计，并获得所述路面病害情况统计信息。
53、通过本专利技术的技术方案，可实现以下技术效果：
54、有效解决了现有方法识别速度慢，目标检测不准确的问题，实现了更快的检测速度、更好的特征学习能力，提供更灵活的模型预测，在实时性、准确性和适应性上取得显著提升。
55、上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的本文档来自技高网...
【技术保护点】
1.一种基于YALOv3的路面裂缝自动识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于YALOv3的路面裂缝自动识别方法，其特征在于，所述方法进一步包括：
3.根据权利要求2所述的基于YALOv3的路面裂缝自动识别方法，其特征在于，基于W-segnet网络架构，构建所述路面病害图像分割模型，包括：
4.根据权利要求1所述的基于YALOv3的路面裂缝自动识别方法，其特征在于，所述预处理，包括：
5.根据权利要求1所述的基于YALOv3的路面裂缝自动识别方法，其特征在于，对所述路面图像数据集中的图像进行路面病害标注，并获得路面病害情况统计信息，包括：
6.根据权利要求5所述的基于YALOv3的路面裂缝自动识别方法，其特征在于，基于YALOv3建立路面裂缝识别的卷积神经网络模型，包括：
7.根据权利要求1所述的基于YALOv3的路面裂缝自动识别方法，其特征在于,根据所述路面病害情况统计信息，对所述卷积神经网络模型进行优化，包括：
8.根据权利要求1所述的基于YALOv3的路面裂缝自动识
9.一种基于YALOv3的路面裂缝自动识别系统，其特征在于,所述系统包括：
10.根据权利要求9所述的基于YALOv3的路面裂缝自动识别系统，其特征在于，所述病害情况统计模块，包括：
...【技术特征摘要】
1.一种基于yalov3的路面裂缝自动识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于yalov3的路面裂缝自动识别方法，其特征在于，所述方法进一步包括：
3.根据权利要求2所述的基于yalov3的路面裂缝自动识别方法，其特征在于，基于w-segnet网络架构，构建所述路面病害图像分割模型，包括：
4.根据权利要求1所述的基于yalov3的路面裂缝自动识别方法，其特征在于，所述预处理，包括：
5.根据权利要求1所述的基于yalov3的路面裂缝自动识别方法，其特征在于，对所述路面图像数据集中的图像进行路面病害标注，并获得路面病害情况统计信息，包括：
6.根据权利要求...
【专利技术属性】
技术研发人员：韩超，黄九达，韦武举，曹荣吉，陈涛，
申请(专利权)人：苏交科集团股份有限公司，
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。