【技术实现步骤摘要】
本专利技术涉及计算机视觉和图像处理领域，尤其涉及一种面向异常天气下的路面裂缝与安全锥检测方法及设备。
技术介绍
1、高速公路路面在承受日益增大的交通量的同时还受各种自然因素的影响，路面裂缝、坑槽等道路问题逐渐产生。裂缝是许多路面病害的雏形，所以在裂缝形成的初期实现有效检测是高速道路安全的重要保障。而对于路面进行非完全封闭状态的修补和养护作业过程中，除了施工人员需要佩戴安全设备以外，对路面进行安全设施的合理摆放也尤为重要。因此在进行车辆、无人机等对道路进行自动巡查的过程中，实现对于路面破损与如安全锥等安全设施摆放的高精度实时检测对于安全施工具有重要意义。而恶劣天气下拍摄的图像或视频容易受到雨、雪、雾的散射干扰，并且下雨或下雪时不同大小形状的雨滴或雪粒往往会附着在玻璃窗或相机镜头上，不仅会导致采集到的图像质量降低，而且会对后期的计算机视觉任务造成干扰，因此在进行路面裂缝检测与安全锥检测前采取正确方法去除异常天气影响具有重要意义。
2、目前单幅图像去雨雪算法主要分为基于模型驱动的算法和基于数据驱动的算法。基于模型驱动的算法用图像的先验知识，设计优化算法进行求解，从而获得干净背景的图像。基于数据驱动的算法通过构建神经网络，利用成对的雨雪条纹标签和干净无雨雪图像来学习有雨雪到无雨雪的非线性映射。基于模型驱动的去雨雪算法由于存在泛化能力差和计算时间多等缺点，近年来已逐渐被性能指标更优的基于数据驱动的算法所代替。yang等人提出了雨水合成模型，并且构建了多任务卷积网络jorder，利用成对的雨水条纹标签和干净无雨水图像来学习从有雨
3、公路检测发展大致经历了三个阶段：从传统的人工检测，到半自动化检测，再到如今的基于机器视觉的全自动化检测。其中，全自动化检测技术弥补了人工检测的不足之处，节省了人力、财力和时间，使得评估效率大大提升，使得周期性检测成为可能，并且相较于半自动化检测，其检测精度与检测速度也得到了很大的提升。基于深度学习算法的全自动化检测技术已成为异常天气图像恢复领域的主流方法。王红梅等人提出了一种结合ssd算法构建的网络框架，能够在复杂背景下对各种目标进行较高精度的检测。刘洪江等人从多个尺度透彻分析了小目标检测，针对小目标在图像中覆盖面积小、分辨率低和特征不明显等问题提出相关改进；宋霄罡等人提出一种面向复杂施工环境的实时目标检测算法yolo-c，将提取到的低层特征与高层特征相融合，通过增强网络全局感知能力，提高检测精度以及减少参数量，更适合复杂施工环境下的目标检测任务。
4、对于异常天气处理，尽管模型驱动和数据驱动方法取得了显著进展，但仍面临一些挑战，如背景过度平滑或雨条纹残留等问题，这些影响了恢复效果的实用性和实时性。对于路面裂缝及安全锥检测，mandal v等对比了efficientdet，centernet和yolo系列等几种算法在路面病害检测中的性能表现，发现表现最好的为yolo系列算法。然而，面对当下较为复杂的公路类型及路面环境，现有的yolo算法在路面病害识别方面仍然存在一些缺陷，如对小面积、不规则形状的病害的检测能力较弱，特征提取较为困难，效率和精度不够高等。
技术实现思路
1、有鉴于此,本专利技术的目的在于提供一种面向异常天气下的路面裂缝与安全锥检测方法及设备，用于克服常规去雨算法会产生因雨纹与图像细节的混淆而导致结果过度暗淡或饱和的问题。
2、本专利技术提供了一种面向异常天气下的路面裂缝与安全锥检测方法，包括：
3、s1：构建异常天气处理网络，通过样本真实图像集合和样本合成图像集合对异常天气处理网络进行训练，获得训练好的异常天气处理网络；
4、s2：通过样本真实图像集合构建路面裂缝图像集合和安全锥图像集合，将路面裂缝图像集合和安全锥图像集合输入自适应特征重构网络，获得路面裂缝特征集合和安全锥特征集合；
5、s3：构建路面裂缝检测网络和安全锥检测网络，通过路面裂缝特征集合对路面裂缝检测网络进行训练，获得训练好的路面裂缝检测网络；通过安全锥特征集合对安全锥检测网络进行训练，获得训练好的安全锥检测网络；
6、s4：将待检测合成图像输入训练好的异常天气处理网络，获得待检测真实图像，将待检测真实图像输入训练好的路面裂缝检测网络和训练好的安全锥检测网络，分别获得路面裂缝检测结果和安全锥检测结果。
7、优选的：
8、异常天气处理网络包括：特征转换空间模块、匹配网络、gan-cnn网络、和图像转换空间模块；
9、gan-cnn网络包括：卷积神经网络和生成对抗网络，生成对抗网络包括生成器和判别器。
10、优选的，步骤s1具体为：
11、s11：从样本真实图像集合中提取两个样本真实图像，将其中一个样本真实图像作为引导雨图，从样本合成图像集合中提取一个样本合成图像作为合成雨图，调节匹配网络和gan-cnn网络的参数；
12、s12：通过特征转换空间模块对合成雨图和引导雨图进行特征提取，获得第一合成特征和第二合成特征；
13、s13：将第一合成特征和第二合成特征输入匹配网络，计算获得匹配网络的匹配损失；
14、s14：第一合成特征依次经过匹配网络、gan-cnn网络和图像转换空间模块，获得去雨图像，通过去雨图像和样本真实图像计算获得gan-cnn网络的感知损失和均方误差损失；
15、s15：重复步骤s12-s14直至匹配损失、感知损失和均方误差损失均小于对应的预设值，获得训练好的异常天气处理网络。
16、优选的：
17、匹配损失lmatch的计算公式为：
18、lmatch＝lf+lc
19、
20、其中，fs和ft分别表示第一合成特征和第二合成特征，ms和mt分别表示fs和ft的均值向量，表示frobenius范数，d表示特征维度。
21、优选的：
22、生成对抗网络的感知损失的计算公式为：
23、perceptual loss＝content loss+λ·adverserial loss
24、content loss＝||vgg(itruth)-vgg(iclear)||2
25、adverserial loss＝∑[log(d(itruth))+log(1-g(iclear))]
26、其中，itruth为样本真实图像，iclear为去雨图像，vgg表示卷积神经网络，||·||2表示l2范数，λ为感知损失和均方误差损失的共享权重；
27、卷积神经网络的均方误差损失的计算公式为：
28、i＝||vgg[f(i；θ)]-vgg(本文档来自技高网...
【技术保护点】
1.一种面向异常天气下的路面裂缝与安全锥检测方法，其特征在于，包括：
2.根据权利要求1所述的面向异常天气下的路面裂缝与安全锥检测方法，其特征在于：
3.根据权利要求1所述的面向异常天气下的路面裂缝与安全锥检测方法，其特征在于，步骤S1具体为：
4.根据权利要求3所述的面向异常天气下的路面裂缝与安全锥检测方法，其特征在于：
5.根据权利要求3所述的面向异常天气下的路面裂缝与安全锥检测方法，其特征在于：
6.根据权利要求1所述的面向异常天气下的路面裂缝与安全锥检测方法，其特征在于：
7.根据权利要求1所述的面向异常天气下的路面裂缝与安全锥检测方法，其特征在于：
8.一种存储介质，其特征在于：所述存储介质存储指令及数据用于实现权利要求1～7任一项所述的面向异常天气下的路面裂缝与安全锥检测方法。
9.一种面向异常天气下的路面裂缝与安全锥检测设备，其特征在于：包括：处理器及存储介质；所述处理器加载并执行存储介质中的指令及数据用于实现权利要求1～7任一项所述的面向异常天气下的路面裂缝与安全锥检测
...【技术特征摘要】
1.一种面向异常天气下的路面裂缝与安全锥检测方法，其特征在于，包括：
2.根据权利要求1所述的面向异常天气下的路面裂缝与安全锥检测方法，其特征在于：
3.根据权利要求1所述的面向异常天气下的路面裂缝与安全锥检测方法，其特征在于，步骤s1具体为：
4.根据权利要求3所述的面向异常天气下的路面裂缝与安全锥检测方法，其特征在于：
5.根据权利要求3所述的面向异常天气下的路面裂缝与安全锥检测方法，其特征在于：
6.根据权利要求1所述的面向异常天...
【专利技术属性】
技术研发人员：余小晴，张子涵，虞安军，何丕元，饶春华，刘玮，熊永华，
申请(专利权)人：江西赣粤高速公路股份有限公司，
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。