基于深度学习网络的路面裂缝检测方法和系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115082450A(43)申请公布日2022.09.20(21)申请号202210884066.6(22)申请日2022.07.26(71)申请人北京中科慧眼科技有限公司地址100085北京市海淀区创业中路32号楼32-1-1-559(72)发明人谢启伟章佳白珍裴姗姗孙钊(74)专利代理机构北京远立知识产权代理事务所(普通合伙)11502专利代理师李海燕(51)Int.Cl.G06T7/00(2017.01)G06N3/04(2006.01)G06N3/08(2006.01)G06T7/55(2017.01)权利要求书2页说明书11页附图4页(54)发明名称基于深度学习网络的路面裂缝检测方法和系统(57)摘要本发明公开了一种基于深度学习网络的路面裂缝检测方法和系统，所述方法包括：获取目标区域内的道路原始图像，并将所述道路原始图像转换为俯视图；在所述俯视图内，对所有裂缝进行标注，以生成输入图像；将所述输入图像输入至预先训练的深度学习网络模型中，以得到所述道路原始图像对应的裂缝结果图；基于所述裂缝结果图通过像素统计算法得到路面质量和裂缝宽度；其中，所述深度学习网络模型是通过原始图像样本转换得到的俯视图样本训练得到的。解决了现有技术中路面缝隙检测准确性较差的技术问题。CN115082450ACN115082450A权利要求书1/2页1.一种基于深度学习网络的路面裂缝检测方法，其特征在于，所述方法包括：获取目标区域内的道路原始图像，并将所述道路原始图像转换为俯视图；在所述俯视图内，对所有裂缝进行标注，以生成输入图像；将所述输入图像输入至预先训练的深度学习网络模型中，以得到所述道路原始图像对应的裂缝结果图；基于所述裂缝结果图通过像素统计算法得到路面质量和裂缝宽度；其中，所述深度学习网络模型是通过原始图像样本转换得到的俯视图样本训练得到的。2.根据权利要求1所述的路面裂缝检测方法，其特征在于，所述将所述道路原始图像转换为俯视图，具体包括：计算所述道路原始图像的视差图，并提取所述视差图中每个像素点对应的深度值和每个像素点在图像坐标系中的坐标；基于各所述像素点的深度值和在图像坐标系上的坐标，计算各所述像素点在世界坐标系上的对应点集；根据各所述像素点在所述图像坐标系上的点集和所述对应点集，计算变换矩阵；基于所述变换矩阵，将所述道路原始图像转换为所述俯视图。3.根据权利要求1所述的路面裂缝检测方法，其特征在于，训练深度学习网络模型，具体包括：获取海量道路原始图像样本，并将所述道路图像样本分别转换为俯视图，以得到海量俯视图样本；计算所有俯视图样本的均值和均方差，以得到符合标准正态分布的训练集数据；将所述训练集数据输入至预先创建的深度学习网络模型中，并基于预先设定的网络参数进行深度监督训练，以得到预测结果；根据所述预测结果计算总损失，并利用所述总损失进行反向传播以更新所述深度学习网络模型，直至所述预测结果与预先设定的目标值之间的总损失达到预设值，停止迭代。4.根据权利要求3所述的路面裂缝检测方法，其特征在于，预先创建的深度学习网络模型为添加有注意力机制的Unet网络结构；所述Unet网络结构的包括：编码器，所述编码器用于通过卷积和下采样降低样本图像尺寸，并提取到浅层特征；所述编码器包括两个3x3卷积层、2x2的最大值池化层、批处理归一化层和非线形层；其中，所述卷积层用于获取训练集数据中的图像局域特征并传送给所述最大值池化层，所述批处理归一化层用于对训练图像的分布归一化；解码器，所述解码器包括两个3x3反卷积层、批处理归一化层、非线性、层和2x2的最大值池化层；注意力门，所述注意力门用于对提取到的浅层特征增加注意力机制，在对编码器对每层的特征与解码器中对应层进行拼接之前，分别增加注意力门。5.根据权利要求1所述的路面裂缝检测方法，其特征在于，基于所述裂缝结果图通过像素统计算法得到路面质量，具体包括：基于所述裂缝结果图得到热度图；2CN115082450A权利要求书2/2页将所述热度图平均划分为T个区域，每个区域内像素点总数为，其中，m,n为图片大小；确定热度图的每个像素点是否为裂缝；统计各所述区域内为裂缝的像素点个数，并计算为裂缝的像素点个数占其所在区域的比例；根据所述比例确定所述区域的路面质量。6.根据权利要求1所述的路面裂缝检测方法，其特征在于，基于所述裂缝结果图通过像素统计算法得到裂缝宽度，具体包括：在所述裂缝结果图中提取目标裂缝的轮廓和骨架线；计算所述骨架线上各像素点的法向量，并基于各像素点的法向量建立局部坐标系；在所述局部坐标系中，分别在四个象限内找到离骨架线法向量最近的边缘轮廓点，分别计算左轮廓中两个点和右轮廓中两个点形成的线段和骨架法向量的交点；根据骨架线上的各像素点到两个