一种基于深度学习的道路裂缝检测评估算法

1.本发明涉及裂缝识别技术领域，具体是指一种基于深度学习的道路裂缝检测评估算法。


背景技术：

2.中国拥有世界上最大的公路网之一，公路在铺设之后就面临着维护的问题，若路面受损而没有进行及时地维护，将会大大降低路面的使用寿命且造成安全隐患。然而公路具有数量多、里程长、分布广等特点，难以快速且较为准确地统计评估不同路段的道路受损情况。传统人工检测的方法速度慢，人力成本高，且也需要依赖相关专业测量设备才能较为准确地检测和统计。而专业的路面检测车由于搭载众多专业测量设备，存在造价较高、体积较大、需要专人操作的问题。


技术实现要素：

3.本发明要解决的技术问题是，针对以上问题提供一种基于深度学习的道路裂缝检测统计算法流，可以对道路路面图片进行裂缝提取并获取相关信息，为路面受损情况评估工作提供参考。
4.为解决上述技术问题，本发明提供的技术方案为：一种基于深度学习的道路裂缝检测评估算法，包括以下步骤：
5.s1、训练神经网络模型funet；
6.s11、获取公开的道路裂缝数据集crackforest数据集；
7.s12、每次对funet模型输入一个mini-batch的数据，获得funet模型的输出，结合数据集的标注，使用交叉熵和f1分数组成的损失函数计算损失loss值；
8.s13、使用误差反向传播算法更新funet模型的梯度，使用梯度下降算法根据计算得到的梯度对funet进行梯度下降，更新funet模型的参数；
9.s14、对步骤s12和步骤s13反复执行，直至最后的loss值基本不下降为止；
10.s15、将训练后的funet模型的参数保存，供后续使用；
11.s2、使用该算法流进行道路裂缝检测评估；
12.s21、构建神经网络模型funet，并导入之前训练好的数据，将模型调为评估模式，在这种模式下不会更改网络中参数的值；
13.s22、从摄像头获取图片或从视频中获取图片，并对图片进行预处理，本算法中仅对图片进行规范化处理即可；
14.s23、将预处理后的图片送入funet模型，并得到funet模型的输出，funet模型的输出mask即为对像素点的分类；
15.s24、将输出的mask输入到基于dfs的路面裂缝目标检测算法中，对裂缝进行实例的划分；
16.s25、根据基于dfs的路面裂缝目标检测算法得到的裂缝实例数据，在后续的算法
中计算裂缝总体和个体的数据，包括图片裂缝密度、裂缝个体分布密度等数据，在此基础上可以对某些指标不符合最低要求的裂缝实例进行过滤处理，这样可以有效避免图片上的噪音干扰，仅关注超过正常指标的裂缝。
17.本发明与现有技术相比的优点在于：利用卷积神经网络模型funet和后续算法对道路裂缝进行提取与分析，具有标准的流程，避免了人工检测中的人与人判定差异导致的标准不同问题，通过图像对道路裂缝进行提取与分析，使用设备较为简单，降低了成本，该算法流可以端到端地完成对裂缝的提取与分析，既可以完成像素级的分类任务，同时又可以对象级划分和分析，不需要人工关注内部结构，对操作人员的要求低。
18.作为优选的，步骤s11的获取数据集使用图像处理方法进行数据集的增广，这些操作是对数据集中的原图和标注同时进行的，具体操作包括：图像的翻转、裁剪拼接、局部扭曲、添加高斯噪声、对亮度进行随机偏置。
19.作为优选的，步骤s12的计算公式如下：
20.loss＝crossentropyloss (1-f1)
ꢀꢀꢀ
(1)
21.其中
[0022][0023][0024][0025][0026]
作为优选的，步骤s24通过调节dfs中的搜索范围，可以控制是否要将不连续的裂缝合并为一个裂缝实例，还可以调节合并间距，即在此间距范围中将两条不连续的裂缝画归与同一条裂缝实例。经过基于dfs的路面裂缝目标检测算法处理后可以得到裂缝实例，包括该裂缝实例在图中的分布范围[xmin,ymin,xmax,ymax]、该裂缝实例的裂缝像素点个数。
附图说明
[0027]
图1为一种基于深度学习的道路裂缝检测评估算法的训练与检测流程图；
[0028]
图2为一种基于深度学习的道路裂缝检测评估算法中神经网络模型funet的总体结构图；
[0029]
图3为一种基于深度学习的道路裂缝检测评估算法中神经网络模型funet的细节结构图；
[0030]
图4为一种基于深度学习的道路裂缝检测评估算法样本示例图片；
[0031]
图5为通过算法得到的像素级分类图片，黑色为背景，白色为裂缝；
[0032]
图6为dfs的路面裂缝目标检测算法在间隔距离为0时得到的裂缝实例,每一个框对应一个裂缝实例；
[0033]
图7为dfs的路面裂缝目标检测算法在间隔距离为7时得到的裂缝实例,每一个框
对应一个裂缝实例。
具体实施方式
[0034]
下面结合附图对本发明做进一步的详细说明。
[0035]
本发明在具体实施时，一种基于深度学习的道路裂缝检测评估算法，包括以下步骤：
[0036]
s1、训练神经网络模型funet；
[0037]
s11、获取公开的道路裂缝数据集crackforest数据集；
[0038]
s12、每次对funet模型输入一个mini-batch的数据，获得funet模型的输出，结合数据集的标注，使用交叉熵和f1分数组成的损失函数计算损失loss值；
[0039]
s13、使用误差反向传播算法更新funet模型的梯度，使用梯度下降算法根据计算得到的梯度对funet进行梯度下降，更新funet模型的参数；
[0040]
s14、对步骤s12和步骤s13反复执行，直至最后的loss值基本不下降为止；
[0041]
s15、将训练后的funet模型的参数保存，供后续使用；
[0042]
s2、使用该算法流进行道路裂缝检测评估；
[0043]
s21、构建神经网络模型funet，并导入之前训练好的数据，将模型调为评估模式，在这种模式下不会更改网络中参数的值；
[0044]
s22、从摄像头获取图片或从视频中获取图片，并对图片进行预处理，本算法中仅对图片进行规范化处理即可；
[0045]
s23、将预处理后的图片送入funet模型，并得到funet模型的输出，funet模型的输出mask即为对像素点的分类；
[0046]
s24、将输出的mask输入到基于dfs的路面裂缝目标检测算法中，对裂缝进行实例的划分；
[0047]
s25、根据基于dfs的路面裂缝目标检测算法得到的裂缝实例数据，在后续的算法中计算裂缝总体和个体的数据，包括图片裂缝密度、裂缝个体分布密度等数据，在此基础上可以对某些指标不符合最低要求的裂缝实例进行过滤处理，这样可以有效避免图片上的噪音干扰，仅关注超过正常指标的裂缝。
[0048]
作为优选的，步骤s11的获取数据集使用图像处理方法进行数据集的增广，这些操作是对数据集中的原图和标注同时进行的，具体操作包括：图像的翻转、裁剪拼接、局部扭曲、添加高斯噪声、对亮度进行随机偏置。
[0049]
作为优选的，步骤s12的计算公式如下：
[0050]
loss＝crossentropyloss (1-f1)
ꢀꢀꢀ
(1)
[0051]
其中
[0052][0053]
[0054][0055][0056]
作为优选的，步骤s24通过调节dfs中的搜索范围，可以控制是否要将不连续的裂缝合并为一个裂缝实例，还可以调节合并间距，即在此间距范围中将两条不连续的裂缝画归与同一条裂缝实例。经过基于dfs的路面裂缝目标检测算法处理后可以得到裂缝实例，包括该裂缝实例在图中的分布范围[xmin,ymin,xmax,ymax]、该裂缝实例的裂缝像素点个数。
[0057]
本发明的工作原理：funet模型训练完成后的参数文件仅有1.5mb，参数量少，训练仅需要少量的数据即可在短时间内快速完成。单张检测时运行显存仅需1gb左右，在rtx1070显卡上测试可达到每秒50帧左右。后续的dfs的路面裂缝目标检测算法时间复杂度为o(mn)，m、n分别为图片的宽高。由此可以看出该算法对搭载平台的性能要求较低，速度较快，一方面降低了部署算法的成本消耗，另一方面由于其对平台要求较低可大量部署到多种车载平台上。
[0058]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0059]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0060]
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
[0061]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”，“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0062]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。