一种基于深度学习的道路裂缝检测评估算法

技术特征：
1.一种基于深度学习的道路裂缝检测评估算法，其特征在于，包括以下步骤：s1、训练神经网络模型funet；s11、获取公开的道路裂缝数据集crackforest数据集；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；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；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；s15、将训练后的funet模型的参数保存，供后续使用；s2、使用该算法流进行道路裂缝检测评估；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；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；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；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；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。2.根据权利要求1所述的一种基于深度学习的道路裂缝检测评估算法，其特征在于：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。3.根据权利要求1所述的一种基于深度学习的道路裂缝检测评估算法，其特征在于：步骤s12的计算公式如下：loss＝crossentropyloss (1-f1)
ꢀꢀꢀꢀ
(1)其中其中其中其中
4.根据权利要求1所述的一种基于深度学习的道路裂缝检测评估算法，其特征在于：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。

技术总结
本发明公开了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：S1、训练神经网络模型FUnet；S2、使用该算法流进行道路裂缝检测评估；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。低。低。


技术研发人员：刘宇翔 佘维 谭帅
受保护的技术使用者：郑州大学
技术研发日：2022.03.03
技术公布日：2022/7/5