The embodiment of the invention provides a road surface crack detection method, device and device for aerial photography. The method comprises the following steps: extracting the deep high-dimensional features of the pavement area in the aerial pavement image, obtaining the high-dimensional feature map according to the deep high-dimensional features, screening the positive and negative samples of the high-dimensional feature map based on the deep high-dimensional features of the pavement area to distinguish the pavement crack target and the pavement background; and identifying the pavement crack target and the pavement background; The crack target is classified and coordinate positioned to obtain the classification information and coordinate information of the road crack target. The embodiment of the invention can be applied to detect pavement cracks in aerial images of high-altitude moving background and complex scenes, and is more suitable for acquiring images of UAV-borne system than various commonly used crack detection algorithms, and has better robustness of crack detection in aerial images.
【技术实现步骤摘要】
一种航拍图像路面裂缝检测方法、装置及设备
本专利技术实施例涉及深度学习和模式识别领域,尤其涉及一种航拍图像路面裂缝检测方法、装置及设备。
技术介绍
目前,公路路面主要破损形式之一是路面裂缝,其中,我国高速公路裂缝类型主要是横向和纵向裂缝。若能在裂缝出现的初期就发现,并跟踪其发展情况,那么路面维护费将大大降低,同时保证高速公路的行车安全。因此,对公路的路面状况进行定期的调查及养护极其重要。路面裂缝检测方式从最初的人工检测方式开始发展;随着图像处理技术的应用,将车载采集装置和图像处理技术结合,应用于路面裂缝检测,使得检测效率得到很大改善。近年来,无人机技术得到快速发展,与之结合的应用得到极大丰富,结合于无人机采集方式的路面裂缝检测装置,相较于其他的方法,具有快速高效、视场大以及存储数据量有所下降的优势。但是相比于车载采集图像,存在路旁景物、车辆、电线以及阴影等干扰,且噪声也十分丰富。常用的裂缝识别方法主要集中于阈值分割、特征检测、纹理分析和种子生长等的应用,除此之外,还有机器学习以及模糊集的运用。但是目前已有的这些方法基本都是针对车载采集装置图像的基础进行检测发展,不能适用于干扰和噪声更加丰富的航拍图像。
技术实现思路
针对现有技术存在的问题,本专利技术实施例提供一种航拍图像路面裂缝检测方法、装置及设备,结合航拍采集方式的一系列优势使裂缝检测更高效便捷,并改进传统图像处理算法的鲁棒性问题。第一方面,本专利技术实施例提供一种航拍图像路面裂缝检测方法,包括:提取航拍路面图像的路面区域的深层高维特征,根据所述深层高维特征获得高维特征图;基于所述路面区域的深层高维特征,对 ...
【技术保护点】
1.一种航拍图像路面裂缝检测方法,其特征在于,包括:提取航拍路面图像的路面区域的深层高维特征,根据所述深层高维特征获得高维特征图;基于所述路面区域的深层高维特征,对所述高维特征图进行正负样本筛选,以区分路面裂缝目标和路面背景;对所述路面裂缝目标进行分类和坐标定位,获得所述路面裂缝目标的分类信息和坐标信息。
【技术特征摘要】
1.一种航拍图像路面裂缝检测方法,其特征在于,包括:提取航拍路面图像的路面区域的深层高维特征,根据所述深层高维特征获得高维特征图;基于所述路面区域的深层高维特征,对所述高维特征图进行正负样本筛选,以区分路面裂缝目标和路面背景;对所述路面裂缝目标进行分类和坐标定位,获得所述路面裂缝目标的分类信息和坐标信息。2.根据权利要求1所述的方法,其特征在于,所述对所述路面裂缝目标进行分类和坐标定位,获得所述路面裂缝目标的分类信息和坐标信息,之后还包括:根据所述路面裂缝目标的分类信息和坐标信息,计算所述路面裂缝目标的长度。3.根据权利要求1所述的方法,其特征在于,所述提取航拍路面图像的路面区域的深层高维特征,根据所述深层高维特征获得高维特征图,具体包括:利用卷积神经网络构造特征提取网络,在所述特征提取网络中添加一个基于K-means聚类算法的道路粗分割层;利用所述道路粗分割层筛选剔除所述航拍路面图像的路旁无效区域,获得所述航拍路面图像的路面区域;利用所述特征提取网络将所述路面区域的低纬度特征组合成高纬度特征,获得高维特征图。4.根据权利要求3所述的方法,其特征在于,所述基于所述路面区域的深层高维特征,对所述高维特征图进行正负样本筛选,以区分路面裂缝目标和路面背景,具体包括:所述基于所述路面区域的深层高维特征,利用anchor滑窗遍历所述高维特征图,获得预设面积尺度和预设宽高比的候选样本框;利用所述特征提取网络的区域提名网络的分类损失函数、定位损失函数和多任务损失函数对所述候选样本框进行训练以筛选正负样本,获得路面裂缝目标样本和路面背景样本,其中正样本为路面裂缝目标样本,负样本为路面背景样本。5.根据权利要求4所述的方法,其特征在于,所述正负样本的划分依据为:将所述候选样本框与任一标定样本框的IOU大于第一预设阈值以及所述候选样本框与剩余标定样本框的IOU最大的2种候选样本区域划分为正样本;将所述候选样本框与除正样本外的标定样...
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。