一种基于深度学习的路面裂缝检测方法技术

本发明专利技术公开了一种基于深度学习的路面裂缝检测方法，本发明专利技术将深度学习中的深度学习区域卷积神经网络算法引入到路面裂缝检测算法中，选择图像序列中的候选区域作为卷积神经网络的输入，通过卷积神经网络计算的特征作为路面裂缝特征，具有较好的分辨能力，而卷积神经网络的输出作为线性支持向量机的输入，通过线性支持向量机来判断当前候选区域是否是路面裂缝，结合线性支持向量机能够准确区分相似目标。本发明专利技术作为一种基于深度学习的路面裂缝检测方法可广泛应用于交通检测领域。

【技术实现步骤摘要】
一种基于深度学习的路面裂缝检测方法
本专利技术涉及交通检测领域，尤其是一种基于深度学习的路面裂缝检测方法。
技术介绍
随着我国高速公路通车里程的不断增长，高速公路已成为社会经济发展的重要基础设施。由于行车荷载和自然因素的作用，路面车辙、松散、裂缝等病害日益严重。传统的人工检测效率低、劳动强度大、检测速度慢、误差也比较大。因此不同程度、不同类型的路面病害的自动检测，及信息管理已成为日益重要的工作。随着，光学技术和计算机技术的发展，图像处理方法得到了越来越广泛的应用。国内外学者对基于数字图像处理的路面裂缝识别问题进行了广泛深入的研究。总结国内外的路面裂缝检测研究方法发展现状，基于数字图像处理的路面裂缝检测技术研究已经成为路面裂缝自动检测技术的主流方向，可分为如下几个类别:纹理分析法，模糊集法，形态学算法，传统图像处理方法等。根据路面裂缝和由于材料等导致的随机纹理差异，国外学者提出了一些纹理分析模型；随着模糊理沦的发展，用模糊逻辑理论去分析路面裂缝具有了可行性。路面裂缝检测技术的核心在于基于图像的裂缝提取算法，目前比较通用的算法主要可分为以下几种：(1)图像分割方法:这些方法的关键是使用灰本文档来自技高网...

【技术保护点】
一种基于深度学习的路面裂缝检测方法，其特征在于，包括有以下步骤：A、输入路面裂缝的训练集数据或测试集数据，并将上述数据中的图像通过区域选择算法生成多个候选区域；B、对生成的多个候选区域进行变形操作得到固定大小的多个候选区域，然后通过IOU方法给固定大小的多个候选区域打标签；C、将步骤B处理得到的数据输入卷积神经网络提取目标特征；D、当步骤A中输入数据为训练集数据时，根据训练集数据中的训练图像标签和步骤C中提取的目标特征训练支持向量机；当步骤A中输入数据为测试集数据时，根据步骤C中提取的目标特征判断路面裂缝的类型。

【技术特征摘要】
1.一种基于深度学习的路面裂缝检测方法，其特征在于，包括有以下步骤：A、输入路面裂缝的训练集数据或测试集数据，并将上述数据中的图像通过区域选择算法生成多个候选区域；B、对生成的多个候选区域进行变形操作得到固定大小的多个候选区域，然后通过IOU方法给固定大小的多个候选区域打标签；C、将步骤B处理得到的数据输入卷积神经网络提取目标特征；D、当步骤A中输入数据为训练集数据时，根据训练集数据中的训练图像标签和步骤C中提取的目标特征训练支持向量机；当步骤A中输入数据为测试集数据时，根据步骤C中提取的目标特征判断路面裂缝的类型。2.根据权利要求1所述的一种基于深度学习的路面裂缝检测方法，其特征在于，所述步骤A中的区域选择算法具体包括有以下步骤：A1、通过目标检测算法获取图像的多个初始候选区域R＝{r1,…,rn}，并令相似集合S＝φ；A2、对所有相邻的初始候选区域ri和rj计算相似性s(ri,rj)，并更新相似集合为S＝S∪s(ri,rj)；A3、获取当前最相似的邻近候选区域对(ri,rj)，将相似的区域进行合并，然后移除邻近候选区域对的邻近候选区域，计算与rj相邻的候选区域的相似集合St，更新相似集合为S＝S∪St、初始候选区域R＝R∪rt；A4、提取R中区域的最小外接矩形集合L。3.根据权利要求2所述的一种基于深度学习的路面裂缝检测方法，其特征在于，所述步骤A2中相似性计算方法为：s(ri,rj)＝a1scolour(ri,rj)+a2stexture(ri,rj)其中，a1为颜色相似度的权值，a2为纹理相似度的权值；scolour(ri,rj)为计算两个区域颜色相似度的函数；stexture(ri,rj)是计算两个区域纹理相似度的函数。4.根据权利要求1所...

【专利技术属性】
技术研发人员：蔡禹，贾义动，林邓平，
申请(专利权)人：广东广业开元科技有限公司，
类型：发明
国别省市：广东,44