路面裂缝检测方法、装置、设备及存储介质制造方法及图纸

本申请实施例提供一种路面裂缝检测方法、装置、设备及存储介质，该方法包括：获取多张预设路面样本图像；基于伽玛矫正对所述多张预设路面样本图像进行预处理；对卷积神经网络模型进行训练；对训练后的卷积神经网络模型进行预测；若根据所述预测结果，确定停止训练，得到测试卷积神经网络模型；对所述测试卷积神经网络模型进行测试；若所述测试结果在预设目标结果范围内，得到目标卷积神经网络模型；将待检测路面图像对应的三通道图像输入到所述目标卷积神经网络模型中，得到所述待检测路面图像中的路面裂缝信息。本申请实施例提供的方法能够解决现有技术中无法保证裂缝的识别率，同时浪费时间和资源的问题。

【技术实现步骤摘要】
路面裂缝检测方法、装置、设备及存储介质
本申请实施例涉图像识别
，尤其涉及一种路面裂缝检测方法、装置、设备及存储介质。
技术介绍
裂缝是反映道路受损情况的重要标志，而随着我国道路交通系统的日益发展，路面裂缝检测对于道路的日常检修和维护来说是一项非常重要的任务。目前路面裂缝检测方法主要是通过传统图像识别手段，由于实际环境下采集的路面图像往往具有光照复杂、噪声信息多的特点，传统图像识别手段用于实际路面采集图像中识别正确率较低、无法满足实际工程的性能需求。因此，现有的路面裂缝检测方法无法保证裂缝的识别率，同时浪费时间和资源。
技术实现思路
本申请实施例提供一种路面裂缝检测方法、装置、设备及存储介质，以克服现有的路面裂缝检测方法无法保证裂缝的识别率，同时浪费时间和资源的问题。第一方面，本申请实施例提供一种路面裂缝检测方法，包括：获取多张预设路面样本图像；基于伽玛矫正对所述多张预设路面样本图像进行预处理，获得所述多张预设路面样本图像中每张预设路面样本图像对应的三通道图像，将所有预设路面样本图像对应的三通道图像划分为训练集、验证集、以及测试集；根据所述训练集中的三通道图像、预设损失函数和预设优化算法，对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，所述卷积神经网络是通过残差网路进行优化后的卷积神经网络模型；将所述验证集中的三通道图像输入到所述训练后的卷积神经网络模型中进行预测，得到预测结果；若根据所述预测结果，确定停止训练，则将所述训练后的卷积神经网络模型作为测试卷积神经网络模型；根据所述测试集，对所述测试卷积神经网络模型进行测试，得到测试结果；若所述测试结果在预设评估范围内，则将所述测试卷积神经网络模型作为目标卷积神经网络模型；将待检测路面图像对应的三通道图像输入到所述目标卷积神经网络模型中，得到所述待检测路面图像中的路面裂缝信息。在一种可能的设计中，所述基于伽玛矫正对所述多张预设路面样本图像进行预处理，获得所述多张预设路面样本图像中每张预设路面样本图像对应的三通道图像，包括：将伽玛值设定为小于第一预设值，对所述多张预设路面样本图像中低灰度部分对应的灰度值进行非线性变换，得到所述多张预设路面样本图像中每张预设路面样本图像对应的第一单通道图像；将伽玛值设定为大于第一预设值，对所述多张预设路面样本图像中高灰度部分对应的灰度值进行非线性变换，得到所述多张预设路面样本图像中每张预设路面样本图像对应的第二单通道图像；将所述多张预设路面样本图像中每张预设路面样本图像作为第三单通道图像，并根据所述多张预设路面样本图像中每张预设路面样本图像对应的第一单通道图像和所述多张预设路面样本图像中每张预设路面样本图像对应的第二单通道图像，得到所述多张预设路面样本图像中每张预设路面样本图像对应的三通道图像；其中，所述多张预设路面样本图像中低灰度部分对应的灰度值小于第二预设值，所述多张预设路面样本图像中高灰度部分对应的灰度值大于第二预设值。在一种可能的设计中，所述卷积神经网络模型，包括：卷积层、池化层和全连接层；所述卷积神经网络模型中网络结构为依次连接的多个组合层、一个卷积层和一个全连接层，所述多个组合层中每个组合层是由两个连接的卷积层连接一个池化层形成的；所述网络结构中第一个组合层中卷积层的卷积核的尺寸和第二个卷积层的卷积核的尺寸相等，且大于所述网络结构中其他卷积层的卷积核的尺寸，所述网络结构中其他卷积层中对应的组合层中卷积层的卷积核的尺寸相等，且大于与所述全连接层连接的卷积层的卷积核的尺寸；所述网络结构中池化层的核的尺寸小于所述网络结构中其他卷积层的卷积核的尺寸；所述网络结构中全连接层的尺寸是根据所述预设路面样本图像的尺寸和与所述全连接层连接的卷积层的卷积核的尺寸确定的；所述网络结构中设置有初始化的网络参数，所述网络参数包括权重和偏置。在一种可能的设计中，所述预设损失函数为交叉熵函数，所述预设优化算法为自适应矩估计Adam优化算法，所述训练集中的三通道图像均含有裂缝标识；所述根据所述训练集中的三通道图像、预设损失函数和预设优化算法，对所述卷积神经网络模型进行训练，包括：设置所述卷积神经网络模型的参数，所述卷积神经网络模型的参数包括学习率和训练样本的数量，所述训练样本为所述训练集中每张预设路面样本图像对应的三通道图像；根据所述训练样本的数量，从所述训练集中选取对应所述训练样本的数量的训练样本，将所述对应所述训练样本的数量的训练样本批量输入到所述卷积神经网络模型中，得到所述训练集中每个所述训练样本的预测结果；通过所述交叉熵函数和自适应矩估计优化算法，计算每个所述训练样本的预测结果和对应的含有裂缝标识的真实值之间的误差，其中，每个所述训练样本的预测结果为每个所述训练样本中含有裂缝标识的概率矩阵，所述真实值为获取多个预设路面样本图像时获得的每张预设路面样本图像中含有裂缝标识的初始概率矩阵；根据所述网络结构中每个网络层的网络参数的梯度和所述学习率、以及所述误差，通过反向传播，调整当前网络层的网络参数，并将调整后的所述当前网络层的网络参数更新为所述当前网络层的网络参数；其中，所述卷积层、池化层和全连接层均为所述网络层。在一种可能的设计中，所述根据所述预测结果，确定停止训练，包括：将所述验证集中的三通道图像输入到所述训练后的卷积神经网络模型中得到的预测结果作为当前预测结果；根据所述当前预测结果，判断所述当前预测结果是否在预设评估范围内，若所述当前预测结果在所述预设评估范围内，则将所述当前预测结果与历史预测结果进行比对，得到比对的结果；若所述比对的结果在预设目标结果范围内，则确定停止训练。在一种可能的设计中，所述根据所述测试集，对所述测试卷积神经网络模型进行测试，得到测试结果，包括：将所述测试集中的三通道图像输入到所述测试卷积神经网络模型中，得到所述测试集中每张预设路面样本图像对应的所述预测结果；根据所述测试集中每张预设路面样本图像对应的预测结果和所述测试集中每张预设路面样本图像对应的真实值，计算所述测试集对应的裂缝标识重合率，并将所述裂缝标识重合率作为所述测试结果。第二方面，本申请实施例提供一种路面裂缝检测装置，包括：路面样本图像获取模块，用于获取多张预设路面样本图像；预处理模块，用于基于伽玛矫正对所述多张预设路面样本图像进行预处理，获得所述多张预设路面样本图像中每张预设路面样本图像对应的三通道图像，将所有预设路面样本图像对应的三通道图像划分为训练集、验证集、以及测试集；训练模块，用于根据所述训练集中的三通道图像、预设损失函数和预设优化算法，对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，所述卷积神经网络是通过残差网路进行优化后的卷积神经网络模型；验证模块，用于将所述验证集中的三通道图像输入到所述训练后的卷积神经网络模型中进行预测，得到预测结果；测试卷积神经网络模型确定模块，用于在根据所述预测结果，确定停止训练时，将所述训练后的卷积神经网络模型作为测试卷积神经网络模型；测试模块，用于根据所述测试集，对所述测试卷积神经网络模型进行测试，得到测试结果；目标卷积神经网络模型确定模块，用于在所述测试结果在预设目标结果范围内时，将所述测试卷积神经网络模型作为目标卷积神经网络模型；检测裂缝模块，用于将待检测路面图像对应的三通道本文档来自技高网...

【技术保护点】
1.一种路面裂缝检测方法，其特征在于，包括：获取多张预设路面样本图像；基于伽玛矫正对所述多张预设路面样本图像进行预处理，获得所述多张预设路面样本图像中每张预设路面样本图像对应的三通道图像，将所有预设路面样本图像对应的三通道图像划分为训练集、验证集、以及测试集；根据所述训练集中的三通道图像、预设损失函数和预设优化算法，对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，所述卷积神经网络是通过残差网路进行优化后的卷积神经网络模型；将所述验证集中的三通道图像输入到所述训练后的卷积神经网络模型中进行预测，得到预测结果；若根据所述预测结果，确定停止训练，则将所述训练后的卷积神经网络模型作为测试卷积神经网络模型；根据所述测试集，对所述测试卷积神经网络模型进行测试，得到测试结果；若所述测试结果在预设目标结果范围内，则将所述测试卷积神经网络模型作为目标卷积神经网络模型；将待检测路面图像对应的三通道图像输入到所述目标卷积神经网络模型中，得到所述待检测路面图像中的路面裂缝信息。

【技术特征摘要】
1.一种路面裂缝检测方法，其特征在于，包括：获取多张预设路面样本图像；基于伽玛矫正对所述多张预设路面样本图像进行预处理，获得所述多张预设路面样本图像中每张预设路面样本图像对应的三通道图像，将所有预设路面样本图像对应的三通道图像划分为训练集、验证集、以及测试集；根据所述训练集中的三通道图像、预设损失函数和预设优化算法，对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，所述卷积神经网络是通过残差网路进行优化后的卷积神经网络模型；将所述验证集中的三通道图像输入到所述训练后的卷积神经网络模型中进行预测，得到预测结果；若根据所述预测结果，确定停止训练，则将所述训练后的卷积神经网络模型作为测试卷积神经网络模型；根据所述测试集，对所述测试卷积神经网络模型进行测试，得到测试结果；若所述测试结果在预设目标结果范围内，则将所述测试卷积神经网络模型作为目标卷积神经网络模型；将待检测路面图像对应的三通道图像输入到所述目标卷积神经网络模型中，得到所述待检测路面图像中的路面裂缝信息。2.根据权利要求1所述的方法，其特征在于，所述基于伽玛矫正对所述多张预设路面样本图像进行预处理，获得所述多张预设路面样本图像中每张预设路面样本图像对应的三通道图像，包括：将伽玛值设定为小于第一预设值，对所述多张预设路面样本图像中低灰度部分对应的灰度值进行非线性变换，得到所述多张预设路面样本图像中每张预设路面样本图像对应的第一单通道图像；将伽玛值设定为大于第一预设值，对所述多张预设路面样本图像中高灰度部分对应的灰度值进行非线性变换，得到所述多张预设路面样本图像中每张预设路面样本图像对应的第二单通道图像；将所述多张预设路面样本图像中每张预设路面样本图像作为第三单通道图像，并根据所述多张预设路面样本图像中每张预设路面样本图像对应的第一单通道图像和所述多张预设路面样本图像中每张预设路面样本图像对应的第二单通道图像，得到所述多张预设路面样本图像中每张预设路面样本图像对应的三通道图像；其中，所述多张预设路面样本图像中低灰度部分对应的灰度值小于第二预设值，所述多张预设路面样本图像中高灰度部分对应的灰度值大于第二预设值。3.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型，包括：卷积层、池化层和全连接层；所述卷积神经网络模型中网络结构为依次连接的多个组合层、一个卷积层和一个全连接层，所述多个组合层中每个组合层是由两个连接的卷积层连接一个池化层形成的；所述网络结构中第一个组合层中卷积层的卷积核的尺寸和第二个卷积层的卷积核的尺寸相等，且大于所述网络结构中其他卷积层的卷积核的尺寸，所述网络结构中其他卷积层中对应的组合层中卷积层的卷积核的尺寸相等，且大于与所述全连接层连接的卷积层的卷积核的尺寸；所述网络结构中池化层的核的尺寸小于所述网络结构中其他卷积层的卷积核的尺寸；所述网络结构中全连接层的尺寸是根据所述预设路面样本图像的尺寸和与所述全连接层连接的卷积层的卷积核的尺寸确定的；所述网络结构中设置有初始化的网络参数，所述网络参数包括权重和偏置。4.根据权利要求3所述的方法，其特征在于，所述预设损失函数为交叉熵函数，所述预设优化算法为自适应矩估计Adam优化算法，所述训练集中的三通道图像均含有裂缝标识；所述根据所述训练集中的三通道图像、预设损失函数和预设优化算法，对所述卷积神经网络模型进行训练，包括：设置所述卷积神经网络模型的参数，所述卷积神经网络模型的参数包括学习率和训练样本的数量，所述训练样本为所述训练集中每张预设路面样本图像对应的三通道图像；根据所述训练样本的数量，从所述训练集中选取对应所述训练样本的数量的训练样本，将所述对应所述训练样本的数量的训练样本批量输入到所述卷积神经网络模型中，得到所述训练集中每个所述训练样本的预测结果；通过所述交叉熵函数和自适应矩估计优化算法，计算每个所述训练样本的预测结果和对应的含有裂缝标识的真实值之间的误差，其中，每个所述训练样本的预测结果为每个所述训练样本中含有裂缝标识的概率矩阵，所述真实值为获取多个预...

【专利技术属性】
技术研发人员：徐国胜，徐国爱，冯卉，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11