基于边缘检测神经网络的路面病害检测方法和装置制造方法及图纸

本发明专利技术公开了一种基于边缘检测神经网络的路面病害检测方法和装置，所述方法包括：运用第一边缘检测神经网络对输入的路面图像进行路面病害识别，输出所述路面图像的第一病害概率矩阵；运用第二边缘检测神经网络对所述路面图像进行路面病害识别，输出所述路面图像的第二病害概率矩阵；根据第一、二病害概率矩阵，计算所述路面图像的最终病害概率矩阵；根据所述最终病害概率矩阵，从所述路面图像中识别出路面病害；其中，所述第一、二边缘检测神经网络分别是根据具有普通路面病害、复杂路面病害的路面图像预先训练得到的。应用本发明专利技术可以提高实际路面采集图像中的路面病害识别正确率，且减少识别过程的计算量，提高识别效率。

Detection method and device of pavement disease based on edge detection neural network

【技术实现步骤摘要】
基于边缘检测神经网络的路面病害检测方法和装置
本专利技术涉及图像识别领域，特别是指一种基于边缘检测神经网络的路面病害检测方法和装置。
技术介绍
目前基于路面图像的路面病害识别方法主要是通过提取图像灰度特征进行分析以及局部深度学习识别来实现的。目前，基于灰度图像频率的分析方法中，基于动态阈值的检测方法主要依据图像的灰度值对图像进行分割。由于属于裂缝的像素大部分处于灰度值较低的区间，运用这个规律对图像灰度进行统计，并根据统计结果动态选取阈值，最后对图像进行二值化，从而分割图片中裂缝的部分。在理想的光照条件下裂缝与路面背景的灰度差别较大，此时基于动态阈值的裂缝识别方法能够很好地识别出图像中的裂缝部分。然而实际环境中采集的图像光照信息复杂，只靠灰度信息很难有效区分裂缝部分与路面图像中的其他部分。目前基于边缘检测的裂缝识别方法中，在对灰度图像频率进行分析的方法中，将路面的灰度图像的低频成分认定为路面的正常部分，而高频部分则认定为路面的病害部分。使用该方法对图像直接进行频率分析时，与路面底色相差较大的边缘部分都将被认定为高频部分，这样一来，在复杂的路面条件中，路面的污渍、标志标线，光照不均造成的阴影都会对病害的识别造成极大干扰，无法很好地实现对路面病害的自动化识别。目前基于局部深度学习识别方法中，运用局部深度学习的方法，其思路是将路面病害识别问题转化为路面图像分割分类问题，其焦点在于对分割后的小图像进行病害/非病害的分类。对路面图像进行分割实际上限制了自动检测窗口的视野，在受限的检测视野中，不能有效判定窗口中的异常部分产生原因是路面特征突变还是公路病害特征，影响实际应用中的识别准确率。综上，目前已有的公路病害识别方法均具有一定的缺陷，无法满足实际应用对于病害识别速度和准确率的要求。具体来说，现有的路面病害检测方法中存在的问题集中体现在以下两个方面：1、病害识别准确率较低：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。传统图像识别方法通过人工选取算法对裂缝进行拟合，这种方法在光照条件好、裂缝清晰的路面图像识别中能够达到较好的效果。然而在光照不均的情况下裂缝的灰度信息和清晰度均不统一，因此使用数字图像处理方法很难找到一种能够拟合各种环境条件下裂缝特征的算法。通常来说数字图像处理方法用于实际路面采集图像中识别正确率较低。2、识别过程计算量过大、效率太低：由于多数路面病害识别方法是在图像变换的基础上结合多种边缘检测算子完成的，而图像变换的处理需要的计算量巨大。在工程应用中，单次检测的图片数量常达数万张。也就导致了基于图像变换的识别方法难以大规模应用于实际问题的解决。
技术实现思路
本专利技术提出了一种基于边缘检测神经网络的路面病害检测方法和装置，可以提高实际路面采集图像中的路面病害识别正确率，且减少识别过程的计算量，提高识别效率。基于上述目的，本专利技术提供一种基于边缘检测神经网络的路面病害检测方法，包括：运用第一边缘检测神经网络对输入的路面图像进行路面病害识别，输出所述路面图像的第一病害概率矩阵；运用第二边缘检测神经网络对所述路面图像进行路面病害识别，输出所述路面图像的第二病害概率矩阵；根据第一、二病害概率矩阵，计算所述路面图像的最终病害概率矩阵；根据所述最终病害概率矩阵，从所述路面图像中识别出路面病害；其中，所述第一、二边缘检测神经网络分别是根据具有普通路面病害、复杂路面病害的路面图像预先训练得到的。其中，第一边缘检测神经网络具体根据如下方法训练得到：将具有普通路面病害的路面图像作为第一训练集中的训练图像，并生成第一训练集中的路面图像的病害标记文件；基于第一训练集以及生成的病害标记文件，第一边缘检测神经网络进行多次学习；其中，在第一边缘检测神经网络的一次学习过程中：将第一训练集中的一个路面图像输入到第一边缘检测神经网络；根据第一边缘检测神经网络输出的病害概率矩阵与由该路面图像的病害标记文件形成的标记矩阵，计算正样本损失度；根据计算的正样本损失度对第一边缘检测神经网络中的参数进行一次优化。其中，第二边缘检测神经网络具体根据如下方法训练得到：将具有复杂路面病害的路面图像作为第二训练集中的训练图像，并生成第二训练集中的路面图像的病害标记文件；基于第二训练集以及生成的病害标记文件，第二边缘检测神经网络进行多次学习；其中，在第二边缘检测神经网络的一次学习过程中：将第二训练集中的一个路面图像输入到第二边缘检测神经网络；根据第二边缘检测神经网络输出的病害概率矩阵与由该路面图像的病害标记文件形成的标记矩阵，计算正样本损失度；根据计算的正样本损失度对第二边缘检测神经网络中的参数进行一次优化。较佳地，所述根据所述最终病害概率矩阵，从所述路面图像中识别出路面病害，具体包括：对于第二病害概率矩阵中的每个概率值与一个设定的门限值进行比较；若所述概率值小于所述门限值，则该概率值的概率增益为0；否则，该概率值的概率增益与该概率值为线性增益关系；根据第二病害概率矩阵中的每个概率值的概率增益生成增益概率矩阵；将第一病害概率矩阵与增益概率矩阵相加得到所述最终病害概率矩阵。本专利技术还提供一种基于边缘检测神经网络的路面病害检测装置，包括：第一边缘检测神经网络，用于对输入的路面图像进行路面病害识别，输出所述路面图像的第一病害概率矩阵；第二边缘检测神经网络，用于对所述路面图像进行路面病害识别，输出所述路面图像的第二病害概率矩阵；最终概率确定模块，用于根据第一、二病害概率矩阵，计算所述路面图像的最终病害概率矩阵；病害识别模块，用于根据所述路面图像的最终病害概率矩阵，从所述路面图像中识别出路面病害；其中，所述第一、二边缘检测神经网络分别是根据具有普通路面病害、复杂路面病害的路面图像预先训练得到的。本专利技术的技术方案中，运用第一边缘检测神经网络对输入的路面图像进行路面病害识别，输出所述路面图像的第一病害概率矩阵；运用第二边缘检测神经网络对所述路面图像进行路面病害识别，输出所述路面图像的第二病害概率矩阵；根据第一、二病害概率矩阵，计算所述路面图像的最终病害概率矩阵；根据所述最终病害概率矩阵，从所述路面图像中识别出路面病害；其中，所述第一、二边缘检测神经网络分别是根据具有普通路面病害、复杂路面病害的路面图像预先训练得到的。由于神经网络中含有大量的参数，使得第一、二边缘检测神经网络具备了强大的抽象拟合能力，能够有效提升病害识别准确率。经测试验证，使用基于灰度图的模式识别方法对路面图像进行病害识别，平均相似度只有50％左右，而使用本方法，平均相似度可以达到70％以上。此外，而且使用深度学习的方式训练边缘检测神经网络，实际上是使得边缘检测神经网络进行图像识别时将大量计算过程前置，所以处理边缘检测神经网络未知图像时，可以减少很多计算量，提高识别效率。具体来讲，未知图像只需要在神经网络中进行一次前项就能得到自动标记的病害区域，其计算量相当于训练过程的一半。经测试验证，使用基于灰度图的模式识别方法对路面图像进行病害识别，识别速度仅有1-6张每秒，而使用本方法，识别速度可达到50-200张每秒，可以实现实时级的病害识别。而且，本专利技术技术方案中专门设置了第二边缘检测神经网络用于提取复杂病害特征，这种针对于复杂路面病害的概率增益事实上显著提升了病害识别系统在复杂路面上的识别效果。本文档来自技高网...

【技术保护点】
1.一种基于边缘检测神经网络的路面病害检测方法，其特征在于，包括：运用第一边缘检测神经网络对输入的路面图像进行路面病害识别，输出所述路面图像的第一病害概率矩阵；运用第二边缘检测神经网络对所述路面图像进行路面病害识别，输出所述路面图像的第二病害概率矩阵；根据第一、二病害概率矩阵，计算所述路面图像的最终病害概率矩阵；根据所述最终病害概率矩阵，从所述路面图像中识别出路面病害；其中，所述第一、二边缘检测神经网络分别是根据具有普通路面病害、复杂路面病害的路面图像预先训练得到的。

【技术特征摘要】
1.一种基于边缘检测神经网络的路面病害检测方法，其特征在于，包括：运用第一边缘检测神经网络对输入的路面图像进行路面病害识别，输出所述路面图像的第一病害概率矩阵；运用第二边缘检测神经网络对所述路面图像进行路面病害识别，输出所述路面图像的第二病害概率矩阵；根据第一、二病害概率矩阵，计算所述路面图像的最终病害概率矩阵；根据所述最终病害概率矩阵，从所述路面图像中识别出路面病害；其中，所述第一、二边缘检测神经网络分别是根据具有普通路面病害、复杂路面病害的路面图像预先训练得到的。2.根据权利要求1所述的方法，其特征在于，第一边缘检测神经网络具体根据如下方法训练得到：将具有普通路面病害的路面图像作为第一训练集中的训练图像，并生成第一训练集中的路面图像的病害标记文件；基于第一训练集以及生成的病害标记文件，第一边缘检测神经网络进行多次学习；其中，在第一边缘检测神经网络的一次学习过程中：将第一训练集中的一个路面图像输入到第一边缘检测神经网络；根据第一边缘检测神经网络输出的病害概率矩阵与由该路面图像的病害标记文件形成的标记矩阵，计算正样本损失度；根据计算的正样本损失度对第一边缘检测神经网络中的参数进行一次优化。3.根据权利要求1所述的方法，其特征在于，第二边缘检测神经网络具体根据如下方法训练得到：将具有复杂路面病害的路面图像作为第二训练集中的训练图像，并生成第二训练集中的路面图像的病害标记文件；基于第二训练集以及生成的病害标记文件，第二边缘检测神经网络进行多次学习；其中，在第二边缘检测神经网络的一次学习过程中：将第二训练集中的一个路面图像输入到第二边缘检测神经网络；根据第二边缘检测神经网络输出的病害概率矩阵与由该路面图像的病害标记文件形成的标记矩阵，计算正样本损失度；根据计算的正样本损失度对第二边缘检测神经网络中的参数进行一次优化。4.根据权利要求1所述的方法，其特征在于，所述根据所述最终病害概率矩阵，从所述路面图像中识别出路面病害，具体包括：对于第二病害概率矩阵中的每个概率值与一个设定的门限值进行比较；若所述概率值小于所述门限值，则该概率值的概率增益为0；否则，该概率值的概率增益与该概率值为线性增益关系；根据第二病害概率矩阵中的每个概率值的概率增益生成增益概率矩阵；将第一病害概率矩阵与增益概率矩阵相加得到所述最终病害概率矩阵。5.根据权利要求1-4任一所述的方法，其特征在于，第一、二边缘检测神经网络的结构中包括10个卷积层，以及设置于最后一个卷积层之后的逻辑...

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