【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...
【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
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。