复杂环境下基于机器视觉的路面坑塘检测方法技术

本发明专利技术提出了一种复杂环境下基于机器视觉的路面坑塘检测方法，首先利用进行了像素级标注的交通监控图像训练语义分割模型；其次，对交通监控视频进行背景建模获得交通监控背景图像，利用语义分割模型对背景图像进行分割，提取图像中的道路；随后，对提取的道路进行二值化，分割出路面上颜色较深且面积较大的区域，并采用支持向量机对这些区域进行分类，获得路面坑塘候选区域；最后，输出存在被语义分割模型划分为路面坑塘子区域的候选区域。通过本发明专利技术有效减少了复杂背景对检测任务的干扰，提高了算法的鲁棒性，并提高了检测精度。

Machine vision based detection of potholes in complex environment

【技术实现步骤摘要】
复杂环境下基于机器视觉的路面坑塘检测方法
本专利技术属于机器视觉
，具体为一种复杂环境下基于机器视觉的路面坑塘检测方法。
技术介绍
依托于人工智能、云计算、物联网等新一代信息技术，借助视频监控、GPS、移动终端等感知设备，越来越多的路面坑塘自动检测技术被研究者们提出。传统的方法通常是对不同的道路坑塘进行针对性的特征分析，然后依赖于这些特征进行目标检测；同时，也有部分研究者使用已有数据集训练神经网络以期对各类路面坑塘进行识别。但是，对于监控视角下复杂道路场景图像来说，其具有背景复杂、目标尺度较小、纹理特征退化等特点，与此同时，现有路面坑塘数据量较小，不加改进的照搬现有方法对该类图像进行目标检测，得到的效果较为有限。
技术实现思路
本专利技术提出了一种复杂环境下基于机器视觉的路面坑塘检测方法。实现本专利技术的技术解决方案为：一种复杂环境下基于机器视觉的路面坑塘检测方法，具体步骤为：步骤1、将进行了像素级标注的交通监控图像作为训练样本来训练语义分割模型；步骤2、获取待检测的交通监控视频，对其进行背景建本文档来自技高网...

【技术保护点】
1.一种复杂环境下基于机器视觉的路面坑塘检测方法，其特征在于，具体步骤为：/n步骤1、将进行了像素级标注的交通监控图像作为训练样本来训练语义分割模型；/n步骤2、获取待检测的交通监控视频，对其进行背景建模，排除视频中的运动物体，获得交通监控背景图像；/n步骤3、使用训练好的语义分割模型对交通监控背景图像进行分割，提取图像中的道路；/n步骤4、对提取的道路进行二值化，分割出路面上的类坑塘区域；/n步骤5、利用基于路面坑塘样本集训练得到的支持向量机对步骤4分割得到的区域进行分类，如果支持向量机判断该区域为路面坑塘，则将其作为候选区域，否则排除这一区域；/n步骤6、判断所有候选区域中是否存在被语义分...

【技术特征摘要】
1.一种复杂环境下基于机器视觉的路面坑塘检测方法，其特征在于，具体步骤为：
步骤1、将进行了像素级标注的交通监控图像作为训练样本来训练语义分割模型；
步骤2、获取待检测的交通监控视频，对其进行背景建模，排除视频中的运动物体，获得交通监控背景图像；
步骤3、使用训练好的语义分割模型对交通监控背景图像进行分割，提取图像中的道路；
步骤4、对提取的道路进行二值化，分割出路面上的类坑塘区域；
步骤5、利用基于路面坑塘样本集训练得到的支持向量机对步骤4分割得到的区域进行分类，如果支持向量机判断该区域为路面坑塘，则将其作为候选区域，否则排除这一区域；
步骤6、判断所有候选区域中是否存在被语义分割模型划分为路面坑塘的子区域，如果存在，则判断这一区域为路面坑塘区域。


2.根据权利要求1所述的复杂环境下基于机器视觉的路面坑塘检测方法，其特征在于，步骤1中所述语义分割模型为具有编码-解码结构的卷积神经神经网络或采取空洞卷积策略的卷积神经网络。


3.根据权利要求1所述的复杂环境下基于机器视觉的路面坑塘检测方法，其特征在于，步骤1中所述语义分割模型包括基础层、与基础层的输出端连接的金字塔池化模块、与金字塔池化模块的输出端连接的N个依次连接的卷积层；其中：
所述基础层为采用空洞卷积策略预训练过的ResNet网络；
所述金字塔池化模块用于通过四个扩张率不同的空洞卷积提取四种不同尺度下的...

【专利技术属性】
技术研发人员：丁俊杰，郭唐仪，练智超，刘悦，邓洁仪，朱永璇，周钰汀，郭玉洁，孙豪，郝浪，吕亦江，伊特格勒，朱云霞，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32