基于深度学习的无监督路面裂缝分类方法及模型建立方法技术

本发明专利技术属于路面裂缝分类领域，公开了一种基于深度学习的无监督路面裂缝分类模型建立方法，包括如下步骤：获取待分类图片数据集；建立AlexNet网络模型并初始化模型的超参数、权重参数及偏置项；将待分类图片数据集输入AlexNet网络模型中，获得高维特征向量集；对高维特征向量集利用快速峰值算法进行聚类，获得伪标签集；利用待分类图片数据集和伪标签集对AlexNet网络模型进行训练，训练完成的模型即为无监督路面裂缝分类模型。本发明专利技术将无监督聚类算法引入深度神经网络对路面裂缝图像数据进行处理，进而去掉数据标注的任务，不仅对于深度神经网络而言具有重要意义，并且在无监督视觉特征学习任务上也是一个重大的突破。

【技术实现步骤摘要】
基于深度学习的无监督路面裂缝分类方法及模型建立方法
本专利技术属于路面裂缝分类领域，具体涉及一种基于深度学习的无监督路面裂缝分类方法及模型建立方法。
技术介绍
随着我国经济的日益繁荣，公路交通运输业得以迅速发展。在二十一世纪日益激烈的国际竞争中，公路的建设与维护情况不仅反映了一个国家的经济水平，而且是衡量一个国家综合国力的重要依据。路面裂缝作为道路常见病害之一，是道路养护工作的重点和难点。现有的路面裂缝分类方法存在以下问题：1.传统的无监督路面裂缝分类算法不能直接对原始图像数据进行处理，必须首先对原始图像数据进行特征提取，然后构造合适的分类模型，而当下的特征提取算法不仅对不同图像的普适性不高，而且针对图像的局部特征进行提取，因此现有的无监督学习方法对于实际路面裂缝像分类的普遍适用性不高而且分类的准确率较低。2.基于深度学习的有监督分类方法虽然解决了传统方法人工提取图像特征的难题，但依赖于对训练集的裂缝图像进行人工标注的过程，导致该类方法较为耗时且计算成本高。所以减少对标签信息的依赖程度实现对路面裂缝的分类任务，也成了进一步的研究目标，这也是本专利技术所提出的无监督路面裂缝图像分类的发展方向，很有工业实际意义。
技术实现思路
本专利技术的目的在于提供一种基于深度学习的无监督路面裂缝分类方法及模型建立方法，用以解决现有技术中的现有的无监督图像分类方法都存出普遍适用性较差以及分类准确率低等问题。为了实现上述任务，本专利技术采用以下技术方案：一种基于深度学习的无监督路面裂缝分类模型建立方法，包括如下步骤：步骤1：获取待分类图片数据集；步骤2：建立AlexNet网络模型并初始化模型的超参数、权重参数及偏置项，所述AlexNet网络模型中，LRN层设为权值归一化层、激活函数设为包含ReLU6正向区间与Swish负向区间的函数；步骤3：将步骤1得到的待分类图片数据集输入步骤2得到的AlexNet网络模型中，获得高维特征向量集；对高维特征向量集利用快速峰值算法进行聚类，获得伪标签集；步骤4：利用步骤1获得的待分类图片数据集和步骤3获得的伪标签集对步骤2的AlexNet网络模型进行训练，训练完成的模型即为无监督路面裂缝分类模型。进一步的，所述待分类图片数据集的建立包括以下子步骤：步骤1.1：采集N幅路面裂缝图像，并对N幅路面裂缝图像进行预处理和图像增广，得到M幅路面裂缝图像，M>N；步骤1.2，对M幅路面裂缝图像放缩为统一尺寸，得到放缩后的路面裂缝图像，所有到放缩后的路面裂缝图像作为待分类图片数据集。进一步的，在步骤2建立的所述的AlexNet网络模型中，原LRN层改为权值归一化层、激活函数设为包含ReLU6正向区间与Swish负向区间的函数。进一步的，步骤3中先利用PCA算法对高维特征向量进行了降维，然后再利用快速峰值算法进行聚类。更进一步的，所述快速峰值算法中ρi和δi满足：其中，ρi表示局部密度，δi表示距离，IS表示所有待分类图片中像素点的集合，dij表示任一张待分类图片上两个像素点之间的距离，dc表示截断距离参数，ISi＝{j∈IS|ρj>ρi}，i,j表示任意两个像素点的标号。一种基于深度学习的无监督路面裂缝分类方法，包括：采集路面裂缝图像，将路面裂缝图像输入任一无监督路面裂缝分类模型中进行分类，得到所述路面裂缝图像的裂缝类别。本专利技术与现有技术相比具有以下技术特点：1、本专利技术将无监督聚类算法引入深度神经网络对路面裂缝图像数据进行处理，进而去掉数据标注的任务，不仅对于深度神经网络而言具有重要意义，并且在无监督视觉特征学习任务上也是一个重大的突破。2、本专利技术所提出的算法与目前性能相对优越的几种无监督分类算法对同样的路面裂缝图像数据集分别进行试验，可以看出本专利技术提出的无监督图像分类模型在每类裂缝图像下都较现有的算法有了较大的提升。3、本专利技术在一定程度上加强了路面裂缝的自动化分类，并为路面养护工作财务成本的缩减提供了可能，进而对我国公路养护工作和公路交通业的发展做出重大贡献。附图说明图1是本专利技术的总体框架图；图2为WN(权值归一化层)的原理示意图；图3为ReLU6和Swish的融合函数的图像；图4为改进型自适应快速峰值聚类算法的具体实现流程；图5为无监督裂缝分类模型的具体训练流程图；图6为无监督裂缝分类模型的损失函数曲线；图7为不同的无监督算法对裂缝图像数据集的分类结果。以下结合附图和实施例对本专利技术的具体内容作进一步详细解释说明。具体实施方式以下给出本专利技术的具体实施例，需要说明的是本专利技术并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本专利技术的保护范围。实施例1在本实施例中公开了一种基于深度学习的无监督路面裂缝分类模型建立方法，包括如下步骤：步骤1：获取待分类图片数据集；步骤2：建立AlexNet网络模型并初始化模型的超参数、权重参数及偏置项，所述AlexNet网络模型中，LRN层设为权值归一化层、激活函数设为包含ReLU6正向区间与Swish负向区间的函数；步骤3：将步骤1得到的待分类图片数据集输入步骤2得到的AlexNet网络模型中，获得高维特征向量集；对高维特征向量集利用快速峰值算法进行聚类，获得伪标签集；步骤4：利用步骤1获得的待分类图片数据集和步骤3获得的伪标签集对步骤2的AlexNet网络模型进行训练，训练完成的模型即为无监督路面裂缝分类模型。本方法所构建的无监督路面裂缝图像分类模型将改进后的AlexNet网络与自适应快速峰值聚类结合起来，在对裂缝特征进行表征的同时以对裂缝图像特征进行聚类的结果为伪标签更新网络的参数。整个模型包括主要包括两个过程：1)自适应快速峰值聚类算法对卷积提取到的图像特征进行聚类，然后基于聚类分得的类别信息作为伪标签(即替代人工标注的标签信息)，进行反向传播，更新网络的参数；2)网络在逐步迭代的更新中不断预测这些伪标签。这两个过程迭代进行，以实现对裂缝图像的无监督分类。具体的，所述待分类图片数据集的建立包括以下子步骤：步骤1.1：采集N幅路面裂缝图像，并对N幅路面裂缝图像进行预处理和图像增广，得到M幅路面裂缝图像，M>N；步骤1.2，对M幅路面裂缝图像放缩为统一尺寸，得到放缩后的路面裂缝图像，所有到放缩后的路面裂缝图像作为待分类图片数据集。在采集路面裂缝图像时，可能由于拍摄所采用的设备不统一造成图像的尺寸、规格不统一，此处统一尺寸，以得到准确的处理结果。具体的，所述路面图像的裂缝类别为横向裂缝、纵向裂缝和网状裂缝。优选的，对步骤a1中增广后的路面裂缝图像还需进行灰度归一化和去噪处理。具体的，在步骤2建立的所述的AlexNet网络模型中，原LRN层改为权值归一化层、激活函数设为包含本文档来自技高网...

【技术保护点】
1.一种基于深度学习的无监督路面裂缝分类模型建立方法，其特征在于，包括如下步骤：/n步骤1：获取待分类图片数据集；/n步骤2：建立AlexNet网络模型并初始化模型的超参数、权重参数及偏置项，所述AlexNet网络模型中，LRN层设为权值归一化层、激活函数设为包含ReLU6正向区间与Swish负向区间的函数；/n步骤3：将步骤1得到的待分类图片数据集输入步骤2得到的AlexNet网络模型中，获得高维特征向量集；/n对高维特征向量集利用快速峰值算法进行聚类，获得伪标签集；/n步骤4：利用步骤1获得的待分类图片数据集和步骤3获得的伪标签集对步骤2的AlexNet网络模型进行训练，训练完成的模型即为无监督路面裂缝分类模型。/n

【技术特征摘要】
1.一种基于深度学习的无监督路面裂缝分类模型建立方法，其特征在于，包括如下步骤：
步骤1：获取待分类图片数据集；
步骤2：建立AlexNet网络模型并初始化模型的超参数、权重参数及偏置项，所述AlexNet网络模型中，LRN层设为权值归一化层、激活函数设为包含ReLU6正向区间与Swish负向区间的函数；
步骤3：将步骤1得到的待分类图片数据集输入步骤2得到的AlexNet网络模型中，获得高维特征向量集；
对高维特征向量集利用快速峰值算法进行聚类，获得伪标签集；
步骤4：利用步骤1获得的待分类图片数据集和步骤3获得的伪标签集对步骤2的AlexNet网络模型进行训练，训练完成的模型即为无监督路面裂缝分类模型。


2.如权利要求1所述基于深度学习的无监督路面裂缝分类模型建立方法，其特征在于，所述待分类图片数据集的建立包括以下子步骤：
步骤1.1：采集N幅路面裂缝图像，并对N幅路面裂缝图像进行预处理和图像增广，得到M幅路面裂缝图像，M>N；
步骤1...

【专利技术属性】
技术研发人员：李伟，孙朝云，郝雪丽，张英杰，杨荣新，裴莉莉，户媛姣，
申请(专利权)人：长安大学，
类型：发明
国别省市：陕西;61