一种基于DSSD算法的道路损伤检测方法技术

本发明专利技术一种基于DSSD算法的道路损伤检测方法，属于道路损伤检测技术领域，所要解决的技术问题为：提供一种基于DSSD算法的道路损伤检测方法，对重要路段的道路路面状况进行检测识别，及时准确的检测出道路路面损伤并进行修补；解决该技术问题采用的技术方案为：根据数据集构建Resnet‑101网络提取图像中特征的语义信息；然后经过卷积与反卷积模块，卷积模块中包括低层特征图，反卷积模块中包括高层特征图，两个卷积模块中的特征图经过融合，送入预测模块；最后将待识别的道路图像输入到训练好的DSSD模型中，判别该图像中道路损伤的类型和位置；本发明专利技术的模型有很高的召回率和精确度，尤其在小目标道路损伤方面的识别准确率更高。

【技术实现步骤摘要】
一种基于DSSD算法的道路损伤检测方法
本专利技术一种基于DSSD算法的道路损伤检测方法，属于道路损伤检测

技术介绍
随着我国社会主义现代化的高速发展，道路建设作为衡量国家现代化水平的重要指标之一，我国的道路建设也在如火如荼的发展，但是道路交通网十分庞大复杂，随之而来的问题也难以妥善解决，其中道路养护问题一直是重中之重；道路产生的损伤一般是由施工方式、气候条件、行车负载等因素造成的，从而对道路交通安全带来了巨大的挑战，所以如何从道路图像上快速准确地检测出损伤区域就成为了急需解决的难题。
技术实现思路
本专利技术为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种基于DSSD算法的道路损伤检测方法，可以对重要路段的道路路面状况进行检测识别，及时准确的检测出道路路面损伤并进行修补。为解决上述技术问题，本专利技术采用的技术方案为：一种基于DSSD算法的道路损伤检测方法，其特征在于：包括如下步骤：步骤一：采用GlobalRoadDamageDetectionChallenge比赛所提供的数据集用于训练DSSD模型；所述数据集具体为道路损伤图像数据集，包括来自手机拍摄的道路现场图像，图像中包括不同的背景环境、光照状态下的路面图像；步骤二：构建Resnet-101网络，输入道路损伤图像训练集，提取道路损伤图像中的特征，输出为特征图；步骤三：训练DSSD模型，所述DSSD模型包括依次连接的卷积模块、反卷积模块、预测模块；步骤3.1：将Resnet-101神经网络生成的特征图输入到DSSD模型，所述卷积模块中的低层特征图与反卷积模块中的高层特征图进行融合，送入预测模块，融合后的特征图作为下一级反卷积模块中的高层特征图，再与下一级卷积模块中的低层特征图融合，送入预测模块后再进行下一步反卷积模块的操作；步骤3.2：融合后的特征图送入预测模块，经过Resnet网络，进行点积操作，实现物体类型的识别，回归物体的精确位置；步骤四：将待识别的道路损伤图像输入到训练好的DSSD模型中，判别该道路损伤图像中道路损伤的类型，并框出损伤的位置。所述步骤一中DSSD模型使用的数据集格式与PascalVOC数据集格式一致；所述数据集用矩形框标注图像中的裂缝，采用XML文件用于对DSSD模型训练；所述XML文件包含图像的名称、图像的尺寸、标注的裂缝的名称，以及标注框的左上角和右下角坐标，坐标表述为xmin，ymin，xmax，ymax。在所述步骤三的DSSD模型训练过程中，整个DSSD网络的总损失函数分为两部分，包括平滑损失函数与相对熵损失函数KL，计算公式为：；；；式中：x为预测边界框坐标向量，y为对应的真实边界框坐标向量，n为样本数量，p(x)和q(x)为两个分布函数。本专利技术相对于现有技术具备的有益效果为：本专利技术提出一种基于DSSD的道路损伤检测方法，不仅可以检测道路的损伤类型，而且在小目标损伤方面的检测精度也明显提高；本专利技术利用DSSD网络可以自动提取图像特征，避免了人工提取特征的盲目性，在某些高危路段可以代替人工进行检测，减小发生伤亡的可能，有效提高检测效率，降低检测成本，与其他的目标检测算法相比，本专利技术提出的检测方法在检测精度上更高，对小目标的检测效果也更好。附图说明下面结合附图对本专利技术做进一步说明：图1为本专利技术的流程步骤图；图2为本专利技术方法的部分样本示例图；图3为本专利技术DSSD的架构图；图4为本专利技术卷积层与反卷积层的结构图；图5为本专利技术预测模块的结构图；图6为本专利技术结果展示图；图7为本专利技术损失变化曲线图。具体实施方式如图1所示，本专利技术一种基于DSSD算法的道路损伤检测方法，其具体步骤包括：步骤1，道路损伤图像数据集来自手机拍摄的道路现场图像，包括不同的环境、光照、路面、形状，以9:1的比例划分为训练数据集和测试数据集，部分样本示例如图2(a)-图2(c)所示，训练数据集用来训练DSSD模型，测试数据集用来验证DSSD模型的好坏。道路损伤图像包括XML文件，用作后续DSSD训练，XML文件包含图像的名称、图像的尺寸、标注的损伤的名称和标注框的左上角和右下角坐标(xmin，ymin，xmax，ymax)。步骤2，构建Resnet-101残差神经网络，输入道路裂缝图像训练集，提取道路裂缝图像中的特征，输出为特征图。步骤3，训练DSSD模型，该模型包括依次连接的卷积模块、反卷积模块和预测模块，如图3所示为DSSD结构图。步骤3.1，如图4所示卷积层与反卷积层结构图，将Resnet-101神经网络生成的特征图输入到DSSD网络，卷积模块中的低层特征图与反卷积模块中的高层特征图融合，送入预测模块。融合后的特征图作为下一级反卷积模块中的高层特征图，再与下一级卷积模块中的低层特征图融合，送入预测模块后再进行下一步反卷积模块的操作。在训练过程中，整个DSSD网络的总损失函数分为两部分，平滑损失函数SmoothL1与相对熵损失函数KL，表示为如下公式：；；；式中：x是预测边界框坐标向量，y是对应的真实边界框坐标向量，n是样本数量，p(x)和q(x)为两个分布函数。步骤3.2，如图5所示预测模块结构，融合后的特征图送入预测模块，经过Resnet网络，进行点积操作，实现物体类型的识别与回归物体的精确位置。步骤4，利用训练好的DSSD模型检测输入的道路图像的损伤类型以及框出损伤的位置，如图6(a)-图6(c)所示是对道路损伤的检测结果。在本申请的步骤3.1中，高层网络的感受野比较大，语义信息表征能力强，但是特征图的分辨率低，几何信息的表征能力弱；低层网络的感受野比较小，几何细节信息表征能力强，虽然分辨率高，但是语义信息表征能力弱；在多尺度的特征图预测目标时，使用具有较大感受野的高层特征信息预测大的物体，具有较小感受野的低层特征信息预测小目标；将高层语义信息和低层语义信息进行融合，丰富预测回归位置框和分类任务输入的多尺度特征图，以此提高精度。在步骤3.2中，DSSD直接从数个反卷积层中分别引出预测函数，在每一个预测层后增加残差模块，以提取更深维度的特征。本专利技术在实验时采用处理器为windows10（64位）的intelCOREi7，显卡为NvidiaGeForceGTX1660Ti，主频是2.6GHz，内存是8GB，IDE是pycharm，编程语言是Python，基于pytorch1.2框架，使用算法DSSD对道路损伤数据集进行训练；如图7所示，x轴代表迭代次数，y轴是训练过程中的损失，损失越小，模型收敛效果越好；mAP（平均精度均值）作为目标检测的评价指标，mAP体现模型识别效果的优劣程度，其值越大效果越好，反之越差。最终的训练结果如表1所示。表1各类损失结果由表1可知，对比其他的目标检测方法，DSSD的mAP值最好，为0.本文档来自技高网...

【技术保护点】
1.一种基于DSSD算法的道路损伤检测方法，其特征在于：包括如下步骤：/n步骤一：采用Global Road Damage Detection Challenge比赛所提供的数据集用于训练DSSD模型；所述数据集具体为道路损伤图像数据集，包括来自手机拍摄的道路现场图像，图像中包括不同的背景环境、光照状态下的路面图像；/n步骤二：构建Resnet-101网络，输入道路损伤图像训练集，提取道路损伤图像中的特征，输出为特征图；/n步骤三：训练DSSD模型，所述DSSD模型包括依次连接的卷积模块、反卷积模块、预测模块；/n步骤3.1：将Resnet-101神经网络生成的特征图输入到DSSD模型，所述卷积模块中的低层特征图与反卷积模块中的高层特征图进行融合，送入预测模块，融合后的特征图作为下一级反卷积模块中的高层特征图，再与下一级卷积模块中的低层特征图融合，送入预测模块后再进行下一步反卷积模块的操作；/n步骤3.2：融合后的特征图送入预测模块，经过Resnet网络，进行点积操作，实现物体类型的识别，回归物体的精确位置；/n步骤四：将待识别的道路损伤图像输入到训练好的DSSD模型中，判别该道路损伤图像中道路损伤的类型，并框出损伤的位置。/n...

【技术特征摘要】
1.一种基于DSSD算法的道路损伤检测方法，其特征在于：包括如下步骤：
步骤一：采用GlobalRoadDamageDetectionChallenge比赛所提供的数据集用于训练DSSD模型；所述数据集具体为道路损伤图像数据集，包括来自手机拍摄的道路现场图像，图像中包括不同的背景环境、光照状态下的路面图像；
步骤二：构建Resnet-101网络，输入道路损伤图像训练集，提取道路损伤图像中的特征，输出为特征图；
步骤三：训练DSSD模型，所述DSSD模型包括依次连接的卷积模块、反卷积模块、预测模块；
步骤3.1：将Resnet-101神经网络生成的特征图输入到DSSD模型，所述卷积模块中的低层特征图与反卷积模块中的高层特征图进行融合，送入预测模块，融合后的特征图作为下一级反卷积模块中的高层特征图，再与下一级卷积模块中的低层特征图融合，送入预测模块后再进行下一步反卷积模块的操作；
步骤3.2：融合后的特征图送入预测模块，经过Resnet网络，进行点积操作，实现物体类型的识别，回归物体的精确位...

【专利技术属性】
技术研发人员：郭学俊，苏可，陈泽华，刘晓峰，赵哲峰，李龙，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西;14