基于遗传算法和U型神经网络的道路裂缝分割的方法技术

本发明专利技术提供一种基于遗传算法和U型神经网络的道路裂缝分割的方法，使用遗传算法对U型编

【技术实现步骤摘要】
基于遗传算法和U型神经网络的道路裂缝分割的方法


[0001]本专利技术属于结构健康监测和图像处理
，具体涉及基于遗传算法和U型神经网络的道路裂缝分割的方法。

技术介绍

[0002]随着交通运输业的发展，公路的养护工作变得十分的重要。而裂缝是道路受损中最为常见的缺陷，道路路面缺陷的检测是后续维护和修理的前提。因此道路裂缝的检测工作必不可少。在实际检测过程中由于裂缝分布杂乱无规律，且容易被周边障碍物干扰，造成漏检误检，从而对道路健康状况产生极大的安全隐患。
[0003]传统的道路裂缝识别一般由道路维护人员现场人工检测，尽管采用摄像设备进行图像采集，裂缝的识别标注还是需要人工标注完成，不同观察者的经验判断，主观感受都不一样，即便是对同一张道路裂缝图像进行识别标注，不同观察者给出的结果也各不相同。因此传统的手工道路裂缝识别不仅耗费大量人力，而且没有办法保证裂缝识别的精度和效率。采用传统图像处理方法对道路裂缝进行识别，其对图像的画质要求较高，且操作复杂，耗时，得到的识别效果不太理想，精度不高；采用无监督方法，神经网络模型通常涉及较多需要满足的附加条件，对图像的质量要求较高，且识别出的道路裂缝精度较低；有监督方法中，神经网络模型对复杂道路表面图像的特征有着较强的提取能力，相较于传统的图像处理方法和无监督方法，神经网络模型对这些复杂情况体现出明显的优势。但目前，现有人工设计的用于道路裂缝检测的神经网络模型在面对道路表面图像的复杂情况仍有一定的局限性，而且其计算复杂度较高，致神经网络模型进行裂缝识别过程耗时长，效率低。手工设计高性能神经网路模型往往需要大量重复的工作，并且对设计者的经验知识有着较高的要求。
[0004]目前的这些现有技术存在着以下问题：
[0005]1、针对裂缝分割任务，现有人工设计的神经网络训练耗时，参数量大，通常需要消耗较高的内存和计算复杂度，使其很难运行在没有足够计算力的设备上。
[0006]另一方面，在道路表面图像复杂情况下仍然难以比较准确地获取道路的裂纹结构，对错综交叉和细小的裂缝分割效果还不理想。
[0007]2、传统图像处理方法对含有复杂背景的道路图像中裂缝分割精度不高，而人工设计的神经网络方法对用于训练、测试和验证神经网络的道路裂缝图像要求较高，若样本图像质量较差，得到的神经网络对裂缝的识别分割精度也较差。
[0008]3、人工手动设计的神经网络模型严重依赖于人的知识和经验，要设计出高效的、高精度的道路裂缝方法，消耗的时间长，且不能最优，甚至不能得到满意的神经网络模型。
[0009]导致原因：
[0010]道路表面图像的复杂性：道路裂缝在采集过程中存在运动模糊情况，降低了图像质量，特别是宽度较小的裂缝分支，使得精确分割细小裂缝分支称为一个难题，传统数字图像处理对裂缝的图片要求高，此外，图像可能会存在光照不均、裂缝与背景难以区分等问
题；经常还会遇到阴影、水渍和油渍的干扰。
[0011]图像背景的干扰：处理图像采集过程中人为或设备带来的干扰以外，普遍情况下，道路存在杂物，如树叶、沙石等，而更严重的干扰情况，阴天或雨天已经有水面的道路，在此类情况下，传统数字图像分割方法很难进行高精度图像分割；
[0012]3、经验知识的局限性：人工设计神经网络更多地是依靠人的经验知识，并没有太多坚实的理论支撑，往往都是先设想，后实验验证，若有效果再采用该方案。为了使神经网络的性能更出色，倾向于把神经网络设计的更大、更复杂，以至于模型往往有更高的计算复杂度。同时，由于人的精力和知识的局限，人工设计的神经网络架构并不是最优的架构。
[0013]综上，由于图像背景干扰、道路表面图像的复杂性、人经验知识的局限性等因素，自动设计用于道路裂缝分割的轻型神经网络模型是有挑战性和有必要性的。

技术实现思路

[0014]本专利技术的目的在于提出基于遗传算法和U型神经网络的道路裂缝分割的方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
[0015]本专利技术提出的基于遗传算法和U型神经网络的道路裂缝分割的方法，使用遗传算法对U型编-解码结构的全卷积神经网络架构进行搜索以实现自动化设计，用于解决人工设计道路裂缝分割神经网络模型工作繁琐、工作量大以及所设计的模型较复杂和在复杂情况下对道路裂缝分割不精确的问题，本专利技术在基于U型编解码结构神经架构的基础上，在特定的搜索空间中，使用遗传算法对U-Net不同模块的内部结构进行搜索以实现轻型U型卷积神经网络模型的自动化设计，所设计的轻型神经网络模型能自动且精确地对道路裂缝进行分割。
[0016]由于道路裂缝分割任务中的裂缝的结构形态学特征差异巨大，其粗细变化动态范围大的任务难点，以及人工设计道路裂缝分割神经网络模型工作繁琐、工作量大以及所设计的模型较复杂和在复杂的道路表面图像中对道路裂缝分割不精确的原因，本专利技术结合进化算法和神经网络的各自优点，对道路表面裂缝进行高效、高精度分割。具体的首先制作道路裂缝数据集，并将数据集划分为训练集、验证集和测试集三部分；其次以U-Net网络为基本架构，确定网络模型的搜索空间，使用遗传算法对U-Net网络不同模块的内部结构进行搜索，并利用裂缝训练集和验证集得到轻量化的的U型卷积神经网络模型，最后将测试集用于测试验证自动化设计出的神经网络模型的性能及分割出道路裂缝，并显示出道路裂缝的分割结果图。采用遗传算法可以自动设计出轻量化的，能高效分割道路裂缝的轻量化神经网络模型，且所得的神经网络模型计算复杂度低。
[0017]为了实现上述目的，提供基于遗传算法和U型神经网络的道路裂缝分割的方法，所述方法包括以下步骤：
[0018]S100：读取道路裂缝数据集；
[0019]S200：构建神经网络模型；
[0020]S300：对神经网络模型进行优化得到优化神经网络模型；
[0021]S400：以道路裂缝数据集划分的训练集对优化神经网络模型训练得到道路裂缝分割模型；
[0022]S500：通过道路裂缝分割模型对输入的道路表面图像进行道路裂缝分割。
[0023]进一步地，在S100中，道路裂缝数据集为公开的公共数据集如CFD、AigleRN等，或由手持智能终端，如手机，相机进行采集得到，或由携带有智能手机，相机的移动机器人、无人机拍摄得到，此外，也可通过网络下载得到。为增大数据样本，可以是由上述方式得到的数据的集合。在本专利技术中，采用了公开的道路裂缝数据集CFD来设计相关的神经网络模型。将数据集CFD划分为训练集、验证集和测试集，分别有50，22和36张照片；除公开数据集外，通过其他方式得到的图像都需要进行标注，再按照一定的比例或数量划分为训练集、验证集和测试集。
[0024]进一步地，在S100中，道路裂缝数据集划分为训练集、验证集和测试集。
[0025]进一步地，在S200中，构建神经网络模型的方法为：所述神经网络模型以U型神经网络(例如U-Net网络)为基本的神经网络骨架进行搜索，所述神经网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于遗传算法和U型神经网络的道路裂缝分割的方法，其特征在于，所述方法包括以下步骤：S100：读取道路裂缝数据集；S200：构建神经网络模型；S300：对神经网络模型进行优化得到优化神经网络模型；S400：以道路裂缝数据集划分的训练集对优化神经网络模型训练得到道路裂缝分割模型；S500：通过道路裂缝分割模型对输入的道路表面图像进行道路裂缝分割。2.根据权利要求1所述的基于遗传算法和U型神经网络的道路裂缝分割的方法，其特征在于，在S100中，道路裂缝数据集为公开的公共数据集CFD、AigleRN，或由手持智能终端进行采集得到，或由携带有智能手机、相机的移动机器人、无人机拍摄得到，此外，也可通过网络下载得到；除公开数据集外，通过其他方式得到的图像都需要进行标注，再按照一定的比例或数量划分为训练集、验证集和测试集。3.根据权利要求1所述的基于遗传算法和U型神经网络的道路裂缝分割的方法，其特征在于，在S200中，构建神经网络模型的方法为：所述神经网络模型以U型神经网络为基本的神经网络骨架进行搜索，所述神经网络模型由一个编码器和一个解码器构成，其中编码器和解码器都分别包含编码模块和解码模块；从上到下，U型神经网络的U型解码编码结构可以被分成不同的阶段，相同阶段的特征图维度是不变的；除最后一个阶段外，对应的编码器模块和解码器模块均通过跳连方式将编码器E所提取的不同语义信息传递给解码器D，编码器D需要融合来自跳连和上采样的信息，其中采用拼接和对位相加的方式将解码过程中上采集的信息与来自跳连的信息进行融合。4.根据权利要求1所述的基于遗传算法和U型神经网络的道路裂缝分割的方法，其特征在于，将所述神经网络模型中的编码模块和解码模块统称为模块，每个模块的内部结构都是由节点和连接各节点的边组成的，每个节点代表一个操作单元或者一个操作序列，每条边代表的是两个节点间具有连接关系；使用二值编码表示模块内部节点间的连接关系，先将模块中的节点分成两类，默认节点和中间节点；默认节点包括默认输入节点和默认输出节点，默认输入节点接收先前模块输出的数据，并将所输出的数据传送给每个没有前置的节点；默认输出节点则接收所有没有后置的节点的输出数据，并把这些数据加起来并处理，然后再把数据传向池化层；对于模块中另外的K个中间节点v
k
(k＝0,1,2,
…
,K-1)，使用位比特编码这些节点间的连接关系，第一位比特表示的是(v0,v1)的连接关系，接下来的两位比特表示的是(v0,v2)和(v1,v2)的连接关系，以此类推，直到后K-1位比特用以表示v1,v2,
…
,v
K-2
和v
K-1
之间的连接关系，其中，如果两个节点间对应的比特是1，则说明它们之间相连接，后面的节点会把前面节点的输出作为输入的一部分，如果比特是0，则说明对应的两个节点间不存在连接；节点都会把它们的所有输入先加起来再进行处理。5.根据权利要求1所述的基于遗传算法和U型神经网络的道路裂缝分割的方法，其特征在于，对神经网络模型进行优化得到优化神经网络模型的方法包括以下步骤：S301：首先随机初始化N个种群，N为种群规模；然后演化T代，T为最大进化代数，每一代都会包含着交叉、变异和选择操作，p
c
为交叉概率，p
m
为变异概率，p
b
为每比特位的变异概
率；S302：随机初始化规模为N个使用二值编码的个体作为初始化种群P0；S303：评估种群P0中个体的适应度值；S304：设置变量t的初始值为0，t为自然数取值为[0,T]，令Q
t
为种群；S305：设置Q
t
为空集；S306：从P
t
中选择两个父代个体p1和p2；S307：将父代个体p1和p2分别以概率p
c
、p
m
和p
b
进行交叉和变异以生成两个子代个体q1和q2；S308：当|Q
t
|<N时将Q
t
∪q1∪q2赋值到Q
t
中并转到步骤S306，否则转到步骤S309；S309：评估种群Q
t
中个体的适应度值；S310：使用相应的环境选择方法从P
t
∪Q
t
选出N个个体到种群P
t+1
中；S311：当t小于T时，将变量t增加1并且转到步骤S305，否则转到步骤S312；S312：输出种群P
t
中适应度值最大的个体。6.根据权利要求5所述的基于遗传算法和U型神经网络的道路裂缝分割的方法，其特征在于，在S306和S310中，S306中的从P
t
中选择两个父代个体p1和p2的选择方法和S310中的环境选择方法为:先通过二元锦标赛选择法选择两个个体p1和p2，并通过公式(1)计算两个个体的差异值diff，如果差异值diff大于我们所设定的阈值μ＝0.2，则将这两个个体设定为待交叉的父代个体，否则，p1和p2会被同样的方式重新选择，...

【专利技术属性】
技术研发人员：朱贵杰，韦家弘，范衠，马培立，黄文宁，李晓明，林培涵，叶志豪，
申请(专利权)人：汕头大学，
类型：发明
国别省市：