【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。 ...
【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:
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。