基于图像识别深度学习的道路病害检测系统及方法技术方案

本发明专利技术属于智能交通技术领域，具体涉及一种基于图像识别深度学习的道路病害检测系统及方法，系统包括图像处理模块、图像检测模块、图像分割模块以及图像分类模块，方法包括样本图像采集步骤、样本图像预处理步骤、样本标注步骤、模型训练步骤和道路病害检测步骤，是一种基于深度学习，对道路图像进行检测、分类、分割的道路病害检测技术。割的道路病害检测技术。割的道路病害检测技术。

【技术实现步骤摘要】
基于图像识别深度学习的道路病害检测系统及方法


[0001]本专利技术属于智能交通
，具体涉及一种基于图像识别深度学习的道路病害检测系统及方法。

技术介绍

[0002]公路结构层可分为面层、基层和土基，基层又可分为垫层（底基层）、基层；路基的主要作用是承受公路结构层重量和荷载路面，是土层；垫层是路面的最底层，起排水、扩散基层应力并将应力传到路基；基层主要是承重，并将面层应力扩散到垫层；面层主要是改善行车条件，保护路面基层。即，路基是在天然地表面按照道路的设计线形（位置）和设计横断面（几何尺寸）的要求开挖或堆填而成的岩土结构物，路面是在路基顶面的行车部分用各种混合料铺筑而成的层状结构物因此，对于公路来说最重要的组成部分便是路基路面，这是公路养护的重点内容和部位，但是由于病害（裂隙、坑洞等）时有发生，这对于公路的使用产生了直接的影响，对于相关病害的处置约占养护费用的80%以上，因此对于道路病害需要进行相关的检测，以便进行相关的公路养护以及相关事故的提前预防。
[0003]在传统的道路病害检测中主要是以传统LBP（Local Binary本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图像识别深度学习的道路病害检测系统，其特征在于：包括图像处理模块、图像检测模块、图像分割模块以及图像分类模块；所述图像处理模块用于对采集到的待检测道路的图像进行预处理，待检测道路的图像中包含路面的道路病害图片以及相关道路病害的标签数据，将经过预处理的图像传送至所述图像检测模块中；所述图像检测模块通过Labelme标注工具、根据道路左右两边终止实线为划分、从所述图像处理模块预处理的图像中提取出属于道路路面的部分，并发送给所述图像分割模块以及图像分类模块；所述图像分割模块通过经训练学习的目标分割网络，从所述图像检测模块中提取出的属于道路路面的部分中以像素级的细粒度的进行路面病害部分分割，用以刻画路面病害的形态；所述图像分类模块根据先验阈值，将所述图像检测模块中提取出的属于道路路面的部分，按照不同的道路病害类别和等级进行聚类分类。2.基于图像识别深度学习的道路病害检测方法，其特征在于，包括以下步骤：样本图像采集步骤，采集若干不同道路、包含各种道路病害的路面情况图像，形成样本图像集；样本图像预处理步骤，对所述样本图像集中包含的不同道路及各种道路病害的路面情况图像进行裁切、翻转以及亮度/对比度/色调变换处理；样本标注步骤，通过标注工具Labelme，在经过所述样本图像预处理步骤处理后的路面情况图像上标出病害的区域，得到病害区域的范围坐标，并按照分类类别和分割标签对病害的区域进行样本标注；模型训练步骤，选择经过所述样本标注步骤标注过的路面情况图像作为网络模型的训练数据集，对网络模型进行训练；道路病害检测步骤，将待检测的道路图片输入到所述模型训练步骤中训练完成的网络模型中得到实际的道路病害情况，如果输入的图片被预测为存在道路病害，则确认采集的图像所对应的路段位置信息，生成相关的路段位置信息并提供给检测的终端。3.如权利要求2所述的基于图像识别深度学习的道路病害检测方法，其特征在于：所述样本图像采集步骤中，所述裁切，是在路面情况图像的原始图片上，以区域随机的方式对图片进行裁切；所述翻转，是在路面情况图像的原始图片上，以图片横向的中心线和纵向的中心线为翻转中心线分别进行上下翻转和左右翻转；所述亮度/对比度/色调变换，是基于路面情况图像的原始图片，在原始图片的HSV颜色空间中对色调、饱和度、亮度三个数值分别以随机的方式各自进行数值调整。4.如权利要求2所述的基于图像识别深度学习的道路病害检测方法，其特征在于：所述模型训练步骤中，对样本图像集中所有经过样本标注步骤标注的路面情况图像进行划分，按照85%、10%、5%的比例将划分为训练集、交叉验证集和测试集；所述训练集，是以若干个batch批次进行训练的，每个batch批次的选择是以2的次方进行选择。5.如权利要求4所述的基于图像识别深度学习的道路病害检测方法，其特征在于，所述模型训练步骤中，对网络模型进行训练，具体的，是使用maskrcnn网络作为训练和预测用的网络模型，每次将训练集中的一个batch批次的数据传入到maskrcnn网络中：
首先，经过用于对batch批次的数据进行特征提取的卷积神经网络模块，卷积神经网络模块对应路面情况图像的CNN骨干网络对batch批次的数据进行主干特征提取，到若干种尺寸的特征图；然后，将卷积神经网络模块提取的这若干种尺寸的特征图分别输送到网络模型的RPN网络中进行处理得到RPN网络特征图，所述RPN网络特征图会得到与特征对应的、用于进行检测框坐标精修的目标检测框；接着，将若干种尺寸的特征图以及经过所述RPN网络处理后的RPN网络特征图输入到网络模型的ROI Align模块中进行缩放，得到固定大小的特征图；得到固定大小的特征图之后，将maskrcnn网络划分为两个分支，其中一个分支将特征图拉伸为固定长度为1024的向量，传入到maskrcnn网络的全连接神经网络中进行目标检测框的坐标精修以及...

【专利技术属性】
技术研发人员：寇世豪，郑武，张蓉，邓承刚，杨海涛，
申请(专利权)人：四川九通智路科技有限公司，
类型：发明
国别省市：