一种基于矩阵结构深度神经网络的公路路面裂缝检测系统技术方案

本发明专利技术公开了适用于公路路面的道路裂缝检测系统，具体涉及一种基于矩阵结构深度神经网络的路面裂缝检测方法和相应的路面裂缝图像采集装置。所述方法包括以下步骤：利用公路路面裂缝采集装置获取高分辨率的裂缝图像，标注建立深度学习的路面裂缝数据集；搭建包含矩阵网络、主干网络、编解码网络的深度学习裂缝检测网络模型；将数据集划分为训练集、验证集和测试集训练神经网络模型；优化模型并进行实际路面图像的测试。路面裂缝特征的提取采用了一种新型的矩阵网络模型，用于获得多尺度上下文信息分析不同尺度的裂缝特征。本发明专利技术使用基于深度学习的图像处理技术实现了公路路面裂缝的高精度和高效率的检测，同时提供了相应的路面裂缝图像采集装置。路面裂缝图像采集装置。

【技术实现步骤摘要】
一种基于矩阵结构深度神经网络的公路路面裂缝检测系统


[0001]本专利技术涉及公路路面裂缝检测领域，尤其是涉及一种基于矩阵结构的多层次特征提取的裂缝检测系统。

技术介绍

[0002]公路网的基本构建推动了我国交通运输行业的快速发展，给人们的出行带来了极大的便利。于此相对的是对于安全隐患路段治理以及提高国省道安全性和抗灾能力和行车舒适性的要求也在提高。由于道路使用年限的不断增加，道路路面在各型重载车辆的长期碾压下受损，导致路面内部的结构层难以承担负荷，主要以路面损伤初期的裂缝形式显现。强化干线公路养护，加强公路安全隐患治理在现今公路网建设“保量增质”的大环境下主体作用显著增强。若能够在公路路面破损初期就对其进行道路养护工作，将大大减少工作量并减少相关费用。对于道路养护工作者来说，若能够在路面损伤初期就进行及时的路况检测可以有效提高预防性养护的水平。相反，由于路面养护的封闭维修模式而导致损伤处理不及时，风险评估不到位，在各种外在因素的影响下会进而引发损伤二次加剧，严重干扰正常的交通秩序，危害驾驶人的安全。目前，随着我国公路里程数与日俱增，道路养护任务量不断加大，传统的养护方式严重依赖一些专业的养护和检测设备，价格高且操作专业性强，导致相关任务完成难度大。相比之下，自动路面检测系统在设计和应用得当的情况下，能够快速、准确地完成任务，同时降低人为主观性因素产生的影响。因此，公路养护工作应该朝着更加智能化、高效化的方向发展。
[0003]在公路的养护任务中，关键的一步便是对路面裂缝的检测和识别。传统的人工检测方式完全依赖于检测人员个人的相关经验和知识背景，在在定量分析中缺乏客观性。基于数字图像处理技术以及边缘检测算法的裂缝检测方法虽然相对于人工检测可以在一定程度上提高检测效率，但其处理模式单一，且没有考虑到实际环境下的路面噪声情况，其检测准确性不高。并且在实际情况下混凝土路面具有光照强度不均匀、拓扑结构复杂、对比度低、纹理背景复杂、噪声干扰大等特点。
[0004]综上所述，设计高效、准确的公路路面裂缝检测系统，成为路面裂缝检测领域亟待攻克的技术难题。

技术实现思路

[0005]本专利技术目的在于，提供一种基于矩阵结构深度神经网络的自动化裂缝检测系统，可以针对现有技术难以解决的检测效率和检测精度等问题，提供一种解决方案。
[0006]为了实现上述目的，本专利技术提供以下技术方案：
[0007]一种基于矩阵结构深度神经网络的公路路面裂缝检测方法，该方法具体包括以下步骤：
[0008]S1、利用搭载高清摄像装置的公路路面裂缝采集系统采集公路路面的裂缝图像，标注建立深度学习的路面裂缝数据集；
[0009]S2、搭建包含矩阵网络、主干网络、检测网络和编解码网络的深度学习裂缝检测网络；
[0010]S3、将数据集划分为训练集、验证集和测试集训练神经网络模型；
[0011]S4、优化模型以及进行实际路面图像的测试。
[0012]进一步地，所述步骤S1具体包括：
[0013]S11、所使用的公路路面裂缝采集系统的采集模式为连续捕获模式，可以人为操控，采集到的图像尺寸为2000
×
2000像素。
[0014]S12、对采集到的裂缝图像进行预处理，预处理过程包括图像的标注和数据增强，增强手段包括图像的随机裁剪、旋转变换、以及通过随机因子对图像进行颜色抖动调整图像的饱和度、亮度、对比度和锐度。
[0015]进一步地，所述步骤S2具体包括：
[0016]S21、搭建矩阵网络特征提取模块，矩阵网络模块的搭建首先需要确定矩阵结构的尺度范围，设定为具有奇数层个数的方阵结构，其次根据裂缝特征以及分布范围确定每个矩阵层的层生成过程以及层范围；
[0017]S22、主干网络部分包括主干网络的卷积层的数目，卷积核的大小，每个卷积层产生特征图的大小；
[0018]S23、检测网络对图像中的裂缝区域进行框选标记，网络基于矩阵网络的输出，包括对各矩阵层的层内对象的左上角和右下角进行预测获得热图和偏移量以及目标区域的中心点，利用中心点匹配同层内的角点坐标，再将所有层的输出与平滑非极大值抑制算法结合后得到最终的裂缝区域检测框。
[0019]S24、编解码网络的搭建包括编码部分与矩阵网络的特征图融合衔接，解码部分根据特征图的信息对裂缝区域进行分割。
[0020]进一步地，所述步骤S3具体包括：
[0021]S31、对利用公路路面裂缝采集系统构建并预处理的裂缝数据集按照6：1：3的比例划分为训练集、验证集和测试集。
[0022]S32、训练过程可分为裂缝目标的检测分支和裂缝区域的分割分支，针对各分支分别设计不同的损失函数，在矩阵网络模块和主干网络中使用Relu作为激活函数，在编解码网络中使用sigmoid作为激活函数。
[0023]S33、矩阵网络中，在对角线上的各个层使用一系列步长为1
×
2的共享3
×
3卷积来得到上三角层，下三角层使用步长为2
×
1的共享3
×
3卷积获得。
[0024]S34、预先设定分配给矩阵网络中每一层裂缝尺寸比例变化的范围，表示的是各层中特征向量的接受域，各层的接受域都是按倍数规律变化的。同时为了防止边界上的裂缝发生中断，设定一个冗余量来放宽边界范围，设定0.8和1.3作为区间两端的松弛变量。
[0025]进一步地，所述步骤S4具体包括：
[0026]S41、路面裂缝检测网络的检测分支所使用的损失函数如下所示：
[0027][0028]其中：α＝|x1‑
x2|
[0029]式中：L
dec
为检测分支的损失函数，x1为裂缝图像的真实值的张量形式，x2为裂缝区域预测框的张量形式，α为真实值与预测值之间差值的绝对值。β为差值限制系数，设置为0.1。
[0030]S42、路面裂缝检测网络的裂缝分割分支所使用的损失函数如下所示：
[0031][0032]其中，L
seg
为分割分支的损失函数，y为真实值，y'为预测值，n为样本数量，ω为模型参数，λ为权重衰减系数。
[0033]S43、所述深度神经网络中的训练过程中使用的优化算法为Adam算法，在优化算法中调整参数alpha，beta1，beta2，epsilon分别为0.003，0.99，0.9999，1e
‑
9。
[0034]在得到裂缝图像的二值化区域分割输出图像后，利用图像细化的方法对裂缝区域进行骨架提取，并通过算法计算出裂缝的长度、宽度、面积等形态信息和实际参数。
[0035]一种基于矩阵结构深度神经网络的公路路面裂缝检测采集系统，该系统主要包含以下模块：
[0036]搭载仪器的固定支架，用于固定其他设备组件；高清图像采集设备，用于获取路面裂缝图像；控制开关，用于控制采集模式；激光测距仪，用于测定每帧图像中镜头与路面的距离；裂缝测宽仪，用于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于矩阵结构深度神经网络的公路路面裂缝检测系统，其特征在于，所述内容具体包括以下步骤：S1、利用搭载高清摄像装置的公路路面裂缝采集系统采集公路路面的裂缝图像，标注建立深度学习的路面裂缝数据集；S2、搭建包含矩阵网络、主干网络、检测网络和编解码网络的深度学习裂缝检测网络；S3、将数据集划分为训练集、验证集和测试集训练神经网络模型；S4、优化模型以及进行实际路面图像的测试。2.根据权利要求1所述的基于矩阵结构深度神经网络的公路路面裂缝检测系统，其特征在于，所述步骤S1具体包括：所使用的高清摄像装置固定于支架上，并且垂直于路面距离为100mm,采集的图像范围为120mm
×
120mm，采集的高清摄像装置为NIKON D5100。采集模式为连续捕获模式，可以人为操控，采集到的图像尺寸为2000
×
2000像素。预处理过程包括图像的标注和数据增强，增强手段包括图像的随机裁剪、旋转变换、以及通过随机因子对图像进行颜色抖动调整图像的饱和度、亮度、对比度和锐度。3.根据权利要求2所述的基于矩阵结构深度神经网络的公路路面裂缝检测系统，其特征在于，所述步骤S2具体包括：S21、搭建矩阵网络特征提取模块，矩阵网络模块的搭建首先需要确定矩阵结构的尺度范围，设定为具有奇数层个数的方阵结构，在本发明中采用的规模大小有3
×
3，5
×
5，7
×
7等，其次根据裂缝特征以及分布范围确定每个矩阵层的层生成过程以及层范围；S22、主干网络部分包括主干网络的卷积层的数目，卷积核的大小，每个卷积层产生特征图的大小；S23、检测网络对图像中的裂缝区域进行框选标记，网络基于矩阵网络的输出，包括对各矩阵层的层内对象的左上角和右下角进行预测获得热图和偏移量以及目标区域的中心点，利用中心点匹配同层内的角点坐标，再将所有层的输出与平滑非极大值抑制算法结合后得到最终的裂缝区域检测框。S24、编解码网络的搭建包括编码部分与矩阵网络的融合衔接，解码部分根据特征图的信息对裂缝区域进行分割。4.根据权利要求2或3所述的基于矩阵结构深度神经网络的公路路面裂缝检测系统，其特征在于，所述步骤S3具体包括：S31、对利用公路路面裂缝采集系统构建并...

【专利技术属性】
技术研发人员：李刚，陈永强，邓志豪，兰栋超，代玉，张帅龙，李喜媛，
申请(专利权)人：李刚陈永强，
类型：发明
国别省市：