【技术实现步骤摘要】
基于计算机视觉的路面多种病害面积检测及定位方法
[0001]本专利技术涉及图像处理
，具体涉及一种基于计算机视觉的路面多种病害面积检测及定位方法。
技术介绍
[0002]近年来，国家加大了对于道路的相关建设，道路频繁使用导致路面会出现很多病害，所以道路的养护显得尤为重要，提升养护和管控水平，精确发现影响驾驶车辆的道路问题，及时生成道路病害工单并推送到养护单位，缩短道路病害基本工作闭环时间，尽快解决影响车辆驾驶的道路问题。对于路面病害的养护，首先要收集有关路面的病害情况，然后准确检测到路面病害，然后根据检测到的结果提取出病害的类型、个数、病害面积及病害位置等所需信息。但是，目前主要检测路面病害的方法主要是先用图像处理收集信息，再辅以人工判断，这种方法获得的检测结果包含的病害信息有限，仅仅只包含检测到的路面病害类型信息，不仅检测效率低，精准度也不高。道路养护工作效率的提升，需要收集到全面的路面病害信息，不仅要获取到路面病害的类型和数量，还要具体计算出路面病害的面积和位置，为道路养护提供精准实时的方案，提高道路养护效率。
【技术保护点】
【技术特征摘要】
1.基于计算机视觉的路面多种病害面积检测及定位方法，其特征在于，所述方法包括基于计算机视觉的路面病害检测和路面病害计算：所述基于计算机视觉的路面病害检测包括获取病害数据集、训练病害检测模型、检测目标路面病害，主要功能为实时检测目标路面的病害、获取检测目标路面的病害的类型和个数；所述路面病害计算包括计算病害中心坐标、计算病害面积，主要功能为利用拟合椭圆计算所述检测检测目标路面的病害的实际位置与大小。2.权利要求1中所述获取病害数据集，其步骤如下：(1)收集路面病害图像，路面病害图像要包括“无异常”、“裂缝”、“车辙”、“松散”、“冻胀翻浆”、“沉陷”、“拥包”、“泛油“、“龟裂唧浆”和“桥头沉降”状态的图像，制作病害样本集；(2)标注所述病害样本集的每个图像样本，获得病害样本集对应的json样本标签文件，该json样本标签文件中包含每个图像样本的标签值；(3)所述病害样本集和病害样本集的json文件样本标签，预处理病害样本集，转化为coco数据集格式，转化后的病害样本集按照比例8:1:1分为病害训练集、病害验证集、病害测试集。3.权利要求1中所述训练病害检测模型，其步骤如下：(1)设置病害检测模型的初始训练参数：主干网络(backbone)设置为Resnet50、学习率衰减区间(lr_steps)设置为(30000，60000，90000)、训练迭代次数(max_iter)设置为30000、训练批次(batch_size)设置为4、阈值(score_threshold)设置为0.3；(2)输入病害训练集与病害验证集，训练病害检测模型，其训练过程为：(2
‑
1)病害训练集与病害验证集的图像样本输入到病害检测模型主干网络(backbone)进行图像样本的特征提取，所述主干网络(backbone)采用：Resnet50残差结构+FPN结构，以及多尺度的特征图，从而可以检测到不同尺寸的病害；Resnet50残差结构共有C1到C5五个卷积模块，FPN网络是由C5卷积模块经过1个卷积层得到P5特征图，对P5特征图采用双线性插值使特征图扩大一倍，与经过卷积的C4卷积模块相加得到P4特征图，再采用同样的方法对P4特征图采用双线性插值使特征图扩大一倍，与经过卷积的C3卷积模块相加得到P3特征图，然后对P5特征图进行卷积和下采样得到P6特征图，对P6特征图进行同样的卷积和下采样得到P7特征图,从而建立P3
‑
P7五个特征图的FPN网络，P3特征图被送入Protonet任务分支，同时P3
‑
P7五个特征图也被送入Prediction Head任务分支中；(2
‑
2)Protonet任务分支，该任务分支是由若干卷积层组成的全卷积网络(FCN)来生成一组与所述病害原图像尺寸(550*550)一样的原型掩码(P)，Protonet部分对于每张输入的病害图像预测k个原型掩码，由于病害训练集、病害验证集、病害测试集，转化为coco数据集格式，对于coco数据集格式k取32效果最好，所以这部分输出的掩模维度是138*138*32，即32个原型掩码，每个大小是138*138；(2
‑
3)Prediction Head任务分支，采用共享卷积网络，提高对图像样本的检测速度，从而达到对图像样本的实时检测；P3
‑
P7五个特征图输入到Prediction Head任务分支，每个特征图先生成图像样本中的病害，然后P...
【专利技术属性】
技术研发人员：刘玉文，黄友锐，韩涛，方明帅，江灵雅，
申请(专利权)人：安徽理工大学，
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。