机场道面病害检测的方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术公开了机场道面病害检测的方法、装置、电子设备及存储介质，包括：获取待检测机场道面病害图像；将待检测机场道面病害图像输入至训练好的病害检测模型，得到待检测机场道面病害图像中不同类型病害对应区域的提取结果；其中，训练好的病害检测模型为利用不同机场道面病害图像以及不同机场道面病害图像对应的语义分割真值图以及语义边缘真值图进行训练后得到。本发明专利技术通过病害检测模型实现了对机场道面图像中多种病害的像素级分割，提高了分割的精度。的精度。的精度。

【技术实现步骤摘要】
机场道面病害检测的方法、装置、电子设备及存储介质


[0001]本专利技术涉及计算机
，具体涉及机场道面病害检测的方法、装置、电子设备及存储介质。

技术介绍

[0002]机场道面安全检测是民航运行安全的重中之重，而目前对机场道面病害的检测仍是以人工方式为主。
[0003]目前的病害检测方法中有的基于形态学提出一种二次阈值分割算法，实现了在包含跑道标记的图像中裂缝的分割，有的在多尺度上使用种子生长算法检测裂缝，通过在不同尺度进行裂缝区域的匹配和融合，获得裂缝的分割结果。这些方法大都依赖于人工设计的参数，泛化能力差，无法处理复杂多变的机场道面图片，检测精度受环境影响大。而随着深度学习的兴起，越来越多的基于深度学习的病害检测方法被提出。比如将全卷积网络应用在裂缝分割中，通过输入多种类型的裂缝图片来训练网络对不同尺度的裂缝进行分割预测。但这种方法仅实现了基于矩形框的病害检测，而无法实现更加精细化的像素级分割。此外，不同类别病害的形状无法体现，且位置信息仍有较大偏差。
[0004]综上，目前亟需一种机场道面病害检测的方法，用于解决上述现有技术存在的问题。

技术实现思路

[0005]由于现有方法存在上述问题，本专利技术提出机场道面病害检测的方法、装置、电子设备及存储介质。
[0006]第一方面，本专利技术提供了一种机场道面病害检测的方法，包括：
[0007]获取待检测机场道面病害图像；
[0008]将所述待检测机场道面病害图像输入至训练好的病害检测模型，得到所述待检测机场道面病害图像中不同类型病害对应区域的提取结果；
[0009]其中，所述训练好的病害检测模型为利用不同机场道面病害图像以及不同机场道面病害图像对应的语义分割真值图以及语义边缘真值图进行训练后得到。
[0010]进一步地，在将所述待检测机场道面病害图像输入至训练好的病害检测模型，得到所述待检测机场道面病害图像中病害对应区域的提取结果之前，还包括：
[0011]获取病害训练图像、语义分割真值图以及语义边缘真值图；
[0012]对所述病害训练图像进行小波变换，得到低频特征图；
[0013]采用残差网络对所述病害训练图像进行图像特征提取，得到语义边缘特征图；
[0014]基于U
‑
Net网络根据所述低频特征图以及所述语义边缘特征图对所述病害训练图像编码，得到第一特征图；
[0015]根据所述低频特征图以及所述语义边缘特征图对所述第一特征图解码，得到语义分割预测图；
[0016]根据所述语义分割真值图以及所述语义分割预测图确定第一损失函数；
[0017]根据所述第一损失函数更新所述病害检测模型的参数，得到训练好的病害检测模型。
[0018]进一步地，所述获取语义分割真值图以及语义边缘真值图，包括：
[0019]提取所述病害训练图像中病害的外轮廓，得到图像标注信息；
[0020]根据所述图像标注信息确定语义分割真值图；
[0021]基于所述语义分割真值图提取病害区域的语义边缘，得到语义边缘真值图。
[0022]进一步地，在所述采用残差网络对所述病害训练图像进行图像特征提取，得到语义边缘特征图之后，还包括：
[0023]采用注意力机制得到所述语义边缘特征图的通道域权重矩阵；
[0024]根据所述语义边缘特征图以及所述通道域权重矩阵得到语义边缘预测图；
[0025]根据所述语义边缘真值图以及所述语义边缘预测图确定第二损失函数；
[0026]根据所述第二损失函数更新所述病害检测模型的参数。
[0027]进一步地，在所述得到第一特征图之后，所述根据所述低频特征图以及所述语义边缘特征图对所述第一特征图解码之前，还包括：
[0028]采用注意力机制得到所述第一特征图的空间域权重矩阵；
[0029]根据所述第一特征图以及所述空间域权重矩阵确定第二特征图。
[0030]进一步地，所述待检测机场道面病害图像中病害的类别为裂缝、修补、补丁、地灯和板缝。
[0031]第二方面，本专利技术提供了一种机场道面病害检测的装置，包括：
[0032]获取模块，用于获取待检测机场道面病害图像；
[0033]处理模块，用于将所述待检测机场道面病害图像输入至训练好的病害检测模型，得到所述待检测机场道面病害图像中不同类型病害对应区域的提取结果；其中，所述训练好的病害检测模型为利用不同机场道面病害图像以及不同机场道面病害图像对应的语义分割真值图以及语义边缘真值图进行训练后得到。
[0034]进一步地，所述处理模块还用于：
[0035]在将所述待检测机场道面病害图像输入至训练好的病害检测模型，得到所述待检测机场道面病害图像中病害对应区域的提取结果之前，获取病害训练图像、语义分割真值图以及语义边缘真值图；
[0036]对所述病害训练图像进行小波变换，得到低频特征图；
[0037]采用残差网络对所述病害训练图像进行图像特征提取，得到语义边缘特征图；
[0038]基于U
‑
Net网络根据所述低频特征图以及所述语义边缘特征图对所述病害训练图像编码，得到第一特征图；
[0039]根据所述低频特征图以及所述语义边缘特征图对所述第一特征图解码，得到语义分割预测图；
[0040]根据所述语义分割真值图以及所述语义分割预测图确定第一损失函数；
[0041]根据所述第一损失函数更新所述病害检测模型的参数，得到训练好的病害检测模型。
[0042]进一步地，所述处理模块具体用于：
[0043]提取所述病害训练图像中病害的外轮廓，得到图像标注信息；
[0044]根据所述图像标注信息确定语义分割真值图；
[0045]基于所述语义分割真值图提取病害区域的语义边缘，得到语义边缘真值图。
[0046]进一步地，所述处理模块还用于：
[0047]采用注意力机制得到所述语义边缘特征图的通道域权重矩阵；
[0048]根据所述语义边缘特征图以及所述通道域权重矩阵得到语义边缘预测图；
[0049]根据所述语义边缘真值图以及所述语义边缘预测图确定第二损失函数；
[0050]根据所述第二损失函数更新所述病害检测模型的参数。
[0051]进一步地，所述处理模块还用于：
[0052]在所述得到第一特征图之后，所述根据所述低频特征图以及所述语义边缘特征图对所述第一特征图解码之前，采用注意力机制得到所述第一特征图的空间域权重矩阵；
[0053]根据所述第一特征图以及所述空间域权重矩阵确定第二特征图。
[0054]进一步地，所述处理模块具体用于：
[0055]所述待检测机场道面病害图像中病害的类别为裂缝、修补、补丁、地灯和板缝。
[0056]第三方面，本专利技术还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机场道面病害检测的方法，其特征在于，包括：获取待检测机场道面病害图像；将所述待检测机场道面病害图像输入至训练好的病害检测模型，得到所述待检测机场道面病害图像中不同类型病害对应区域的提取结果；其中，所述训练好的病害检测模型为利用不同机场道面病害图像以及不同机场道面病害图像对应的语义分割真值图以及语义边缘真值图进行训练后得到。2.根据权利要求1所述的机场道面病害检测的方法，其特征在于，在将所述待检测机场道面病害图像输入至训练好的病害检测模型，得到所述待检测机场道面病害图像中病害对应区域的提取结果之前，还包括：获取病害训练图像、语义分割真值图以及语义边缘真值图；对所述病害训练图像进行小波变换，得到低频特征图；采用残差网络对所述病害训练图像进行图像特征提取，得到语义边缘特征图；基于U
‑
Net网络根据所述低频特征图以及所述语义边缘特征图对所述病害训练图像编码，得到第一特征图；根据所述低频特征图以及所述语义边缘特征图对所述第一特征图解码，得到语义分割预测图；根据所述语义分割真值图以及所述语义分割预测图确定第一损失函数；根据所述第一损失函数更新所述病害检测模型的参数，得到训练好的病害检测模型。3.根据权利要求2所述的机场道面病害检测的方法，其特征在于，所述获取语义分割真值图以及语义边缘真值图，包括：提取所述病害训练图像中病害的外轮廓，得到图像标注信息；根据所述图像标注信息确定语义分割真值图；基于所述语义分割真值图提取病害区域的语义边缘，得到语义边缘真值图。4.根据权利要求2所述的机场道面病害检测的方法，其特征在于，在所述采用残差网络对所述病害训练图像进行图像特征提取，得到语义边缘特征图之后，还包括：采...

【专利技术属性】
技术研发人员：张宇佳，吴君娴，孙世颖，赵晓光，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：