一种改进FPHBN网络结构的路面裂缝检测方法技术

本发明专利技术涉及道路检测技术领域，具体涉及一种改进FPHBN网络结构的路面裂缝检测方法，包括采集路面图像集；筛选路面图像集中含有裂缝的图像，将其裁剪成256

【技术实现步骤摘要】
一种改进FPHBN网络结构的路面裂缝检测方法


[0001]本专利技术涉及道路检测
，尤其涉及一种改进FPHBN网络结构的路面裂缝检测方法。

技术介绍

[0002]路面裂缝检测作为公路养护的重要工作之一，及时地对路面裂缝进行跟踪追测是保证路面行车安全的重要前提，随着计算机水平的快速发展计算能力的提高，越来越多的研究者提出基于深度学习的路面裂缝检测方法，其中特征金字塔和分层增强网络(Feature Pyramid and Hierarchical Boostiong Network,FPHBN)是Yang等人提出的一种基于多尺度特征融合的端到端裂缝检测方法，FPHBN采用层次特征提取，骨干网络由HED的conv1到conv5组成，采用特征金字塔融合模块将上下文信息由深层引入浅层，使用深度监督学习的侧边网络将多层次特征进行整体融合，该方法能够在干净路面场景中较为准确地检测裂缝像素，得到较好的检测结果，但是对于拓扑结构复杂的裂缝图像，容易将路面污渍、斑点等噪声信息视为裂缝像素，模型的降噪能力仍有待改进。

技术实现思路

[0003]本专利技术的目的在于提供一种改进FPHBN网络结构的路面裂缝检测方法，能够在复杂的背景环境中准确地检测出路面裂缝。
[0004]为实现上述目的，本专利技术提供了一种改进FPHBN网络结构的路面裂缝检测方法，包括：
[0005]采集路面图像集；
[0006]筛选所述路面图像集中含有裂缝的图像，将其裁剪成256
×
256的固定尺寸后进行人工标注得到GroundTrue数据，用以构建训练集和测试集；
[0007]调整FPHBN模型及参数，用DeepCrack数据集对改进后的FPHBN模型进行训练；
[0008]将采集到的路面裂缝图像放入训练后的所述FPHBN模型中进行测试，若测试结果不合格则调整所述FPHBN模型结构和参数重新训练，直至测试合格；
[0009]利用测试合格的所述FPHBN模型对所述裂缝图像进行分类和损害程度的评估。
[0010]其中，所述调整FPHBN模型及参数，并对改进后的FPHBN模型进行训练包括：
[0011]将大小一致的所述裂缝图像送入至改进后的FPHBN模型中；
[0012]输入数据经过改进的所述FPHBN模型前向传播得到输出值；
[0013]用改进的损失函数计算所述输出值与目标值之间的误差值；
[0014]当所述误差值大于期望值时，将所述误差值传回网络中使用随机梯度下降算法以当前的所述误差值对模型重新求导，反向传播更新模型权重；
[0015]直到迭代次数达到指定次数或所述误差值等于或小于期望值时结束训练。
[0016]其中，所述输入数据经过改进的所述FPHBN模型前向传播得到输出值包括：
[0017]使用基于改进的HED骨干网络来提取多层次多尺度的卷积特征图；
[0018]整合空间注意力机制到特征金字塔模块中，将深层语义特征逐层地引入浅层网络中，在每一层的特征图与上层特征图融合后送入空间注意力模块来减少图像噪声影响；
[0019]采用侧边深度监督网络对每一个侧边输出都单独预测，并用改进的交叉熵损失函数对每一个侧边单独监督；
[0020]最后将5个预测结果进行融合拼接得到最终的卷积特征预测输出结果。
[0021]其中，所述改进的HED骨干网络是在HED的基础上引入多尺度空洞卷积来提取有效的上下文信息。
[0022]其中，所述改进的特征融合模块是在原始的特征金字塔模块的基础上添加空间注意力机制。
[0023]其中，所述改进的交叉熵损失函数是在原有的交叉熵损失函数的基础上加上一个平衡简单样本和困难样本的权重因子。
[0024]本专利技术的一种改进FPHBN网络结构的路面裂缝检测方法，通过改进的FPHBN网络结构，引入多尺度空洞卷积到骨干网络中，在保留图像细节信息的同时提取更深层次的语义信息；整合空间注意力机制到特征金字塔模块，将深层语义信息逐层引入到浅层网络中的同时利用空间注意力模块加强模型对裂缝的重点关注，从而减少噪声的影响；对深度监督侧边网络损失函数进一步改进，引入权重因子调节简单样本和困难样本不平衡的问题，以此实现在复杂的背景环境中准确地检测出路面裂缝。
附图说明
[0025]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0026]图1是本专利技术的一种改进FPHBN网络结构的路面裂缝检测方法的流程图。
[0027]图2是本专利技术的调整FPHBN模型及参数，并对改进后的FPHBN模型进行训练的流程图。
[0028]图3是本专利技术的输入数据经过改进的所述FPHBN模型前向传播得到输出值的流程图。
[0029]图4是本专利技术的改进FPHBN网络的结构示意图。
[0030]图5是本专利技术的空间注意力模块的结构示意图。
[0031]图6是本专利技术的侧边特征图融合网络的结构示意图。
[0032]图7是在DeepCrack数据集上的测试结果图像。
[0033]图8是在CRKWH100数据集上的测试结果图像。
[0034]图9是在CrackTree260数据集上的测试结果图像。
[0035]图10是在DeepCrack数据集上评价指标结果图表。
[0036]图11是在CRKWH100数据集上评价指标结果图表。
[0037]图12是在CrackTree260数据集上评价指标结果图表。
具体实施方式
[0038]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[0039]请参阅图1～图12，本专利技术提供一种改进FPHBN网络结构的路面裂缝检测方法：包括：
[0040]S1采集路面图像集；
[0041]使用车载或者机载数字相机，朝着路面连续拍摄，采集路面图像集。
[0042]S2筛选所述路面图像集中含有裂缝的图像，将其裁剪成256
×
256的固定尺寸后进行标注得到Ground True数据，用以构建训练集和测试集；
[0043]对采集到的所述路面图像集进行筛选，筛选出含有裂缝的图像，并将其裁剪成固定尺寸的小分辨率图像，对路面裂缝图像进行人工标注得到Ground True数据，用以构建训练集和测试集。
[0044]S3调整FPHBN模型及参数，用DeepCrack数据集对改进后的FPHBN模型进行训练；
[0045]具体步骤为：
[0046]S31将大小一致的所述裂缝图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进FPHBN网络结构的路面裂缝检测方法，其特征在于，包括：采集路面图像集；筛选所述路面图像集中含有裂缝的图像，将其裁剪成256
×
256的固定尺寸后进行标注得到GroundTrue数据，用以构建训练集和测试集；调整FPHBN模型及参数，用DeepCrack数据集对改进后的FPHBN模型进行训练；将采集到的路面裂缝图像放入训练后的所述FPHBN模型中进行测试，若测试结果不合格则调整所述FPHBN模型结构和参数重新训练，直至测试合格；利用测试合格的所述FPHBN模型对所述裂缝图像进行分类和损害程度的评估。2.如权利要求1所述的一种改进FPHBN网络结构的路面裂缝检测方法，其特征在于，所述调整FPHBN模型及参数，并对改进后的FPHBN模型进行训练包括：将大小一致的所述裂缝图像送入改进后的FPHBN模型中；输入数据经过改进的所述FPHBN模型前向传播得到输出值；用改进的损失函数计算所述输出值与目标值之间的误差值；当所述误差值大于期望值时，将所述误差值传回网络中使用随机梯度下降算法以当前的所述误差值对模型重新求导，反向传播更新模型权重；直到迭代次数达到指定次数或所述误差值等于或小于期望...

【专利技术属性】
技术研发人员：瞿中，董晓宇，夏淑芳，鞠芳蓉，周强，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：