一种路面缺陷检测方法、系统、设备及存储介质技术方案

本发明专利技术公开了一种路面缺陷检测方法、系统、设备及存储介质，包括：获取若干历史路面图像数据，构建预训练样本；构建路面检测模型；所述路面检测模型包括骨干网络及分类器网络；基于优化后的自监督学习算法，利用预训练样本，对路面检测模型中的骨干网络进行预训练，得到预训练后路面检测模型；在预训练样本中随机获取部分样本数据，并对部分样本数据进行缺陷标注，得到微调训练样本；并对预训练后路面检测模型中的骨干网络和分类器网络的参数进行微调处理，得到训练后的路面缺陷检测模型；将待检测路面图像输入至训练后的路面缺陷检测模型中，输出结果，即得到所述的路面缺陷检测结果；本发明专利技术减小了路面缺陷检测模型的训练数据量，提高检测精度。提高检测精度。提高检测精度。

【技术实现步骤摘要】
一种路面缺陷检测方法、系统、设备及存储介质


[0001]本专利技术属于计算机视觉和图像处理
，特别涉及一种路面缺陷检测方法、系统、设备及存储介质。

技术介绍

[0002]在实际生活中，路面存在缺陷的情况非常普遍，缺陷形成原因非常复杂；现有技术中尚未有普适性比较强的自动检测仪器可以使用，常用的检测手段依然是人工检测；而人工检测的手段效率低、稳定性不高，检测过程中易存在漏检的情况。
[0003]目前，基于深度学习的缺陷检测算法已经开始在越来越多的工业检测场景中应用；但是，在将缺陷检测算法应用到路面缺陷检测中时，由于路面图像采集会受到天气、光照、路面上异物等自然因素的干扰，即使在同一路段采集的图像之间也会存在较大的差异，最终导致训练的缺陷检测算法精度难以满足要求的精度；目前也有采取的措施增加训练样本，与此同时随着训练样本的增加又会带来训练样本标注成本过高的问题。

技术实现思路

[0004]针对现有技术中存在的技术问题，本专利技术提供了一种路面缺陷检测方法、系统、设备及存储介质，以解决现有的缺陷检测方法精度较低，训练样本标注成本较高的技术问题。
[0005]为达到上述目的，本专利技术采用的技术方案为：
[0006]本专利技术提供了一种路面缺陷检测方法，包括以下步骤：
[0007]获取若干历史路面图像数据，构建预训练样本；
[0008]构建路面检测模型；其中，所述路面检测模型包括骨干网络及分类器网络；
[0009]基于优化后的自监督学习算法，利用预训练样本，对路面检测模型中的骨干网络进行预训练，得到预训练后路面检测模型；
[0010]在预训练样本中，随机获取部分样本数据，并对所述部分样本数据进行缺陷标注，得到微调训练样本；
[0011]利用微调训练样本，对预训练后路面检测模型中的骨干网络和分类器网络的参数进行微调处理，得到训练后的路面缺陷检测模型；
[0012]将待检测路面图像输入至训练后的路面缺陷检测模型中，输出结果，即得到所述的路面缺陷检测结果。
[0013]进一步的，所述路面检测模型的骨干网络，用于对路面图像进行特征提取，得到中间特征图；
[0014]所述路面检测模型的分类器网络，用于对所述中间特征图进行分类、目标检测处理，得到图像检测结果。
[0015]进一步的，所述路面检测模型的骨干网络为残差网络；所述优化后的自监督学习算法为引入重构图像分支神经网络的MoCo算法；所述MoCo算法的骨干网络与所述路面检测模型的骨干网络相同。
[0016]进一步的，基于优化后的自监督学习算法，利用预训练样本，对路面检测模型中的骨干网络进行预训练，得到预训练后路面检测模型的过程，具体如下：
[0017]利用所述MoCo算法的骨干网络，对预训练样本进行特征提取，得到中间特征图；
[0018]利用重构图像分支神经网络，对中间特征图进行图像重构处理，得到重构图像；
[0019]计算预训练样本与重构图像之间的重构图像损失，得到第一损失；
[0020]利用所述MoCo算法的特征提取分支神经网络，对中间特征图进行特征提取处理，得到若干特征向量；所述若干特征向量与若干历史路面图像数据一一对应；
[0021]计算若干特征向量相互之间的对比损失，得到第二损失；
[0022]利用所述第一损失与所述第二损失，得到综合损失；
[0023]利用所述综合损失函数，通过反向传播的方式，更新所述MoCo算法的骨干网络的模型参数；
[0024]判断综合损失是否收敛或训练迭代次数达到预设迭代次数，若是，则输出更新后的MoCo算法的骨干网络的模型参数；若否，则返回继续训练迭代；
[0025]将所述更新后的MoCo算法的骨干网络的模型参数带入至路面检测模型中的骨干网络，即得到预训练后路面检测模型。
[0026]进一步的，所述综合损失采用所述第一损失与所述第二损失加权求和得到。
[0027]进一步的，所述路面检测模型的分类器网络包括分类单元及目标检测单元；其中，分类单位为二分类器模型，目标检测单元为基于Faster RCNN算法或YOLO算法的目标缺陷检测模型。
[0028]进一步的，利用微调训练样本，对预训练后路面检测模型中的骨干网络和分类器网络的参数进行微调处理，得到训练后的路面缺陷检测模型的过程，具体过程如下：
[0029]将微调训练样本，输入至预训练后路面检测模型的骨干网络中，得到中间特征图；
[0030]将所述中间特征图，输入至预训练后路面检测模型中的分类器网络中，输出微调训练样本的预测分类概率；
[0031]根据所述微调训练样本的预测分类概率与微调训练样本的缺陷标注，计算得到所述微调训练样本的预测分类概率与微调训练样本的缺陷标注的交叉熵损失，并将所述微调训练样本的预测分类概率与微调训练样本的缺陷标注的交叉熵损失作为微调模型的训练损失函数；
[0032]根据所述微调模型的训练损失函数，通过反向传播算法，对所述预训练后路面检测模型中的骨干网络和分类器网络的参数进行调整，以使微调模型的训练损失函数的训练损失值达到预设收敛条件，输出得到所述训练后的路面缺陷检测模型。
[0033]本专利技术还提供了一种路面缺陷检测系统，包括：
[0034]数据模块，用于获取若干历史路面图像数据，构建预训练样本；
[0035]建模模块，用于构建路面检测模型；其中，所述路面检测模型包括骨干网络及分类器网络；
[0036]预训练模块，用于基于优化后的自监督学习算法，利用预训练样本，对路面检测模型中的骨干网络进行预训练，得到预训练后路面检测模型；
[0037]微调样本模块，用于在预训练样本中，随机获取部分样本数据，并对所述部分样本数据进行缺陷标注，得到微调训练样本；
[0038]微调训练模块，用于利用微调训练样本，对预训练后路面检测模型中的骨干网络和分类器网络的参数进行微调处理，得到训练后的路面缺陷检测模型；
[0039]预测输出模块，用于将待检测路面图像输入至训练后的路面缺陷检测模型中，输出结果，即得到所述的路面缺陷检测结果。
[0040]本专利技术还提供了一种路面缺陷检测设备，包括：
[0041]存储器，用于存储计算机程序；
[0042]处理器，用于执行所述计算机程序时实现所述的路面缺陷检测方法的步骤。
[0043]本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的路面缺陷检测方法的步骤。
[0044]与现有技术相比，本专利技术的有益效果为：
[0045]本专利技术提供的一种路面缺陷检测方法及系统，通过预训练样本，基于优化后的自监督学习算法，对路面检测模型的骨干网络进行预训练；利用微调训练样本对预训练后路面检测模型中的骨干网络和分类器网络进行参数微调，得到训练后端路面缺陷检测模型，进而用于缺陷检测；通过对骨干网络的预训练，之后利用较少的微调训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种路面缺陷检测方法，其特征在于，包括以下步骤：获取若干历史路面图像数据，构建预训练样本；构建路面检测模型；其中，所述路面检测模型包括骨干网络及分类器网络；基于优化后的自监督学习算法，利用预训练样本，对路面检测模型中的骨干网络进行预训练，得到预训练后路面检测模型；在预训练样本中，随机获取部分样本数据，并对所述部分样本数据进行缺陷标注，得到微调训练样本；利用微调训练样本，对预训练后路面检测模型中的骨干网络和分类器网络的参数进行微调处理，得到训练后的路面缺陷检测模型；将待检测路面图像输入至训练后的路面缺陷检测模型中，输出结果，即得到所述的路面缺陷检测结果。2.根据权利要求1所述的一种路面缺陷检测方法，其特征在于，所述路面检测模型的骨干网络，用于对路面图像进行特征提取，得到中间特征图；所述路面检测模型的分类器网络，用于对所述中间特征图进行分类、目标检测处理，得到图像检测结果。3.根据权利要求1所述的一种路面缺陷检测方法，其特征在于，所述路面检测模型的骨干网络为残差网络；所述优化后的自监督学习算法为引入重构图像分支神经网络的MoCo算法；所述MoCo算法的骨干网络与所述路面检测模型的骨干网络相同。4.根据权利要求3所述的一种路面缺陷检测方法，其特征在于，基于优化后的自监督学习算法，利用预训练样本，对路面检测模型中的骨干网络进行预训练，得到预训练后路面检测模型的过程，具体如下：利用所述MoCo算法的骨干网络，对预训练样本进行特征提取，得到中间特征图；利用重构图像分支神经网络，对中间特征图进行图像重构处理，得到重构图像；计算预训练样本与重构图像之间的重构图像损失，得到第一损失；利用所述MoCo算法的特征提取分支神经网络，对中间特征图进行特征提取处理，得到若干特征向量；所述若干特征向量与若干历史路面图像数据一一对应；计算若干特征向量相互之间的对比损失，得到第二损失；利用所述第一损失与所述第二损失，得到综合损失；利用所述综合损失函数，通过反向传播的方式，更新所述MoCo算法的骨干网络的模型参数；判断综合损失是否收敛或训练迭代次数达到预设迭代次数，若是，则输出更新后的MoCo算法的骨干网络的模型参数；若否，则返回继续训练迭代；将所述更新后的MoCo算法的骨干网络的模型参数带入至路面检测模型中的骨干网络，即得到预训练后路面检测模型。5.根据权利要求4所述的一种路面缺陷检测方法，其特征在于，所述综合损失采用所述第一损失与所述第二损失加权求和得到。6.根据权...

【专利技术属性】
技术研发人员：李建星，段思鸿，贺雨晨，陈娟，张安学，刘成菊，
申请(专利权)人：同济大学，
类型：发明
国别省市：