基于半监督模型的道路裂痕检测方法、系统及介质技术方案

本发明专利技术公开了一种基于半监督模型的道路裂痕检测方法、系统及介质，方法包括下述步骤：采集道路裂痕数据集，并划分为训练集和测试集；构建半监督检测模型，所述半监督检测模型包括教师模型和学生模型；使用训练集对教师模型进行训练并优化损失函数，生成训练集中无标签数据的伪标签，得到伪标签数据集；将伪标签数据集输入学生模型中进行训练，计算得到损失函数，得到训练好的半监督检测模型；将测试集输入训练好的半监督检测模型，得到道路裂痕检测结果。本发明专利技术在道路图像无标签、缺少标签的情况下，通过建立有标签及无标签数据之间的联系，有效学习道路裂痕特征，准确识别道路裂痕，对道路建设和维护提供了支持和帮助，且应用广泛。泛。泛。

【技术实现步骤摘要】
基于半监督模型的道路裂痕检测方法、系统及介质


[0001]本专利技术属于道路维护的
，具体涉及一种基于半监督模型的道路裂痕检测方法方法、系统及介质。

技术介绍

[0002]城市路面的建设与后期维护工作是道路建设工作的重要部分之一。如何高精度识别道路裂痕是保证道路质量的关键所在，如何解决提取裂痕的特征及识别问题，也是待需解决的关键问题所在。伴随道路修建与维护技术的不断发展，采用计算机视觉对道路裂痕进行检测，减轻了道路状态检测的工作量，提高检测的精确度，保证道路行驶的安全性。
[0003]传统对道路裂痕检测方法通过对道路裂痕图像进行预处理，然后找到边缘阈值，通过设置单个阈值、多个阈值，甚至自适应阈值的方式，完成对道路裂痕的切割。但是这种方式并不能满足多样化的道路裂痕图像，由于传统算法模型无法适应复杂的裂痕图像数据，存在检测不全面、检测误差大、时间成本大、处理方式繁琐等的问题。现有技术中的基于深度学习的道路裂痕检测方法，虽然能取得较好的检测效果，但是该方法是基于有监督学习模型，由于有监督模型需要足够大的数据且有对应的标签，使得模型训练过程中易出现过拟合的情况，导致模型无法学习到数据集本身的分布特征；而对于道路裂痕数据，原始数据本身不携带有任何标签，并且裂痕的位置、形状、长度等都存在不同的情况，故很难对数据进行前期的预处理操作，因此需要更为泛化、高效的道路裂痕检测方法。

技术实现思路

[0004]本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于半监督模型的道路裂痕检测方法、系统及介质，通过建立有标签及无标签数据的联系，对无标签数据生成伪标签，将真实标签与伪标签联合用于训练半监督模型，实现对道路裂痕的精准、高效识别与检测，为道路的建设与维护提供支持。
[0005]为了达到上述目的，本专利技术采用以下技术方案：
[0006]本专利技术第一目的在于提供一种基于半监督模型的道路裂痕检测方法，包括下述步骤：
[0007]采集道路裂痕数据集，并划分为训练集和测试集；所述道路裂痕数据集包括有标签数据集和无标签数据集；
[0008]构建半监督检测模型，所述半监督检测模型包括教师模型和学生模型；
[0009]使用训练集对教师模型进行训练并优化损失函数，生成训练集中无标签数据的伪标签，得到伪标签数据集；
[0010]将伪标签数据集输入学生模型中进行训练，计算得到损失函数，得到训练好的半监督检测模型；
[0011]将测试集输入训练好的半监督检测模型，得到道路裂痕检测结果。
[0012]作为优选的技术方案，所述道路裂痕数据集表示为D＝{D
l
，D
u
}，其中
为有标签数据集，为无标签数据集，为第i个有标签数据样本，为第i个无标签数据样本，是采用one
‑
hot的数据样本标签，N是样本的类别数量，L为有标签数据样本个数，U为无标签数据样本个数；
[0013]所述训练集表示为D
tr
＝{x
tr
，y
tr
，x
u
}，其中，x
tr
，y
tr
分别为训练集中有标签数据样本及其对应的标签，x
u
为训练集中无标签数据样本；
[0014]所述测试集表示为D
te
＝{x
te
}，其中x
te
为测试集中测试数据样本，包括有标签数据样本及无标签数据样本。
[0015]作为优选的技术方案，所述半监督检测模型采用ResNet50及VGG16网络结构进行构建；所述教师模型用于构建无标签数据的伪标签，所述学生模型利用伪标签进行训练，用于检测道路裂痕；
[0016]所述ResNet50网络结构包括多个卷积组、全局平均池化层、全连接层及Softmax层；所述卷积组由多个卷积块CB、识别块IB及3个Bottleneck模块构成；所述卷积块CB用于调整并改变网络的维度；所述识别块IB用于加深网络；所述卷积块CB与识别块IB重复叠加；所述ResNet50使用卷积组获得输入图像数据的特征图，再经过全局平均池化层缩放特征图，最后经由全连接层及Softmax层输出结果；
[0017]所述VGG16网络结构包含有13个卷积层，5个池化层和3个全连接层；所述卷积层中的卷积核大小统一采用5*5，所述池化层中的池化核大小统一采用3*3。
[0018]作为优选的技术方案，所述得到伪标签数据集，具体为：
[0019]将训练集D
tr
中有标签数据样本和无标签数据样本输入教师模型中采用归纳式学习进行训练，生成无标签数据样本的伪标签，生成公式为：
[0020][0021]其中，y
u
表示生成的无标签数据样本伪标签，p(c|x
u
；θ)表示教师模型f
θ
将无标签数据样本x
u
∈D
u
预测为类别c的概率，且c＝{0，1，...，N
‑
1}，θ为教师模型的参数；
[0022]获得伪标签数据集，表示为D
′
tr
＝{x
tr
，y
tr
，x
u
，y
u
}；
[0023]采用KL散度对损失函数进行优化，得到教师模型的损失函数：
[0024][0025]其中，θ为教师模型参数，X为训练集，Y为训练集对应的标签集，y
i
为训练集中第i个标签数据。
[0026]作为优选的技术方案，所述得到训练好的半监督检测模型，具体为：
[0027]使用数据增强法对伪标签数据集中有标签数据样本和伪标签数据样本进行插值处理，并将插值后数据加入伪标签数据集中获得插值数据集D
m
＝{B
l
，B
u
，B
lm
，B
um
}；
[0028]将插值数据集D
m
输入学生模型中，通过计算损失值获得学生模型的损失函数L：
[0029][0030][0031][0032][0033]L＝L
s
+w1L
u
+w2L
lm
+w3L
um
[0034]其中，L
s
为插值数据集中有标签数据样本B
l
的损失值，L
u
为插值数据集中伪标签数据样本B
u
的损失值，L
lm
为插值数据集中插值后有标签数据样本B
lm
的损失值，L
um
为插值数据集中插值后伪标签数据样本B
um
的损失值，w1，w2，w3为平衡因子，y
T
为数据样本标签的转置，为学生模型的参数；
[0035]使用损失函数对学生本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于半监督模型的道路裂痕检测方法，其特征在于，包括下述步骤：采集道路裂痕数据集，并划分为训练集和测试集；所述道路裂痕数据集包括有标签数据集和无标签数据集；构建半监督检测模型，所述半监督检测模型包括教师模型和学生模型；使用训练集对教师模型进行训练并优化损失函数，生成训练集中无标签数据的伪标签，得到伪标签数据集；将伪标签数据集输入学生模型中进行训练，计算得到损失函数，得到训练好的半监督检测模型；将测试集输入训练好的半监督检测模型，得到道路裂痕检测结果。2.根据权利要求1所述的基于半监督模型的道路裂痕检测方法，其特征在于，所述道路裂痕数据集表示为D＝{D
l
,D
u
}，其中为有标签数据集，为无标签数据集，为第i个有标签数据样本，为第i个无标签数据样本，是采用one
‑
hot的数据样本标签，N是样本的类别数量，L为有标签数据样本个数，U为无标签数据样本个数；所述训练集表示为D
tr
＝{x
tr
,y
tr
,x
u
}，其中，x
tr
,y
tr
分别为训练集中有标签数据样本及其对应的标签，x
u
为训练集中无标签数据样本；所述测试集表示为D
te
＝{x
te
}，其中x
te
为测试集中测试数据样本，包括有标签数据样本及无标签数据样本。3.根据权利要求2所述的基于半监督模型的道路裂痕检测方法，其特征在于，所述半监督检测模型采用ResNet50及VGG16网络结构进行构建；所述教师模型用于构建无标签数据的伪标签，所述学生模型利用伪标签进行训练，用于检测道路裂痕；所述ResNet50网络结构包括多个卷积组、全局平均池化层、全连接层及Softmax层；所述卷积组由多个卷积块CB、识别块IB及3个Bottleneck模块构成；所述卷积块CB用于调整并改变网络的维度；所述识别块IB用于加深网络；所述卷积块CB与识别块IB重复叠加；所述ResNet50使用卷积组获得输入图像数据的特征图，再经过全局平均池化层缩放特征图，最后经由全连接层及Softmax层输出结果；所述VGG16网络结构包含有13个卷积层，5个池化层和3个全连接层；所述卷积层中的卷积核大小统一采用5*5，所述池化层中的池化核大小统一采用3*3。4.根据权利要求3所述的基于半监督模型的道路裂痕检测方法，其特征在于，所述得到伪标签数据集，具体为：将训练集D
tr
中有标签数据样本和无标签数据样本输入教师模型中采用归纳式学习进行训练，生成无标签数据样本的伪标签，生成公式为：其中，y
u
表示生成的无标签数据样本伪标签，p(c∣x
u
；θ)表示教师模型f
θ
将无标签数据样本x
u
∈D
u
预测为类别c的概率，且c＝{0,1,
…
,N
‑
1}，θ为教师模型的参数；获得伪标签数据集，表示为D
′
tr
＝{x
tr
,y
tr
,x
u
,y
u
}；采用KL散度对损失函数进行优化，得到教师模型的损失函数：
其中，θ为教师模型参数，X为训练集，Y为训练集对应的标签集，y
i
为训练集中第i个标签数据。5.根据权利要求4所述的基于半监督模型的道路裂痕检测方法，其特征在于，所述得到训练好的半监督检测模型，具体为：使用数据增强法对伪标签数据集中有标签数据样本和伪标签数据样本进行插值处理，并将插值后数据加入伪标签数据集中获得插值数据集D
m
＝{B
l
,B
u
,B
lm
,B
um
}；将插值数据集D
m
输入学生模...

【专利技术属性】
技术研发人员：李锋，
申请(专利权)人：广东交通职业技术学院，
类型：发明
国别省市：