基于目标检测的高速公路沥青路面病害检测方法技术

本发明专利技术公开了一种基于目标检测的高速公路沥青路面病害检测方法，包括：获取图像信息，构建高速公路沥青路面病害数据集；标注数据集，构建训练样本集和测试样本集；针对数据集特征，构建用于公路沥青路面病害检测的FR

【技术实现步骤摘要】
基于目标检测的高速公路沥青路面病害检测方法


[0001]本专利技术属于智慧高速、公路养护研究领域，具体涉及基于目标检测的高速公路沥青路面病害检测方法。

技术介绍

[0002]近年来，随着我国高速公路规划建设目标的完成以及高速公路交通网络的不断完善与发展，高速公路的养护问题日益凸显，如何通过技术手段提高公路养护的信息化、专业化、智能化水平是是公路养护领域亟待解决的问题之一。高速公路沥青路面病害检测技术是实现道路养护智能化的重要基础。
[0003]相较于传统的DPM算法采用滑动窗口依次判断所有可能的区域，目标检测分割多个位置、不同尺寸大小的图像，用卷积神经网络判断该图像是否为某物。目标检测通过预先提取候选区域，之后仅遍历候选区域进行特征提取及判断，大大减少了计算量，特征也由HOG、SIFT等传统特征提取替换为深度卷积神经网络特征提取，提取的特征更充分全面，从而极大提高了目标检测的效率和精度。

技术实现思路

[0004]专利技术目的：为了克服现有技术中存在的不足，提供基于目标检测的高速公路沥青路面病害检测方法，构建用于公路沥青路面病害检测的FR
‑
PDD、Yolov5s
‑
PDD和SSD
‑
PDD网络模型，进过模型训练、参数优化与模型比选，能够有效对高速公路沥青路面病害进行检测，具有较好的平均识别精度与实时性，可对高速公路养护智能化发展提供技术支持。
[0005]技术方案：为实现上述目的，本专利技术提供基于目标检测的高速公路沥青路面病害检测方法，包括如下步骤：
[0006]S1：获取图像信息，构建高速公路沥青路面病害数据集；
[0007]S2：标注数据集，构建训练、验证和测试样本集；
[0008]S3：针对数据集特征，构建用于公路沥青路面病害检测的FR
‑
PDD、Yolov5s
‑
PDD和SSD
‑
PDD网络模型；
[0009]S4：进行模型训练并优化参数，优选FR
‑
PDD、Yolov5s
‑
PDD以及SSD
‑
PDD网络模型进行高速公路沥青路面病害检测。
[0010]进一步的，所述步骤S1的具体步骤如下：
[0011]S1
‑
1：使用高速公路二维检测车获取获得毫米级高速公路二维线阵图像，统一路面图像分辨率为512
×
500；
[0012]S1
‑
2：收集路面病害图像包括横裂、纵裂、坑槽、网裂、其他五种类型的路面病害，构建高速公路沥青路面病害数据集；
[0013]S1
‑
3：对高速公路沥青路面病害数据集进行数据增强，扩大数据集。
[0014]进一步的，所述步骤S1
‑
3中数据集数据增强的具体内容为：
[0015]①
像素变换：采用调整对比度、调节亮度、以及加入高斯噪声的方法来模拟实际场
景对路面图像进行增强；
[0016]②
几何变换：利用翻转、裁剪、缩放等方式扩充数据集。
[0017]进一步的，所述步骤S2的具体步骤如下：
[0018]S2
‑
1：采用labelImg软件进行人工标注，通过标注赋予图像横裂、纵裂、坑槽、网裂、其他五种标签信息。
[0019]S2
‑
2：基于构建并标注好的高速公路沥青路面病害图像数据集，按照8:1:1的比例随机划分训练集、验证集和测试集。
[0020]进一步的，所述步骤S3中构建FR
‑
PDD公路沥青路面病害检测网络的方法为：根据路面病害图像的特点，对Faster
‑
RCNN网络进行适应性改进，保持锚框的面积为(128
×
128、256
×
256、512
×
512)不变，将锚框长宽比调整为(1:1、1:4、4:1)，并保持Faster
‑
RCNN基础网络结构不变，进行特征提取及后续公路沥青路面病害目标检测与识别。
[0021]进一步的，所述步骤S3中构建Yolov5s
‑
PDD公路沥青路面病害检测网络的方法为：根据路面病害图像的特点，对Yolov5s网络进行适应性改进，修改网络产生预测框的尺寸以适应数据集，同时去除Yolov5s网络数据增强部分，进行特征提取及后续公路沥青路面病害目标检测与识别。
[0022]进一步的，所述步骤中修改网络产生预测框的尺寸的具体方法为：对已标注好的数据集进行GT坐标的聚类回归，产生9个最有可能锚框大小，提高自适应锚框的产生效率与精确度。
[0023]进一步的，所述步骤S3中构建SSD
‑
PDD公路沥青路面病害检测网络的方法为：根据路面病害图像的特点，调整SSD网络输入图像参数，以VGG16为骨干网络，设置先验框的长宽比为(1、2、3、1/2、1/3)，进行特征提取及后续公路沥青路面病害目标检测与识别。
[0024]进一步的，所述步骤S4的具体步骤如下：
[0025]S4
‑
1：基于构建并标注好的高速公路沥青路面病害图像数据集，通过损失函数曲线提供验证集数据反馈，依次调节模型迭代次数、学习率、衰减权重等超参数；
[0026]S4
‑
2：采用公路沥青路面测试集对训练得到的三个FR
‑
PDD、Yolov5s
‑
PDD、SSD
‑
PDD网络模型进行评价，分别得到三个网络模型的AP、mAP和平均检测时间，综合对比选取最优高速公路沥青路面病害检测方法。
[0027]进一步的，所述步骤S4
‑
2中AP、mAP具体指：AP是网络模型预测某一个类别的好坏程度，mAP是多个类别AP的平均值，其大小在[0,1]区间，mAP值越大，则表示该网络模型的预测效果越好。
[0028]本专利技术综合了Faster R
‑
CNN、Yolov5s、SSD等目标检测网络，构建用于公路沥青路面病害检测的卷积神经网络，该方法对Faster
‑
RCNN、Yolov5s进行了适应性改进，并构建了用于公路沥青路面病害检测的FR
‑
PDD、Yolov5s
‑
PDD和SSD
‑
PDD网络模型。通过模型训练与参数优化，最终选用平均精度更高且识别速度快的Yolov5s
‑
PDD卷积神经网络模型完成公路沥青路面病害检测。
[0029]本专利技术的有益效果是：基于目标检测有效对高速公路沥青路面病害进行检测，具有较高的平均识别精度与较好的实时性，可对高速公路养护智能化发展提供技术支持。
附图说明
[0030]图1为纵裂和坑槽数据增强示意图，中(a)、(f)为纵裂和坑槽的原始图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于目标检测的高速公路沥青路面病害检测方法，其特征在于：包括如下步骤：S1：获取图像信息，构建高速公路沥青路面病害数据集；S2：标注数据集，构建训练、验证和测试样本集；S3：针对数据集特征，构建用于公路沥青路面病害检测的FR
‑
PDD、Yolov5s
‑
PDD和SSD
‑
PDD网络模型；S4：进行模型训练并优化参数，优选FR
‑
PDD、Yolov5s
‑
PDD以及SSD
‑
PDD网络模型进行高速公路沥青路面病害检测。2.根据权利要求1所述的基于目标检测的高速公路沥青路面病害检测方法，其特征在于：所述步骤S1的具体步骤如下：S1
‑
1：使用高速公路二维检测车获取获得毫米级高速公路二维线阵图像，统一路面图像分辨率为512
×
500；S1
‑
2：收集路面病害图像包括横裂、纵裂、坑槽、网裂、其他五种类型的路面病害，构建高速公路沥青路面病害数据集；S1
‑
3：对高速公路沥青路面病害数据集进行数据增强，扩大数据集。3.根据权利要求2所述的基于目标检测的高速公路沥青路面病害检测方法，其特征在于：所述步骤S1
‑
3中数据集进行数据增强的具体内容为：
①
像素变换：采用调整对比度、调节亮度、以及加入高斯噪声的方法来模拟实际场景对路面图像进行增强；
②
几何变换：利用翻转、裁剪、缩放方式扩充数据集。4.根据权利要求1所述的基于目标检测的高速公路沥青路面病害检测方法，其特征在于：所述步骤S2的具体步骤如下：S2
‑
1：采用labelImg软件进行人工标注，通过标注赋予图像横裂、纵裂、坑槽、网裂、其他五种标签信息；S2
‑
2：基于构建并标注好的高速公路沥青路面病害图像数据集，按照8:1:1的比例随机划分训练集、验证集和测试集。5.根据权利要求1所述的基于目标检测的高速公路沥青路面病害检测方法，其特征在于：所述步骤S3中构建用于公路沥青路面病害检测的FR
‑
PDD网络模型的方法为：根据路面病害图像的特点，对Faster
‑
RCNN网络进行适应性改进，保持锚框的面积为128
×
...

【专利技术属性】
技术研发人员：赵池航，吴加伦，郑有凤，马欣怡，苏子钧，吴宇航，纪强，
申请(专利权)人：东南大学，
类型：发明
国别省市：