基于语义分割网络的高速公路沥青路面病害分割方法技术

本发明专利技术公开了一种基于语义分割网络的高速公路沥青路面病害分割方法，包括：构建高速公路沥青路面图像病害数据集；替换FCN骨干网络为Densenet121和Densenet201，构建用于公路沥青路面病害分割的FCN

【技术实现步骤摘要】
基于语义分割网络的高速公路沥青路面病害分割方法


[0001]本专利技术属于智慧高速、公路养护研究领域，具体涉及一种基于语义分割网络的高速公路沥青路面病害分割方法。

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分割技术可以清晰的展示裂纹类病害的走向，对于病害的精准定位具有极大帮助，是实现道路养护智能化的重要基础。
[0003]与传统的图像分割技术相比，基于卷积神经网络的语义分割方法可以提取目标的多种特征信息，从而进行密集的预测，而不仅仅限于灰度、纹理、梯度等信息的提取和判断，更具有优势。目前常用的语义分割卷积神经网络主要有FCN、U
‑
Net、SegNet、Deeplabv3+等，其中FCN是首个全卷积语义分割神经网络，也是应用最广泛的语义分割网络，而Deeplabv3+则在分割精度和实时性上均表现优异。因此，本专利技术提出了一种基于语义分割网络的高速公路沥青路面病害分割方法。

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，提供一种基于语义分割网络的高速公路沥青路面病害分割方法，替换传统FCN骨干网络为Densenet121和Densenet201，替换Deeplabv3+骨干网络为Mobilenet和DRN；优选构建的FCN
‑
D121r/>‑
PDS、FCN
‑
D201
‑
PDS、DL
‑
D
‑
PDS、DL
‑
M
‑
PDS四种网络模型进行高速公路沥青路面病害分割；同时进一步构建DL
‑
M1
‑
PDS、DL
‑
M2
‑
PDS公路沥青路面病害分割网络并进行网络优选。具有较好的公路沥青路面病害的细节信息分割能力，能够提高路面病害分割精度与平均交并比，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，本专利技术提供一种基于语义分割网络的高速公路沥青路面病害分割方法，包括如下步骤：
[0006]S1：构建高速公路沥青路面图像病害数据集；
[0007]S2：替换FCN骨干网络为Densenet121和Densenet201，构建用于公路沥青路面病害分割的FCN
‑
D121
‑
PDS、FCN
‑
D201
‑
PDS网络模型；
[0008]S3：替换Deeplabv3+骨干网络为Mobilenet和DRN，构建用于公路沥青路面病害分割的DL
‑
D
‑
PDS、DL
‑
M
‑
PDS网络模型；
[0009]S4：进行模型训练并优化参数，优选FCN
‑
D121
‑
PDS、FCN
‑
D201
‑
PDS、DL
‑
D
‑
PDS、DL
‑
M
‑
PDS网络模型进行高速公路沥青路面病害分割；
[0010]S5：改进Deeplabv3+网络结构，进一步构建DL
‑
M1
‑
PDS、DL
‑
M2
‑
PDS公路沥青路面病害分割网络并进行网络优选。
[0011]进一步的，所述步骤S1中构建高速公路沥青路面图像病害数据集的具体步骤如下：
[0012]S1
‑
1：将未经过数据增强的1651幅病害图像数据集作为语义分割数据集，包含病害类型有：横裂、纵裂、网裂、坑槽和其他；
[0013]S1
‑
2：使用labelme软件对构建数据集中有病害部分进行人工标注，采用标注好的高速公路沥青路面病害图像数据集，按照7:2:1的比例分为训练集、验证集、测试集。
[0014]进一步的，所述步骤S2中构建用于公路沥青路面病害分割的FCN
‑
D121
‑
PDS网络模型，其具体为：采用DenseNet
‑
121作为骨干网络，将其最后全连接层改为卷积层，并进行上采样操作，将高维特征图还原到原始大小，再通过跳级连接方式，将4个Dense Block得到的特征图进行连接并融合，以此将DenseNet网络与FCN理念叠加，得到用于路面病害分割的FCN
‑
D121
‑
PDS(FCN
‑
DenseNet121 for Pavement Distress Segmentation)卷积神经网络。
[0015]进一步的，所述步骤S2中构建用于公路沥青路面病害分割的FCN
‑
D201
‑
PDS网络模型，其具体为：采用DenseNet
‑
201作为骨干网络，将其最后全连接层改为卷积层，并进行上采样操作，将高维特征图还原到原始大小，再通过跳级连接方式，将4个Dense Block得到的特征图进行连接并融合，以此将DenseNet网络与FCN理念叠加，得到用于路面病害分割的FCN
‑
D201
‑
PDS(FCN
‑
DenseNet201 for Pavement Distress Segmentation)卷积神经网络。
[0016]进一步的，所述步骤S3中构建用于公路沥青路面病害分割的DL
‑
D
‑
PDS网络模型，其具体为：去掉深度残差网络DRN最后的softmax分类层，以之替换DeepLabv3
‑
Xception语义分割网络的骨干网络Xception，得到用于路面病害分割的DL
‑
D
‑
PDS(DeepLabv3
‑
DRN for pavement distress segmentation)卷积神经网络。
[0017]进一步的，所述步骤S3中构建用于公路沥青路面病害分割的DL
‑
M
‑
PDS网络模型，其具体为：优化Mobilenet V3网络得到Mobilenet V3
‑
small网络，去掉softmax分类层，以之替换Deeplabv3+的骨干网络，得到用于路面病害分割的DL
‑
M
‑
PDS(DeepLabv3
‑
MobilenetV3 for Pavement Distress Segmentation)卷积神经网络。
[0018]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于语义分割网络的高速公路沥青路面病害分割方法，其特征在于：包括如下步骤：S1：构建高速公路沥青路面图像病害数据集；S2：替换FCN骨干网络为Densenet121和Densenet201，构建用于公路沥青路面病害分割的FCN
‑
D121
‑
PDS、FCN
‑
D201
‑
PDS网络模型；S3：替换Deeplabv3+骨干网络为Mobilenet和DRN，构建用于公路沥青路面病害分割的DL
‑
D
‑
PDS、DL
‑
M
‑
PDS网络模型；S4：进行模型训练并优化参数，优选FCN
‑
D121
‑
PDS、FCN
‑
D201
‑
PDS、DL
‑
D
‑
PDS、DL
‑
M
‑
PDS网络模型进行高速公路沥青路面病害分割；S5：改进Deeplabv3+网络结构，进一步构建DL
‑
M1
‑
PDS、DL
‑
M2
‑
PDS公路沥青路面病害分割网络并进行网络优选。2.根据权利要求1所述的基于语义分割网络的高速公路沥青路面病害分割方法，其特征在于：所述步骤S1中构建高速公路沥青路面图像病害数据集的具体步骤如下：S1
‑
1：将未经过数据增强的1651幅病害图像数据集作为语义分割数据集，包含病害类型有：横裂、纵裂、网裂、坑槽和其他；S1
‑
2：使用labelme软件对构建数据集中有病害部分进行人工标注，采用标注好的高速公路沥青路面病害图像数据集，按照7:2:1的比例分为训练集、验证集、测试集。3.根据权利要求1所述的基于语义分割网络的高速公路沥青路面病害分割方法，其特征在于：所述步骤S2中构建用于公路沥青路面病害分割的FCN
‑
D121
‑
PDS网络模型，其具体为：采用DenseNet
‑
121作为骨干网络，将其最后全连接层改为卷积层，并进行上采样操作，将高维特征图还原到原始大小，再通过跳级连接方式，将4个Dense Block得到的特征图进行连接并融合，以此将DenseNet网络与FCN理念叠加，得到用于路面病害分割的FCN
‑
D121
‑
PDS卷积神经网络。4.根据权利要求1所述的基于语义分割网络的高速公路沥青路面病害分割方法，其特征在于：所述步骤S2中构建用于公路沥青路面病害分割的FCN
‑
D201
‑
PDS网络模型，其具体为：采用DenseNet
‑
201作为骨干网络，将其最后全连接层改为卷积层，并进行上采样操作，将高维特征图还原到原始大小，再通过跳级连接方式，将4个Dense Block得到的特征图进行连接并融合，以此将DenseNet网络与FCN理念叠加，得到用于路面病害分割的FCN
‑
D201
‑
PDS卷积神经网络。5.根据权利要求1所述的基于语义分割网络的高速公路沥青路面病害分割方法，其特征在于：所述步骤S3中构建用于公路沥青路面病害分割的DL
‑
D
‑
PDS网络模型，其具体为：去掉深度残差网络DRN最后的softmax分类层，以之替换DeepLabv3
‑
Xception语义分割网络的骨干网络Xception，得到用于路面病害分割的DL
‑
D

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