一种基于改进U-Net网络的道路裂缝分割方法技术

本发明专利技术公开了一种基于改进U

【技术实现步骤摘要】
一种基于改进U
‑
Net网络的道路裂缝分割方法


[0001]本专利技术属于计算机图像处理的一种道路裂缝分割方法，特别涉及一种基于改进U
‑
Net网络的道路裂缝分割方法。

技术介绍

[0002]近年来，由于我国城市化进程的加快，公路建设规模不断扩大，公路通车里程急剧上升。已修公路和新修公路的都需要进行养护，而道路裂缝作为路面最常见的一种危害，如何快速高效的获取道路裂缝信息是相关部门进行道路养护，制定科学决策的基础。针对道路裂缝图像存在的裂缝边界模糊，与周围环境的对比度低以及拓扑结构复杂的特点，现有大多数分割方法在获取感受野和提取图像特征信息方面仍然存在很大不足的问题。
[0003]深度学习是最近几年被大家广为谈论的热门词汇，在医学、自动驾驶等各个领域都得到了广泛的应用，早在上世纪40年代就已经有了雏形，由于当时电脑硬件条件不足、数据集不够丰富，导致深度学习的发展受到了很大的制约。近几年，由于计算机CPU和GPU的高速发展，大规模数据集的构建为深度学习的发展打下了基础，使得深度学习重新走入大众视野。并且卷积神经网络框架作为深度学习的重要组成部分，随着GPU等硬件技术的发展，以及大量的人工数据集的出现，也得到了井喷式的发展。特别是U
‑
Net网络的出现，对于深度学习用于样本数量较少的图像处理很有帮助，在图像分割中取得了巨大的进展，然而U
‑
Net网络将编码解码阶段的特征图直接融合，忽略了不同通道特征的重要性，这会产生许多冗余信息。而且U
>‑
Net网络存在语义信息不全面和上下文信息联系不紧密的问题，针对道路裂缝分割精度不够，对U
‑
Net网络结构的改进可以提升其效率和准确度。

技术实现思路

[0004]本专利技术所解决的技术问题是针对U
‑
Net网络存在语义信息不全面、上下文信息联系不紧密和U
‑
Net网络编码和解码阶段特征图简单拼接时产生大量冗余信息导致分割精度降低的问题，提出一种基于改进U
‑
Net的道路裂缝分割方法。
[0005]本专利技术的技术方案如下：
[0006]步骤一：对原始道路裂缝数据集进行预处理，获得预处理后的道路裂缝数据集；
[0007]步骤二：构建改进U
‑
Net道路裂缝分割网络；
[0008]步骤三：将预处理后的的道路裂缝数据集输入到改进U
‑
Net道路裂缝分割网络中进行训练，得到训练好的道路裂缝分割网络模型；
[0009]步骤四：使用训练好的道路裂缝分割网络模型对经过预处理后的待预测道路裂缝图像进行分割，获取道路裂缝的分割结果图。
[0010]所述步骤二中，改进U
‑
Net网络包括5个叠加U
‑
Net模块、9个残差模块、8个卷积模块、4个注意力机制模块、4个池化层、4个上采样模块、4个时空序列模块和第一卷积层；
[0011]改进U
‑
Net道路裂缝分割网络的输入作为第一叠加U
‑
Net模块的输入，第一叠加U
‑
Net模块与第一残差模块相连，第一残差模块与第一卷积模块、第一池化层以及第一时空序
列模块相连，第一池化层经第二叠加U
‑
Net模块后与第二残差模块相连，第二残差模块与第二卷积模块、第二池化层以及第二时空序列模块相连，第二池化层经第三叠加U
‑
Net模块后与第三残差模块相连，第三残差模块与第三卷积模块、第三池化层以及第三时空序列模块相连，第三池化层经第四叠加U
‑
Net模块后与第四残差模块相连，第四残差模块与第五卷积模块、第四池化层以及第四时空序列模块相连，第四池化层经第五叠加U
‑
Net模块后与第五残差模块相连，第五残差模块与第四时空序列模块相连，第五残差模块经第一上采样模块的输出与第四时空序列模块的输出进行通道级联后再输入到第六残差模块，第六残差模块的输出和第四卷积模块经第四注意力机制模块的输出相加后再输入到第五卷积模块中，第五卷积模块的输出作为第三时空序列模块的输入，第五卷积模块经第二上采样模块的输出与第三时空序列模块的输出进行通道级联后再输入到第七残差模块；
[0012]第七残差模块的输出和第三卷积模块经第三注意力机制模块的输出相加后再输入到第六卷积模块中，第六卷积模块的输出作为第二时空序列模块的输入，第六卷积模块经第三上采样模块的输出与第二时空序列模块的输出进行通道级联后再输入到第八残差模块；
[0013]第八残差模块的输出和第二卷积模块经第二注意力机制模块的输出相加后再输入到第七卷积模块中，第七卷积模块的输出作为第二时空序列模块的输入，第七卷积模块经第四上采样模块的输出与第二时空序列模块的输出进行通道级联后再输入到第九残差模块；
[0014]第九残差模块的输出和第一卷积模块经第一注意力机制模块的输出相加后再输入到第八卷积模块中，第八卷积模块经第一卷积层后的输出作为改进U
‑
Net道路裂缝分割网络的输出。
[0015]所述5个叠加U
‑
Net模块的结构相同，叠加U
‑
Net模块均包括第十残差模块、第十一残差模块、第九卷积模块、第五上采样模块和第五池化层，叠加U
‑
Net模块的输入作为第十残差模块的输入，第十残差模块与第五池化层和第九卷积模块相连，第五池化层经第十一残差模块后的输出与第九卷积模块进行通道级联后的输出作为叠加U
‑
Net模块的输出。
[0016]所述9个残差模块的结构相同，残差模块包括四个卷积层和第一SE模块，残差模块的输入作为第二卷积层的输入和第三卷积层的输入，第二卷积层经第四卷积层后与SE模块相连，第三卷积层与第五卷积层相连，第五卷积层的输出和SE模块的输出相加后的输出作为残差模块的输出。
[0017]所述残差模块包括四个卷积层和第二SE模块，残差模块的输入作为第六卷积层的输入、第七卷积层的输入和第八卷积层的输入，第七卷积层的输出和第八卷积层的输出进行通道级联后再输入到第九卷积层中，到第九卷积层经第二SE模块的输出与第六卷积层的输出相加后的输出作为残差模块的输出。
[0018]所述4个注意力机制模块的结构相同，注意力机制模块包括通道注意力模块和空间注意力模块，注意力机制模块的输入作为通道注意力模块的输入，通道注意力模块的输出与注意力机制模块的输入相乘后的输出记为中间输出，中间输出作为空间注意力模块的输入，空间注意力模块的输出与中间输出相乘后的输出作为注意力机制模块的输出；
[0019]通道注意力模块包括第十卷积层、两个最大池化层、两个平均池化层和第一激活层，通道注意力模块的输入作为第一最大池化层和第一平均池化层的输入，第一最大池化
层和第一平均池化层分别与第十卷积层相连，第十卷积层均与第二最大池化层和第二平均池化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进U
‑
Net网络的道路裂缝分割方法，其特征在于，包括以下步骤：步骤一：对原始道路裂缝数据集进行预处理，获得预处理后的道路裂缝数据集；步骤二：构建改进U
‑
Net道路裂缝分割网络；步骤三：将预处理后的的道路裂缝数据集输入到改进U
‑
Net道路裂缝分割网络中进行训练，得到训练好的道路裂缝分割网络模型；步骤四：使用训练好的道路裂缝分割网络模型对经过预处理后的待预测道路裂缝图像进行分割，获取道路裂缝的分割结果图。2.根据权利要求1所述的一种基于改进U
‑
Net网络的道路裂缝分割方法，其特征在于，所述步骤二中，改进U
‑
Net网络包括5个叠加U
‑
Net模块、9个残差模块、8个卷积模块、4个注意力机制模块、4个池化层、4个上采样模块、4个时空序列模块和第一卷积层；改进U
‑
Net道路裂缝分割网络的输入作为第一叠加U
‑
Net模块的输入，第一叠加U
‑
Net模块与第一残差模块相连，第一残差模块与第一卷积模块、第一池化层以及第一时空序列模块相连，第一池化层经第二叠加U
‑
Net模块后与第二残差模块相连，第二残差模块与第二卷积模块、第二池化层以及第二时空序列模块相连，第二池化层经第三叠加U
‑
Net模块后与第三残差模块相连，第三残差模块与第三卷积模块、第三池化层以及第三时空序列模块相连，第三池化层经第四叠加U
‑
Net模块后与第四残差模块相连，第四残差模块与第五卷积模块、第四池化层以及第四时空序列模块相连，第四池化层经第五叠加U
‑
Net模块后与第五残差模块相连，第五残差模块与第四时空序列模块相连，第五残差模块经第一上采样模块的输出与第四时空序列模块的输出进行通道级联后再输入到第六残差模块，第六残差模块的输出和第四卷积模块经第四注意力机制模块的输出相加后再输入到第五卷积模块中，第五卷积模块的输出作为第三时空序列模块的输入，第五卷积模块经第二上采样模块的输出与第三时空序列模块的输出进行通道级联后再输入到第七残差模块；第七残差模块的输出和第三卷积模块经第三注意力机制模块的输出相加后再输入到第六卷积模块中，第六卷积模块的输出作为第二时空序列模块的输入，第六卷积模块经第三上采样模块的输出与第二时空序列模块的输出进行通道级联后再输入到第八残差模块；第八残差模块的输出和第二卷积模块经第二注意力机制模块的输出相加后再输入到第七卷积模块中，第七卷积模块的输出作为第二时空序列模块的输入，第七卷积模块经第四上采样模块的输出与第二时空序列模块的输出进行通道级联后再输入到第九残差模块；第九残差模块的输出和第一卷...

【专利技术属性】
技术研发人员：王欣杰，王班，代常路，冯长水，李俊，张纬哲，
申请(专利权)人：杭州远视智能科技有限公司，
类型：发明
国别省市：