一种基于少量跨域数据学习的道路缺陷检测方法技术

本发明专利技术公开了一种基于少量跨域数据学习的道路缺陷检测方法，涉及道路缺陷检测技术领域，为了降低检测模型对训练数据量的需求，本文基于Faster R

【技术实现步骤摘要】
一种基于少量跨域数据学习的道路缺陷检测方法


[0001]本专利技术涉及道路缺陷检测
，特别是涉及一种基于少量跨域数据学习的道路缺陷检测方法。

技术介绍

[0002]基于车载摄像头的道路缺陷检测对于路况管理和维护具有重要意义，这些路面缺陷主要是指深坑洼、浅坑洼、开裂以及龟裂等，近年来，在定位此类缺陷然后对其进行分类方面取得了巨大进步，尤其是随着计算机视觉技术的进步，显著减少了人工缺陷巡查所需的工作量和时间。
[0003]到目前为止，基于视觉的道路缺陷检测的主流方法可以分为两类，分别为基于图像处理的传统方法和基于深度学习的方法，在传统方法中，如Gabor滤波器、粒子滤波器或中值滤波器等等图像滤波器用于使裂缝在图像中更加突出，然后使用阈值分割或canny边缘检测等常规检测方法来定位这些裂缝。
[0004]这些传统方法虽然具有悠久的历史，并提供了深刻的理论贡献，但在低照度和恶劣天气条件下会存在检测精度低的问题，相比之下，基于深度学习的方法利用神经网络自动学习更强大的特征，并且可以有效提高在不良条件下的准确性。<br/>[0005]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于少量跨域数据学习的道路缺陷检测方法，其特征在于：包括以下步骤S1、基于Faster R
‑
CNN目标检测模型，设计道路缺陷加权分支，构建并形成少样本检测模型；S2、将现有的大型图像数据集划分成若干个子检测任务t
i
，i＝1,2，...，m，并利用这些子检测任务预训练少样本检测模型；S3、构建道路缺陷检测数据集，并将其划分成训练集与测试集；S4、构建数据增强方法，计算原始输入图像至增强图像之间的映射关系，并对作为训练集的道路缺陷检测数据集进行增强；S5、利用增强处理后的作为训练集的道路缺陷检测数据集对少样本检测模型进行参数微调；S6、利用作为测试集的道路缺陷检测数据集评估微调后的少样本检测模型性能，并将少样本检测模型部署至车载计算设备中，利用车载相机的视频流作为输入，实现道路缺陷检测。2.根据权利要求1所述的一种基于少量跨域数据学习的道路缺陷检测方法，其特征在于：所述步骤S1具体包括以下分步骤S1.1、利用Faster R
‑
CNN目标检测模型的特征提取网络将输入图像数据映射为询问特征图q；S1.2、构建与Faster R
‑
CNN目标检测模型的特征提取网络共享权重的映射网络，将每类道路缺陷的30张参考图像映射为特定缺陷类别相关的支持特征图s
i
，i＝1,2，...，N；S1.3、构建道路缺陷定位加权模块，以询问特征图q与支持特征图s
i
作为特征输入，参考支持特征图中各类型道路缺陷的外观特征，从询问特征图q中提议出更多潜在的缺陷相关区域；S1.4、将各缺陷类型相关的加权特征图p
i
输入至区域候选网络中后进行集成操作，产生M个兴趣区域r
i
，i＝1,2，...，M；S1.5、构建道路缺陷分类加权模块，利用下式建立M个兴趣区域r
i
与N个支持特征图s
i
之间的关联，其中，o表示加权的RoI特征图集合，函数f1×1为1x1卷积层，运算符号和分别表示逐深度乘法操作与张量堆叠操作。3.根据权利要求2所述的一种基于少量跨域数据学习的道路缺陷检测方法，其特征在于：所述步骤S1.3中，对任意支持特征图s
i
与询问特征图q，道路缺陷定位加权模块利用逐深度乘法操作建立支持特征图s
i
与询问特征图q之间的关联，其中，函数g表示全局平均池化操作，N表示道路缺陷的类别数量，p
i
表示各缺陷类型相关的加权特征图。4.根据权利要求3所述的一种基于少量跨域数据学习的道路缺陷检测方法，其特征在
于：所述支持特征图s
i
，i＝1,2，...，N，N设置为5，即将缺陷类别设置为五种，分别为坑洞、横向裂缝、纵向裂缝、网状裂缝以及龟裂。5.根据权利要求1所述的一种基于少量跨域数据学习的道路缺陷检测方法，其特征在于：所述步骤S2具体包括以下分步骤S2.1...

【专利技术属性】
技术研发人员：王晨，周威，展云飞，张汉成，赵雷，
申请(专利权)人：东南大学，
类型：发明
国别省市：