路面缺陷检测模型建立方法、检测方法、存储介质及设备技术

本发明专利技术涉及路面缺陷检测模型建立方法、检测方法、存储介质及设备，模型建立方法包括S1、获取原始数据集；S2、通过CycleGan网络将原始数据集中的图像转换为其他类型路面的正常图像，得到增强正常数据集；S3、对原始数据集的病害图像打标签，然后通过Scharr滤波器求解打上标签的病害图像，得到特征明显的病害图；S4、将特征明显的病害图上的病害特征裁剪下来，并添加至增强正常数据集上，得到增强病害数据集；S5、将原始数据集与增强病害数据集结合，输入训练模型进行训练，得到路面缺陷检测模型。本发明专利技术能够得到不同类型路面的数据集，从而增加数据集，并且对病害图片的预处理能够使得病害特征更加明显，提高检测的准确性。提高检测的准确性。提高检测的准确性。

【技术实现步骤摘要】
路面缺陷检测模型建立方法、检测方法、存储介质及设备


[0001]本专利技术属于路面检测
，尤其是一种路面缺陷检测模型建立方法、检测方法、存储介质及设备。

技术介绍

[0002]公路路面常出现裂纹、坑槽等缺陷，这些缺陷会影响行车安全，因此，需要及时对受损的路面进行处理，而及时处理的前提是能够及时、准确地识别出路面缺陷。
[0003]目前，图像识别是路面缺陷检测的重要手段，CN202111458712公开了一种路面缺陷损伤实时监测方法及系统，包括获取道路图形数据，预处理，数据增强，构建训练模型，训练等步骤，其中，图像增强技术采用放射变换，并不能得到不同类型路面的数据集。
[0004]CN113592784A公开了一种基于Yolo V5的多阈值半监督道路异常病害智能检测方法，包括收集路面异常病害图像，组成教师样本集，并对教师样本集进行预处理，得到初始训练数据集；训练Yolo V5目标检测网络，得到初始教师模型；进一步收集真实场景路面图像数据，基于多阈值方式，形成学生样本集；将教师样本集进行强数据增强、学生样本集进行弱数据增强，在初始教师模型的基础上进行模型的训练，得到进化教师模型；持续收集真实场景路面图像数据，不断优化进化教师模型，最终得到目标路面病害识别检测网络；进行道路异常病害智能检测。其图像增强为：对图像进行水平翻转、90度、270度旋转、整数平移和直方图均衡化操作，得到增广后的教师样本集数据，也不能得到不同类型路面的数据集。
[0005]CN115187583A公开了一种基于改进YOLOv5的轻量化道路缺陷检测方法，所述检测方法包括以下步骤：获取道路缺陷检测数据集GRDDC；将YOLOv5模型的主干网络用GhostNet轻量化网络替代；引入了度量学习中的中心损失函数；对YOLOv5中的置信度损失和分类损失函数进行约束,得到新的损失函数；将改进后的YOLOv5模型中进行训；将测试集中的图像输入改进后YOL0v5目标检测模型中,得到该模型在测试集中的检测结果。该专利技术检测方法在初始YOLOv5目标检测模型的基础上利用GhostNet模块替换YOLOv5中的主干网络进行特征提取,使得网络更好服务于移动端，采用注意力机制CA更加关注通道之间的信息，更好的分配权重，保证了模型目标检测的准确率，利用中心损失作为正则化项对模型损失函数约束。从而更加准确检测缺陷的类别。图像增强技术为：将输入图像送入改进后的目标检测模型中，通过主干网络的特征提取，再经过加入注意力机制CA提高通道信息，进行特征增强。也不能得到不同类型路面的数据集。
[0006]可见，现有的图像增强技术不能得到不同类型路面且准确的数据集。此外，预处理仅仅对图像进行打标签，病害特征不够明显。另外，训练时，常用的R
‑
CNN算法和YOLO系列算法Inference速度不够快。

技术实现思路

[0007]本专利技术所要解决的技术问题是提供一种路面缺陷检测模型建立方法、检测方法、存储介质及设备，图像增强处理能够得到不同类型路面的数据集，从而增加数据集，并且对
病害图片的预处理能够使得病害特征更加明显，提高检测的准确性。
[0008]为解决上述问题，本专利技术采用的技术方案为：路面缺陷检测模型建立方法，包括
[0009]S1、获取路面图像组成的原始数据集；
[0010]S2、通过CycleGan网络将原始数据集中的图像转换为其他类型路面的正常图像，得到增强正常数据集；
[0011]S3、对原始数据集的病害图像打标签，然后通过Scharr滤波器求解打上标签的病害图像，得到X方向上的梯度和Y方向的梯度，并将X方向和Y方向的图像进行融合，得到特征明显的病害图；
[0012]S4、将特征明显的病害图上的病害特征裁剪下来，并添加至增强正常数据集上，得到增强病害数据集；
[0013]S5、将原始数据集与增强病害数据集结合，输入训练模型进行训练，得到路面缺陷检测模型。
[0014]2、如权利要求1所述的路面缺陷检测模型建立方法，其特征在于，步骤S5中，训练模型为集成卷积块注意力模块的YOLOv5网络，卷积块注意力模块包括通道注意力模块和空间注意力模；
[0015]训练时，根据通道注意力公式，获取需要的最为重要的通道，再通过激活函数获得非线性化的一维卷积；一维卷积与原有的向量图结合生成新的向量图，再通过空间注意力公式获得两个池化特征图，之后根据激活函数获得新的特征图。
[0016]进一步地，步骤S3中，采用LabelImg，手动对原始数据集的病害图像打标签。
[0017]路面缺陷检测方法，获取采集的路面图像，将路面图像输入上述路面缺陷检测模型，得到检测结果。
[0018]存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现权利要求4所述的方法。
[0019]路面缺陷检测设备，包括处理器和存储器，所述存储器存储有计算机程序，所述处理器用于调取所述计算机程序并实现上述路面缺陷检测方法。
[0020]本专利技术的有益效果是：1、通过CycleGan网络将原始数据集中的图像转换为其他类型路面的正常图像，然后将病害特征添加到转换后的正常图像上，可以得到更多的病害图像，扩大数据集。如将水泥路面的图像通过CycleGan网络转换为正常的沥青路面图像和大理石路面图像，图像的数量则增加了2倍，数据集扩大效果好。
[0021]2、采用Scharr滤波器对病害图像进行预处理，病害特征更加明显，计算机能够更加准确、快速地识别病害种类。
附图说明
[0022]图1是CycleGan网络原理图；
[0023]图2是CycleGan生成器示意图；
[0024]图3是将沥青路面转化为其他类型路面的示意图；
[0025]图4是Scharr滤波器原理图；
[0026]图5是步骤S4中DA操作示意图；
[0027]图6是YOLOv5
‑
CBAM网络结构图；
[0028]图7是卷积块注意力模块示意图。
具体实施方式
[0029]下面结合附图和实施例对本专利技术进一步说明。
[0030]本专利技术的路面缺陷检测模型建立方法，包括
[0031]S1、获取路面图像组成的原始数据集。路面图像可以通过拍摄得到。
[0032]S2、通过CycleGan网络将原始数据集中的图像转换为其他类型路面的正常图像，得到增强正常数据集。
[0033]正常图像是指不存在病害的路面图像。CycleGan网络可以将路面图像(包括正常图像和病害图像)转换为其他类型路面的正常图像，本专利技术所述的路面类型包括但不限于柏油路、沥青路、水泥路、大理石路等各种常见的路面。经过CycleGan网络转换后，得到的增强正常数据集中的图像数量是原始数据集数量的数倍，从而有效地扩大了数据集，增强效果好。
[0034]CycleGan网络的原理如图1所示，CycleGan生成器如图2所示，图中，
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.路面缺陷检测模型建立方法，其特征在于，包括S1、获取路面图像组成的原始数据集；S2、通过CycleGan网络将原始数据集中的图像转换为其他类型路面的正常图像，得到增强正常数据集；S3、对原始数据集的病害图像打标签，然后通过Scharr滤波器求解打上标签的病害图像，得到X方向上的梯度和Y方向的梯度，并将X方向和Y方向的图像进行融合，得到特征明显的病害图；S4、将特征明显的病害图上的病害特征裁剪下来，并添加至增强正常数据集上，得到增强病害数据集；S5、将原始数据集与增强病害数据集结合，输入训练模型进行训练，得到路面缺陷检测模型。2.如权利要求1所述的路面缺陷检测模型建立方法，其特征在于，步骤S5中，训练模型为集成卷积块注意力模块的YOLOv5网络，卷积块注意力模块包括通道注意力模块和空间注意力模；训...

【专利技术属性】
技术研发人员：李征骥，肖熙，李欣瑞，范宇霄，谢育宏，代长悫，李美慧，熊发展，黄柏匀，葛雨棵，吴雨桐，龚承瑜，
申请(专利权)人：成都锦城学院，
类型：发明
国别省市：