基于深度学习的路面复杂病害识别方法技术

本发明专利技术涉及图像处理技术领域，具体涉及基于深度学习的路面复杂病害识别方法，包括，步骤S1，通过特征训练获得第一深度学习神经网络第二深度学习神经网络；步骤S2，对原始路面图像进行分割获得分割后的路面图像；步骤S3，对分割后的路面图像进行简单病害的目标识别，获得简单病害的掩码图像；步骤S4，对简单病害的掩码图像进行拼接，获得拼接后的路面图像；步骤S5，对拼接后的路面图像进行复杂病害的目标识别，获得结果图像。本发明专利技术基于深度学习可以有效识别路面病害，并且将不同分辨率的病害，拆分为不同的子流程进行处理，降低自动识别机器的系统开销。器的系统开销。器的系统开销。

【技术实现步骤摘要】
基于深度学习的路面复杂病害识别方法


[0001]本专利技术涉及图像处理
，具体涉及路面复杂病害识别方法。

技术介绍

[0002]路面的主要病害裂缝根据裂缝的密度不同，分为裂缝，块状裂缝和龟裂等类型，根据道路检测规范要求，需要检测出1毫米以上的所有裂缝，并按其类型进行评价；车行道宽度一般为3.75米。为此，道路检测车通常拍摄分辨率为1毫米/像素，拍摄的路面图像宽度为4000像素(4米)，长度方向通常为连续的图像。
[0003]现有技术采用AI技术识别路面病害，但是AI识别1毫米及以上的裂缝，必须采用分辨率为1毫米/像素的图像进行学习和识别，因而图像不可压缩。导致识别裂缝类型，就必须将整幅宽度(4米)的图像进行学习和识别，而AI通常适用的图像为512像素以下见方的图像，难以满足路面病害的检测要求。

技术实现思路

[0004]本专利技术的目的在于，提供基于深度学习的路面复杂病害识别方法，解决以上技术问题；
[0005]本专利技术所解决的技术问题可以采用以下技术方案来实现：
[0006]优选的，包括，...

【技术保护点】

【技术特征摘要】
1.基于深度学习的路面复杂病害识别方法，其特征在于，包括，步骤S1，进行路面病害的特征训练获得一用于识别简单病害的第一深度学习神经网络和一用于识别复杂病害的第二深度学习神经网络；步骤S2，拍摄获得原始路面图像，对所述原始路面图像进行分割获得分割后的路面图像；步骤S3，将所述分割后的路面图像送入所述第一深度学习神经网络进行简单病害的目标识别，对识别出的简单病害区域进行标记，获得简单病害的掩码图像；步骤S4，基于所述原始路面图像的分割顺序，对所述前级网络输出的所述简单病害的掩码图像进行拼接，获得拼接后的路面图像；步骤S5，将所述拼接后的路面图像进行压缩获得压缩后的路面图像，送入所述第二深度学习神经网络进行复杂病害的目标识别，对识别出的复杂病害区域进行标记，获得结果图像。2.根据权利要求1所述的基于深度学习的路面复杂病害识别方法，其特征在于，步骤S1包括，步骤S11，提供用于训练的路面连续图像，对所述路面连续图像进行分割，获得分割后的训练图像；步骤S12，在所述分割后的训练图像中，对简单病害进行标记，获得简单病害数据集；步骤S13，构建所述第一深度学习神经网络，并进行所述简单病害数据集的训练和权重筛选，选取简单病害的深度学习神经网络权重。3.根据权利要求2所述的基于深度学习的路面复杂病害识别方法，其特征在于，步骤S1还包括，步骤S14，通过所述第一深度学习神经网络对所述分割后的训练图像的简单病害区域进行掩码标记，获得训练掩码图像；步骤S15，将所述训练掩码图像按照所述路面连续图像进行拼接，获得拼接后的训练图像，对所述拼接后的训练图像进行等比例压缩，...

【专利技术属性】
技术研发人员：钱钟达，姚颖东，张俊，王俊，黄慰里，陈建华，高文堃，林朔，
申请(专利权)人：上海市长宁区市政工程管理中心上海兰德公路工程咨询设计有限公司上海数久信息科技有限公司，
类型：发明
国别省市：