一种改进UNet网络结构的路面裂缝检测方法技术

本发明专利技术涉及路面裂缝检测技术领域，具体涉及一种改进UNet网络结构的路面裂缝检测方法，对现有的UNet网络结构进行改进，将多个中间节点、多尺度跳跃连接结构以及通道和空间注意力机制等模块融入网络，使用真实路面图像进行训练和测试，获得符合要求的网络模型和参数，最后对待检测图像进行裂缝检测。本发明专利技术解决了以下三个技术问题，一是裂缝图像背景复杂噪声多，难以提取特征的问题；二是裂缝检测算法只使用单一层次特征，可能丢失细节的问题；三是网络忽视裂缝语义特征与细节特征信息，造成性能下降的问题；最终提升了裂缝检测的准确率，改善了现有技术的缺陷。改善了现有技术的缺陷。改善了现有技术的缺陷。

【技术实现步骤摘要】
一种改进UNet网络结构的路面裂缝检测方法


[0001]本专利技术涉及路面裂缝检测
，具体涉及一种改进UNet网络结构的路面裂缝检测方法。

技术介绍

[0002]裂缝是在各种物理结构表面常见的缺陷。路面裂缝不仅影响道路的美观性，而且会对行驶车辆的安全性造成一定的威胁，并且会影响路基的整体结构，极大地缩短了道路的使用寿命，使路面更易受到进一步的破坏。最初的裂缝检测手段为人工目视检测，不仅大量耗费人工人力，而且检测结果具有主观性。而基于深度学习的裂缝检测算法可以避免人工仪器检测的主观性和安全问题，成为业界研究热点。
[0003]现有获取的裂缝图像具有噪声多、对比度低、连续性差等缺点，裂缝图像形状具有一定差异性，以及其道路环境的复杂性，这些对裂缝检测算法的检测效率与精度提出了高要求。
[0004]具体的，现有技术中存在以下缺点：
[0005](1)图像的提取的低级特征空间信息丰富，包含许多位置细节信息，但是语义信息较贫乏。与之相反，高级特征富含语义信息而缺少空间信息，对细节的感知较差。对于背景复杂的裂缝图像而言，如果仅使用提取的单一特征，难以取得很好的效果。
[0006](2)许多裂缝检测算法只能适应某个或某些条件下的裂缝图像，如路面、桥面、墙面以及衬砌缝等，难以做到在多种复杂背景下的数据集中均表现良好，缺乏泛化性。
[0007](3)裂缝检测图像背景复杂，存在许多噪声，如路面纹理、污渍、渗水等现象，其图像连续性差，对比度低，存在难以定义裂纹特征的问题。许多图像分割类方法在这种情况下的检测效果会大大降低。

技术实现思路

[0008]本专利技术的目的在于提供一种改进UNet网络结构的路面裂缝检测方法，引入UNet卷积神经网络并进行改进，将多个中间节点、多尺度跳跃连接结构以及通道和空间注意力机制等模块融入网络中进行裂缝检测，提升裂缝检测的准确率。
[0009]为实现上述目的，本专利技术提供了一种改进UNet网络结构的路面裂缝检测方法，包括下列步骤：
[0010]步骤1：使用图像采集设备获取真实路面图像；
[0011]步骤2：筛选部分真实路面图像处理后构建训练集与测试集；
[0012]步骤3：改进UNet网络结构，使用所述训练集对改进的UNet网络模型进行训练；
[0013]步骤4：使用所述测试集对经过训练后的网络模型进行测试，获取测试数据得到Precision、Recall、F
‑
score三项指标来评估网络模型性能；
[0014]步骤5：若指标达到要求则证明所述网络模型达到所需要求，保留当前参数与模型；否则修改网络参数后重复步骤3和步骤4；
[0015]步骤6：使用符合要求的网络模型与参数对待检测图像进行裂缝检测。
[0016]可选的，在筛选部分真实路面图像处理后构建训练集与测试集的过程中，保留真实路面图像中含有路面裂缝的图像，将其裁剪成合适大小后进行标注得到原始图像与带有标注的灰度图像，再利用上述图像构建训练集与测试集。
[0017]可选的，改进UNet网络结构的过程，包括下列步骤：
[0018]在UNet中添加中间节点，使网络可以分割成不同深度的局部U型网络，从各局部网络中获取侧边输出，并将所有侧边输出进行拼接融合后得到最终的预测结果，同时构建深监督网络；
[0019]改进UNet中的跳跃连接结构，使用多尺度跳跃连接方式，获取全尺度的特征信息；
[0020]在2和3层深度的U型网络中全分辨率节点中添加空间注意力模块，在4和5层深度的U型网络中全分辨率节点中添加通道注意力模块；
[0021]网络中每个卷积块中包含3
×
3卷积层，批归一化层以及激活层各两次，下采样使用最大池化。
[0022]可选的，在UNet中添加中间节点，使网络可以分割成不同深度的局部U型网络，并构建深监督网络的过程，具体为在UNet网络的第n层的编码层与解码层节点之间添加N
‑
n
‑
1个中间节点，其中N为网络总深度，1<n<4，每个中间节点包含3
×
3卷积层，批归一化层以及激活层各两次；在各深度的局部U型网络中全分辨率节点上使用1
×
1卷积与双线性插值处理得到与原输入图像分辨率相同的特征图，再将所有特征图融合得到最终的融合输出结果；对侧边输出进行深度监督，可以为最终的输出结果提供指导。
[0023]可选的，所述空间注意力模块对输入特征图的空间维度进行处理，对一个输入为C
×
H
×
W的特征图分别进行最大池化和平均池化，得到两个1
×
H
×
W的特征图，将这两个特征图合并后得到一个2
×
H
×
W的特征图，使用7
×
7卷积核进行处理后再经Sigmoid函数进行激活后得到具有空间层面的权重信息，与原输入特征图融合后得到结果；
[0024]所述通道注意力模块对输入特征图的通道维度进行处理，对一个输入为C
×
H
×
W的特征图进行平均池化后对空间维度进行压缩，得到一个C
×1×
1的特征图，将该特征图经线性变换与激活处理，获得通道层面的权重信息，与原输入特征图融合后得到结果；
[0025]其中，C为特征图通道数，H为高度，W为宽度。
[0026]可选的，所述多尺度跳跃连接方式为在网络中的每个解码器层节点分别和与所述解码器同一层及更浅层的编码器节点、同一层的中间节点以及更深层次的解码器层节点相连。
[0027]可选的，使用多尺度跳跃连接方式，获取全尺度的特征信息的过程，具体操作为，当连接节点层次更深时，需要对其特征图进行上采样，将其大小升维至与该解码器层节点相同；当连接节点层次更浅时，需要对其特征图进行下采样，经最大池化操作降维至与该解码器层节点相同；经过上述操作后，将所有与该解码器节点尺寸相同的特征图进行拼接。
[0028]本专利技术提供了一种改进UNet网络结构的路面裂缝检测方法，对现有的UNet网络结构进行改进，将多个中间节点、多尺度跳跃连接结构以及通道和空间注意力机制等模块融入网络，使用真实路面图像进行训练和测试，获得符合要求的网络模型和参数，最后对待检测图像进行裂缝检测。本专利技术解决了以下三个技术问题，一是裂缝图像背景复杂噪声多，难以提取特征的问题；二是裂缝检测算法只使用单一层次特征，可能丢失细节的问题；三是网
络忽视裂缝语义特征与细节特征信息，造成性能下降的问题；最终提升了裂缝检测的准确率，改善了现有技术的缺陷。
附图说明
[0029]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进UNet网络结构的路面裂缝检测方法，其特征在于，包括下列步骤：步骤1：使用图像采集设备获取真实路面图像；步骤2：筛选部分真实路面图像处理后构建训练集与测试集；步骤3：改进UNet网络结构，使用所述训练集对改进的UNet网络模型进行训练；步骤4：使用所述测试集对经过训练后的网络模型进行测试，获取测试数据得到Precision、Recall、F
‑
score三项指标来评估网络模型性能；步骤5：若指标达到要求则证明所述网络模型达到所需要求，保留当前参数与模型；否则修改网络参数后重复步骤3和步骤4；步骤6：使用符合要求的网络模型与参数对待检测图像进行裂缝检测。2.如权利要求1所述的改进UNet网络结构的路面裂缝检测方法，其特征在于，在筛选部分真实路面图像处理后构建训练集与测试集的过程中，保留真实路面图像中含有路面裂缝的图像，将其裁剪成合适大小后进行标注得到原始图像与带有标注的灰度图像，再利用上述图像构建训练集与测试集。3.如权利要求1所述的改进UNet网络结构的路面裂缝检测方法，其特征在于，改进UNet网络结构的过程，包括下列步骤：在UNet中添加中间节点，使网络可以分割成不同深度的局部U型网络，从各局部网络中获取侧边输出，并将所有侧边输出进行拼接融合后得到最终的预测结果，同时构建深监督网络；改进UNet中的跳跃连接结构，使用多尺度跳跃连接方式，获取全尺度的特征信息；在2和3层深度的U型网络中全分辨率节点中添加空间注意力模块，在4和5层深度的U型网络中全分辨率节点中添加通道注意力模块；网络中每个卷积块中包含3
×
3卷积层，批归一化层以及激活层各两次，下采样使用最大池化。4.如权利要求3所述的改进UNet网络结构的路面裂缝检测方法，其特征在于，在UNet中添加中间节点，使网络可以分割成不同深度的局部U型网络，并构建深监督网络的过程，具体为在UNet网络的第n层的编码层与解码层节点之间添加N
‑
n
‑
1个中间节点，其中N为网络总深度，1<n<4，每个中间节点包含3

【专利技术属性】
技术研发人员：瞿中，徐子健，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：