一种基于扩散的自适应特征提取的道路损伤检测方法技术

本发明专利技术公开了一种基于扩散的自适应特征提取的道路损伤检测方法，对于目标对象的特征提取，采用改进后的深度残差神经网络对不同的输入样本可以自适应地提取最具辨别性特征，利用注意力权重矩阵保证了特征提取的全面性，并采用去噪扩散模型在保证检测实时性的同时提升检测准确度，提高在复杂道路下的目标检测的鲁棒性和泛化能力，具有实际应用价值。具有实际应用价值。具有实际应用价值。

【技术实现步骤摘要】
一种基于扩散的自适应特征提取的道路损伤检测方法


[0001]本专利技术属于深度学习
，具体涉及一种自适应特征提取的道路损伤检测方法。

技术介绍

[0002]随着城市建设的快速发展，公路网的不断完善，我国公路交通行业已开始从大规模的建设期向持续性的养护期转型，公路养护管理面临的问题也显得越发重要。为了感知探测路面上的横向裂纹、纵向裂纹、龟裂、坑槽、抛洒滴漏等道路病害，以延长道路使用寿命，减少整体养护成本。
[0003]然而目前的公路养护很大程度上都是依靠人力而非机器，方式比较死板，道路巡检具有一定危险性，效率低且成本高。而部分路段已经开始使用搭载摄像头的巡检车辆，但道路病害识别程度较低，分类不够明确，误报率较高。同时在传统的道路损伤检测里，存在一个缺陷，即它们依赖于一组固定的可学习查询。道路损伤检测需要兼顾实时性与准确性的问题，道路病害存在多种类检测问题和道路场景多样化的问题。
[0004]因此，如何实时高精度地识别道路损伤，是本领域技术人员目前需要解决的技术问题。

技术实现思路

[0005]为了克服现有技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于扩散的自适应特征提取的道路损伤检测方法，其特征在于，包括如下步骤：步骤1：构建一个具有融合间接注意力的多尺度卷积下的深度残差神经网络，使用该深度残差神经网络进行特征提取；步骤2：在训练阶段，将不同的高斯噪声添加到真值框，得到噪声框；将目标图像输入到深度残差神经网络，提取出深度特征表示并生成相应的多尺度特征图；步骤3：构建一个带有稀疏候选框的目标检测网络，以步骤2得到的深度特征为条件，从深度残差神经网络生成的特征图中裁剪ROI特征；该目标检测网络被训练用来预测没有噪声的真值框；步骤4：在推理阶段，通过反转学习到的扩散过程生成目标框，将噪声先验分布调整到目标框上的学习分布，逐步细化来自噪声框的框预测，得到最终结果；步骤5：将待检测的图像数据经过步骤1至步骤4之后，通过优化好的模型给出检测结果，以实现目标检测。2.根据权利要求1所述的一种基于扩散的自适应特征提取的道路损伤检测方法，其特征在于，所述步骤1具体为：所述具有融合间接注意力的多尺度卷积下的深度残差神经网络能够根据注意力权重矩阵A自动进行特征提取，以获取最具辨别性区域的特征；不同层的注意力权重矩阵A如式(1)所示，类别标签与图像序列之间的注意力权重向量a0如式(2)所示：A＝[a0；a1；a2；
…
；a
n
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)a0＝[a
0,0
,a
0,1
,a
0,2
,
…
,a

【专利技术属性】
技术研发人员：王鑫，毛昭勇，王亦晨，宋晶晶，梁志伟，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：