一种全景影像中路面表观病害自动检测方法技术

本发明专利技术涉及一种全景影像中路面表观病害自动检测方法，属于道路病害检测领域，包括：从道路真实场景获得路面图像；挑选出含有病害的数据，使用标注软件

【技术实现步骤摘要】
一种全景影像中路面表观病害自动检测方法


[0001]本专利技术涉及一种全景影像中路面表观病害自动检测方法，属于道路病害检测

。

技术介绍

[0002]公路在现代交通运输中起着重要作用，但公路路面病害是一个普遍存在的问题，影响交通安全和舒适性，增加了维护和修复成本
。
目前，公路表观病害的巡检主要依靠人工巡检和激光雷达专用监测车两种方式
。
然而，这些方式都存在一些局限性，如纯人工上报耗时耗力且存在安全隐患，激光雷达专用监测车造价昂贵，需要专业人员操作，低速行驶状态下影响日常交通
。
[0003]随着相机
、
智能手机的普及，基于图像的方法被广泛运用，但路面与病害之间对比度较低
、
病害大小不规则和形状随机
、
图像中存在阴影，因此开发一种高效的基于视觉的路面病害自动检测方法一直具有挑战性
。
[0004]目前基于图像的路面病害检测方法可分为手动特征提取和自动特征提取方法
。
手动特征提取的方法主要包括阈本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种全景影像中路面表观病害自动检测方法，其特征在于，包括如下步骤：
S1
：从道路真实场景获得路面图像；
S2
：筛选步骤
S1
获得的影像，挑选出含有病害的数据，使用专业标注软件
LabelImg
进行标注，形成道路病害数据集；
S3
：将数据集进行数据增强，并划分道路病害数据集，将数据集划分为训练集
、
验证集
、
测试集，划分比例为
8:1:1
，将划分好的数据集导入改进的
YOLOv5
网络模型进行训练；
S4
：训练结束后保留最好模型，用于预测路面数据，输出道路病害数据并统计病害信息
。2.
根据权利要求1所述的全景影像中路面表观病害自动检测方法，其特征在于，步骤
S1
的具体步骤如下：使用移动测量设备采集不同天气
、
不同时间
、
不同交通状况下的道路全景影像，并对获取的全景图像进行裁剪，只保留路面部分
。3.
根据权利要求1所述的全景影像中路面表观病害自动检测方法，其特征在于，步骤
S2
的具体步骤如下：
S21
：挑选步骤
S11
得到的图像构建含有道路病害的数据集；
S22
：将所得道路真实图像使用专业标注工具
LabelImg
进行逐张标注，标注完每张图像对应一个
xml
文件，使用
LabelImg
分别在道路病害在对应病害位置进行标注，标注4种病害分别为：裂缝
、
坑槽
、
龟裂
、
剥落；
S23
：使用正交骨架线法统计裂缝
、
龟裂平均像素宽度作为数据集所用的裂缝平均宽度，将一条裂缝分成多个对象实例进行标注，要求每个标注框的中心点与裂缝的距离不超过5个裂缝平均宽度，对标注框的大小和长宽比进行限制，要求长宽比不大于4且最长边不大于四分之一图像大小
。4.
根据权利要求3所述的全景影像中路面表观病害自动检测方法，其特征在于，步骤
S23
中，统计裂缝
、
龟裂平均像素宽度的具体步骤为：首先，随机挑选含有道路病害的数据集的
1/10
，使用
labelme
标注软件对裂缝
、
龟裂进行像素级别的标注，标注为
json
格式，并将图像二值化处理，转为黑白二值图像，用0像素值代表背景，用
255
像素值代表裂缝，将裂缝
、
龟裂区域和背景区域分开；然后，对每个二值化的图像应用正交骨架线法，得到裂缝
、
龟裂区域的拓扑骨架；对每条骨架线，计算其与其两侧边缘的最短距离，作为该骨架线上每个像素点的宽度；接着，对每张图像，计算所有骨架线上所有像素点的宽度之和，并除以像素点的个数，得到该图像的平均像素宽度；最后，对所有图像，计算所有图像的平均像素宽度之和，并除以图像的个数，得到数据集所用的裂缝平均宽度
。5.
根据权利要求4所述的全景影像中路面表观病害自动检测方法，其特征在于，步骤
S23
中，判断每个标注框的中心点与裂缝的距离是否超过5个裂缝平均宽度的过程为：首先，计算标注框的中心点，即标注框的左上角和右下角的坐标的平均值；然后，以标注框中心点为圆心，5个裂缝平均宽度为半径，画一个圆，检查圆内是否有裂缝区域，如果有，则说明标注框的中心点与裂缝的距离不超过5个裂缝平均宽度，否则，说明标注框的中心点与裂缝的距离超过了5个裂缝平均宽度
。
6.
根据权利要求5所述的全景影像中路面表观病害自动检测方法，其特征在于，步骤
S3
的具体步骤如下：
S31
：对标注后的图像进行数据增强，包括对图像进行亮度变换
、
色彩空间调整
、Mosaic
增强
、
自适应锚框计算
、
图像缩放；
S32
：通过随机调整亮度至原亮度的
0.35
‑
1.2
倍，随机平移
、
随机旋转
、
水平镜像翻转并矫正标注框坐标的方式对得到的已标注后的所有样本图像进行增广；
S33
：添加图像总数的四分之一到五分之一的复杂场景下的无病害图像作为负样本，负样本要求是在识别过程中易错识别的影像和背景影像；
S34
：改进的
YOLOv5
网络模型由四部分组成：输入端
、
主干网络
Backbone、
颈部网络
Neck
和头部结构
Head
，将改进的
YOLOv5
网络模型的回归阶段修改为
anchor
‑
free
结构，新的头部结构
Head
共有三个输出分支：类别输出分支
Classification、
回归输出分支

【专利技术属性】
技术研发人员：苏辕，刘如飞，张轶，谢永强，来瑞鑫，苏占文，邢恺强，徐超，
申请(专利权)人：青岛数字世界信息科技有限公司，
类型：发明
国别省市：