一种基于深度学习的路面缺陷检测方法及系统技术方案

本发明专利技术公开了一种基于深度学习的路面缺陷检测方法及系统，涉及路面缺陷特征识别技术领域，包括：在特征提取主干网络部分加入

【技术实现步骤摘要】
一种基于深度学习的路面缺陷检测方法及系统


[0001]本专利技术涉及路面缺陷特征识别
，具体为一种基于深度学习的路面缺陷检测方法及系统
。

技术介绍

[0002]在交通基础设施建设的早期阶段，由于养护道路占比少，道路维护的工作量相对较小，对于道路损伤的评判主要依赖工作人员巡逻检查，最终对观察结果进行判断，从而给出相应的修复策略
。
人工方法尽管简单易行，但是在检查过程中需要耗费大量的人力物力，检查效率也比较低，这样的人工方法对于某段公路的健康状况评估需要花费很长一段时间
。
[0003]随着现代传感器的发展，收集道路图像变得更加容易
。
因此，许多研究人员开始探索基于图像的路面病害自动检测方法，并在该领域进行了大量改进
。
目前基于图像的路面病害检测方法主要包括传统的图像检测法和深度学习检测法两种
。
传统的图像处理算法包括阈值算法
、
边缘检测器和匹配滤波算法等
。
其检测结果的可靠性极大程度上受所提取特征对病害的拟合程度影响
。
而该方法对病害特征的提取需要人工筛选，且往往限制于所采用的数据集，无法在复杂多变的道路环境下实现高效率的检测，存在鲁棒性较差和检测效率低的应用缺陷
。
[0004]由于传统检测方法的检测准确率和鲁棒性表现不佳，基于深度学习的智能检测技术得到了越来越多的研究和应用，极大地推进了路面病害检测的研究和发展
。
基于深度学习的路面病害检测方法无须人工提取路面病害特征，计算机能够通过卷积神经网络进行特征提取并学习目标特征，从而完成检测与分类的任务，极大地提高了检测效率和准确率
。
但由于路面病害形态多样，而且病害比低，路面病害与路面背景特征相似，存在噪声，所以以往的深度学习模型难以满足对路面病害检测的高精度要求
。

技术实现思路

[0005]鉴于上述存在的问题，提出了本专利技术
。
[0006]因此，本专利技术解决的技术问题是：现有的路面缺陷检测方法存在准确率不足，鲁棒性不佳，成本较高，以及如何解除采集的数据集的限制，在复杂多变的道路进行检测的优化问题
。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：一种基于深度学习的路面缺陷检测方法，包括：在特征提取主干网络部分加入
Shuffle Attention
模块，输入特征图并进行分组；进行通道注意力和空间注意力处理，输出和输入特征图维度相同的注意力图；将
Swin
‑
Transformer
嵌入
C3
模块中构建
C3STR
模块，捕获长距离依赖关系和全局上下文特征信息；利用迁移学习实现骨干网络提取能力的迁移，输入待检测图像
。
[0008]作为本专利技术所述的基于深度学习的路面缺陷检测方法的一种优选方案，其中：所述输入特征图并进行分组包括输入特征图
X∈R
C
×
H
×
W
，沿着通道维度分为
G
个组，表示为：
[0009]X
＝
[x1,
…
,x
G
],x
k
∈R
C/G
×
H
×
W
[0010]其中，
X
表示输入特征图，
R
C/G
×
H
×
W
表示特征大小，
H
表示特征高度，
W
表示特征宽度，
C
表示通道数，
G
表示分为了
G
个组
,
每个子特征
x
k
捕获一种特定的语义信息，
x
k
被沿着通道维度划分为两个分支，分别表示为
X
k1
,X
k2
∈R
C/2G
×
H
×
W
，
X
k1
表示通道注意力，
X
k2
表示空间注意力
。
[0011]作为本专利技术所述的基于深度学习的路面缺陷检测方法的一种优选方案，其中：所述通道注意力包括使用全局平均池化生成按通道划分的数据
,
对每个特征图通道进行加和求平均
,
代替通道的特征信息，生成的数据维度为
R
C/2G
×1×1,
表示为
:
[0012][0013]其中，表示全局平均池化
,
，
s
表示特征信息，通过
Fc
进行运算，同时通过
sigmoid
激活函数生成通道对应的注意力权重，表示为：
[0014][0015]其中，表示对
s
乘一个矩阵
W1∈R
C/2G
×1×1再加一个偏置
b1∈R
C/2G
×1×1，实现对特征信息的放缩和转换，
W1表示权重，
b1表示偏差，
σ
表示
sigmoid
激活函数
。
[0016]作为本专利技术所述的基于深度学习的路面缺陷检测方法的一种优选方案，其中：所述空间注意力包括对输入特征图进行
Group Norm
处理，利用变换
Fc
对输入的特征表示进行增强，生成的数据维度为
R
C/2G
×1×1，表示为：
[0017]X
′
k2
＝
σ
(W2·
GN(X
k2
)+b2)
·
X
k2
[0018]其中，
W2表示权重，
b2表示偏差，
GN
表示组归一化
。
[0019]作为本专利技术所述的基于深度学习的路面缺陷检测方法的一种优选方案，其中：所述输出和输入特征图维度相同的注意力图包括对通道注意力和空间注意力输出结果进行
concat
处理得到和组的输入尺寸一致的
X
k
′
＝
[X
k1
′
,X
k2
′
]∈R
，通过
channel shuffle
操作实现不同组之间的信息交互，得到和输入特征图
X
维度相同的注意力图
。
[0020]作为本专利技术所述的基于深度学习的路面缺陷检测方法的一种优选方案，其中：所述捕获长距离依赖关系和全局上下文特征信息包括将注意力图分成小块，插入层范数层，使用残差连接每个模块，通过变压器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的路面缺陷检测方法，其特征在于，包括：在特征提取主干网络部分加入
Shuffle Attention
模块，输入特征图并进行分组；进行通道注意力和空间注意力处理，输出和输入特征图维度相同的注意力图；将
Swin
‑
Transformer
嵌入
C3
模块中构建
C3STR
模块，捕获长距离依赖关系和全局上下文特征信息；利用迁移学习实现骨干网络提取能力的迁移，输入待检测图像
。2.
如权利要求1所述的基于深度学习的路面缺陷检测方法，其特征在于：所述输入特征图并进行分组包括输入特征图
X∈R
C
×
H
×
W
，沿着通道维度分为
G
个组，表示为：
X
＝
[x1，
…
,x
G
],x
k
∈R
C/G
×
H
×
W
其中，
X
表示输入特征图，
R
C/G
×
H
×
W
表示特征大小，
H
表示特征高度，
W
表示特征宽度，
C
表示通道数，
G
表示分为了
G
个组
,
每个子特征
x
k
捕获一种特定的语义信息，
x
k
被沿着通道维度划分为两个分支，分别表示为
X
k1
,X
k2
∈R
C/2G
×
H
×
W
,X
k1
表示通道注意力，
X
k2
表示空间注意力
。3.
如权利要求2所述的基于深度学习的路面缺陷检测方法，其特征在于：所述通道注意力包括使用全局平均池化生成按通道划分的数据
,
对每个特征图通道进行加和求平均
,
代替通道的特征信息，生成的数据维度为
R
C/2G
×1×1,
表示为
:
其中，表示全局平均池化
,
，
s
表示特征信息，通过
Fc
进行运算，同时通过
sigmoid
激活函数生成通道对应的注意力权重，表示为：其中，表示对
s
乘一个矩阵
W1∈R
C/2G
×1×1再加一个偏置
b1∈R
C/2G
×1×1，实现对特征信息的放缩和转换，
W1表示权重，
b1表示偏差，
σ
表示
sigmoid
激活函数
。4.
如权利要求3所述的基于深度学习的路面缺陷检测方法，其特征在于：所述空间注意力包括对输入特征图进行
Group Norm
处理，利用变换
Fc
对输入的特征表示进行增强，生成的数据维度为
R
C/2G
×1×1，表示为：
X
′
k2
＝
o...

【专利技术属性】
技术研发人员：黄钰程，刘禹辰，郭汝驰，孙俊芳，刘芳，
申请(专利权)人：苏州大学，
类型：发明
国别省市：