【技术实现步骤摘要】
本专利技术涉及图像分割领域，具体是一种基于deeplabv3+的道路裂缝分割方法。
技术介绍
1、道路是非常重要的基础设施，是整个交通网络的重要组成部分之一。近年来，很多道路设施由于长期的车辆碾压或自然灾害而出现裂缝等损害，从而导致严重的安全问题，甚至是造成交通事故。对道路裂缝准确的检测和分割并及时修复，可以很好的减少危害的发生。以往对于道路裂缝的检测方法大多数是人工检测，政府在这方面投入了大量的人力和物力，但其效率低下且容易受检测人员主观因素的影响。因此，研究一种高效、可靠、高精度的自动化道路裂缝检测方法具有很高的研究和应用价值。
2、道路的裂缝分割检测工作主要分为基于机器学习的方法与基于深度学习的方法。基于机器学习的方法来解决道路裂缝分割任务是早期多数研究者使用的方法，如采用数字图像处理算法提取裂缝特征和采用多阈值图像分割方法来提高分割精度。它们都是早期基于模型的方法使用最广泛并最具代表性的方法，如利用直方图的阈值法来获得裂缝位置进行分割、采用无监督多尺度融合方法来检测裂缝以及提出了一种结合边缘滤波器的改进canny边缘检测算法，对道路裂缝边缘检测产生了较好的效果。然而，传统的道路裂缝分割技术容易受到复杂背景、裂缝大小和形状多样、裂缝不连续等问题影响。随着深度学习的发展，道路裂缝分割方法迎来了新的机遇，卷积神经网络模型在道路裂缝分割任务中取得了优异的性能，同时也提升了分割的效率和质量。如在端到端的特征融合的编码器-解码器模型中加入了特征融合模块，消除道路裂缝分割的背景干扰并获取更多的裂缝细节特征、基于残差网络并结
3、针对以上不足，本专利技术提出一种基于deeplabv3+的道路裂缝分割方法。本专利技术提出的不同之处是在deeplabv3+中引入u型结构，解决图像分割任务中的语义细节问题，同时减轻语义信息的模糊问题。为了让裂缝分割网络获取更多的边缘信息和上下文信息，提出了一种teaspp块，加强了模型对边缘的感知以及建立全局的依赖关系。针对在解码器部分特征融合时产生的语义差异以及像素感知能力较差等问题，提出了mcca块和gra块，以保留更全面的语义信息。此外，为了防止正负样本不平衡，在模型训练时还结合焦点损失。本专利技术可以获得更高的道路裂缝分割的准确率及更优异的性能。
技术实现思路
1、本专利技术的目的在于：根据一些现有的基于卷积神经网络的方法仍然存在边缘信息模糊、感受野较小、局部信息的感知能力不足等问题，提供一种基于deeplabv3+的道路裂缝分割方法，通过在deeplabv3+中引入u型结构，并构建三个新的模块来获得更重要的信息及边缘信息，同时引入焦点损失来防止正负样本不平衡，提高对道路裂缝分割的准确率。
2、为了达到上述目的，本专利技术采用如下的技术方案：
3、一种基于deeplabv3+的道路裂缝分割方法，包括以下步骤：
4、步骤1：收集公共道路裂缝数据集，并对数据进行增强，使用网络模型的预训练权值，并初始化编码器。
5、步骤2：采用xception获取两个不同层次的特征信息，深层次特征和浅层次特征，不同层次特征具有不同的语义信息。
6、步骤3：构建特征增强模块teaspp，让深层次特征通过特征增强模块。
7、步骤4：构建门控残差模块gra，将步骤3输出的特征上采样后与经过gra模块的深层次特征融合并调整通道数后输出。
8、步骤5：构建跳跃连接模块mcca，将步骤4输出的特征上采样后与经过mcca模块的浅层次特征融合并调整通道数后输出。
9、步骤6：在模型训练时引入焦点损失来防止正负样本不平衡。
10、其中，所述步骤1中收集公共道路裂缝数据集的具体操作为：
11、步骤1.1：收集的主流公共道路裂缝数据集有，cfd数据集、cracktree200数据集、crackforest数据集和asphaltcrack300数据集。
12、步骤1.2：采用getrandom进行数据增强，将图像多余的部分打上灰条，对图像进行缩放并且进行长和宽的扭曲，并对图像进行色域变换，计算色域变换的参数，最后对真实框进行调整得到增强后的图像。
13、步骤1.3：使用xception预训练权重初始化编码器，避免从零开始训练效果差且特征效果提取不明显问题，建立耗时更短、更精确的模型。
14、其中，所述步骤3中构建特征增强模块teaspp的具体步骤如下：
15、步骤3.1：teaspp块是由aspp(atrousspatialpyramidpooling)、r-transformer(residual-transformer)以及边缘检测(edge)构成的多路处理模块。
16、其中，aspp采用多个并行的卷积分支，使用不同膨胀率的卷积进行特征提取，并将这些分支的特征进行池化和融合，以获取多尺度的上下文信息，增加感受野。
17、步骤3.2：r-transformer是在transformer中引入残差连接，帮助模型更好地捕捉输入数据的细节和特征，并减轻梯度消失的问题，输入端和输出端通过一个1×1卷积和一个3×3卷积。
18、残差的引入可以很好的解决深层结构可能导致梯度消失问题，残差连接允许输入数据直接和模型的输出进行相加，这样输入数据的原始表示就可以在网络的深层结构中保留下来，并且梯度可以更好地传播，每个子层的输出被表示为：
19、output＝layernormalization(x+sublayer(x))
20、其中，sublayer(x)表示自注意力机制的处理，layernormalization表示对输出进行归一化处理。
21、步骤3.3：通过edge块可以提供额外的形状和轮廓特征，帮助区分裂缝与周围环境之间的差异，提高对细节和形状的准确度，从而提高分割算法的鲁棒性和准确性。
22、其中，所述步骤4中构建门控残差模块gra，将步骤3输出的特征上采样后与经过gra模块的深层次特征融合并调整通道数后输出的具体步骤如下：
23、步骤4.1：gra块实现了在深层次特征中更好的选择和保留更重要的特征信息，以提升网络的特征表达，所提出的gra块由一个残差注意力和一个门控模块组成。
24、残差卷积层获取输入的高级特征，门控单元会根据输入特征信息的重要性来调整特征，最终输出的特征由残差特征和调整后的特征加权得到，其中：
25、y＝x+fattention(fconv(x))*sigmoid(fgate(x))
26、其中，y是最终输出特征图，x是输入特征图，fattention表示注意力块，fconv表示残差块，fgate表示门控块。
27、步骤4.2：残差块fconv如传统的残差块本文档来自技高网...
【技术保护点】
1.一种基于DeepLabv3+的道路裂缝分割方法，其特征在于包括如下步骤：
2.根据权利要求1所述的收集公共道路裂缝数据集，并对数据进行增强，使用网络模型的预训练权值的构建，其特征在于，包括如下步骤：
3.根据权利要求1所述的特征增强模块TEASPP的构建方法，其特征在于，包括如下步骤：
4.根据权利要求1所述的门控残差模块GRA的构建方法，其特征在于，包括如下步骤：
5.根据权利要求1所述的跳跃连接模块MCCA的构建方法，其特征在于，包括如下步骤：
6.根据权利要求1所述的在模型训练时引入焦点损失来防止正负样本不平衡的构建方法，其特征在于，包括如下步骤：
【技术特征摘要】
1.一种基于deeplabv3+的道路裂缝分割方法，其特征在于包括如下步骤：
2.根据权利要求1所述的收集公共道路裂缝数据集，并对数据进行增强，使用网络模型的预训练权值的构建，其特征在于，包括如下步骤：
3.根据权利要求1所述的特征增强模块teaspp的构建方法，其特征在于，包括如下步骤...
【专利技术属性】
技术研发人员：周华平，邓彬，孙克雷，张咏琪，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。