【技术实现步骤摘要】
本公开涉及路面裂缝检测，具体涉及了一种基于unet网络的路面裂缝病害识别分割方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
2、沥青路面是常见的路面之一，随着使用年限的增加路面不可避免的产生各类病害，而裂缝是沥青路面常见病害形式。裂缝产生后将加速路面损坏，若不及时养护将严重影响路面使用寿命，因此路面裂缝的及时检测和养护极其重要。
3、最初，路面裂缝识别工作主要靠工程师和维修人员肉眼观察路面，寻找并记录裂缝，该过程不仅耗时，而且结果的质量在很大程度上依赖于观察者的经验和专业知识。到了上世纪80年代至90年代，为了提高检测的效率和准确性，人们开始使用各种检测设备，例如摄像头和激光传感器，来帮助人工观察和记录裂缝。这些设备可以在车辆行驶过程中连续地扫描路面，并将所得到的数据记录下来。然而，这些数据仍然需要进行人工分析和解读。随着计算机视觉技术的发展，上世纪90年代至本世纪初，人们开始开发自动识别路面裂缝的软件。这些软件使用各种图像处理算法，从摄像头或激光扫描仪得到的图像中自动检测裂缝。然而，这些算法通常需要人工调整参数，并且对噪声和光影变化的容忍度较低。本世纪初至今，机器学习，特别是深度学习技术，正在被广泛应用于路面裂缝检测和识别。但以往研究的模型存在分割能力较差，分割结果不完整等缺点，亟需开发一种高精度的路面裂缝病害识别分割方法，以实现路面裂缝病害分割的准确性和完整性。
技术实现思路
1、针对上述缺陷，本公开
2、为了实现上述目的，本公开采用如下技术方案：
3、本公开第一方面提供了一种基于unet网络的路面裂缝病害识别分割方法，包括以下步骤：
4、采集道路路面数据；
5、构建unet网络模型，所述unet网络模型由对称的编码器和解码器构成，将采集的道路路面图像输入编码器中，利用不同扩张率的残差空洞卷积块及mobileone高效卷积块进行特征提取，经过多层卷积及下采样操作输出高维特征层，将高维特征层输入解码器中经过相同层数的卷积及密集上采样操作，采用跳跃连接在编码器和解码器的同水平特征层之间建立直接连接，将编码器所得到的图像堆叠到解码器对应层的图像通道上，将高维有效特征层还原成与输入图像大小、维度相一致的图像并输出。
6、优选的，所述mobileone高效卷积块依次执行深度卷积和逐点卷积，然后执行批归一化以及激活操作，实现图像的升维压缩处理。
7、优选的，所述残差空洞卷积块对输入的特征图依次进行扩张率为1、2、5、7的空洞卷积，之后与前步特征图相加。
8、优选的，所述unet网络模型在编码器与解码器之间引入ladder-aspp结构，将经过全局池化后的高维特征层与经过梯形空洞卷积模块后的高维特征层叠加实现特征融合，形成新的高维特征层，作为解码器的输入特征图。
9、优选的，在每个卷积块后加入se注意力机制，构建各个通道之间的依赖关系。
10、优选的，还包括以下步骤：
11、对采集的数据集进行标注，获得像素级的路面裂缝二值蒙版标记图像；
12、对标记图像进行预处理，获得voc格式的标记图像；
13、将voc格式的标记图像按照一定的比例划分为训练集、验证集和测试集。
14、优选的，所述密集上采样先将原来的特征图由h×w×c卷积为h×w×r2，再将输出的特征图reshape为h×w；
15、其中h×w为原始特征图尺寸，h×w×c为卷积过后的尺寸，r为降维比例。
16、本公开第二方面提供了一种基于unet网络的路面裂缝病害识别分割系统，包括：
17、数据采集模块，被配置为：采集道路路面数据；
18、模型构建模块，被配置为：构建unet网络模型，所述unet网络模型由对称的编码器和解码器构成，将采集的道路路面图像输入编码器中，利用不同扩张率的残差空洞卷积块及mobileone高效卷积块进行特征提取，经过多层卷积及下采样操作输出高维特征层，将高维特征层输入解码器中经过相同层数的卷积及密集上采样操作，采用跳跃连接在编码器和解码器的同水平特征层之间建立直接连接，将编码器所得到的图像堆叠到解码器对应层的图像通道上，将高维有效特征层还原成与输入图像大小、维度相一致的图像并输出。
19、本公开第三方面提供了一种介质，其上存储有程序，该程序被处理器执行时实现本公开第一方面所述的基于unet网络的路面裂缝病害识别分割方法中的步骤。
20、本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现本公开第一方面所述的基于unet网络的路面裂缝病害识别分割方法中的步骤。
21、与现有技术相比，本公开的有益效果为：
22、本公开结合mobileone高效卷积块和可变扩张率空洞卷积块，构建路面裂缝病害识别分割网络模型，以克服因固定扩张率造成的图像信息丢失。在每个卷积块后加入se注意力机制，用以构建各个通道之间的依赖关系，增强模型的表征能力。且在模型中引入ladder-aspp结构，采用密集梯形连接思想，通过将不同扩张率的空洞卷积层逐级连接来帮助aspp实现更好的特征融合。加强aspp对于全局上下文信息的重视，引入全局池化来凸显包含重要信息通道的优先级。在网络模型中进行特征提取时利用密集上采样卷积代替传统的插值上采样，避免上采样过程中所造成的细节信息丢失。可实现对于路面裂缝病害的高精度识别，并计算出裂缝病害的量化数值。
本文档来自技高网...【技术保护点】
1.一种基于UNet网络的路面裂缝病害识别分割方法，其特征在于，包括以下步骤：
2.如权利要求1中所述的基于UNet网络的路面裂缝病害识别分割方法，其特征在于，所述MobileOne高效卷积块依次执行深度卷积和逐点卷积，然后执行批归一化以及激活操作，实现图像的升维压缩处理。
3.如权利要求1中所述的基于UNet网络的路面裂缝病害识别分割方法，其特征在于，所述残差空洞卷积块对输入的特征图依次进行扩张率为1、2、5、7的空洞卷积，之后与前步特征图相加。
4.如权利要求1中所述的基于UNet网络的路面裂缝病害识别分割方法，其特征在于，所述UNet网络模型在编码器与解码器之间引入Ladder-ASPP结构，将经过全局池化后的高维特征层与经过梯形空洞卷积模块后的高维特征层叠加实现特征融合，形成新的高维特征层，作为解码器的输入特征图。
5.如权利要求1中所述的基于UNet网络的路面裂缝病害识别分割方法，其特征在于，在每个卷积块后加入SE注意力机制，构建各个通道之间的依赖关系。
6.如权利要求1中所述的基于UNet网络的路面裂缝病害识
7.如权利要求1中所述的基于UNet网络的路面裂缝病害识别分割方法，其特征在于，所述密集上采样先将原来的特征图由h×w×c卷积为h×w×r2，再将输出的特征图reshape为H×W；
8.一种基于UNet网络的路面裂缝病害识别分割系统，其特征在于，包括：
9.一种介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于UNet网络的路面裂缝病害识别分割方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于UNet网络的路面裂缝病害识别分割方法中的步骤。
...【技术特征摘要】
1.一种基于unet网络的路面裂缝病害识别分割方法，其特征在于，包括以下步骤：
2.如权利要求1中所述的基于unet网络的路面裂缝病害识别分割方法，其特征在于，所述mobileone高效卷积块依次执行深度卷积和逐点卷积，然后执行批归一化以及激活操作，实现图像的升维压缩处理。
3.如权利要求1中所述的基于unet网络的路面裂缝病害识别分割方法，其特征在于，所述残差空洞卷积块对输入的特征图依次进行扩张率为1、2、5、7的空洞卷积，之后与前步特征图相加。
4.如权利要求1中所述的基于unet网络的路面裂缝病害识别分割方法，其特征在于，所述unet网络模型在编码器与解码器之间引入ladder-aspp结构，将经过全局池化后的高维特征层与经过梯形空洞卷积模块后的高维特征层叠加实现特征融合，形成新的高维特征层，作为解码器的输入特征图。
5.如权利要求1中所述的基于unet网络的路面裂缝病害识别分割...
【专利技术属性】
技术研发人员：赵全满，刘朝晖，孟繁育，任瑞波，赵品晖，胡文军，张辉，户桂灵，
申请(专利权)人：山东建筑大学，
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。