【技术实现步骤摘要】
本专利技术涉及图像分割技术，具体涉及一种基于改进的u-net结构的道路裂缝检测方法。
技术介绍
1、道路的发展能够提高交通运输效率，促进商品和人员的流动，推动经济的发展，使得城乡之间、不同地区之间的交流更加便捷，农村地区的道路发展能够改善农民的交通条件，便于农产品的运输和销售，提高农产品的附加值和市场竞争力，近年来随着车流量急剧增大，大型货车、频繁的交通流量以及超载车辆会给道路表面施加巨大的压力，导致道路裂缝的形成，道路裂缝会对交通安全、交通流畅性、维修成本产生不利影响，因此，及时修补和维护道路裂缝是非常重要的，人工巡查道路裂缝效率低下且成本较高，不同巡查员之间对裂缝的判断可能存在差异，对道路裂缝是否需要修复判断失误。
2、随着深度学习的发展，图像分割技术被应用于各个领域，其中u-net及其改进结构在许多图像分割任务中取得了优秀的成效，u-net及其改进结构能够捕捉不同尺度的特征信息并进行像素级别的分割，编码器中的上下文信息，通过多层次的特征提取和特征融合，能够更好地理解图像中的语义信息，解码器通过上采样和跳跃连接的方式，能够将编码器中的低级别特征与高级别特征进行融合，相对于其他传统的图像分割方法，u-net及其改进结构在一定程度上减少了对大量标注数据的需求，使u-net及其改进结构在医学影像分割、遥感图像分割、工业检测等许多图像分割任务中表现出色，然而，u-net在分割任务中容易受到干扰因素的影响，对于道路裂缝这样的细长形状，u-net可能会出现漏检或者误检的情况，当道路裂缝与道路表面颜色、纹理等相似时，u-net
技术实现思路
1、专利技术目的：为了解决u-net在道路裂缝检测任务中的问题，本专利技术提供了一种基于改进的u-net结构的道路裂缝检测方法，采用该方法可以准确的识别出道路裂缝，有效的解决了图像中道路裂缝的细节纹理以及干扰因素的影响，与现有的u-net改进的其他技术相比，训练花费的时间更短，可以在资源有限的设备上训练。
2、技术方案：本专利技术提供了一种基于改进的u-net结构的道路裂缝检测方法，包括以下步骤：
3、步骤1：采集并保存道路裂缝数据，将道路裂缝数据进行人工标注并制作成数据集；
4、步骤2：对道路裂缝数据集进行预处理，将道路裂缝的原始数据集通过图片灰度化来减少数据集占用的内存，通过数据增强以增加数据的多样性，提高模型的泛化能力；
5、步骤3：将处理后的数据集划分为训练集和测试集；
6、步骤4：搭建u-net结构并初始化，构建改进后的u-net模型，将用于消除语义鸿沟并且减少模型训练时间的nt多尺度连接器和用于提高图像细节信息表达能力的多尺度池化模块嵌入u-net模型；
7、步骤5：将训练集输入模型进行训练，每训练十轮计算一次评价指标，筛选出评价指标最好的时候的权重参数作为预训练权重，保存预训练权重；
8、步骤6：将作为测试集的道路裂缝图片输入训练好的模型中，检测并识别图像中的道路裂缝，与现有的方法作对比。
9、进一步地，所述步骤2中的数据预处理包括图片灰度化、图像增强。所述图片灰度化使用加权平均值法，图片灰度化的目的是使道路裂缝数据集占用的内存更小，运算速度更快。所述图像增强包括翻转变换，旋转变化，目的是模拟拍摄的不同角度。
10、进一步地，所述步骤4中nt多尺度连接器和多尺度池化模块具体结构如下：
11、所述nt多尺度连接器包括两个分支，第一个分支包含一个kernalgroup、特征拼接，特征图，特征图与输入的特征图再一次特征拼接，一次卷积，第二个分支包含一个卷积，将第一个分支与第二个分支提取到的特征图像进行特征相加操作，以此减轻语义鸿沟。所述kernalgroup由四个卷积核组成，卷积核大小分别是1*1、3*3、5*5、7*7，经过四个卷积计算后使用padding保证特征图不丢失图像信息。
12、所述多尺度池化模块包含四个不同大小的池化核，平均池化，卷积操作，上采样，将恢复尺寸的特征图进行特征拼接。所述上采样使用反卷积的方式，将特征图的尺寸恢复为与输入的特征图大小一致，将低维特征图还原为高维特征图，提高对图像细节信息的表达能力。
13、进一步地，所述nt多尺度连接器的具体执行过程如下：
14、编码器中的每一层，其经过两次卷积操作之后的特征图，作为nt多尺度连接器的输入。第一个分支中特征图与kernalgroup四种不同大小的卷积核分别进行卷积操作，使用padding方法保证输出的特征图像与输入的特征图大小一致，目的是保证特征图不丢失图像信息，将输出的四个特征图进行特征拼接得到融合后的特征图，通过跳过连接的方式将输入的特征图与融合得到的特征图进行特征拼接。第二个分支将输入的特征图进行两次次卷积操作，将卷积后得到的特征图与第一个分支的特征图进行特征相加，作为nt多尺度连接器的输出。
15、进一步地，所述多尺度池化的具体执行过程如下：
16、编码器中的第四层，其经过两次卷积操作之后的特征图，作为多尺度池化的输入。与四个不同大小的池化核进行平均池化，得到四个尺寸不一的特征图，将这四个特征图分别进行卷积操作，将通道数压缩为原来的四分之一，将压缩后的特征图进行上采样操作，上采样采用反卷积的方式进行，得到四个与输入的特征图尺寸一致的特征图，四个特征图经过特征拼接之后恢复通道数大小，作为多尺度池化的输出。
17、进一步地，所述评价指标指的是被封装为工具类的评价指标函数，目的是便于功能的扩展，所述评价指标函数将dice系数、平均交并比(miou)、召回率(recall)封装在工具类中，所述dice系数用来预测道路裂缝分割结果与真实分割结果之间的相似度，所述miou是预测的结果与真实图像之间的重叠比例，所述召回率衡量了正类像素中有多少被成功预测为正类像素。
18、有益效果：
19、1、本专利技术采用的多尺度连接器通过尺度特征融合与跳过连接结合的方式，消除了道路裂缝特征图浅层特征与深层特征之间的语义鸿沟，提高了对道路裂缝分割精确度，采用判断梯度消失的方案，降低了实验运行时消耗的时间，多尺度连接器拥有更少的计算参数，可以将改进后的模型在资源有限的设备上进行训练并减少训练时间。
20、2、本专利技术采用的多尺度池化模块为下采样部分保留了更多的裂缝特征，增强了浅层裂缝特征的语义信息，提高了道路裂缝图像信息的泛化能力，使其在处理道路裂缝细节的时候表现更好，能够排除干扰因素的影响，更准确的识别道路裂缝，多尺度池化模块对于不同尺度的道路裂缝图像，使用不同大小的感受野进行分割，能够捕捉不同尺度的特征信息，增强了神经网络的感受野，提高了检测的准确性。
本文档来自技高网...【技术保护点】
1.一种基于改进的U-Net结构的道路裂缝检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进的U-Net结构的道路裂缝检测方法，其特征在于，所述步骤2中的数据预处理中的图片灰度化使用加权平均值法，图片灰度化的目的是使道路裂缝数据集占用的内存变小，运算速度变快，图像增强包括翻转变换，旋转变化，目的是模拟拍摄的不同角度。
3.根据权利要求1所述的一种基于改进的U-Net结构的道路裂缝检测方法，其特征在于，所述步骤4中NT多尺度连接器和多尺度池化模块具体结构如下：
4.根据权利要求3所述的一种基于改进的U-Net结构的道路裂缝检测方法，其特征在于，所述NT多尺度连接器的具体执行过程如下：
5.根据权利要求3所述的一种基于改进的U-Net结构的道路裂缝检测方法，其特征在于，所述多尺度池化的具体执行过程如下：
6.根据权利要求1所述的一种基于改进的U-Net结构的道路裂缝检测方法，其特征在于，所述步骤5中的评价指标指的是被封装为工具类的评价指标函数，目的是便于功能的扩展，所述评价指标函数将Dice系数、平均
...【技术特征摘要】
1.一种基于改进的u-net结构的道路裂缝检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进的u-net结构的道路裂缝检测方法，其特征在于，所述步骤2中的数据预处理中的图片灰度化使用加权平均值法，图片灰度化的目的是使道路裂缝数据集占用的内存变小，运算速度变快，图像增强包括翻转变换，旋转变化，目的是模拟拍摄的不同角度。
3.根据权利要求1所述的一种基于改进的u-net结构的道路裂缝检测方法，其特征在于，所述步骤4中nt多尺度连接器和多尺度池化模块具体结构如下：
4.根据权利要求3所述的一种基于改进的u-net结构的道路裂缝检测方法，其特征在于，...
【专利技术属性】
技术研发人员：孙居辉，宗慧，陈婷，赵云，安雯龙，张浩，魏鹏，王健，张乐，
申请(专利权)人：淮阴工学院，
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。