System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于沥青路面病害的智能识别及分类,涉及一种基于roadu-net的沥青路面病害智能识别及分类方法。
技术介绍
1、目前沥青路面病害的传统检测方法是定期的进行人工巡查,该方法具有安全性差,主观性强、检测速度慢、精度低等缺点。随着多功能路面检测车的广泛应用,目前绝大多数的公路管养部门可实现在行车速度下采集路面图像,并由人工进行内业处理,提取和统计路面病害。但人工内业工作枯燥、耗时且易于出错。
技术实现思路
1、为解决上述技术问题,本专利技术的目的是提供一种基于roadu-net的沥青路面病害智能识别及分类方法。
2、本专利技术的一种基于roadu-net的沥青路面病害智能识别及分类方法,包括:
3、步骤1:为路面图像中的裂缝类病害、条状修补和路面标线分别标注对应的颜色,用标注好的图像构成训练集和验证集;
4、步骤2:对训练集与验证集中的图像进行预处理,重构图像尺寸并调整像素点的像素值;
5、步骤3:设置损失函数、优化器、超参数,构建roadu-net深度学习模型,将训练集样本作为输入,完成模型训练;
6、步骤4:将路面图像经预处理后投入到训练好的roadu-net深度学习模型中,进行沥青路面病害的识别,获得多通道的预测结果;
7、步骤5:将每个通道的预测结果均视为二值图像,针对裂缝类病害,利用连通域分离函数提取每张二值图像中的连通域,去除连通域像素点数量小于3000的裂缝病害识别结果;
8、步
9、步骤7:采用裂缝类病害分类算法将步骤6处理后的图像中的裂缝类病害分类为纵向裂缝、横向裂缝和龟裂;
10、步骤8:针对不同种类的裂缝病害及条状修补病害进行量化评估。
11、进一步的,所述步骤1具体为:
12、步骤1.1:获取道路检测车采集到的路面图像;
13、步骤1.2:对每张图像中的识别目标进行人工标注,裂缝类病害标注为红色,条状修补标注为蓝色,路面标线标注为绿色;
14、步骤1.3:将标注好的图像构成数据库,并从数据库中筛选出图像分别作为训练集与验证集。
15、进一步的,所述步骤2具体为:
16、对训练集与验证集中的图像重构图像尺寸至2048×1024,调整图像动态范围,将每一个像素点的像素值均调整至0到1之间。
17、进一步的,所述步骤3具体为:
18、步骤3.1:搭建roadu-net深度学习模型;
19、步骤3.2:设置损失函数:采用交叉熵损失函数,具体为:
20、
21、其中,yi表示该像素的真实类别,pi表示该像素的预测概率,n表示总像素数;
22、步骤3.3:设置优化器和超参数:采取adam优化器,设定超参数批大小为4,学习率为1e-3,迭代次数为300,权重衰减、动量初值均采取默认值;
23、步骤3.4:将训练集作为输入,按照超参数的设置进行roadu-net深度学习模型的训练,使用标签张量与网络输出张量按损失函数计算训练误差,优化器利用训练误差进行模型参数更新,并在验证集上验证该轮模型的识别效果,当模型的性能达到稳定状态,即损失函数值和验证集的识别准确率均趋于收敛时,保存在验证集上表现最好的roadu-net模型参数。
24、进一步的,所述步骤3.1中搭建的roadu-net深度学习模型具体为:
25、所述模型的下采样路径采用卷积网络的经典结构,重复地应用两个3×3的卷积核,每个卷积核后跟随一个线性校正单元relu和一个2×2的最大池化层,用以提取输入路面图像的特征;所述模型的上采样路径中的每一步都包括:使用两个3×3的卷积核对特征图像进行卷积,每个卷积核后跟随一个线性校正单元relu,之后使用一个2×2的反卷积核对特征图像进行反卷积;为获得多尺度的特征,在每次反卷积之后,将反卷积特征层与下采样路径中存储的特征层进行合并,作为下一次反卷积的输入,该操作促进了训练过程中的反向传播损失最小化;在最后一层使用1×1的卷积核将64个分量的特征向量映射到4个通道中,最终输出一个与输入图像尺寸相同,具有4个通道的二值化病害图像。
26、进一步的,所述步骤4具体为:
27、将路面图像经预处理后投入到训练好的roadu-net深度学习模型中,经过推理得到预测输出,即获得有四个通道的二值图像,第0、1、2、3通道分别为背景、裂缝类病害、条状修补、路面标线的预测结果。
28、进一步的,所述步骤6具体为:
29、步骤6.1:判断裂缝病害连通域的位置关系,若为交叉关系,实现连通域的融合,融合后连通域的高与宽计算方法下式所示:
30、hmerge=h1+h2-δh
31、wmerge=w1+w2-δw
32、其中,hmerge为融合矩形的高度,h1为矩形一的高度,h2为矩形二的高度,δh为矩形一与矩形二重叠高度值;wmerge为融合矩形的宽度,w1为矩形一的宽度,w2为矩形二的宽度,δw为矩形一与矩形二重叠宽度值;
33、步骤6.2:若裂缝病害连通域的位置关系为包含关系,实现连通域的融合,融合后连通域的高与宽计算方法如下式所示:
34、hmerge=max(h1,h2)
35、wmerge=max(w1,w2)
36、步骤6.3:若裂缝病害连通域的位置关系为分离关系,则不做连通域的处理。
37、进一步的,所述步骤7具体为:
38、步骤7.1:输入融合后矩形的宽和高,分别为w和h;
39、步骤7.2:计算宽高比,即:ratio=w/h;
40、步骤7.3:如果ratio>2.0,且h<0.5,则定义该裂缝为横向裂缝;
41、步骤7.4:如果ratio>0.5,且w<0.5,则定义该裂缝为纵向裂缝;
42、步骤7.5:其它裂缝则均定义为龟裂。
43、进一步的,所述步骤8具体为:
44、步骤8.1:对于纵向裂缝、横向裂缝和条状修补提取其骨架长度用于量化评估;
45、步骤8.2:对于龟裂,通过获取连通域矩形框的面积进行量化评估。
46、进一步的,所述步骤8.1中提取其骨架长度的具体为:
47、步骤8.1.1:纵向裂缝、横向裂缝及条状修补二值图像中的连通域可视为集合a,根据下式对每个连通域进行形态学计算,获得该病害的完整骨架:
48、
49、
50、其中,为腐蚀操作,为开运算操作,b是一个结构元,而表示对a的连续k次腐蚀,即k是a被腐蚀为空集前的最后一次迭代步骤:
51、步骤8.1.2:以病害二值图像中的一个连通域作为输本文档来自技高网...
【技术保护点】
1.基于RoadU-Net的沥青路面病害智能识别及分类方法,其特征在于,包括:
2.如权利要求1所述的基于RoadU-Net的沥青路面病害智能识别及分类方法,其特征在于,所述步骤1具体为:
3.如权利要求1所述的基于RoadU-Net的沥青路面病害智能识别及分类方法,其特征在于,所述步骤2具体为:
4.如权利要求1所述的基于RoadU-Net的沥青路面病害智能识别及分类方法,其特征在于,所述步骤3具体为:
5.如权利要求4所述的基于RoadU-Net的沥青路面病害智能识别及分类方法,其特征在于,所述步骤3.1中搭建的RoadU-Net深度学习模型具体为:
6.如权利要求1所述的基于RoadU-Net的沥青路面病害智能识别及分类方法,其特征在于,所述步骤4具体为:
7.如权利要求1所述的基于RoadU-Net的沥青路面病害智能识别及分类方法,其特征在于,所述步骤6具体为:
8.如权利要求1所述的基于RoadU-Net的沥青路面病害智能识别及分类方法,其特征在于,所述步骤7具体为:
9.如
10.如权利要求9所述的基于RoadU-Net的沥青路面病害智能识别及分类方法,其特征在于,所述步骤8.1中提取其骨架长度的具体为:
...【技术特征摘要】
1.基于roadu-net的沥青路面病害智能识别及分类方法,其特征在于,包括:
2.如权利要求1所述的基于roadu-net的沥青路面病害智能识别及分类方法,其特征在于,所述步骤1具体为:
3.如权利要求1所述的基于roadu-net的沥青路面病害智能识别及分类方法,其特征在于,所述步骤2具体为:
4.如权利要求1所述的基于roadu-net的沥青路面病害智能识别及分类方法,其特征在于,所述步骤3具体为:
5.如权利要求4所述的基于roadu-net的沥青路面病害智能识别及分类方法,其特征在于,所述步骤3.1中搭建的roadu-net深度学习模型具体为:
...
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。