【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。