【技术实现步骤摘要】
本专利技术涉及图像语义分割，特别涉及一种基于多尺度和改进deeplabv3+的线阵道路裂缝分割方法。
技术介绍
1、从采集设备中提取道路裂缝是许多应用的必要步骤，例如城市道路规划智能交通、道路改建、gis更新、土地利用检测等。由于线阵图像中道路周围环境的复杂性，出现了多种聚焦算法。大多数这些方法可以分为三类：道路像素级标记的生成，道路骨架的检测，以及两者的结合。
2、线阵图像道路裂缝提取可分为道路分割和裂缝提取两个部分。道路分割是通过机器学习中监督训练的方法把图像中的像素点分为道路与非道路两个部分，而道路裂缝提取是得到评价道路健康指标的重要参数之一。道路裂缝提取作为一个二元语义分割任务来生成道路的像素级标记，重点解决道路区域分割级别的问题。
3、道路病害图像识别逐渐取代了人工现场调查成为了主要手段，但是目前的识别算法不足以支撑全自动化的道路病害图像识别技术，因此各个研究小组对此做出各自的研究以解决自动化识别的难点。针对路面裂缝自动化识别，分别有基于深度学习的路面裂缝自动识别研究；基于改进后的u-net模型，结合canny边缘检测、otsu阈值分割算法和人为干预手段，以实现路面裂缝智能识别和像素级标注；生成式网络下基于分水岭算法的路面裂缝、图像检测识别仿真研究；基于渗流和区域生长联合分析的裂缝病害检测模型，利用红外热成像仪对现场混凝土结构进行裂缝图像采集，保证算法的鲁棒性和高效性；基于路面三维图像，将卷积神经网络、张量投票、图像预处理、多尺度多方向图像特征提取等理论知识应用于路面裂缝自动识别算法的研究。针对
4、但是上述现有计算模型在自动提取道路裂缝信息的精度和收敛速度上还存在一些问题，因此还需要一种更通用和鲁棒性更强的道路裂缝分割方法来提高从线阵图像中提取裂缝的性能。
技术实现思路
1、本专利技术要解决的技术问题是提供一种基于多尺度和改进deeplabv3+的线阵道路裂缝分割方法。
2、为了解决上述技术问题，本专利技术的技术方案为：
3、一种基于多尺度和改进deeplabv3+的线阵道路裂缝分割方法，其包括以下步骤：
4、s1、多尺度处理：
5、s11、选取计算模型；
6、s12、裁剪，通过裁剪的方式扩充原始图像和语义标签掩膜的数据集，同时减少多余的干扰像素，扩大多尺度；
7、s13、基于水平集能量的图像剔除，图像的信息量多少在深度神经网络的大脑视觉层中通过边缘信息进行反应，对于二进制的掩膜图像边缘的情况直接反应了整个二进制图像信息量的多少，基于水平集边缘能量来反应信息量，以便筛选出信息量少的图像；水平集的目的是通过隐函数表示曲线，然后通过外部能量，当能量最大时接近道路边缘；
8、s2、基于域适应的权重初始化：
9、基于域适应技术修改最后一个全连接层参数，在正态分布初始化的基础上加入权重。
10、优选的是，步骤s11中多尺度处理的计算模型采用普通卷积，如(1)式所示：
11、f(i,j-1)＝(f(i,j)-1)*stride+kernelsize (1)
12、其中f(i,j-1)表示第i层对第j层的局部多尺度，该公式为自上向下层计算多尺度。
13、优选的是，所述步骤s11中多尺度处理的计算模型采用空洞卷积，如(2)式所示：
14、f(i,j-1)＝(f(i,j)-1)*stride+dilation*(kernelsize-1)+1 (2)
15、其中f(i,j-1)表示第i层对第j层的局部多尺度，该公式为自上向下层计算多尺度。
16、优选的是，所述步骤s12中原始图像和语义标签掩膜大小为512*512像素，裁剪时采用256*256像素的滑动窗口进行提取，如(3)式所示：
17、
18、其中ik是裁剪后的第k张图片，是一个大小为256*256像素和像素颜色通道为n的滑动窗口，m是图片长宽与256的商。
19、优选的是，所述步骤s13中水平集边缘能量的建立具体为：
20、s131、定义一种外部能量g，该能量将零电平曲线移向对象边界；令i是一幅图像，而g的表达式为：
21、
22、式中gσ是标准算子为σ的高斯内核；函数φ(x，y)定义为外部能量项如下：
23、εg,λ,v(φ)＝λlg(φ)+vag(φ) (5)
24、其中λ>0且和v为常数，lg(φ)项和ag(φ)定义如下：
25、
26、
27、其中δ是一个单变量的狄拉克函数，h是一个heaviside函数；定义能量项函数为：
28、ε(φ)＝μp(φ)+εg,λ,v(φ) (8)
29、外部能量项εg,λ,v不断向边界移动，内部能量项p(φ)用于修正距离符号之间的误差；
30、s132、通过有限变分法，函数ε中偏导数(第一个变分集)为：
31、
32、其中δ是laplace；euler-lagrange方程φ＝0，且最小化函数ε过程的方向导数最大值为：
33、
34、在式(10)的等式右边中的第二项和第三项对应的梯度能流λlg(φ)和vag(φ)，使得水平集曲线向目标区域边界移动；内部能量函数μp(φ)的梯度流如下：
35、
36、其中作为扩散率，其中μ为扩散率增益系数控制整个扩散的速度，若则扩散率为正数，若轮廓逆向扩散，从而加大梯度流的影响。
37、优选的是，所述步骤s132中μ值为0.05。
38、优选的是，采用小批量下降对步骤s132的梯度计算进行优化，具体为：
39、设为需要求解的目标函数；小批量梯度下降法不是一次性投入全部数据，而是投入小批量数据进行公式的更新，原来的一个批次的更新公式变为：
40、for i＝1，i+b，i+2b，i+3b，...
41、
42、其中，b是小批次内的样本数量，其中x为像素，y为常数。
43、优选的是，所述步骤s2中加入权重采用权重初始化函数leaky-he，具体为：
44、s＝[h,w]
45、c＝k
46、ni＝s(1)*s(2)*c
47、
48、
49、公式(12)中h、w分别为滤波的长宽，c为滤波器的通道个数，s为卷积滤波器核的参数，本文档来自技高网...
【技术保护点】
1.一种基于多尺度和改进Deeplabv3+的线阵道路裂缝分割方法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于多尺度和改进Deeplabv3+的线阵道路裂缝分割方法，其特征在于：步骤S11中多尺度处理的计算模型采用普通卷积，如(1)式所示：
3.根据权利要求1所述的基于多尺度和改进Deeplabv3+的线阵道路裂缝分割方法，其特征在于：所述步骤S11中多尺度处理的计算模型采用空洞卷积，如(2)式所示：
4.根据权利要求1所述的基于多尺度和改进Deeplabv3+的线阵道路裂缝分割方法，其特征在于：所述步骤S12中原始图像和语义标签掩膜大小为512*512像素，裁剪时采用256*256像素的滑动窗口进行提取，如(3)式所示：
5.根据权利要求1所述的基于多尺度和改进Deeplabv3+的线阵道路裂缝分割方法，其特征在于：所述步骤S13中水平集边缘能量的建立具体为：
6.根据权利要求1所述的基于多尺度和改进Deeplabv3+的线阵道路裂缝分割方法，其特征在于：所述步骤S132中μ值为0.05。
7.
8.根据权利要求1所述的基于多尺度和改进Deeplabv3+的线阵道路裂缝分割方法，其特征在于：所述步骤S2中加入权重采用权重初始化函数Leaky-He，具体为：
...【技术特征摘要】
1.一种基于多尺度和改进deeplabv3+的线阵道路裂缝分割方法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于多尺度和改进deeplabv3+的线阵道路裂缝分割方法，其特征在于：步骤s11中多尺度处理的计算模型采用普通卷积，如(1)式所示：
3.根据权利要求1所述的基于多尺度和改进deeplabv3+的线阵道路裂缝分割方法，其特征在于：所述步骤s11中多尺度处理的计算模型采用空洞卷积，如(2)式所示：
4.根据权利要求1所述的基于多尺度和改进deeplabv3+的线阵道路裂缝分割方法，其特征在于：所述步骤s12中原始图像和语义标签掩膜大小为512*512像素，裁剪时采用256*256像素的滑动窗口进行提取，...
【专利技术属性】
技术研发人员：熊涛，朱德祥，高嵩，郭俊，张杰文，刘兴通，和四勇，李捷飞，刘春丽，韩浩，罗杰涛，黄浩，张玲，代超，孙以润，刘玉婷，
申请(专利权)人：云南云路工程检测有限公司，
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。