基于异核卷积多感受野网络的道路裂缝检测方法及系统技术方案

本发明专利技术涉及计算机视觉的应用领域，提供了一种基于异核卷积多感受野网络的道路裂缝检测方法及系统。该方法包括，获取待检测的道路图像；基于待检测的道路图像，采用异核卷积多感受野网络，对道路裂缝进行检测；其中异核卷积多感受野网络包括：异核特征提取网络、加权异核特征融合网络和检测头网络，异核特征提取网络采用多个双分支异核多感受野模块与横纵局部全局特征增强模块级联的方式，提取得到特征图；双分支异核多感受野模块，将输入图像进行分割后，分别输入两路分支依次进行卷积处理和分支特征图融合；加权异核特征融合网络，包括多个双分支异核多感受野模块和多个加权特征拼接模块；检测头网络，根据融合特征图，检测道路缝隙。

【技术实现步骤摘要】

本专利技术涉及计算机视觉的应用领域，尤其涉及一种基于异核卷积多感受野网络的道路裂缝检测方法及系统。

技术介绍

1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。

2、裂缝是道路表面结构的常见问题。裂缝的存在可能导致交通事故、车辆损坏，并加速道路结构的恶化。通过及时检测和修复裂缝，可以维护道路的安全性和可靠性，减少交通事故风险，延长道路寿命，降低维护成本，提高整体基础设施的质量和可持续性。对于道路管理和城市规划而言，裂缝的有效监测和维护是至关重要的。

3、利用激光扫描仪或雷达等设备对裂缝进行检测的技术，存在设备成本高昂且需要维护和更新，环境依赖性强等问题。依赖于图像处理的裂缝检测方法，比如阈值分割方法，边缘检测方法以及纹理分析方法等成本相对较低，但需要人工提取特征，仍然受主观影响强。

4、基于深度学习的道路裂缝检测已经成为裂缝检测领域的主要趋势之一，深度学习模型，尤其是卷积神经网络，能够从大量道路图像数据中学习复杂的裂缝特征表示。但由于道路裂缝变化尺度大，且受阴影遮蔽等环境影响，深度学习模型能本文档来自技高网...

【技术保护点】

1.基于异核卷积多感受野网络的道路裂缝检测方法，其特征在于，包括：

2.根据权利要求1所述的基于异核卷积多感受野网络的道路裂缝检测方法，其特征在于，所述异核特征提取网络采用五个双分支异核多感受野模块级联后再与第一横纵局部全局特征增强模块级联的方式；采用所述异核特征提取网络的过程包括：基于输入图像，采用第一双分支异核多感受野模块，得到第一特征图；基于第一特征图，采用第二双分支异核多感受野模块，得到第二特征图；基于第二特征图，采用第三双分支异核多感受野模块，得到第三特征图；基于第三特征图，采用第四双分支异核多感受野模块，得到第四特征图；基于第四特征图，采用第五双分支异核多感受野模...

【技术特征摘要】

1.基于异核卷积多感受野网络的道路裂缝检测方法，其特征在于，包括：

2.根据权利要求1所述的基于异核卷积多感受野网络的道路裂缝检测方法，其特征在于，所述异核特征提取网络采用五个双分支异核多感受野模块级联后再与第一横纵局部全局特征增强模块级联的方式；采用所述异核特征提取网络的过程包括：基于输入图像，采用第一双分支异核多感受野模块，得到第一特征图；基于第一特征图，采用第二双分支异核多感受野模块，得到第二特征图；基于第二特征图，采用第三双分支异核多感受野模块，得到第三特征图；基于第三特征图，采用第四双分支异核多感受野模块，得到第四特征图；基于第四特征图，采用第五双分支异核多感受野模块，得到第五特征图；基于第五特征图，采用第一横纵局部全局特征增强模块，得到第六特征图。

3.根据权利要求2所述的基于异核卷积多感受野网络的道路裂缝检测方法，其特征在于，采用所述第一横纵局部全局特征增强模块的过程包括：基于输入特征图，采用第一横纵局部全局特征增强模块，对输入特征图分别在宽和高上做平均池化操作，得到一张高的维度为1的特征图，一张宽的维度为1的特征图；对特征图和特征图分别先后进行卷积核大小为1×1的卷积以及使用sigmoid激活函数得到相应的特征权重和；将与相乘，再乘输入特征图得到特征图；对特征图进行全局平均池化操作，得到高和宽的维度都为1的特征图；对特征图先后进行卷积核大小为1×1的卷积以及使用sigmoid激活函数得到相应的权重；将权重与特征图相乘，得到第一横纵局部全局特征增强模块输出的特征图。

4.根据权利要求2所述的基于异核卷积多感受野网络的道路裂缝检测方法，其特征在于，所述加权异核特征融合网络包括三个双分支异核多感受野模块和五个加权特征拼接模块；采用所述加权异核特征融合网络的过程包括：基于特征图，采用第六双分支异核多感受野模块，得到特征图，对特征图进行上采样操作，得到特征图；基于特征图和异核特征提取网络中的特征图，采用第一加权特征拼接模块，得到特征图；基于特征图，采用第七双分支异核多感受野模块，得到特征图，对特征图进行上采样操作，得到特征图；基于特征图与异核特征提取网络中的特征图，采用第二加权特征拼接模块，得到特征图；基于特征图，采用第八双分支异核多感受野模块，得到特征图；基于特征图和特征图，采用第一邻近特征融合算子，得到特征图和特征图；基于特征图和特征图，采用第二邻近特征融合算子，得到特征图和特征图；基于将特征图、特征图和特征图，采用第三加权特征拼接模块，得到特征图；基于特征图、特征图、特征图和特征图，采用第四加权特征拼接模块，得到特征图；基于特征图、特征图和特征图，采用第五加权特征拼接模块，得到特征图。

5.根据权利要求2或4所述的基于异核卷积多感受野网络的道路裂缝检测方法，其特征在于，采用所述第一双分支异核多感受野模块、第二双分支异核多感受野模块、第三双分支异核多感受野模块、第四双分支异核多感受野模块、第五双分支异核多感受野模块、第六双分支异核多感受野模块、第七双分支异核多感受野模块或第八双分支异核多感受野模块的过程包括：基于输入特征图，进行卷积处理缩小尺...

【专利技术属性】
技术研发人员：李敏，李刚，周鸣乐，韩德隆，李旺，冯正乾，张成，
申请(专利权)人：山东省计算中心国家超级计算济南中心，
类型：发明
国别省市：