一种融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法技术

本发明专利技术公开一种融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法，涉及图像识别领域，方法包括将目标图像输入至训练好的分类网络模型中输出带有裂缝的路面图像；将带有裂缝的路面图像输入至训练好的分割网络模型中得到裂缝分割结果；分割网络模型包括依次连接的特征提取模块以及解码模块；通过迁移预训练分割网络模型中的特征提取模块的结构和学习的权值，得到分类网络模型的特征提取模块；特征提取模块包括编码模块和特征增强模块，编码模块包括输入卷积层、左边路径子模块、卷积注意子模块和编码器子模块；解码模块包括解码器子模块、注意力子模块以及深度监督子模块。本发明专利技术可高效、准确地对路面裂缝图像进行裂缝分割。

【技术实现步骤摘要】

本专利技术涉及图像识别领域，特别是涉及一种融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法。

技术介绍

1、裂缝作为路面老化的早期征兆，是最常见的路面病害类型之一。随着车辆长时间、高负荷的运行，路面裂缝将发展成更为严重的路面损毁，这不仅会降低路面使用性能，还有可能引发严重的行车安全隐患，因此路面裂缝早期检测成为了路面养护的重要工作。目前路面裂缝检测大多采用人工检测和多功能道路检测车配合的巡检方式，检测效率低、风险大、成本高。无人机(unmanned aerial vehicles,uav)通过搭载高分辨率的相机，可以从固定的高度快速安全地获得公路路面高清影像数据，具有覆盖范围大、成本低等优点，在路面裂缝检测领域具有广阔的应用前景。

2、图像识别算法是无人机路面裂缝检测应用中的关键技术，通过有效的图像识别算法可以提取无人机图像中的裂缝区域，为裂缝的最终统计和分析提供可靠的数据来源。传统的裂缝识别算法很大程度上依赖于手工特征，对复杂的裂缝检测场景泛化能力和鲁棒性较低。最近，深度学习，尤其是卷积神经网络，凭借其强大的特征提取和模型泛化能力被本文档来自技高网...

【技术保护点】

1.一种融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法，其特征在于，所述方法包括：

2.根据权利要求1所述的融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法，其特征在于，所述编码器子模块包括4个最大池化层以及4个编码器级联单元，所述4个最大池化层和所述4个编码器级联单元依次交替级联；

3.根据权利要求1所述的融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法，其特征在于，所述左边路径子模块包括第一卷积层、第二卷积层以及第三卷积层；

4.根据权利要求1所述的融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法，其特征在...

【技术特征摘要】

1.一种融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法，其特征在于，所述方法包括：

2.根据权利要求1所述的融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法，其特征在于，所述编码器子模块包括4个最大池化层以及4个编码器级联单元，所述4个最大池化层和所述4个编码器级联单元依次交替级联；

3.根据权利要求1所述的融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法，其特征在于，所述左边路径子模块包括第一卷积层、第二卷积层以及第三卷积层；

4.根据权利要求1所述的融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法，其特征在于，所述特征增强模块包括第三分支、第四分支、第五分支以及第六分支；所述第三分支、所述第四分支、所述第五分支以及所述第六分支并行；

5.根据权利要求1所述的融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法，其特征在于，所述解码器子模块包括依次连接的1个1×1卷积层、1个3×3的反卷积层以及1个1×1卷积层；

6.根据...

【专利技术属性】
技术研发人员：岳彪，党建武，王阳萍，王锋，杨景玉，杨娟娟，庞阳，侯金泉，雍玖，王文润，张希权，任鹏百，李欣，
申请(专利权)人：兰州交通大学，
类型：发明
国别省市：