【技术实现步骤摘要】
本专利技术涉及路面质量检测相关，具体来说，特别涉及融合fpn的r-fcn道路病害图像识别方法及系统。
技术介绍
1、随着城市化进程的不断加快，道路基础设施在交通运输中起到了至关重要的作用。然而，道路病害问题，如裂缝、坑洼、沉降等，对道路的使用寿命和行车安全构成了严重威胁。传统的道路病害检测方法主要依赖于人工巡检，不仅耗时耗力，而且存在主观性强、检测效率低等问题。因此，研发一种高效、精准的道路病害图像识别方法具有重要的现实意义。
2、雷达扫描技术因其不受光照条件限制、穿透能力强、探测精度高的优点，已被广泛应用于道路检测领域。通过雷达设备对道路表面进行高分辨率扫描，可以获取精确的道路表面形态和病害数据。然而，雷达扫描图像的复杂性和噪声干扰，使得直接从雷达图像中识别病害区域仍然存在较大挑战，通常需要结合先进的图像处理和机器学习算法，进一步提高检测精度和效率。
3、随着深度学习技术的进步，卷积神经网络（cnn）和目标检测算法在图像识别领域取得了显著成就。区域全卷积网络（r-fcn）作为一种高效的目标检测算法，通过全卷积架构在保持高检测速度的同时，提高了识别精度。r-fcn在道路病害检测中的应用，使得自动化识别道路表面裂缝、坑洞、变形等病害成为可能。
4、然而，传统的r-fcn主要依赖单一尺度的特征提取，这在处理多尺度、复杂背景下的病害检测时存在一定的局限性。特别是对于道路病害图像中的小尺度特征，如细小裂缝、微小坑洞，传统的r-fcn容易出现漏检或误检。
5、针对相关技术中的问题，目前尚未提
技术实现思路
1、有鉴于此，本专利技术提供融合fpn的r-fcn道路病害图像识别方法及系统，以解决上述提及的问题。
2、为了解决上述问题，本专利技术采用的具体技术方案如下：
3、根据本专利技术的一方面，提供了融合fpn的r-fcn道路病害图像识别方法，该识别方法包括以下步骤：
4、s1、采集路面图像，获取不同病害状态下的道路图像，对道路图像进行预处理，并根据预处理结果构建道路图像数据集；
5、s2、基于卷积神经网络和特征金字塔网络对道路图像数据集进行提取，生成不同层次的特征图；并通过路径自顶向下方式和横向连接方式，对特征图进行特征融合，得到多尺度特征图；
6、s3、通过区域建议网络对多尺度特征图进行划分处理，生成候选区域，得到初始病害候选框；基于非极大值抑制算法对初始病害候选框进行检测和冗余处理，得到病害候选框；
7、s4、利用r-fcn模型对病害候选框进行目标检测，生成位置敏感得分图，通过投票机制确定病害的最终类别；并基于r-fcn模型输出病害识别结果，通过后处理优化识别结果，得到最终的识别结果。
8、优选的，基于卷积神经网络和特征金字塔网络对道路图像数据集进行提取，生成不同层次的特征图；并通过路径自顶向下方式和横向连接方式，对特征图进行特征融合，得到多尺度特征图包括以下步骤：
9、s21、将道路图像数据集输入至卷积神经网络中，利用卷积神经网络的卷积层提取道路图像数据集中每个图像的特征，得到不同深度的特征图；
10、s22、根据特征图的深度对特征图进行排序，根据排序结果构建特征金字塔网络，并以最深层的特征图为起点，基于自顶向下路径对特征图进行上采样处理；
11、s23、将上采样处理后的特征图与前一层的特征图进行横向连接，并利用卷积操作融合特征图，得到不同层次的多尺度特征图。
12、优选的，通过区域建议网络对多尺度特征图进行划分处理，生成候选区域，得到初始病害候选框；基于非极大值抑制算法对初始病害候选框进行检测和冗余处理，得到病害候选框包括以下步骤：
13、s31、将多尺度特征图输入至区域建议网络中，利用anchor机制在每个多尺度特征图上生成候选区域；
14、s32、对生成的每个候选区域进行病害分类概率计算和边界框回归，根据区域建议网络的输出和真实标注框，利用多任务损失函数进行区域建议网络优化；
15、s33、对所有的候选区域按照病害分类的置信度进行排序，并筛选出满足置信度阈值的候选区域，得到初始病害候选框；
16、s34、对初始病害候选框执行非极大值抑制算法，通过检测并过滤冗余初始病害候选框，得到病害候选框。
17、优选的，多任务损失函数的表达式为：
18、；
19、式中，l(pi,ti)表示多任务损失函数；
20、lcls表示分类函数；
21、lreg表示边界框回归函数；
22、pi表示第i个候选区域的病害分类概率；
23、表示真实标签；
24、ti表示回归预测的平移和缩放参数；
25、表示真实边界框的参数；
26、ncls和nreg分别表示用于归一化分类函数和边界框回归函数的项数；
27、γ表示权重。
28、优选的，对初始病害候选框执行非极大值抑制算法，通过检测并过滤冗余初始病害候选框，得到病害候选框包括以下步骤：
29、s341、在初始病害候选框中选取置信度最高的初步候选区域，并计算置信度最高的初步候选区域与剩余的初步候选区域的交并比；
30、s342、将交并比大于预先设定的交并比阈值的初步候选区域进行移出，并更新初步候选区域集；
31、s343、从更新后的初步候选区域集中选取下一个置信度最高的初步候选区域，并计算下一个置信度最高的初步候选区域与剩余的初步候选区域的交并比；
32、s344、重复步骤s342和s343，直到初步候选区域集达到预设的停止条件，并将剩余的初步候选区域作为病害候选框。
33、优选的，利用r-fcn模型对病害候选框进行目标检测，生成位置敏感得分图，通过投票机制确定病害的最终类别；并基于r-fcn模型输出病害识别结果，通过后处理优化识别结果，得到最终的识别结果包括以下步骤：
34、s41、对于每个病害候选框，利用r-fcn模型将病害候选框划分若干子区域，并通过卷积操作计算位置敏感得分图；
35、s42、通过感兴趣区域池化操作将病害候选框映射到预设尺寸的网格上，对于每个子区域的得分图，通过汇总投票机制计算病害候选框的最终类别得分，得出病害候选框的类别预测结果；
36、s43、对所有病害候选框的类别预测结果进行后处理优化，得到最终的病害识别结果。
37、优选的，通过卷积操作计算位置敏感得分的计算公式为：
38、；
39、式中，表示第i个位置敏感得分图的输出；
40、f表示卷积操作；
41、x表示病害候选框；
42、表示生成第i,j个得分图的卷积参数；
43、cls表示病害分类标签。
44、优选的，通过感兴趣区域池化操作将病害候选框映射到预设尺寸的网本文档来自技高网...
【技术保护点】
1.融合FPN的R-FCN道路病害图像识别方法，其特征在于，该识别方法包括以下步骤：
2.根据权利要求1所述的融合FPN的R-FCN道路病害图像识别方法，其特征在于，所述基于卷积神经网络和特征金字塔网络对道路图像数据集进行提取，生成不同层次的特征图；并通过路径自顶向下方式和横向连接方式，对特征图进行特征融合，得到多尺度特征图包括以下步骤：
3.根据权利要求1所述的融合FPN的R-FCN道路病害图像识别方法，其特征在于，所述通过区域建议网络对多尺度特征图进行划分处理，生成候选区域，得到初始病害候选框；基于非极大值抑制算法对初始病害候选框进行检测和冗余处理，得到病害候选框包括以下步骤：
4.根据权利要求3所述的融合FPN的R-FCN道路病害图像识别方法，其特征在于，所述多任务损失函数的表达式为：
5.根据权利要求3所述的融合FPN的R-FCN道路病害图像识别方法，其特征在于，所述对初始病害候选框执行非极大值抑制算法，通过检测并过滤冗余初始病害候选框，得到病害候选框包括以下步骤：
6.根据权利要求1所述的融合FPN的R-FCN
7.根据权利要求6所述的融合FPN的R-FCN道路病害图像识别方法，其特征在于，所述通过卷积操作计算位置敏感得分的计算公式为：
8.根据权利要求6所述的融合FPN的R-FCN道路病害图像识别方法，其特征在于，所述通过感兴趣区域池化操作将病害候选框映射到预设尺寸的网格上，对于每个子区域的得分图，通过汇总投票机制计算病害候选框的最终类别得分，得出病害候选框的类别预测结果包括以下步骤：
9.根据权利要求8所述的融合FPN的R-FCN道路病害图像识别方法，其特征在于，所述通过汇总投票机制计算病害候选框的最终类别得分的计算公式为：
10.融合FPN的R-FCN道路病害图像识别系统，用于实现权利要求1-9中任一项所述的融合FPN的R-FCN道路病害图像识别方法，其特征在于，该识别系统包括：数据构建模块、多尺度特征图分析模块、病害候选框分析模块及识别结果分析模块；
...【技术特征摘要】
1.融合fpn的r-fcn道路病害图像识别方法，其特征在于，该识别方法包括以下步骤：
2.根据权利要求1所述的融合fpn的r-fcn道路病害图像识别方法，其特征在于，所述基于卷积神经网络和特征金字塔网络对道路图像数据集进行提取，生成不同层次的特征图；并通过路径自顶向下方式和横向连接方式，对特征图进行特征融合，得到多尺度特征图包括以下步骤：
3.根据权利要求1所述的融合fpn的r-fcn道路病害图像识别方法，其特征在于，所述通过区域建议网络对多尺度特征图进行划分处理，生成候选区域，得到初始病害候选框；基于非极大值抑制算法对初始病害候选框进行检测和冗余处理，得到病害候选框包括以下步骤：
4.根据权利要求3所述的融合fpn的r-fcn道路病害图像识别方法，其特征在于，所述多任务损失函数的表达式为：
5.根据权利要求3所述的融合fpn的r-fcn道路病害图像识别方法，其特征在于，所述对初始病害候选框执行非极大值抑制算法，通过检测并过滤冗余初始病害候选框，得到病害候选框包括以下步骤：
6.根据权利要求1所述的融合fpn的r-fcn道路病害图像识别方法，...
【专利技术属性】
技术研发人员：田隽，郭桂宏，段美栋，李昌辉，王昊，崔建，朱振祥，王琳，许思思，梁美君，
申请(专利权)人：山东高速股份有限公司，
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。