CN115147381A - 基于图像分割的路面裂缝检测方法 - Google Patents
基于图像分割的路面裂缝检测方法 Download PDFInfo
- Publication number
- CN115147381A CN115147381A CN202210806491.3A CN202210806491A CN115147381A CN 115147381 A CN115147381 A CN 115147381A CN 202210806491 A CN202210806491 A CN 202210806491A CN 115147381 A CN115147381 A CN 115147381A
- Authority
- CN
- China
- Prior art keywords
- convolution
- layer
- stride
- channel
- padding
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 56
- 238000003709 image segmentation Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000010606 normalization Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 7
- 238000004806 packaging method and process Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000004880 explosion Methods 0.000 claims description 3
- 238000001125 extrusion Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像分割的路面裂缝检测方法，能够对多种环境下的裂缝图片进行高精度的检测，该方法利用ResNet，Unet，SegNet，Attention，Deeplabv3，Pyside2等算法技术实现基于图像分割的路面裂缝检测方法，并获取了较高的精度和交并化，能够满足实际的需要，本发明涉及智能交通技术领域，具体是提供了一种基于图像分割的路面裂缝检测方法，设计了路面裂缝检测系统，检测系统的准确率达到94％，应用于交通行业能够减少事故的发生，节省大量的维修费用。
Description
技术领域
本发明涉及智能交通技术领域，具体是指基于图像分割的路面裂缝检测方法。
背景技术
在过去的10年里，计算机视觉领域成为热门，计算机视觉的应用也成为了发展的潮流。深度学习的发展为计算机视觉领域带来了很多新思路，基于深度学习神经网络使得研究者们跳出了繁重的特征提取工作，还使得目标检测和图像分割的准确率有了很大的提高。
传统的裂纹检测依赖于人工的视觉识别，效率低下易受影响。让机器独立完成裂缝检测就能够节省财力物力，机器检测可以有效地减少误报，结果稳定，不易受影响，而且效率高，所以基于机器学习对路面裂缝进行检测已经成为一个研究热点。传统的裂缝检测方法，如自适应阈值法、基于图像处理方法，边缘检测法以及基于机器学习的方法首先运用到裂缝检测中，这些方法易受噪声的干扰，而且要把很多时间花在特征提取的工作中，加之检测速度低下，准确率低。伴随着深度学习的开展，计算机视觉领域迎来了新的发展，深度学习已经在计算机视觉应用方面有很好的表现。相对于传统的检测算法，该算法可以实现对特征图的深度语义特征的自动识别，从而提高了识别的正确性。裂缝检测技术也由传统的检测步入基于图像分割，目标检测与分类的检测技术，其中图像分割就有很好的性能，图像分割就是把每一个像素都分类出来，粒度小且精度高，并且能够很直观的观察检测结果。
本文采用卷积神经网络检测路面裂缝，提高裂缝检测的准确率，对保障国家与个人的财产，对预防重大交通事故有重要的意义，同样有效的路面裂缝检测技术是维修人员必备的有力工具。
相对于其他的路面裂缝检测系统，本发明提出了最新的网络模型，精准度远超其他路面裂缝检测系统，且能够适应更多的复杂环境的识别，鲁棒性强。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了基于图像分割的路面裂缝检测方法，能够对多种环境下的裂缝图片进行高精度的检测，该方法利用ResNet，Unet，SegNet， Attention，Deeplabv3，Pyside2等算法技术实现基于图像分割的路面裂缝检测方法，并获取了较高的精度和交并化，能够满足实际的需要。
本发明采取的技术方案如下：基于图像分割的路面裂缝检测方法，包括如下步骤：
步骤1，整合及拍摄制作大量的道路数据，包括多种环境下的路面裂缝图片作为预测的数据支持；
步骤2，对输入图片进行预处理，包括图像增强，数据归一化，添加负样本等处理，增强数据的丰富度，数据归一化将像素由0-255变换为0-1之间的数；
步骤3，对步骤2处理得到的数据进行特征的提取，使用ResNet作为主干网络，通过若干次的卷积和池化，将浅层次和深层次的特征提取并保存；
步骤4，添加注意力机制改进网络性能，将裂缝区域的相关通道权重增加，降低其他通道的权重；
步骤5，在34层的ResNet卷积和池化过程中，在每个模块后提出加入残差块避免出现退化现象；
步骤6，提出使用批标准化对网络中每个层次的图片进行处理，避免了梯度消失和梯度爆炸；
步骤7，提出使用反卷积即上采样，还原图片像素，每次进行两倍的上采样；
步骤8，使用特征拼接来保存多层次的特征，每两次上采样进行一次特征拼接；
步骤9，对上采样得到的图片使用argmax函数对两个通道取最大值的通道位置，得到检测结果的二值图，与原图做混合得到检测结果图；
步骤10，将函数的输入输出位置封装成api接口，使用pyside2设计页面，将训练得到模型封装。
作为本方案的进一步优化，所述数据采集包括如下步骤：
步骤1.1：整合及制作数据集，共收录了上万张图片，合并了十几个数据集，增加数据的丰富度；每张图像的名称前缀分配给图像所属的相应数据集的名称，并且数据集中加入了不含裂缝像素的图片作为负样本，为了后续操作的方便，把所有的图片尺寸调整为448×448像素大小。
作为本方案的进一步优化，所述数据预处理包括如下步骤：
步骤2.1：使用了、数据归一化将标签数据转换成了二值图，在计算损失函数等评价指标时会使用模型预测得到的图片与标签数据进行计算，此时要求标签数据必须是二值图；
步骤2.2：加入负样本，裂缝数据的特征太过单一化，加入负样本能够使得模型的鲁棒性更强。
作为本方案的进一步优化，所述特征提取包括如下步骤：
步骤3.1：第一层，经过kernel_size＝7×7、out_channel＝64、stride＝2、padding＝3的卷积和卷积核为3×3，stride＝2的最大池化得到了224×224×64的特征图，并将该特征图保存作为特征拼接模块的输入，具体为：
步骤3.2：第二层，经过三次kernel_size＝3×3、out_channel＝64、stride＝1、padding＝1的卷积，批标准化、relu激活函数、卷积核为3×3、outchannel＝64、stride＝1、padding＝1的卷积，批标准化，最后经过残差计算，并将该特征图保存作为特征拼接模块的输入；
步骤3.3：第三层，经过四次kernel_size＝3×3、out_channel＝128、stride＝1、padding＝1的卷积，批标准化、relu激活函数、卷积核为3×3、outchannel＝128、stride＝1、padding＝1的卷积，批标准化，最后经过残差计算，并将该特征图保存作为特征拼接模块的输入；
步骤3.4：第四层，经过六次kernel_size＝3×3，out_channel＝256，stride＝1，padding＝1的卷积，批标准化，relu激活函数，卷积核为3×3，输出通道为256，stride＝1，padding＝1的卷积，批标准化，最后经过残差计算，并将该特征图保存作为特征拼接模块的输入；
步骤3.5：第五层，经过三次kernel_size＝3×3、out_channel＝512、stride＝1、padding＝1的卷积，批标准化、relu激活函数，卷积核为3×3、输出通道为512、stride＝1、padding＝1的卷积，批标准化函数，并将该特征图保存作为特征拼接模块的输入。
作为本方案的进一步优化，所述通道权重设置包括如下步骤：
步骤4.1：首先经过一次挤压操作，可以通过池化来进行，生成通道数不变，像素变为1×1 的通道描述符；
步骤4.2：将特征图展开成特征长条，使用全连接层对不同的通道权重进行重新计算；
步骤4.3：经过全连接操作学习对各通道的依赖程度，最后学习到每个通道的重要性权值，分别相乘到对应通道，提高重要通道的权重。
作为本方案的进一步优化，所述图片像素还原包括如下步骤：
步骤7.1：第一层，编码层的输出经过两倍的上采样还原图像为512×28×28，然后与残差计算保存的特征图进行了拼接，经过两次kernel_size＝3、stride＝1、padding＝1、outchannel＝256 的卷积；
步骤7.2：第二层，上一层的输出经过两倍的上采样，还原图像为128×56×56然后与编码层的第一次残差运算的结果通道数叠加，经过两次kernel_size＝3、stride＝1、padding＝1、outchannel＝128的卷积；
步骤7.3：第三层，首先经过两倍的上采样，然后与编码层第一层的最大池化后的结果通道数叠加，经过两次kernel_size＝3、stride＝1、padding＝1、outchannel＝128的卷积；
步骤7.4：第四层，经过两倍的上采样，然后与编码层第一层的kernel_size＝7、stride＝2、 padding＝3、outchannel＝64的卷积结果叠加，经过两次kernel_size＝3、stride＝1、padding＝1、 outchannel＝64的卷积；
步骤7.5：第五层，经过两次的上采样和卷积，最后使用sigmoid函数激活。
采用上述结构本发明取得的有益效果如下：高速公路的维修费用是非常高的，平均每公里的高速公路维修费用接近1000万。及时的检测路面裂缝并在它恶化之前修复将保存一笔巨额的维修预算并且能够减少事故的发生率，避免消极环境的影响和增加沥青的使用寿命，路面康复费用可以减少80％。本发明设计了路面裂缝检测系统，检测系统的准确率达到94％，应用于交通行业能够减少事故的发生，节省大量的维修费用。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本方案细小裂缝的检测处理图；
图2为本方案复杂背景的裂缝检测处理图；
图3为本方案复杂裂缝纹路的裂缝检测处理图；
图4为本方案遮挡物的裂缝检测处理图。
具体实施方式
下面将结合本方案中实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例，基于图像分割的路面裂缝检测方法，包括如下步骤：
步骤1，数据采集：整合及拍摄制作大量的道路数据，包括多种环境下的路面裂缝图片作为预测的数据支持，具体为：
步骤1.1：整合及制作数据集，共收录了上万张图片，合并了十几个数据集，增加数据的丰富度；每张图像的名称前缀分配给图像所属的相应数据集的名称，并且数据集中加入了不含裂缝像素的图片作为负样本，为了后续操作的方便，把所有的图片尺寸调整为448×448像素大小；
步骤2，数据预处理：对输入图片进行预处理，包括图像增强，数据归一化，添加负样本等处理，增强数据的丰富度，数据归一化将像素由0-255变换为0-1之间的数，具体为：
步骤2.1：使用了、数据归一化将标签数据转换成了二值图，在计算损失函数等评价指标时会使用模型预测得到的图片与标签数据进行计算，此时要求标签数据必须是二值图；
步骤2.2：加入负样本，裂缝数据的特征太过单一化，加入负样本能够使得模型的鲁棒性更强；
步骤3，特征提取：对步骤2处理得到的数据进行特征的提取，使用ResNet作为主干网络，通过若干次的卷积和池化，将浅层次和深层次的特征提取并保存，具体为：
步骤3.1：第一层，经过kernel_size＝7×7、out_channel＝64、stride＝2、padding＝3的卷积和卷积核为3×3，stride＝2的最大池化得到了224×224×64的特征图，并将该特征图保存作为特征拼接模块的输入，具体为：
步骤3.2：第二层，经过三次kernel_size＝3×3、out_channel＝64、stride＝1、padding＝1的卷积，批标准化、relu激活函数、卷积核为3×3、outchannel＝64、stride＝1、padding＝1的卷积，批标准化，最后经过残差计算，并将该特征图保存作为特征拼接模块的输入；
步骤3.3：第三层，经过四次kernel_size＝3×3、out_channel＝128、stride＝1、padding＝1的卷积，批标准化、relu激活函数、卷积核为3×3、outchannel＝128、stride＝1、padding＝1的卷积，批标准化，最后经过残差计算，并将该特征图保存作为特征拼接模块的输入；
步骤3.4：第四层，经过六次kernel_size＝3×3，out_channel＝256，stride＝1，padding＝1的卷积，批标准化，relu激活函数，卷积核为3×3，输出通道为256，stride＝1，padding＝1的卷积，批标准化，最后经过残差计算，并将该特征图保存作为特征拼接模块的输入；
步骤3.5：第五层，经过三次kernel_size＝3×3、out_channel＝512、stride＝1、padding＝1的卷积，批标准化、relu激活函数，卷积核为3×3、输出通道为512、stride＝1、padding＝1的卷积，批标准化函数，并将该特征图保存作为特征拼接模块的输入；
步骤4，通道权重设置：添加注意力机制改进网络性能，将裂缝区域的相关通道权重增加，降低其他通道的权重，具体为：
步骤4.1：首先经过一次挤压操作，可以通过池化来进行，生成通道数不变，像素变为1×1 的通道描述符；
步骤4.2：将特征图展开成特征长条，使用全连接层对不同的通道权重进行重新计算；
步骤4.3：经过全连接操作学习对各通道的依赖程度，最后学习到每个通道的重要性权值，分别相乘到对应通道，提高重要通道的权重；
步骤5，在34层的ResNet卷积和池化过程中，在每个模块后提出加入残差块避免出现退化现象；
步骤6，提出使用批标准化对网络中每个层次的图片进行处理，避免了梯度消失和梯度爆炸；
步骤7，图片像素还原：提出使用反卷积即上采样，还原图片像素，每次进行两倍的上采样，具体为：
步骤7.1：第一层，编码层的输出经过两倍的上采样还原图像为512×28×28，然后与残差计算保存的特征图进行了拼接，经过两次kernel_size＝3、stride＝1、padding＝1、outchannel＝256 的卷积；
步骤7.2：第二层，上一层的输出经过两倍的上采样，还原图像为128×56×56然后与编码层的第一次残差运算的结果通道数叠加，经过两次kernel_size＝3、stride＝1、padding＝1、 outchannel＝128的卷积；
步骤7.3：第三层，首先经过两倍的上采样，然后与编码层第一层的最大池化后的结果通道数叠加，经过两次kernel_size＝3、stride＝1、padding＝1、outchannel＝128的卷积；
步骤7.4：第四层，经过两倍的上采样，然后与编码层第一层的kernel_size＝7、stride＝2、 padding＝3、outchannel＝64的卷积结果叠加，经过两次kernel_size＝3、stride＝1、padding＝1、 outchannel＝64的卷积；
步骤7.5：第五层，经过两次的上采样和卷积，最后使用sigmoid函数激活；
步骤8，使用特征拼接来保存多层次的特征，每两次上采样进行一次特征拼接；
步骤9，对上采样得到的图片使用argmax函数对两个通道取最大值的通道位置，得到检测结果的二值图，与原图做混合得到检测结果图；
步骤10，将函数的输入输出位置封装成api接口，使用pyside2设计页面，将训练得到模型封装。
将裂缝检测的算法系统实现封装成exe文件，用户直接点击exe文件打开系统，系统的界面，分为两个模块，展示模块和操作模块，展示模块展示检测图片原图，检测结果的二值图，检测结果的混合图。
如图1～图4所示，展示了路面裂缝检测系统对不同的裂缝图片的检测效果，如图展示的是改进的ResNet为主干网络的模型对多组图片的检测效果，分别为细小裂缝，复杂背景，复杂裂缝纹理，复杂的遮挡物。
用户在检测完裂缝图片后点击保存结果可以把检测完的图片，包括二值图，检测混合图保存到指定目录中。
用户可以在检测模块选择不同的检测网络，不同的网络精度不同，适用于不同的环境。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.基于图像分割的路面裂缝检测方法，其特征在于，包括如下步骤：
步骤1，整合及拍摄制作大量的道路数据，包括多种环境下的路面裂缝图片作为预测的数据支持；
步骤2，对输入图片进行预处理，包括图像增强，数据归一化，添加负样本处理，增强数据的丰富度，数据归一化将像素由0-255变换为0-1之间的数；
步骤3，对步骤2处理得到的数据进行特征的提取，使用ResNet作为主干网络，通过若干次的卷积和池化，将浅层次和深层次的特征提取并保存；
步骤4，添加注意力机制改进网络性能，将裂缝区域的相关通道权重增加，降低其他通道的权重；
步骤5，在34层的ResNet卷积和池化过程中，在每个模块后提出加入残差块避免出现退化现象；
步骤6，提出使用批标准化对网络中每个层次的图片进行处理，避免了梯度消失和梯度爆炸；
步骤7，提出使用反卷积即上采样，还原图片像素，每次进行两倍的上采样；
步骤8，使用特征拼接来保存多层次的特征，每两次上采样进行一次特征拼接；
步骤9，对上采样得到的图片使用argmax函数对两个通道取最大值的通道位置，得到检测结果的二值图，与原图做混合得到检测结果图；
步骤10，将函数的输入输出位置封装成api接口，使用pyside2设计页面，将训练得到模型封装。
2.根据权利要求1所述的基于图像分割的路面裂缝检测方法，其特征在于，所述数据采集包括如下步骤：
步骤1.1：整合及制作数据集，共收录了上万张图片，合并了十几个数据集，增加数据的丰富度；每张图像的名称前缀分配给图像所属的相应数据集的名称，并且数据集中加入了不含裂缝像素的图片作为负样本，为了后续操作的方便，把所有的图片尺寸调整为448×448像素大小。
3.根据权利要求1所述的基于图像分割的路面裂缝检测方法，其特征在于，所述数据预处理包括如下步骤：
步骤2.1：使用了、数据归一化将标签数据转换成了二值图，在计算损失函数等评价指标时会使用模型预测得到的图片与标签数据进行计算，此时要求标签数据必须是二值图；
步骤2.2：加入负样本，裂缝数据的特征太过单一化，加入负样本能够使得模型的鲁棒性更强。
4.根据权利要求1所述的基于图像分割的路面裂缝检测方法，其特征在于，所述特征提取包括如下步骤：
步骤3.1：第一层，经过kernel_size＝7×7、out_channel＝64、stride＝2、padding＝3的卷积和卷积核为3×3，stride＝2的最大池化得到了224×224×64的特征图，并将该特征图保存作为特征拼接模块的输入，具体为：
步骤3.2：第二层，经过三次kernel_size＝3×3、out_channel＝64、stride＝1、padding＝1的卷积，批标准化、relu激活函数、卷积核为3×3、outchannel＝64、stride＝1、padding＝1的卷积，批标准化，最后经过残差计算，并将该特征图保存作为特征拼接模块的输入；
步骤3.3：第三层，经过四次kernel_size＝3×3、out_channel＝128、stride＝1、padding＝1的卷积，批标准化、relu激活函数、卷积核为3×3、outchannel＝128、stride＝1、padding＝1的卷积，批标准化，最后经过残差计算，并将该特征图保存作为特征拼接模块的输入；
步骤3.4：第四层，经过六次kernel_size＝3×3，out_channel＝256，stride＝1，padding＝1的卷积，批标准化，relu激活函数，卷积核为3×3，输出通道为256，stride＝1，padding＝1的卷积，批标准化，最后经过残差计算，并将该特征图保存作为特征拼接模块的输入；
步骤3.5：第五层，经过三次kernel_size＝3×3、out_channel＝512、stride＝1、padding＝1的卷积，批标准化、relu激活函数，卷积核为3×3、输出通道为512、stride＝1、padding＝1的卷积，批标准化函数，并将该特征图保存作为特征拼接模块的输入。
5.根据权利要求1所述的基于图像分割的路面裂缝检测方法，其特征在于，所述通道权重设置包括如下步骤：
步骤4.1：首先经过一次挤压操作，可以通过池化来进行，生成通道数不变，像素变为1×1的通道描述符；
步骤4.2：将特征图展开成特征长条，使用全连接层对不同的通道权重进行重新计算；
步骤4.3：经过全连接操作学习对各通道的依赖程度，最后学习到每个通道的重要性权值，分别相乘到对应通道，提高重要通道的权重。
6.根据权利要求1所述的基于图像分割的路面裂缝检测方法，其特征在于，所述图片像素还原包括如下步骤：
步骤7.1：第一层，编码层的输出经过两倍的上采样还原图像为512×28×28，然后与残差计算保存的特征图进行了拼接，经过两次kernel_size＝3、stride＝1、padding＝1、outchannel＝256的卷积；
步骤7.2：第二层，上一层的输出经过两倍的上采样，还原图像为128×56×56然后与编码层的第一次残差运算的结果通道数叠加，经过两次kernel_size＝3、stride＝1、padding＝1、outchannel＝128的卷积；
步骤7.3：第三层，首先经过两倍的上采样，然后与编码层第一层的最大池化后的结果通道数叠加，经过两次kernel_size＝3、stride＝1、padding＝1、outchannel＝128的卷积；
步骤7.4：第四层，经过两倍的上采样，然后与编码层第一层的kernel_size＝7、stride＝2、padding＝3、outchannel＝64的卷积结果叠加，经过两次kernel_size＝3、stride＝1、padding＝1、outchannel＝64的卷积；
步骤7.5：第五层，经过两次的上采样和卷积，最后使用sigmoid函数激活。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210806491.3A CN115147381A (zh) | 2022-07-08 | 2022-07-08 | 基于图像分割的路面裂缝检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210806491.3A CN115147381A (zh) | 2022-07-08 | 2022-07-08 | 基于图像分割的路面裂缝检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115147381A true CN115147381A (zh) | 2022-10-04 |
Family
ID=83411540
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210806491.3A Pending CN115147381A (zh) | 2022-07-08 | 2022-07-08 | 基于图像分割的路面裂缝检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115147381A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118351077A (zh) * | 2024-04-16 | 2024-07-16 | 武汉大学 | 基于mdta和gdfn的路面裂缝图像检测方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112634292A (zh) * | 2021-01-06 | 2021-04-09 | 烟台大学 | 一种基于深度卷积神经网络的沥青路面裂缝图像分割方法 |
| CN113159023A (zh) * | 2021-03-14 | 2021-07-23 | 西北工业大学 | 基于显式监督注意力机制的场景文本识别方法 |
| CN114331869A (zh) * | 2021-12-01 | 2022-04-12 | 西南科技大学 | 一种坝面裂缝语义分割方法 |
| CN114399808A (zh) * | 2021-12-15 | 2022-04-26 | 西安电子科技大学 | 一种人脸年龄估计方法、系统、电子设备及存储介质 |
| CN114596266A (zh) * | 2022-02-25 | 2022-06-07 | 烟台大学 | 一种基于ConcreteCrackSegNet模型的混凝土裂缝检测方法 |
| CN114705689A (zh) * | 2022-04-14 | 2022-07-05 | 西安建筑科技大学 | 一种基于无人机的建筑物外立面裂缝检测方法及系统 |
-
2022
- 2022-07-08 CN CN202210806491.3A patent/CN115147381A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112634292A (zh) * | 2021-01-06 | 2021-04-09 | 烟台大学 | 一种基于深度卷积神经网络的沥青路面裂缝图像分割方法 |
| CN113159023A (zh) * | 2021-03-14 | 2021-07-23 | 西北工业大学 | 基于显式监督注意力机制的场景文本识别方法 |
| CN114331869A (zh) * | 2021-12-01 | 2022-04-12 | 西南科技大学 | 一种坝面裂缝语义分割方法 |
| CN114399808A (zh) * | 2021-12-15 | 2022-04-26 | 西安电子科技大学 | 一种人脸年龄估计方法、系统、电子设备及存储介质 |
| CN114596266A (zh) * | 2022-02-25 | 2022-06-07 | 烟台大学 | 一种基于ConcreteCrackSegNet模型的混凝土裂缝检测方法 |
| CN114705689A (zh) * | 2022-04-14 | 2022-07-05 | 西安建筑科技大学 | 一种基于无人机的建筑物外立面裂缝检测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| WEIDONG SONG 等: "Automatic Pavement Crack Detection and Classification Using Multiscale Feature Attention Network", 《IEEE ACCESS》 * |
| 仇静博 等: "基于全卷积神经网络的单幅隧道图像裂纹提取算法", 《计算机工程与科学》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118351077A (zh) * | 2024-04-16 | 2024-07-16 | 武汉大学 | 基于mdta和gdfn的路面裂缝图像检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112232391B (zh) | 一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法 | |
| CN111681273B (zh) | 图像分割方法、装置、电子设备及可读存储介质 | |
| CN109002824B (zh) | 一种基于OpenCV的建筑图纸标签信息检测方法 | |
| CN110264466A (zh) | 一种基于深度卷积神经网络的钢筋检测方法 | |
| CN111899249A (zh) | 基于ResNet50和DeeplabV3+的卷积神经网络的遥感图像变化检测方法 | |
| CN113076842A (zh) | 一种用于提升极端天气与环境下交通标志识别精度的方法 | |
| CN114998852A (zh) | 一种基于深度学习的公路路面病害智能检测方法 | |
| AU2005201257A1 (en) | Model of documents and method for automatically classifying a document | |
| CN111178451A (zh) | 一种基于YOLOv3网络的车牌检测方法 | |
| CN115147381A (zh) | 基于图像分割的路面裂缝检测方法 | |
| CN111353396A (zh) | 一种基于SCSEOCUnet的混凝土裂缝分割方法 | |
| CN117197763A (zh) | 基于交叉注意引导特征对齐网络的道路裂缝检测方法和系统 | |
| CN116503709A (zh) | 一种基于改进YOLOv5的雾霾天气下车辆检测方法 | |
| CN114549972B (zh) | 露天矿采场提取方法、装置、设备及介质 | |
| CN117576073A (zh) | 一种基于改进YOLOv8模型的道路缺陷检测方法、装置和介质 | |
| CN111931792A (zh) | 一种基于目标检测的瑶族纹样符号识别方法 | |
| CN112785610B (zh) | 一种融合低层特征的车道线语义分割方法 | |
| CN112989919B (zh) | 一种从影像中提取目标对象的方法及系统 | |
| CN114239667A (zh) | 一种基于深度学习的垃圾检测分类与推断方法 | |
| CN117036457A (zh) | 一种屋顶面积的测量方法、装置、设备及存储介质 | |
| CN117115616A (zh) | 一种基于卷积神经网络的实时低照度图像目标检测方法 | |
| CN114663654B (zh) | 一种改进YOLOv4网络模型及小目标检测方法 | |
| CN116051831A (zh) | 基于VSA-UNet的电气设备紫外图像分割方法 | |
| CN114066788B (zh) | 一种平衡的实例分割数据合成方法 | |
| CN116071307A (zh) | 路面缺陷检测模型建立方法、检测方法、存储介质及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221004 |
|
| RJ01 | Rejection of invention patent application after publication |