CN116071307A - 路面缺陷检测模型建立方法、检测方法、存储介质及设备 - Google Patents

路面缺陷检测模型建立方法、检测方法、存储介质及设备 Download PDF

Info

Publication number
CN116071307A
CN116071307A CN202211675037.5A CN202211675037A CN116071307A CN 116071307 A CN116071307 A CN 116071307A CN 202211675037 A CN202211675037 A CN 202211675037A CN 116071307 A CN116071307 A CN 116071307A
Authority
CN
China
Prior art keywords
disease
data set
image
pavement
defect detection
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
Application number
CN202211675037.5A
Other languages
English (en)
Inventor
李征骥
肖熙
李欣瑞
范宇霄
谢育宏
代长悫
李美慧
熊发展
黄柏匀
葛雨棵
吴雨桐
龚承瑜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Jincheng College
Original Assignee
Chengdu Jincheng College
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Jincheng College filed Critical Chengdu Jincheng College
Priority to CN202211675037.5A priority Critical patent/CN116071307A/zh
Publication of CN116071307A publication Critical patent/CN116071307A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及路面缺陷检测模型建立方法、检测方法、存储介质及设备，模型建立方法包括S1、获取原始数据集；S2、通过CycleGan网络将原始数据集中的图像转换为其他类型路面的正常图像，得到增强正常数据集；S3、对原始数据集的病害图像打标签，然后通过Scharr滤波器求解打上标签的病害图像，得到特征明显的病害图；S4、将特征明显的病害图上的病害特征裁剪下来，并添加至增强正常数据集上，得到增强病害数据集；S5、将原始数据集与增强病害数据集结合，输入训练模型进行训练，得到路面缺陷检测模型。本发明能够得到不同类型路面的数据集，从而增加数据集，并且对病害图片的预处理能够使得病害特征更加明显，提高检测的准确性。

Description

路面缺陷检测模型建立方法、检测方法、存储介质及设备
技术领域
本发明属于路面检测技术领域，尤其是一种路面缺陷检测模型建立方法、检测方法、存储介质及设备。
背景技术
公路路面常出现裂纹、坑槽等缺陷，这些缺陷会影响行车安全，因此，需要及时对受损的路面进行处理，而及时处理的前提是能够及时、准确地识别出路面缺陷。
目前，图像识别是路面缺陷检测的重要手段，CN202111458712公开了一种路面缺陷损伤实时监测方法及系统，包括获取道路图形数据，预处理，数据增强，构建训练模型，训练等步骤，其中，图像增强技术采用放射变换，并不能得到不同类型路面的数据集。
CN113592784A公开了一种基于Yolo V5的多阈值半监督道路异常病害智能检测方法，包括收集路面异常病害图像，组成教师样本集，并对教师样本集进行预处理，得到初始训练数据集；训练Yolo V5目标检测网络，得到初始教师模型；进一步收集真实场景路面图像数据，基于多阈值方式，形成学生样本集；将教师样本集进行强数据增强、学生样本集进行弱数据增强，在初始教师模型的基础上进行模型的训练，得到进化教师模型；持续收集真实场景路面图像数据，不断优化进化教师模型，最终得到目标路面病害识别检测网络；进行道路异常病害智能检测。其图像增强为：对图像进行水平翻转、90度、270度旋转、整数平移和直方图均衡化操作，得到增广后的教师样本集数据，也不能得到不同类型路面的数据集。
CN115187583A公开了一种基于改进YOLOv5的轻量化道路缺陷检测方法，所述检测方法包括以下步骤：获取道路缺陷检测数据集GRDDC；将YOLOv5模型的主干网络用GhostNet轻量化网络替代；引入了度量学习中的中心损失函数；对YOLOv5中的置信度损失和分类损失函数进行约束,得到新的损失函数；将改进后的YOLOv5模型中进行训；将测试集中的图像输入改进后YOL0v5目标检测模型中,得到该模型在测试集中的检测结果。该发明检测方法在初始YOLOv5目标检测模型的基础上利用GhostNet模块替换YOLOv5中的主干网络进行特征提取,使得网络更好服务于移动端，采用注意力机制CA更加关注通道之间的信息，更好的分配权重，保证了模型目标检测的准确率，利用中心损失作为正则化项对模型损失函数约束。从而更加准确检测缺陷的类别。图像增强技术为：将输入图像送入改进后的目标检测模型中，通过主干网络的特征提取，再经过加入注意力机制CA提高通道信息，进行特征增强。也不能得到不同类型路面的数据集。
可见，现有的图像增强技术不能得到不同类型路面且准确的数据集。此外，预处理仅仅对图像进行打标签，病害特征不够明显。另外，训练时，常用的R-CNN算法和YOLO系列算法Inference速度不够快。
发明内容
本发明所要解决的技术问题是提供一种路面缺陷检测模型建立方法、检测方法、存储介质及设备，图像增强处理能够得到不同类型路面的数据集，从而增加数据集，并且对病害图片的预处理能够使得病害特征更加明显，提高检测的准确性。
为解决上述问题，本发明采用的技术方案为：路面缺陷检测模型建立方法，包括
S1、获取路面图像组成的原始数据集；
S2、通过CycleGan网络将原始数据集中的图像转换为其他类型路面的正常图像，得到增强正常数据集；
S3、对原始数据集的病害图像打标签，然后通过Scharr滤波器求解打上标签的病害图像，得到X方向上的梯度和Y方向的梯度，并将X方向和Y方向的图像进行融合，得到特征明显的病害图；
S4、将特征明显的病害图上的病害特征裁剪下来，并添加至增强正常数据集上，得到增强病害数据集；
S5、将原始数据集与增强病害数据集结合，输入训练模型进行训练，得到路面缺陷检测模型。
2、如权利要求1所述的路面缺陷检测模型建立方法，其特征在于，步骤S5中，训练模型为集成卷积块注意力模块的YOLOv5网络，卷积块注意力模块包括通道注意力模块和空间注意力模；
训练时，根据通道注意力公式，获取需要的最为重要的通道，再通过激活函数获得非线性化的一维卷积；一维卷积与原有的向量图结合生成新的向量图，再通过空间注意力公式获得两个池化特征图，之后根据激活函数获得新的特征图。
进一步地，步骤S3中，采用LabelImg，手动对原始数据集的病害图像打标签。
路面缺陷检测方法，获取采集的路面图像，将路面图像输入上述路面缺陷检测模型，得到检测结果。
存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现权利要求4所述的方法。
路面缺陷检测设备，包括处理器和存储器，所述存储器存储有计算机程序，所述处理器用于调取所述计算机程序并实现上述路面缺陷检测方法。
本发明的有益效果是：1、通过CycleGan网络将原始数据集中的图像转换为其他类型路面的正常图像，然后将病害特征添加到转换后的正常图像上，可以得到更多的病害图像，扩大数据集。如将水泥路面的图像通过CycleGan网络转换为正常的沥青路面图像和大理石路面图像，图像的数量则增加了2倍，数据集扩大效果好。
2、采用Scharr滤波器对病害图像进行预处理，病害特征更加明显，计算机能够更加准确、快速地识别病害种类。
附图说明
图1是CycleGan网络原理图；
图2是CycleGan生成器示意图；
图3是将沥青路面转化为其他类型路面的示意图；
图4是Scharr滤波器原理图；
图5是步骤S4中DA操作示意图；
图6是YOLOv5-CBAM网络结构图；
图7是卷积块注意力模块示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明的路面缺陷检测模型建立方法，包括
S1、获取路面图像组成的原始数据集。路面图像可以通过拍摄得到。
S2、通过CycleGan网络将原始数据集中的图像转换为其他类型路面的正常图像，得到增强正常数据集。
正常图像是指不存在病害的路面图像。CycleGan网络可以将路面图像(包括正常图像和病害图像)转换为其他类型路面的正常图像，本发明所述的路面类型包括但不限于柏油路、沥青路、水泥路、大理石路等各种常见的路面。经过CycleGan网络转换后，得到的增强正常数据集中的图像数量是原始数据集数量的数倍，从而有效地扩大了数据集，增强效果好。
CycleGan网络的原理如图1所示，CycleGan生成器如图2所示，图中，
公式1：
E|G(F(x))-x|
公式2：
E|F(G(y))-y|
其中，E为概率统计中期望；
G为生成器1(将X数据集中的图片生成为Y数据集中的图片)；
F为生成器2(将Y数据集中的图片生成为X数据集中的图片)，其中X，Y分别代表数据集1和数据集2。
公式3：
LossGAN(G，Dx)＝E[log(Dx(x))]+E[log(1-Dx(G(x)))]
公式4：
Lossfull＝LossGAN(G，Dx)+LossGAN(F，Dy)+λLosscycle
其中，Loss为损失函数，Loss＝LossGAN+LosScycle；
LossGAN：保证生成器和判断器相互进化，进而保证生成器能产生更真实的图片；
Losscycle：保证生成器的输出图片与输入图片只是风格不同，而内容相同；
LosSfull：全损失函数；
λ为eyele consistency losses和adversarial losses的权重比，而对于其中两个损失函数的解释为：eyele consistency losses：防止生成器G与F相互矛盾，即两个生成器生成数据之后还能变换回来近似看成X-＞Y-＞X；
adversarial losses：尽可能让生成器生成的数据分布接近于真实的数据分布；
DX：判别器1(对生出器1生出图片进行判断好坏，判断数值0～1区间，数值接近1为像，接近0为不像)；
DY：判别器2(对生出器2生出图片进行判断好坏，判断数值0～1区间，数值接近1为像，接近0为不像)；
E：概率统计中期望；
Input：输入数据；
ReflectionPad2d：二维反射填充，图像增强技术，将图像沿着边缘上下左右对称转换，增大图像的分辨率；
Residual block：残差块，将数据进行恢复增强；
CIL：卷积，IN正则化、Leaky ReLU激活函数；
CILR：反卷积、IN标准化、ReLU激活函数；
IN正则化：在图像像素上，对H、W做归一化，统计每个样本的每个通道上特征的均值和方差，用于风格化迁移；
Leaky ReLU激活函数：分段线性函数，把所有负值都*α，正值不变，α通常为0.01；
ReLU激活函数：分段线性函数，把所有的负值都变为0，正值不变；
Encoding：编码器，利用卷积网络从输入图像中提取特征；
Transformation：转换器，组合图像的不同相近特征，基于该特征，确定如何将图像的特征向量从DA域转换为DB域的特征向量；
Decoding：解码器，从特征向量中还原出低级特征。
转化过程为：首先将原始图像进行解码操作，输入(Inputs)后，通过图像增强(ReflectionPad2d)技术，将图像沿着边缘上下左右对称，增大图像的分辨率；然后将增强后图像输入卷积层，进行三次(CIL)操作(①将图像卷积操作，缩小图像大小。②将图像IN正则化，使得图像像素上，对图像H、W做归一化，统计每个样本的每个通道上特征的均值和方差。③通过Leaky ReLU激活函数，将②中获得的均值和方差进行分段线性函数处理，把所有负值都*α，正值不变，α通常为0.01)。
其次图像在通过解码操作之后，需要Residual block模块操作之后再传输编码器进行编码。其中Residual block模块，默认是9个重复模块，将图像数据进行恢复增强。
最后通过Residual block模块恢复增强的数据，输入编码器，进行两次(CTIR)操作(①将图像反卷积操作，提高图像大小。②将图像IN正则化，使得图像像素上，对图像H、W做归一化，统计每个样本的每个通道上特征的均值和方差。③通过ReLU激活函数，将②中获得的均值和方差进行分段线性函数处理，把所有的负值都变为0，正值不变)，恢复图像的大小。再通过图像增强(ReflectionPad2d)技术，将图像分辨率提升，通过卷积(Conv,Tanh)恢复到图像原大小，有效的解决对象边缘信息。
本发明图像增强的一种具体实施例如图3所示，采用如图2所示的生成器将沥青路面图像转换为其他类型的正常路面图像。
S3、对原始数据集的病害图像打标签，然后通过Scharr滤波器求解打上标签的病害图像，得到X方向上的梯度和Y方向的梯度，并将X方向和Y方向的图像进行融合，得到特征明显的病害图。
对病害图像打标签时采用LabelImg，手动对原始数据集的病害图像打标签。
本发明将路面病害分为裂缝、坑槽和修补三大类，打标签时，打开LabelImg软件，点击Open Dir选项，选择原始数据集所在的文件，打开原始数据集；点击Create RectBox选项，对图片中需要标记的位置进行框选，并且标记相应的标签。
LabelImg为现有软件，按照上述操作即可完成打标签。
Scharr滤波器原理如图4所示，首先根据公式5：
Figure BDA0004016855020000051
P5x＝3(P3-P1)+10(P6-P4)+3(P9-P7)
得到图片X方向的梯度(Scharr X)；
再根据公式6：
Figure BDA0004016855020000061
P5y＝3(P7-P1)+10(P8-P2)+3(P9-P3)
得到图片Y方向的梯度(Scharr Y)，再将X方向和Y方向的图像进行融合得到目标输出图(Scharr XY)。
公式5和公式6中，Gx为x方向的梯度，Gy为y方向的梯度，其中-3、-10、3、10、0为卷积核权重，P1～P9为像素点，而P5为需要计算的像素点，其中P5x和P5y为该像素点对于x方向和y方向的梯度。
通过该模块方法，可以检测到不容易被发现的轮廓，加深病害特征，比如图4中，原图经过处理后，裂纹深度更加明显(相对于计算机识别来说)，计算机可以更加快速、准确地识别出该病害。还可以获得到道路病害的梯度(边缘特征值)，以方便为后续DA操作模块进行图像融合，获得更多有病害的数据集。
S4、DA操作：将特征明显的病害图上的病害特征裁剪下来，并添加至增强正常数据集上，如图5所示，得到增强病害数据集。
该操作为现有技术，参考：An image data augmentation algorithm based onYOLOv5s-DA for pavement distress detection，CBAM：卷积块注意模块；ECCV2018。
S5、将原始数据集与增强病害数据集结合，输入训练模型进行训练，得到路面缺陷检测模型。
增强病害数据集与原始数据集合并后，可以得到不同类型路面的不同类型的病害图像，训练数据集丰富，扩展了用于训练的数据集的数量，有利于得到更加准确、能够检测出多种路面、多种病害缺陷的检测模型。
本发明采用的训练模型为集成卷积块注意力模块(CBAM)的YOL0v5网络，即YOL0v5-CBAM网络，卷积块注意力模块如图7所示，包括通道注意力模块和空间注意力模；
训练时，根据通道注意力公式，获取需要的最为重要的通道，再通过激活函数获得非线性化的一维卷积；一维卷积与原有的向量图结合生成新的向量图，再通过空间注意力公式获得两个池化特征图，之后根据激活函数获得新的特征图。
通过卷积注意力模块机制处理后，相较于原来的YOLOv5网络，更容易获得目标特征，并且提高了网络性能。
传统的YOLOv5模型包括YOLOv5s、YOL0v5m、YOL0v5l和YOLOv5x等，本发明所采用的YOLOv5-CBAM网络模型与传统YOLOv5模型的各指标见下表：
Model mAP Speed Size Params
YOLOv5s 55.4 2.2ms 640 7.4M
YOLOv5m 62.8 2.8ms 640 21.6M
YOLOv51 66.2 3.9ms 640 47.5M
YOLOv5x 67.6 6.2ms 640 88.6M
YOLOv5-CBAM 79.9 3.1ms 640 8.2M
其中，mAP代表所有目标的识别精度均值，数值越高，代表识别效果越好。Speed代表识别每百张图片的推理速度，数值越低，代表识别耗时越少。Size代表输入网络的图片大小。Params代表模型占用内存的大小，数值越低，代表占用空间越少。
本发明YOL0v5-CBAM的mAP值为79.9％，相比手YOL0v5x进一步提高了22.3％，且在所有模型中为最高。在Speed值指标上，路面病害的识别速度介于YOLOv5s和YOL0v5m之间，比YOL0v5x快了一倍。从Params值指标也可以看出YOL0v5-CBAM和YOLOv5s的轻量级别几乎相同，很好的符合了将其部署到边缘计算板的需求，Yolov5-CBAM操作可以更好地提取目标特征，其改进具有有效性。
经过多次试验，获得到的模型应用于路面缺陷检测中，对于坑槽，裂缝，修补可以明显识别出来，并且针对于坑槽病害的检测准确率高达95％。相较于没有添加CBAM模块的YOL0v5，Inference速度明显提高。
本发明的路面缺陷检测方法，获取采集的路面图像，将路面图像输入上述步骤S5训练后得到的缺陷检测模型，得到检测结果。
存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述路面缺陷检测方法。存储介质具体可以是U盘、移动硬盘、计算机存储器、手机存储器等。
路面缺陷检测设备，包括处理器和存储器，所述存储器存储有计算机程序，所述处理器用于调取所述计算机程序并实现上述路面缺陷检测方法。路面缺陷检测设备具体可以是计算机、手机等设备。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.路面缺陷检测模型建立方法，其特征在于，包括
S1、获取路面图像组成的原始数据集；
S2、通过CycleGan网络将原始数据集中的图像转换为其他类型路面的正常图像，得到增强正常数据集；
S3、对原始数据集的病害图像打标签，然后通过Scharr滤波器求解打上标签的病害图像，得到X方向上的梯度和Y方向的梯度，并将X方向和Y方向的图像进行融合，得到特征明显的病害图；
S4、将特征明显的病害图上的病害特征裁剪下来，并添加至增强正常数据集上，得到增强病害数据集；
S5、将原始数据集与增强病害数据集结合，输入训练模型进行训练，得到路面缺陷检测模型。
2.如权利要求1所述的路面缺陷检测模型建立方法，其特征在于，步骤S5中，训练模型为集成卷积块注意力模块的YOLOv5网络，卷积块注意力模块包括通道注意力模块和空间注意力模；
训练时，根据通道注意力公式，获取需要的最为重要的通道，再通过激活函数获得非线性化的一维卷积；一维卷积与原有的向量图结合生成新的向量图，再通过空间注意力公式获得两个池化特征图，之后根据激活函数获得新的特征图。
3.如权利要求1所述的路面缺陷检测模型建立方法，其特征在于，步骤S3中，采用LabelImg，手动对原始数据集的病害图像打标签。
4.路面缺陷检测方法，其特征在于，获取采集的路面图像，将路面图像输入权利要求1、2或3建立的路面缺陷检测模型，得到检测结果。
5.存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求4所述的方法。
6.路面缺陷检测设备，其特征在于，包括处理器和存储器，所述存储器存储有计算机程序，所述处理器用于调取所述计算机程序并实现权利要求4所述的方法。
CN202211675037.5A 2022-12-26 2022-12-26 路面缺陷检测模型建立方法、检测方法、存储介质及设备 Pending CN116071307A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211675037.5A CN116071307A (zh) 2022-12-26 2022-12-26 路面缺陷检测模型建立方法、检测方法、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211675037.5A CN116071307A (zh) 2022-12-26 2022-12-26 路面缺陷检测模型建立方法、检测方法、存储介质及设备

Publications (1)

Publication Number Publication Date
CN116071307A true CN116071307A (zh) 2023-05-05

Family

ID=86181334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211675037.5A Pending CN116071307A (zh) 2022-12-26 2022-12-26 路面缺陷检测模型建立方法、检测方法、存储介质及设备

Country Status (1)

Country Link
CN (1) CN116071307A (zh)

Similar Documents

Publication Publication Date Title
CN109035149B (zh) 一种基于深度学习的车牌图像去运动模糊方法
CN111681273B (zh) 图像分割方法、装置、电子设备及可读存储介质
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
TW201732651A (zh) 一種單詞的分割方法和裝置
CN111862143B (zh) 一种河堤坍塌自动监测方法
CN111191649A (zh) 一种识别弯曲多行文本图像的方法与设备
CN112989995B (zh) 文本检测方法、装置及电子设备
CN112164077B (zh) 基于自下而上路径增强的细胞实例分割方法
CN112733858B (zh) 基于字符区域检测的图像文字快速识别方法及装置
CN111311515B (zh) 一种错误区域自动检测的深度图像快速迭代修复方法
CN116206112A (zh) 基于多尺度特征融合和sam的遥感图像语义分割方法
CN111310690B (zh) 基于cn和三通道胶囊网络的森林火灾识别方法及装置
Zhao et al. Research on detection method for the leakage of underwater pipeline by YOLOv3
CN112329771A (zh) 一种基于深度学习的建筑材料样本识别方法
CN116597438A (zh) 一种基于Yolov5的改进型水果识别方法及识别系统
CN107292255B (zh) 基于特征矩阵相似度分析的手写数字识别方法
CN111291712B (zh) 基于插值的cn和胶囊网络的森林火灾识别方法及装置
CN115294392B (zh) 基于生成网络模型的可见光遥感图像云去除方法及系统
CN116524522A (zh) 一种基于卷积神经网络的女书文字识别方法及系统
CN116740135A (zh) 红外弱小目标跟踪方法、装置、电子设备及存储介质
CN113887652B (zh) 基于形态和多示例学习的遥感图像弱小目标检测方法
CN115439850A (zh) 基于审单的图文字符识别方法、装置、设备及存储介质
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
CN113065407B (zh) 基于注意力机制和生成对抗网络的财务票据印章擦除方法
CN115223033A (zh) 一种合成孔径声呐图像目标分类方法及系统

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