[发明专利]基于纹理特征提取的道路表面缺陷检测方法

权利要求书

1.一种基于纹理特征提取的道路表面缺陷检测方法，其特征在于：包括如下步骤：

S1.获取具有路面缺陷的图像并进行灰度处理形成路面缺陷灰度图像；

S2.对路面缺陷灰度图像进行纹理特征提取，提取出特征值组成纹理特征向量，并以纹理特征向量表征路面缺陷灰度图像；

S4.将同一缺陷类别的纹理特征向量表征的路面缺陷灰度图像进行均分，形成训练集和测试集；

S5.以两个相同的自编码器构成栈式自编码器，并通过栈式自编码器对训练集进行高维抽象特征提取；

S6.将softmax layer逻辑分类层堆栈于栈式自编码器形成深度神经网络，通过深度神经网络对高维抽象特征进行训练，训练完成后，对测试集中的路面灰度图像完成分类识别；步骤S2中，包括如下步骤：

S21.采用灰度差分统计法对路面缺陷面灰度图像进行特征提取，并提取出三个特征值：差分平均值、差分对比度以及差分熵；

S22.采用Gabor算法对路面缺陷灰度图像进行特征提取，并提取出三个特征值：Gabor平均值、Gabor对比度和Gabor熵；

S23.采用灰度梯度法对路面缺陷灰度图像进行特征值提取，并提取出四个特征值：梯度平均值、梯度方差、梯度偏度和梯度峰度；

S24.采用灰度共生矩阵法对路面缺陷灰度图像进行特征提取，提取出五个特征值：能量、相关性、共生对比度、同质性和共生熵；

S25.采用灰度直方图法对路面缺陷灰度图像进行特征提取，提取出四个特征值：直方图均值、直方图方差、直方图偏度和直方图峰度；

S26.采用Tamura算法对路面缺陷灰度图像进行特征提取，提取出六个特征值：粗糙度、规整度、对比度、方向性、线性度和粗略度；

S27.将步骤S21-S26中所提取处的特征值排列组成1×25阶表征路面缺陷灰度图像的纹理特征向量；

步骤S27中，按照如下顺序对各特征值进行排列形成1×25阶表征路面缺陷灰度图像的纹理特征向量：

直方图平均值、差分平均值、梯度平均值、Gabor平均值、能量、粗糙度、直方图方差、梯度方差、相关性、规整度、直方图偏度、梯度偏度、同质性、方向性、直方图峰度、梯度峰度、线性度、差分对比度、Gabor对比度、共生对比度、Tamura的对比度、粗略度、差分熵、Gabor熵、共生熵；

步骤S5中，自编码器由三层神经网络构成，分别是输入层、隐藏层和输出层，且自编码器的高维抽象特征提取训练过程如下：

从输入层到隐藏层的编码过程：

z＝sigmoid(W⁽¹⁾·x+v⁽¹⁾)；其中，z为计算得到的新的抽象特征向量；sigmoid为编码过程的S型传递函数，W⁽¹⁾为编码过程的权重矩阵，v⁽¹⁾为编码过程的偏置向量，x为输入的训练集；

从隐藏层到输出层的解码过程：

其中，为解码后得到的输入数据的重构数据集，linear为解码过程中的线性传递函数，W⁽²⁾为解码过程的权重矩阵，v⁽²⁾为解码过程的偏置向量；

自编码器的输入数据与重构数据的误差调节：

；

其中，K是输入数据的个数，是输入数据与输出数据的均方差总和，λ是正则化系数，L是隐藏层的数量，n是训练集的数量，k是训练集中变量的个数，是编码过程中训练集里样本j中变量i的权重矩阵，β是稀疏项系数，是神经元i的激活值和期望值ρ的交叉熵的K-L的散度，D⁽¹⁾是编码的范围。

2.根据权利要求1所述基于纹理特征提取的道路表面缺陷检测方法，其特征在于：还包括步骤S3：对纹理特征向量进行归一化处理，并通过如下公式进行：

其中，M为归一化处理后的纹理特征向量，a为待归一化处理的纹理特征向量，b为纹理特征向量中最大特征值，c为纹理特征向量中最小特征值。

3.根据权利要求1所述基于纹理特征提取的道路表面缺陷检测方法，其特征在于：获取的路面缺陷包括坑槽、龟裂、裂纹和松散。

4.根据权利要求1所述的基于纹理特征提取的道路表面缺陷检测方法，其特征在于：softmax layer逻辑分类层的计算过程如下：

计算训练集中每一个特征向量对应的所属道路表面缺陷类型的概率：

其中，其中：x⁽ⁱ⁾是训练集中第i个表征的路面缺陷灰度图像，y⁽ⁱ⁾是该表征图像对应的缺陷所属的二进制数字标签；θ是softmax layer所有逻辑分类层计算得到的参数矩阵，p(y⁽ⁱ⁾＝k|x⁽ⁱ⁾；θ)是该表征图像对应的所属道路表面缺陷类型的概率；是表征路面缺陷图像i对应逻辑分类层1，…,逻辑分类层k的参数矩阵的转置，则是该转置参数矩阵的指数函数预算；

对深度神经网络通过如下公式进行微调：

其中，m是预估的表征图像即特征向量的数量，k是道路缺陷的种类数，1{y⁽ⁱ⁾＝j}是表征图像i是否为对应缺陷种类j的判断函数；是表征路面缺陷图像i所对应类别j的概率矩阵的转置，是该转置矩阵的指数函数预算。