[发明专利]一种基于卷积神经网络和图像识别的路面裂缝检测方法

说明书

本发明涉及一种基于卷积神经网络和图像识别的路面裂缝检测方法，属于交通路面检测领域。本方法以卷积神经网络芯片和一个递归神经网络为核心(卷积神经网络芯片用来检测路面裂缝，递归神经网络用于生成描述裂缝类型的语句)。包括：对路面裂缝原始图像进行预标记、根据预标记结果对路面图像进行强度归一化和像素饱和化预处理、把预处理后的路面图像输入到卷积神经网络(CNN)模型中进行训练(使用各种不同的路面作为样本对神经网络进行训练)、确定网络结构和模型参数、使用训练好的网络对复杂路面进行检测，并确定路面裂缝类型。利用路面影像采集设备、图像预处理装置、内存、USB外置设备、微处理器等，构成了具有深度学习功能的路面裂缝检测系统。

技术领域

本发明涉及一种基于卷积神经网络和图像识别的路面裂缝检测方法，属于交通路面检测领域。

背景技术

随着公路交通运输业的迅速发展，公路路面的维护工作也日趋繁重，公路管理部门需要快速及时地掌握公路路面信息。传统的人工检测方法早已不能满足道路发展的基本需求。同时，面对大规模的路面破损图像，传统的基于图像识别的方法由于受到路面图像噪声、特征提取方法局限、图像数据量大等因素的影响，也已经不能满足大规模数据的应用。

目前，路面检测存在有以下问题:1.只能处理同一条件下的路面图像2.当多种噪声混杂在一起时，裂缝检测的效果不明显。3.对简单的路面裂缝检测效果良好，对于分布复杂的裂缝检测结果断裂严重。4.对于纹理细小且分散的路面裂缝检测结果不好。5.不能有效判断路面缺陷类型。为了提高裂缝检测的准确率，本方法提出了基于CNN检测路面图像的裂缝。

发明内容

本发明要解决的技术问题是提供一种基于卷积神经网络和图像识别的路面裂缝检测方法，采用卷积神经网络这一深度学习方法，能够从大量的训练样本中提取到反映数据本质的隐性特征，并且能够检测路面裂缝类型，方便相关部门采取合适措施修补路面裂缝。该发明安全可靠，检测效率高，运行成本低。

本发明采用的技术方案是：一种基于卷积神经网络和图像识别的路面裂缝检测方法，步骤如下：

A、使用影像采集设备采集路面裂缝图片，并对图片进行预处理；

B、设计卷积神经网络结构并使用步骤A中处理过的图片进行训练；

C、采集路面图片并使用步骤B中训练好的神经网络判断路面是否存在缺陷；

D、若路面存在缺陷，将存在缺陷的图片输入到训练过的多模态循环神经网络中，得到描述路面缺陷的文本，从而确定裂缝类型。

具体地，所述步骤A中的图像预处理过程包括：

首先，对采集的图片进行预标记，然后对预标记后的路面图像进行强度归一化和像素饱和化预处理，以减少光照不均等的影响，其中预标记的方法是：将2400像素×3150像素的路面图像划分为16行、21列的150像素×150像素图像块，计算每个图像块的均值和标准差，这样，每幅路面图像均有16×21的均值矩阵M_m和标准差矩阵STD_m，然后对M_m矩阵分别做纵向和横向扫描查找包含裂缝像素的图像块，预标记的目的是将包含裂缝像素的图像块标记为‘1’，不包含裂缝像素的图像块标记为“0”。

具体地，所述步骤B中的卷积神经网络结构的设计与训练过程包括：

B1.该网络结构有四个卷积层，整个网络都使用了同样大小的3*3卷积核和2*2最大池化；

B2.网络的训练分为两个阶段：前向传播和反向传播；

CNN的训练步骤如下：

步骤一：由采集到的裂缝图像和图像对应的ground truth图像作为训练组输入网络；

步骤二：设置网络权重和偏置为接近于0的随机值，并将精度控制的参数学习率α设置