[发明专利]一种基于深度学习的道路裂缝识别方法

权利要求书

1.一种基于深度学习的道路裂缝识别方法，其特征在于，具体步骤如下：

(1)采集道路裂缝图像并进行标注，建立道路裂缝图像训练集，该训练集用于训练Faster R-CNN模型；

(2)构建VGG-16卷积神经网络，输入道路裂缝图像训练集，提取道路裂缝图像中的特征，输出为特征图；

(3)训练Faster R-CNN模型，该模型包括依次连接的RPN网络、RoI Pooling网络和全连接层；

(3.1)将VGG-16卷积神经网络生成的特征图输入到RPN网络，每个特征图的像素点生成9个锚点anchor，RPN网络分为分类层和回归层2条路线，分类层和回归层的输出均连接到Proposal层，在分类层中，通过softmax函数分类anchor获得检测目标foreground和图像背景background，在回归层中，通过回归anchor得到候选框位置，最后Proposal层综合foreground和侯选框位置生成候选区域proposals；

(3.2)将VGG-16卷积神经网络生成的特征图和proposals输入到RoI Pooling网络，输出固定尺寸的RoI特征图；RoI特征图输入到全连接层；

(4)综合VGG-16卷积神经网络生成的特征图与RoI特征图，通过全连接层与softmax函数计算输出每个proposals具体属于哪个物体类别的概率向量，同时用平滑函数进行边框回归bounding box regression并获得每个候选区域proposals的位置偏移量，用于回归物体的精确位置；

(5)将待识别的道路图像输入到训练好的Faster R-CNN模型中，判别该图像是否为道路裂缝图像。

2.根据权利要求1所述的一种基于深度学习的道路裂缝识别方法，其特征在于，所述步骤(1)中的道路裂缝图像数据集来自道路现场的拍照和网络获取，包括不同的环境、光照、路面、形状。

3.根据权利要求1所述的一种基于深度学习的道路裂缝识别方法，其特征在于，在步骤(1)中，使用LabelImg工具标记道路裂缝图像中的裂缝信息，按照Faster R-CNN模型使用的Pascal VOC数据集格式制作道路裂缝图像数据集。用矩形框标注图像中的裂缝，生成XML文件用于Faster R-CNN模型的训练。XML文件包含图像的名称、图像的尺寸、标注的裂缝的名称以及标注框的左上角和右下角坐标(xmin，ymin，xmax，ymax)。

4.根据权利要求1所述的一种基于深度学习的道路裂缝识别方法，其特征在于，所述步骤(3.1)的回归层中，通过调整anchor的中心坐标与长宽，拟合出候选框位置。

5.根据权利要求1所述的一种基于深度学习的道路裂缝识别方法，其特征在于，在训练过程中，使用随机梯度下降法并按照批大小batch_size选取1幅图像，图像会生成大量的anchor，IoU(预测框与真实框交并比值)大于0.7的anchor标记为正锚点positive anchor，即foreground，IoU小于0.3的标记为负锚点negative anchor，即background，丢弃0.3<IoU<0.7的anchor，positive anchor标签为1，negative anchor标签为0；在该图像中随机采样256个anchor，且positive anchor和negative anchor的比例为1：1。这些带标签的样本和标注框的坐标被用于RPN网络的有监督的训练。