[发明专利]一种基于集成神经网络的裂缝检测方法

权利要求书

1.一种基于集成神经网络的裂缝检测方法，其特征在于，所述方法具体包括以下步骤：

S1、创建道路裂缝图像的训练集和测试集；

S2、提取训练集样本中小区域图像，划分正负样本；

S3、创建多个深度神经网络模型；

S4、利用训练集来训练多个神经网络，对神经网络的输出结果集成；

S5、将提取的测试样本中的小区域图像输入到训练好的神经网络中，对输出的预测结果叠加和归一化处理，得到裂缝概率图。

2.根据权利要求1所述的一种基于集成神经网络的裂缝检测方法，其特征在于，所述步骤S1具体包括：

利用公共的裂缝图像数据集CFD，将裂缝图像分为训练集和测试集。

3.根据权利要求1所述的基于集成神经网络的裂缝检测方法，其特征在于，所述步骤S1具体包括：

利用智能终端采集道路表面裂缝图像，构建裂缝图像数据库，同时，利用图像旋转和亮度增强方法对图像数据库进行数据扩充，将扩充后的裂缝图像库中的裂缝图像进行实施标签标注，然后将裂缝图像数据库中裂缝图像划分为训练集和测试集。

4.根据权利要求2或3所述的基于集成神经网络的裂缝检测方法，其特征在于，所述步骤S2具体包括：

S21、对训练集和测试集中的裂缝图像的像素点进行裂缝图像标注，得到标注后的图像；

S22、从训练集中提取以每个像素为中心的点，建立小区域裂缝图像块；

S23、根据像素的中心点为是否为裂缝像素，把所有小区域图像划分为正样本和负样本。

5.根据权利要求4所述的基于集成神经网络的裂缝检测方法，其特征在于，所述步骤S3具体包括：

S31、搭建深度神经网络结构模型：确定所述深度集成神经网络的模型的个数，即需要训练的的神经网络的个数；

S32、确定所述每个神经网络中卷积层的层数以及每个卷积层所含有的特征图的数量、池化层的层数、池化层中采样核的大小和训练步长、反卷积层的层数和所含有的特征图数量、全连接层的层数和每个全连接层的特征图数量；

S32、确定每个神经网络的训练策略和技巧：所述深度神经网络训练中代价函数的选择为交叉熵损失函数和Relu，同时，在损失代价函数中加入权值衰减正则化项，同时在卷积层中加入dropout来减少过拟合，使用优化算法包括SGD优化器进行优化。

6.根据权利要求5所述的基于集成神经网络的裂缝检测方法，其特征在于，所述步骤S4具体包括：

S41、根据所述步骤S31和S32，利用训练集训练每个神经网络模型，得到每个深度神经网络模型的输出结果；

S42、将所述训练好的每个神经网络模型的输出结构进行集成，所采用的集成决策是加权平均方法。

7.根据权利要求6所述的基于集成神经网络的裂缝检测方法，其特征在于，所述步骤S5具体包括：

S51、根据所述步骤S41和S42，将测试集中的小区域图像输入到训练好的集成神经网络中，进行测试，得到小区域的预测结果；

S52、将所有小区域的预测结果进行叠加，得到原来的完整图片，同时将叠加后的图像进行归一化处理，得到裂缝概率图像。