[发明专利]一种基于深度学习的路面裂缝快速识别方法

权利要求书

1.一种基于深度学习的路面裂缝快速识别方法，其特征在于，具体步骤如下：

步骤一：现场照片预处理；

首先，调整现场照片的大小，把现场照片统一调整为856×856像素；其次，调整现场图片的曝光；

使用两种方法来处理不同类型的路面裂缝：

1)如果是横向裂缝、斜向裂缝或鳄鱼皮状裂缝，采用平均值法，从每张单独的现场图像中取平均像素值P_m；循环遍历每一列，记每一列的像素值c(:,i)，其中i为循环参数，i＝1,2,3……，取c(:,i)的平均值c_m(i)；然后，调整这一列的像素值，调整后的像素值等于列平均值和图平均值的差值加上原像素值：c(:,i)＝c(:,i)+(c_m(i)-P_m)；

2)如果是纵向裂缝，采用掩膜处理方法，对于光照不均匀的图像，采用如下模型：

I'(x,y)＝I(x,y)+B(x,y)       (1)

其中I'(x,y)为非均匀光照图像，I(x,y)为理想状态下光照均匀的图像，B(x,y)为反映亮度分布的背景图像，x代表图像矩阵的横坐标，y代表图像矩阵的纵坐标；

利用基于灰度分布的像素强度值的直方图来拟合灰度像素值的分布；用基于均值的阈值方法来实现二进制颜色可视化；将暗像素设置为前景，亮像素设置为背景；

采用基于连接构件的方法使裂缝形状增强；应用连接工具去噪；搜索图中所有连接的对象，并检查裂缝形状的面积；如果裂缝形状的面积小于阈值，则认为是噪声；如果裂缝形状的面积大于阈值，则视为裂缝；

调整CNN输入，并应用扩张和侵蚀重新连接裂缝；将图像大小调整为156×156像素；先进行扩张，然后用尺寸(6,6)进行侵蚀，使一些未连接的裂缝连接起来；

步骤二：CNN架构；

开发的架构包含6个隐藏单元，每个隐藏单元由一个卷积层、一个ReLU激活函数和一个最大池化层组成；卷积层的数据深度为50，表示每个卷积层共有50个过滤器，并且使用5×5的过滤器；用0填充过滤器，步长为1；然后使用ReLU激活函数；在ReLU激活函数之后，用最大池化层，窗口大小为2×2，步长为2×2；

步骤三：调整CNN超参数，确定最优CNN框架；

步骤四：基于CNN自动识别裂缝种类。

2.根据权利要求1所述的一种基于深度学习的路面裂缝快速识别方法，其特征在于，使用dropout函数防止过拟合。