[发明专利]基于道路前景图像的路面病害目标检测与实例分割方法

说明书

本发明涉及一种基于道路前景图像的路面病害目标检测与实例分割方法。通过双目相机采集道路前景图像并获取图像景深信息；然后通过K‑means聚类算法分析最佳的锚框(Anchors)尺寸，并调整模型参数以使得Mask‑RCNN模型精准稳定的对路面病害进行目标识别；制定目标重叠过滤策略，将重复检测的目标进行过滤；最后，根据预测框的四个顶点进行坐标系转换，并结合深度图像信息获取病害的真实面积，从而自动生成路面病害明细表。本发明可以实现路面病害在原图中的定位及轮廓实例分割，通过两个分支(mask branch)并行识别，将最终得到的结果融合到一张图像中，大大提高了识别的准确率；为道路养护部门的检测作业，安全性评价及养护决策提供一定的辅助支撑。

技术领域

本发明涉及道路自动检测技术领域，特别是一种基于道路前景图像的路面病害目标检测与实例分割方法。

背景技术

目前，路面病害数据已基本实现自动化采集，诸如美国WayLink公司研发的DHDV，武大卓越科技研发的ZOYON-RTM，以及中公高科研发的CiCS等路面检测设备，为路面病害自动识别算法的研究提供了数据基础。路面病害的检测作业，特别是高速公路，是养护部门每年不可或缺的工作。早期的病害识别手段主要是通过人为手动标定出病害范围和类型，由于采集的2D激光图像路面范围都是固定的，因此可根据病害在图像上的位置坐标换算为实际的真实面积。我国的高速公路里程已跃居世界第一，若继续采用人工肉眼识别病害信息，不仅要耗费大量的人力和精力，更的降低了工作效率。

近年来，随着人工智能、深度学习的快速发展，利用深层神经网络根据目标特点，自动学习并提取出特征是主流的研究方向。对于路面病害检测的方法主要有两种：第一种为单阶段的目标检测模型，典型代表有YOLOV3模型和SSD模型，诸如此类模型通过一系列卷积计算提取出病害特征，最终输出预测框的图像坐标。激光图像不受周边环境干扰，故单阶段检测模型在2D激光图像数据集上表现较好，但是此类模型无法得到路面病害的实际轮廓信息，同时，激光设备昂贵且易受路面水渍影响。第二种为语义分割模型，典型代表有全卷积神经网络以及自编码器结构的U-net模型。语义分割模型通过卷积、池化和上采样，最终输出只有病害轮廓信息的图像，并未输出预测框位置，无法计算实际的面积。

综上所述，现有的路面病害识别算法存在一定的局限性，主要问题是未能同时得到预测框的位置坐标和病害的实际轮廓信息，不能进行病害信息统计，模型泛化能力弱。同时，大多数模型使用的图像数据都是由昂贵的激光设备采集的。

发明内容

本发明的目的在于提供一种基于道路前景图像的路面病害目标检测与实例分割方法，可以实现路面病害在原图中的定位及轮廓实例分割，通过两个分支(maskbranch)并行识别，将最终得到的结果融合到一张图像中，大大提高了识别的准确率；为道路养护部门的检测作业，安全性评价及养护决策提供一定的辅助支撑。

为实现上述目的，本发明的技术方案是：一种基于道路前景图像的路面病害目标检测与实例分割方法，包括如下步骤：

步骤S1、利用双目相机采集道路前景图像，并生成道路前景景深图像；

步骤S2、筛选出海量数据中路面存在病害的图像，并使用多边形标注工具构建测试数据集；

步骤S3、使用K-means聚类算法获取最佳的锚框尺寸，调整Mask-RCNN模型包括学习率、迭代次数的参数，并开始对Mask-RCNN模型进行训练；

步骤S4、将步骤S3中训练得到的Mask-RCNN模型的权重作为路面病害特征检测器，对测试数据集进行识别，同时，结合深度图像将图像坐标转换为相机坐标，并计算路面病害在路面中的真实面积；

步骤S5、制定目标重叠过滤策略，剔除重复检测的目标信息；

步骤S6、以表格的形式自动将模型识别生成的路面病害明细信息保存至本地磁盘。

在本发明一实施例中，所述步骤S2具体实现如下：