[发明专利]一种基于改进FCN的道路裂缝检测方法

权利要求书

1.一种基于改进FCN的道路裂缝检测方法，其特征在于，包括以下步骤：

(1)道路裂缝数据的采集和预处理；

(2)将图像数据，包括原始图像和标注图像，送入改进的FCN神经网络模型进行训练；

(3)根据采集到的道路裂缝图像数据集训练改进的FCN神经网络模型：以Python语言，在tensorflow2.1框架进行训练，输入图像的大小为256×256，通道为3，该网络卷积层使用3×3的卷积核，步长为1；池化层使用2×2的卷积核，步长为2；反卷积层使用3×3的卷积核，步长为2；在最后的预测结果，采用sigmoid函数进行预测；

(4)为了更好的评估模型的性能，采用总体像素准确率(Acc)和均交并比(mIoU)两个指标进行评价；总体像素准确率计算公式为：

其中，Acc为总像素准确率，指所有预测正确像素占全部像素的比例；TP为真正例，指模型将正类别样本正确预测为正类别；TN为真负例，指模型将负类别样本正确预测为负类别；FP为假正例，指将负类别样本错误的预测为正类别；FN为真负例，将负类别样本错误的预测为负类别；

均交并比计算公式为：

其中，mIoU为均交并比，i表示真实值，j表示预测值，Pij表示将i预测为j，Pji表示将j预测为i，Pii表示将i预测为i，可以将上式进行转换，结果为：

(5)使用二分类交叉熵(BCE)作为训练过程中的损失函数，使用Adam优化器训练20轮，学习率为0.001，训练批次的大小设置为4，其中二分类交叉熵损失函数:

其中，LossBCE表示损失值，N表示一张图像总的像素数目，yi和pi分别为第i个像素点的标签值和预测概率。

2.如权利要求1所述的一种基于改进FCN的道路裂缝检测方法，其特征在于，所述步骤(1)包括如下步骤：

(11)道路裂缝数据的采集是通过手持设备，对路面裂缝进行拍摄采集得到；

(12)道路裂缝数据的预处理是对拍摄图像进行剪切分割，将一张原始图像分割为适合神经网络模型输入的子图像；

(13)对分割后的子图像进行筛选并标注，标注的内容为每张子图像中裂缝的部分，并做出具体区分，其中裂缝部分显示为白色，非裂缝部分显示为黑色，再将所有的子图像中80％作为训练集，20％作为测试集。

3.如权利要求2所述的一种基于改进FCN的道路裂缝检测方法，其特征在于，所述步骤(2)中改进的FCN神经网络模型包括以下部分：

(21)改进的FCN神经网络模型中将原有FCN8s步长为8的1个反卷积层增加为步长是2的3个反卷积层；

(22)改进的FCN神经网络模型中采用浅层网络的信息和反卷积的信息拼接在一起，同时为了减少模型的参数，网络结构仅在最后一个反卷积过程中采用了拼接的方法；

(23)改进的FCN神经网络模型中采用预训练的方法进行训练。