[发明专利]一种基于改进FCN的道路裂缝检测方法

说明书

本发明涉及计算机视觉和模式识别的技术领域，特别是涉及一种基于改进FCN的道路裂缝检测方法，可以在原有FCN的基础上提高模型的准确率，而且本发明采用预训练的方法，节省了计算资源，提升了速度；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；(4)为了更好的评估模型的性能，采用总体像素准确率和均交并比两个指标进行评价；(5)使用二分类交叉熵(BCE)作为训练过程中的损失函数。

技术领域

本发明涉及计算机视觉和模式识别的技术领域，特别是涉及一种基于改进FCN的道路裂缝检测方法。

背景技术

路面病害的初期表现形式之一是道路裂缝，而道路裂缝一直是路面管理一项重要的工作，及时发现并修补道路裂缝是尤为重要的。道路裂缝对行车安全造成威胁，采用传统人工的方法不仅检测速度达不到发展的需求，而且往往存在主观性，准确率不够。随着深度学习技术的发展，用神经网络语义分割的方法可以很好的将道路裂缝提取出来。

FCN是全卷积的神经网络，可以作为语义分割的神经网络模型用于道路裂缝的检测中来，但由于FCN在面对裂缝这种细小狭长的目标时，往往没有取得很好的效果，其原因在于FCN神经网络模型在进行卷积的裂缝信息提取过程以及在反卷积过程中，采取了较大的步长，就会使得在最后的预测图中往往会丢失很多的裂缝信息，同时受计算机性能的制约，庞大的神经网络模型在训练过程中会耗费大量的时间，无法快速得到结果。

发明内容

为解决上述技术问题，本发明提供一种基于改进FCN的道路裂缝检测方法，可以在原有FCN的基础上提高模型的准确率，而且本发明采用预训练的方法，节省了计算资源，提升了速度。

本发明的一种基于改进FCN的道路裂缝检测方法，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。

本发明的一种基于改进FCN的道路裂缝检测方法，所述步骤(1)包括如下步骤：