[发明专利]一种基于深度学习的路面病害图像分割方法和系统

权利要求书

1.一种基于深度学习的路面病害图像分割方法，其特征在于，包括：

获取路面检测图像；将所述路面检测图像输入到通过由深度学习网络使用病害数据库进行训练得到的病害分割模型中；

进行路面病害的识别与分割，得到路面病害分割图像。

2.根据权利要求1所述的基于深度学习的路面病害图像分割方法，其特征在于，所述病害分割模型的获取步骤具体包括：

获取路面病害图像并进行预处理和标注，形成路面病害图像数据库；将所述路面病害图像数据库分为训练集和测试集；

构建深度学习网络，使用所述训练集对所述深度学习网络进行训练；

使用测试集训练后的深度模型进行测试，输出符合测试标准的深度学习网络作为病害分割模型。

3.根据权利要求2所述的基于深度学习的路面病害图像分割方法，其特征在于，所述预处理和标注操作具体包括：

将路面病害图像裁剪为预定像素的图像；

使用镜像、旋转以及添加高斯噪声进行数据增强；

对图像中的病害进行标注，根据病害类型分别建立不同的病害图像数据库。

4.根据权利要求2所述的基于深度学习的路面病害图像分割方法，其特征在于，对所述深度学习网络的训练包括正向传播操作，具体包括：

对图像进行特征提取，形成提取特征图；

采用不同比例、不同尺度的anchor在所述特征图中进行滑动，得到候选区域，使用非极大值抑制算法取出冗余候选区域，得到候选特征图；

使用双线差值算法完成候选特征图与训练图像中的目标区域的映射；对候选特征图进行边界矫正，得到病害预分割图像；

判定所述病害预分割图像与训练图像中目标区域的误差损失值；根据所述误差损失值，调整深度学习网络的网络参数。

5.根据权利要求4所述的基于深度学习的路面病害图像分割方法，其特征在于，所述测试标准为：所述误差损失值小于设定损失值或训练次数达到迭代次数最大值。

6.根据权利要求4所述的基于深度学习的路面病害图像分割方法，其特征在于，对所述深度学习网络的训练还包括反向传播操作，采用随机梯度下降法进行处理。

7.根据权利要求1所述的基于深度学习的路面病害图像分割方法，其特征在于，还包括病害测量操作，具体包括：

获取相同拍摄条件下参照物的图像数据，进而得到单位像素尺寸；

得到路面病害分割图像的测量数据。

8.一种使用权利要求1-7任一所述的基于深度学习的路面病害图像分割方法的基于深度学习的路面病害图像分割系统，其特征在于，包括能够进行数据交互的移动端和分析端；所述分析端存储有路面病害分割模型；

所述移动端包括图像采集模块、数据交互模块、定位模块和整合模块；

所述图像采集模块，用于获取路面检测图像；

所述数据交互模块，用于将路面检测图像上传到所述分析端，并接收所述分析端传回的分类分割结果；

所述定位模块，用于获取定位数据；

所述整合模块，用于将所述分类分割结果与所述定位数据进行整合，建立路面病害信息数据库，实现人机交互。

9.根据权利要求8所述的基于深度学习的路面病害图像分割系统，其特征在于，所述图像采集模块为高精度摄像机。

10.一种计算机可读介质，其特征在于，存储有计算机软件，在被处理器执行时，能够实现权利要求1-7任一所述的基于深度学习的路面病害图像分割方法。