[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

说明书

本发明涉及图像处理，尤其涉及一种基于深度学习的路面病害图像分割方法和系统。一种基于深度学习的路面病害图像分割方法，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。本发明提供的病害分割方法采用深度学习算法进行图像分割，实现路面病害区域的自动化获取，提高工作效率的同时图像分割更加准确。

技术领域

本发明涉及图像处理，尤其涉及一种基于深度学习的路面病害图像分割方法和系统。

背景技术

近年来，我国公路建设取得举世瞩目的成就，公路通车里程迅速增长。但是，无论是水 泥路面还是沥青路面，在通车使用一段时间后，由于设计、施工等因素都会陆续出现各种破 损、变形等缺陷，其中裂缝、龟裂及坑洞最为常见。如何快速、准确的在早期找到这些隐患 并进行修复，防止结构性能进一步劣化，已经成为道路工程养护领域亟待解决的问题。

针对路面病害检测问题，目前主要有两种方式。第一种是采用人工巡检的方式，主要依 靠人的主观判断，这就会造成检测精度与效率低下；第二种是基于计算机视觉：(1)病害的 灰度值小于背景区域，采用阈值分割、直方图分割等方式；(2)病害区域边缘的灰度值存在 大幅变化的，采用边缘检测的方式；(3)基于传统机器学习，采用随机森林、Adaboost或SVM (Support Vector Machine)等方法提取病害特征。因为方向不一致，纹理不规则，形状不统 一，这些方法很难完整统计病害的所有特征，且路面图像本身含有许多噪声，明暗变化，灰 尘，行车速度都对检测结果有很大的影响。

申请号为CN201910604713.1的专利文献公开了一种基于深度学习的路面裂缝分割与识 别方法，该方法首先对采集的彩色裂缝样本图像进行人工标注得到裂缝标签图像，分别对两 类图像进行相同尺寸、位置的子图像分割，并对子图像中是否包含裂缝进行标注，以标注后 的子图像训练U-Net神经网络，以U-Net神经网络最后两层的结果作为决策网络的输入，对 决策网络进行训练；最终得到训练好的网络模型，对待识别的图像进行不重叠的滑动窗口的 检测和分类，从而得到图像的分割与识别结果。但是没能有效解决上述问题。

因而现有的路面病害识别技术存在不足，还有待改进和提高。

发明内容

鉴于上述现有技术的不足之处，本发明的目的在于提供一种基于深度学习的路面病害图 像分割方法和系统，使用基于深度学习算法构成的。

为了达到上述目的，本发明采取了以下技术方案：

一种基于深度学习的路面病害图像分割方法，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。

优选的所述的基于深度学习的路面病害图像分割方法，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。

优选的所述的基于深度学习的路面病害图像分割方法，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。