[发明专利]一种耦合传统方法和卷积自编码的道路病害图片增强方法

权利要求书

1.一种耦合传统方法和卷积自编码的道路病害图片增强方法，其特征在于：该方法的具体步骤如下：

步骤一：原始照片预处理；

首先，进行人工标定，将路面病害图片进行分类；其次，调整原始路面病害照片的大小，把原始照片裁剪缩放为200×200像素；

步骤二：传统方法进行数据增强；

运用图像批量处理的手段对原始路面病害数据集进行数据增强；分别采用垂直镜像变换以及逆时针90°，180°和270°旋转变换；

步骤三：数据集制作；

把路面病害图片集按照训练集、验证集和测试集比例约为10：1：1进行划分；在学习时，每种分类的训练集数据尽可能数量相近；

步骤四：卷积自编码图片重构；

卷积自编码网络由2层编码层和2层解码层构成；编码层1的卷积核尺寸为3×3、个数为16，使用ReLU激活函数，后接一个大小为2、步幅为2的最大池化层；编码层2的卷积核尺寸为3×3、个数为32，同样以ReLU作为激活函数，再次经过一个大小为2、步幅为2的最大池化层；解码层1的卷积核尺寸为3×3、个数为8，经过ReLU激活函数后，经过一个步幅为2的上采样层UpSampling；解码层2的卷积核尺寸为3×3、个数为16，同样经过ReLU激活函数后，经过一个步幅为2的上采样层；在输出层仍采用尺寸为3×3的卷积核，个数为1，并且当输入小于0时，ReLU激活函数的输出值为0，采用sigmoid激活函数，最终获得尺寸为200×200×1的路面病害图片。

2.根据权利要求1所述的一种耦合传统方法和卷积自编码的道路病害图片增强方法，其特征在于，在卷积自编码器的训练过程中，编码器和解码器共同训练，重构的路面病害图片特征相对更加明显。

3.根据权利要求1所述的一种耦合传统方法和卷积自编码的道路病害图片增强方法，其特征在于，将卷积神经网络结构融入自编码器中：

1)编码器中采用与卷积神经网络相似的卷积和池化操作，将输入的路面病害图片压缩为潜在空间表征，将高维数据压缩为低维数据；

2)解码器采用卷积操作和上采样Upsampling操作，使得每一层的输出图片的尺寸大于输入图片的尺寸，将编码器提取的特征图还原到和原图同样尺寸的大小，实现图片重构，获得新的路面病害图片，从而扩充数据集，提高路面病害识别模型鲁棒性。

4.根据权利要求3所述的一种耦合传统方法和卷积自编码的道路病害图片增强方法，其特征在于，反卷积Deconvolution操作通过增加padding来实现输出图片的尺寸大于输入图片的尺寸。

5.根据权利要求3所述的一种耦合传统方法和卷积自编码的道路病害图片增强方法，其特征在于，上采样Up-sampling采用内插值方法，基于原有路面病害图像像素值，在像素点之间采用合适的插值算法插入新的元素。