[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

说明书

本发明公开了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，结合传统方法和卷积自编码器对数据进行扩增，达到数据增强的效果。使用人工方法对原始破损路面进行采集、人工标定、批量裁剪以及数据集制作。本发明将卷积神经网络结构融入自编码器中，利用其编码器结构对原始路面病害图像进行数据降维并得到图片的特征空间，利用其解码器结构将图片重构，获得新的路面病害图片。本发明能够根据真实的现场照片进行数据增强，使得重构后的图片样本病害特征相对更加明显，更易被机器识别，有助于提升识别精度，提高模型的泛化能力。

技术领域

本发明属于图像处理领域，涉及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。本发明应用于道路病害图片数据增强。

背景技术

车辆荷载和环境等因素引起的裂缝、坑槽、车辙等病害降低了行车的安全性和舒适性，需要及时对路面进行养护维修。当前，路面病害多通过人工检测的方法，该方法耗时大、成本高、效率低，难以满足现代化智能路面检测的需要。随着人工智能技术的发展，机器学习方法被逐渐应用于路面病害识别领域，能够相对快速高效地识别道路病害图片。

目前基于深度学习的路面病害识别经常面临训练数据集小，以及路面图片标注人工成本高等问题，为了使训练出来的模型效果更好，模型的泛化能力更强，就需要对数据进行扩增，从而提高样本质量。

相比于传统的数据扩增手段，卷积自编码数据增强手段有一定的优越性，重构后路面病害特征相对更加明显，能够一定程度提升机器对路面病害的识别精度。

因此，本发明提出了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。该方法将传统数据增强方法与卷积自编码图片重构手段相融合，运用常规图片几何变换和卷积自编码重构图片的方法扩充样本数量，使得重构后的路面病害样本集更易被机器识别，模型的泛化能力有所提高，识别精度有更明显的提升。

发明内容

本发明的目的在于通过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，对道路病害及其他路面对象进行识别和数据增强，生成更多的高质量图片，用于增加模型的数据量，提高模型的泛化能力。

本发明采用的卷积自编码器(Convolutional Autoencoder，CAE)将卷积神经网络结构融入自编码器中，用卷积和池化操作代替编码器中的全连接层以及用反卷积和上采样操作代替解码器中的全连接层，从而较好的保留路面病害图片特征信息。自编码器由两部分组成：编码器和解码器，如图1所示。编码器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；解码器将空间表征重构为输出，生成新的路面病害图片。

本发明采用的技术方案为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，包括原始图像预处理、传统方法数据增强、数据集制作和卷积自编码图片重构四大部分，如图2所示，具体实施步骤如下：

步骤一：原始照片预处理；

首先，进行人工标定。在本发明中，路面病害图像数据集的规模和分类特征的一致性会对网络预测精度造成很大影响。所以在此步骤中，本发明对每张路面图片进行分类和筛选，共得到路面背景、未修补裂缝、已修补裂缝、坑槽、路面标线以及路面破损标线六种分类的典型图片。

其次，调整原始路面病害照片的大小，进行批量剪裁，以防图片过大难以训练，通过双线性插值进行横向缩放至较小的统一像素。然后，对其进行连续剪裁，每张路面图像剪裁得到更小像素的子图像。

步骤二：传统方法数据增强；

第一步，将每张图片进行垂直镜像变换，扩大一倍路面图集，然后经过不同角度的旋转，再次扩大数倍路面病害图集。

步骤三：数据集制作；

按照训练集、验证集和测试集比例约为10：1：1进行划分。

步骤四：卷积自编码图片重构；