[发明专利]一种基于U型编码解码器神经网络的道路裂缝检测方法及系统

权利要求书

1.一种基于U型编码解码器神经网络的道路裂缝检测方法，其特征在于，包括：

获取初始道路裂缝数据集，对初始道路裂缝数据集扩展处理，得到第一道路裂缝数据集；

构建U型编码解码器神经网络，使用第一道路裂缝数据集训练所述U型编码解码器神经网络，得到训练好的U型编码解码器神经网络，所述U型编码解码器神经网络包括编码器部分和解码器部分，所述编码器部分包括第一层的初始卷积模块，第二层至第五层的4组卷积编码器模块，所述解码器部分包括第六层的1组注意力模型层数加深模块、第七层至第十层的4组注意力卷积解码器模块；

使用第二道路裂缝数据集验证所述训练好的U型编码解码器神经网络，得到验证通过后的最终U型编码解码器神经网络；

将最终U型编码解码器神经网络嵌入到移动设备，进行道路裂缝的实际检测。

2.根据权利要求1所述的基于U型编码解码器神经网络的道路裂缝检测方法，其特征在于，所述构建道路裂缝数据集，对道路裂缝数据集扩展处理，得到第一道路缝数据集包括：

获取道路裂变图像并进行人工标记，组成初始道路裂缝数据集；

将所述初始道路裂缝数据集中的道路裂变图像在[0,360)内按照45°递增的7个不同角度分别进行旋转并在上述7个不同角度旋转后分别进行水平翻转，并分别加以随机高斯噪声处理得到的图像和初始道路裂缝数据集作为第一道路裂缝数据集。

3.根据权利要求1所述的基于U型编码解码器神经网络的道路裂缝检测方法，其特征在于，初始卷积模块由输入层和2组卷积层组成，输入层用于输入第一道路裂缝数据集，在2组卷积层中，卷积核大小均设置为3×3，步长均为1，根据卷积核大小和步长，在边缘补1个像素,其灰度值为0。

4.根据权利要求3所述的基于U型编码解码器神经网络的道路裂缝检测方法，其特征在于，第二层至第四层的4组卷积编码器模块中，每一个卷积编码模块包含一个下采样层和2组卷积层，卷积编码器模块中的卷积层和初始卷积模块中的卷积层的结构相同。

5.根据权利要求1所述的基于U型编码解码器神经网络的道路裂缝检测方法，其特征在于，所述注意力模型层数加深模块包括两个标准残差模块与一个注意力模块，所述注意力模块包括第一自适应均值池化单元、第二自适应均值池化单元、第三自适应均值池化单元、第一1×1卷积和修正线性单元、第二1×1卷积和修正线性单元、第三1×1卷积和修正线性单元、1×1卷积批归一化和修正线性单元、平均池化单元、第一乘法器、第二乘法器、第三乘法器、第一加法器、第二加法器、第三加法器和输出端；

第一输入的特征图输入至第一自适应均值池化单元，第二输入的特征图输入至第三自适应均值池化单元，其中，第一输入的特征图为第五层的卷积编码器模块的输出，第二输入的特征图为第五层的卷积编码器模块的输出经过两个标准残差模块后的输出，第一输入的特征图和第二输入的特征图通过第一加法器相加后输出至第二自适应均值池化单元，第一自适应均值池化单元、第二自适应均值池化单元和第三自适应均值池化单元分别输出通道数×长×宽为C×2×2、C×1×1和C×2×2的特征图，第一自适应均值池化单元输出的C×2×2的特征图输入第一1×1卷积和修正线性单元进行卷积操作和使用线性整流函数操作后输出至第一乘法器，第二自适应均值池化单元输出的C×1×1的特征图输出至第一乘法器，第一乘法器的输出提供给第二加法器，第三自适应均值池化单元输出的C×2×2的特征图输入第二加法器，第二加法器的输出依次通过第二1×1卷积和修正线性单元、平均池化单元后输出C×1×1的特征图，并输入第二乘法器，第一输入的特征图输入至第三1×1卷积和修正线性单元进行卷积操作和使用线性整流函数操作后输出至第三乘法器，第三乘法器的输出输入至第三加法器，第二输入的特征图分别输入至第三加法器和第三乘法器，第三加法器的输出经过1×1卷积批归一化和修正线性单元进行卷积操作、批归一化操作和使用线性整流函数操作后输出至第三乘法器，第三乘法器的输出作为所述注意力模型层数加深模块的输出，其中C为整数。