[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

说明书

本发明公开了一种基于U型编码解码器神经网络的道路裂缝检测方法及系统，所述检测方法包括：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，U型编码解码器神经网络包括1组注意力模型层数加深模块；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。在U‑Net网络的编解码器神经网络基础上加入注意力模型层数加深模块，用于道路裂缝的检测，减少了模型参数，进而减少模型处理图像的时间，便于嵌入到移动设备进行实时道路裂缝检测。

技术领域

本发明涉及道路裂缝检测领域，尤其涉及一种基于U型编码解码器神经网络的道路裂缝检测方法及系统。

背景技术

随着交通运输业的发展，公路道路的养护工作变得十分的重要。裂缝是道路受损中最为常见的缺陷，道路路面缺陷的检测是后续维护和修理的前提。因此道路裂缝的检测工作必不可少。在实际检测过程中由于裂缝分布杂乱无规律，且容易被周边障碍物干扰，造成漏检误检，从而对道路健康状况产生极大的安全隐患。现实生活中，由于裂缝分布杂乱无规律，往往存在很多细小裂缝，容易被周边障碍物干扰造成漏检误检造成了极大的安全隐患。

传统的道路裂缝识别一般由道路维护人员现场人工检测，尽管采用摄像设备进行图像采集，裂缝的识别标注还是需要人工标注完成，不同观察者的经验判断，主观感受都不一样，即便是对同一张道路裂缝图像进行识别标注，不同观察者给出的结果也各不相同。因此传统的手工道路裂缝识别不仅耗费大量人力，而且没有办法保证裂缝识别的精度和效率。此外，在实际交通运输过程中，人工检测道路裂缝还会对人员带来安全隐患。

现有技术中，采用传统图像处理方法对道路裂缝进行识别，其对图像的画质要求较高，且操作复杂，耗时，得到的识别效果不太理想，精度不高；而采用无监督方法，神经网络模型通常涉及较多需要满足的附加条件，对图像的质量要求较高，且识别出的道路裂缝精度较低；有监督方法中，神经网络模型对复杂道路表面图像的特征有着较强的提取能力，相较于传统的图像处理方法和无监督方法，神经网络模型对这些复杂情况体现出明显的优势。但现有的一些用于道路表面裂缝检测的深度学习方法即使手动标注数据集也是一些简单的，甚至人眼均能很好辨认的数据照片，而没有针对实际的一些裂缝情况进行识别，而实际对道路表面采集的图像具有复杂性，不一定是画质清晰和背景简单的图像，另外，现有的神经网络例如U-Net神经网络，参数量大，通常需要消耗较高的内存和计算复杂度，使其很难运行在没有足够计算力的设备上，并且由于计算耗时慢，无法实现实时检测，进而无法应用到机器人或移动端进行实时检测。

发明内容

本发明提供一种基于U型编码解码器神经网络的道路裂缝检测方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。。

第一方面，本发明实施例提供了一种基于U型编码解码器神经网络的道路裂缝检测方法，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。

进一步，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：