[发明专利]一种基于深度学习与web端定位的路面裂缝检测方法

权利要求书

1.一种基于深度学习与web端定位的路面裂缝检测方法，其特征在于，包括如下步骤：

步骤1：将两个摄像头安装在车辆上的不同部位，在车辆行驶过程中摄像头拍摄包含路面情况的不同视角的两个视频，对视频进行均匀抽帧，由此获得路面图像；

步骤2：对获取到的路面图像进行预处理，并设计基于量子优化的自适应确定权值神经网络对图像进行重建；

步骤3：将路面图像依据损伤程度的不同标注为良好、一级、二级和三级，损伤程度依次加重，并标注裂缝在图像中的位置，由此获得路面裂缝损伤的数据集，利用该数据集训练基于深度学习的路面裂缝检测集成模型，在训练过程基于遗传算法自动优化神经网络拓扑结构和超参数，检测时将两个视频中同一位置的路面损伤程度进行加权平均，给出路面裂缝损伤程度的分类与路面裂缝的检测结果，并针对分类给出路面养护的建议；

步骤4：利用web端的接口实时记录车辆在地图中的地理位置，通过云计算得到视频中每帧的位置信息和对应时间，并保存在数据库中，在云端进行模型的检测，检测时依据每帧的时间调用数据库中对应时间的地理位置，由此生成整个检测路段的可视化路面裂缝损伤地图图示，便于公路运维养护人员直观地了解该路段的裂缝损伤情况。

2.根据权利要求1所述基于深度学习与web端定位的路面裂缝检测方法，其特征在于，所述步骤1中，摄像头分别安装在车头和车顶，并调整两个摄像头的角度，使得两个摄像头拍摄路面的距离相同，由此获得包含路面情况的不同视角的两个视频。

3.根据权利要求1所述基于深度学习与web端定位的路面裂缝检测方法，其特征在于，所述步骤1中，均匀抽帧包括：

保持车辆在拍摄路面视频时匀速运动；

确定路面视频的拍摄画面中可清晰显示路面情况的范围的真实距离；

计算出所述车辆行驶出所述真实距离所需的行驶时间，以所述行驶时间时间计算出均匀抽帧的频率，对路面视频进行均匀抽帧。

4.根据权利要求1所述基于深度学习与web端定位的路面裂缝检测方法，其特征在于，所述步骤2中，预处理包括：路面阴影处理，光照均衡处理和复杂背景处理三个步骤。

5.根据权利要求1所述基于深度学习与web端定位的路面裂缝检测方法，其特征在于，所述步骤3中，对路面图像进行标注时，由该领域专家或使用数据标注软件针对每一图像中的情况给出路面裂缝损伤程度的严重等级，得到每张路面图像对应的路面裂缝损伤程度的分类以及裂缝区域。

6.根据权利要求1所述基于深度学习与web端定位的路面裂缝检测方法，其特征在于，所述步骤3中，路面裂缝检测集成模型的训练分为路面图像多分类与路面裂缝目标检测两个步骤，分别训练得到路面裂缝多分类模型和路面裂缝目标检测模型；其中，在路面图像多分类过程中，使数据集中四种类别的路面图像处于均衡分布，并按比例划分为训练集与测试集；而在路面裂缝目标检测过程中，使数据集中四种类别的路面图像处于长尾分布，并按比例划分为训练集与测试集，且标注为良好的路面图像处于长尾分布的尾部，从而让模型更加关注于裂缝特征的学习；其中，在训练过程基于遗传算法自动优化神经网络拓扑结构和超参数，利用优化后的神经网络拓扑结构和超参数对模型进行训练，最终得到路面图像多分类模型与路面裂缝目标检测模型的最佳权重。

7.根据权利要求6所述基于深度学习与web端定位的路面裂缝检测方法，其特征在于，所述步骤3中，检测时，在云端载入路面图像多分类模型与路面裂缝目标检测模型的最佳权重，将两个视频的路面裂缝分类结果进行加权平均，得到最终的路面分类结果以及路面裂缝的检测结果，将结果保存至本地；根据路面裂缝损伤程度的分类直接给出路面无需养护、需要进行小修养护、需要进行中修养护工程或者需要进行大修养护工程的建议。