[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

说明书

本发明公开了一种基于深度学习与web端定位的路面裂缝检测方法，包括：拍摄路面视频并均匀抽帧提取图像进行预处理，训练基于深度学习的路面裂缝检测集成模型，实现路面损伤严重程度分类与裂缝检测；利用web端调用API获取实时地理位置信息，并依据车速和视频帧率利用云计算得出每帧对应的时间与地理位置信息，导入数据库；在云端调用数据库，完成基于深度学习的路面裂缝检测集成模型的检测，在本地生成可视化路面裂缝损伤地图图示和检测裂缝的具体位置。本发明解决了路面裂缝检测效率低，准确率低，成本高的问题，并将路面裂缝检测与地理位置定位结合，生成可视化图示，为公路养护工作提供了便利，同时还可为相似问题提供解决思想。

技术领域

本发明属于人工智能与智能检测技术领域，涉及道路路面的裂缝检测，特别涉及一种基于深度学习与web端定位的路面裂缝检测方法。

背景技术

公路基础设施的不断完善，不仅使得公路的交通运输效率和运输能力不断提升，也使公路里程数和公路运输能力大幅提升，但这带来一个难以回避的问题，即在行车载荷作用、自然因素和人为原因等多种因素影响下，路面会逐渐产生各种损坏、变形及其他缺陷等病害。常见的病害有：裂缝、坑槽、车辙、松散、沉陷、表面破损等。裂缝病害是路面病害的主要形式，对路面使用性能影响很大，不仅直接影响公路整体性能和寿命，也直接关系着行车安全性、舒适性和经济性。路面裂缝病害会破坏路面结构的整体性和连续性，并且会成为路表水侵入路基路面结构层的天然通道，若不及时处置，还有可能使裂缝继续延展形成龟裂造成路面脱落，引起结构性破坏，影响道路的行车舒适性与安全性。因此，作为道路养护工作的重点和难点的路面裂缝病害检测对道路养护管理确定路面养护计划、方法和预算至关重要。

目前，路面裂缝检测方法主要包括人工检测方法、二维裂缝检测方法和三维裂缝检测方法。人工检测方法由技术人员借助一些简单的仪器或者肉眼直接检测并记录，但该方法存在工作强度大、耗时长、劳动成本高、效率低、因人为因素易引发主观误判、可重复性差、难以满足信息时效性的需求等缺点。为了解决上述问题，二维裂缝检测方法和三维裂缝检测方法得以提出和发展。二维裂缝检测方法采用工业相机进行路面信息采集，利用人工智能和图像处理技术对路面裂缝进行检测。比较有代表性的二维裂缝检测方法有：基于边缘检测(如Prewitt算子)的路面裂缝检测方法；基于自适应视觉裂缝检测的结构状态监测方法；基于人工神经网络和深度学习(如卷积神经网络、改进全卷积神经网络、融合Gabor滤波器与卷积神经网络、深度卷积融合神经网络、人工蜂群算法-脉冲耦合神经网络算法、基于转置神经网络层间特征融合、组合的启发式优化边缘检测算法和卷积神经网络)的路面裂缝检测方法；基于多源数据融合的路面裂缝识别方法；基于语义分割的路面裂缝快速分类方法等。二维裂缝检测方法存在如下缺点：大量需人工设置的经验参数，固定的参数使得此类方法鲁棒性较差，难以对噪声复杂、光照不均、存在阴影遮挡的路面图像进行有效检测，无法满足道路维护及时、高效的需求；对路面油污、轮胎痕迹、黑斑、树木阴影、光照不均等干扰因素非常敏感，测量精度误差较大且易产生误判现象；由于裂缝具有多样性、形状和强弱均不固定会造成过大的计算量；较大的步长往往使得在最后的预测图中丢失较多裂缝信息，且受计算机性能的限制，庞大的神经网络模型在训练过程中会耗费大量的时间，无法快速得到结果；当前大多数研究基于裂缝是线性裂缝的假设，现有的研究方法不足以捕获高曲率的裂缝；现有的检测分割方法不适用于常见复杂的裂缝如分叉裂缝、网状裂缝等；当前的方法并没有较好地处理因沿裂缝方向的强度不均匀性导致裂缝像素被错误分类为非裂缝像素。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于深度学习与web端定位的路面裂缝检测方法，以期能够快速准确地检测识别出路面存在的裂缝及其位置，并降低成本。

为了实现上述目的，本发明采用的技术方案是：

一种基于深度学习与web端定位的路面裂缝检测方法，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；