[发明专利]一种基于人工智能的智能化高精度路面病害识别方法

说明书

本发明属于路面病害检测领域，具体涉及一种基于人工智能的智能化高精度路面病害识别方法，包括：提供一个路面病害识别模型，路面病害识别模型将输入的路面病害图片与输出的路面病害类型对应；路面病害特征生成时，基于路面病害图片多层级地提取路面病害特征，第一层级基于原路面病害图片提取路面病害特征，其后的每一层级皆基于上一层级提取路面病害特征；将排列在前的，除第一层级以外的层级所提取到的路面病害特征作为低层特征；与排列在前的层级相对应，将排列在后的层级所提取到的路面病害特征作为高层特征；与路面病害识别模型输出的所述路面病害类型所对应的路面病害特征即为低层特征和高层特征融合后生成的特征。本识别模型精度效率高。

技术领域

本发明属于路面病害检测领域，具体涉及一种基于人工智能的智能化高精度路面病害识别方法。

背景技术

公路是国家的命脉，良好的公路环境便于货物及人员的流动，对国家经济建设起着至关重要的作用。随着车载及冻融循环的影响，路面病害逐渐增加，如果不加以修补，在水平方向将加大路面的破环程度，严重影响车速及行车舒适度；在纵向上将加深道路的损伤程度，甚至扩展至路基，对道路造成严重的结构性破坏。因此，应当及时检测路面病害，用于路面损伤程度的判断和病害的精确维修。

传统基于计算机视觉的道路病害检测方法主要可以分为两类：一种是基于传统图像处理-Canny边缘检测的方法，一种是基于深度神经网络路面病害检测的方法。然而，传统图像处理方法对环境比较敏感，在恶劣环境下对路面病害检测效果表现十分糟糕。目前深度卷积网络检测算法提取目标多层次的特征信息，能够适用于恶劣环境低质量的病害图像检测，但定位精确度明显不高，并不能准确识别出病害。

因此，需要一种在“光污染”、“雾天”等恶劣环境下对路面病害进行高精度、高效率的检测识别方法。

发明内容

本发明提供了一种对路面病害进行精准识别的智能化高精度路面病害识别方法，包括以下步骤：

提供一个路面病害识别模型，所述路面病害识别模型将输入的路面病害图片与输出的路面病害类型对应；

其中，所述路面病害识别模型基于图片上的路面病害对象生成相应的路面病害特征，由所述路面病害特征与输出的路面病害类型对应；

路面病害特征生成时，基于路面病害图片多层级地提取路面病害特征，第一层级基于原路面病害图片提取路面病害特征，其后的每一层级皆基于上一层级提取路面病害特征；

将排列在前的，除第一层级以外的层级所提取到的路面病害特征作为低层特征；

与排列在前的层级相对应，将排列在后的层级所提取到的路面病害特征作为高层特征；

与路面病害识别模型输出的所述路面病害类型所对应的路面病害特征即为低层特征和高层特征融合后生成的特征。

进一步地，除第一层级以外的每一层级提取出的特征皆处理为具有路面病害对象轮廓的路面病害特征图，而最后一层级的路面病害特征图经过候选窗口框选出路面病害对像主体所在具体位置，并生成具有路面病害对象主体的候选框路面病害特征图；候选框路面病害特征图的路面病害对象主体分别与除第一层级以外的每一层级处理出的路面病害特征图中的路面病害对象轮廓相融合，以生成相应的融合特征图；除第一层级以外的每一层级处理出的融合特征图组合成相应的一组特征图组合特征，每一组特征图组合特征与所述路面病害识别模型要输出的路面病害类型对应，所述一组特征图组合特征的特征图数与除第一层级以外的层级数相等。

进一步地，所述模型的构建方式如下：

将另一源域中预训练网络模型的主干特征提取网络，作为路面病害识别目标域的Faster RCNN网络模型的多层级的特征提取网络；

其中，预训练网络模型选择为VGG16、VGG19、VGG96、ResNet32、ResNet48、ResNet101、ResNet152卷积网络之中的一种；