CN110321815A 一种基于深度学习的道路裂缝识别方法 （中国计量大学）

本发明公开了一种基于深度学习的道路裂模型，该模型包括依次连接的RPN网络、RoI域，RoIPooling网络输出固定尺寸的RoI特征图，综合卷积神经网络生成的特征图与RoI特征2(1)采集道路裂缝图像并进行标注，建立道路裂缝图像训练集，该训练集用于训练(2)构建VGG-16卷积神经网络，输入道路裂缝图像训练集，提取道路裂缝图像中的特9个锚点anchor，RPN网络分为分类层和回归层2条路线，分类层和回归层的输出均连接到景background，在回归层中，通过回归anchor得到候选框位置，最后Proposal层综合foreground和侯选框位置生成候选区(3.2)将VGG-16卷积神经网络生成的特征图和proposals输入到RoIPooling网络，输(4)综合VGG-16卷积神经网络生成的特征图与RoI特征图，通过全连接层与softmax函(5)将待识别的道路图像输入到训练好的FasterR-CNN模型中，判别该图像是否为道过程中，使用随机梯度下降法并按照批大小batch_size选取1幅图像，图像会生成大量的3骤(5)中，利用训练好的FasterR-CNN模型检测输入的道路图像是否有裂缝以及框出裂缝4容量存储器以及图像处理技术的快速发展，使得道路裂缝自动检测与识别技术成为可能。背景background，在回归层中，通过回归anchor得到候选框位置，最后Proposal层综合foreground和侯选框位置生成候[0009](3.2)将VGG-16卷积神经网络生成的特征图和proposals输入到RoIPooling网[0010](4)综合VGG-16卷积神经网络生成的特征图与RoI特征图，通过全连接层与5smooth,进行边框回归boundingboxregression并获得每个候选区域proposals的位置[0011](5)将待识别的道路图像输入到训练好的FasterR-CNN模型中，判别该图像是否[0012]进一步地，所述步骤(1)中的道路裂缝图像数据集来自道路现场的拍照和网络获i})是RPN网络的总损失函数，是分类层损失，Ncls是分类样本数量，Nreg是回归样本数量，ti是预测边界框坐标向量，是foreground6VOC数据集格式制作道路裂缝图像数据集。标注图像中的裂缝，生成XML文件，用作后续[0043]步骤3.1,如图4所示是RPN网络结构图,将线,分类层和回归层的输出均连接到Proposal层，在分类层中，使用softmax分类器对anchor进行检测目标foreground和图像背景background判断；在回归层中，通过调整size选取1幅图像，图像会生成大量的anchor，IoU(预测框与真实框交7smooth,(t-ti)(3)Lrg(t,t)是络生成的特征图与RoI特征图，通过全连接层与softmax函数计算每个proposals(候选区[0053]本发明的实验环境为windows10(64位)的intelCOREi5，显卡是NVIDIA和总损失，损失越小，模型收敛效果越好。如图9所示是AP值变化曲线，AP(Average8[0056]从表1中可以看到，各类损失都是一个很小的值，模型收敛良好，最后的AP值为9