CN114937033B 一种基于深度卷积神经网络的农村公路路面病害智能检测方法 （辽宁工程技术大学）

WO2018125580A1,2018.07.05一种基于深度卷积神经网络的农村公路路本发明公开了一种基于深度卷积神经网络本发明能够解决因裁剪图像边缘区域的上下文2共5个有效特征层；5送入上下文信息提取模块CIEM，通过提供不同感受野的空洞卷积支路来14分别送入注意力机制模块SE与特征融合模块FFM的完成特征解步骤2.3.1：将编码器获取的4个特征图谱作为输入信号送入注意力机制模块，通过第一个操作Squeeze：通过全局平均池化，将每个通道的二维特征H×W压缩为一个实3第二个操作Excitation：通过参数为每个特征通道生成权重其中δ为ReLU函数，使用两个全连接层利用阈值机制将参数过2.如权利要求1所述的基于深度卷积神经网络的农村公路路面病害智能检测方法，其3.如权利要求1所述的基于深度卷积神经网络的农村公路路面病害智能检测方法，其4.如权利要求2所述的基于深度卷积神经网络的农村公路路面病害智能检测方法，其步骤5.1：以多类型病害分类样本为基础，编程实现路面病害统计特征与结构特征提层对第一隐层按类别进行求和，第二隐层与输出层的连接权值采用递推最小二乘法确定，45测的方法通常使用边界框方法在路面图像中定位缺陷。这些方法首先使用CNN从图像中提割的病害提取算法多利用编码器-解码器的架构来构建病害检测深度神经网络，编码器层6[0006](1)传统的图像处理技术受图像拍摄环境复杂性和噪声多源性的影响较大，需要神经网络的农村公路路面病害智能检测方法，解决因裁剪图像边缘区域的上下文信息较7等5个有效特征层；过滤，其中第一个全连接层起到降低维度的作用，降维系数为r为一个超参数，接着利用8[0049](1)本发明制作了多类型路面病害语义分割数据集(ISTD-RPDS8)，现有路面病害[0050](2)本发明基于全卷积网络的深度学习语义分割模型，顾及融合多尺度空间特征[0051](3)本发明在实际预测阶段采取有重叠地裁剪图像并在预测结果融合时采取忽略[0053]上述说明仅是本发明技术方案的概述，为了能够更清楚9[0070]如图1至图14所示，本发明的一种基于深度卷积神经网络的农村公路路面病害智[0077]步骤2.2：如图5(b)所示，将f5送入上下文信息提取模块CIEM(Contexti相关性由两个完全连接的层的瓶颈结构形成，并输出与输入数量相同的权重值。采用sigmoid函数形式的阈值机制表达式如式([0084]其中δ为ReLU函数，为了减少模型的复杂性并提升泛化能征融合模块FFM(FeatureFusionModel)。特征融合模块将SE[0090]步骤3：本发明ISTD-net模型训练所采用的服务器为CPU：Ryzen72700x[0091]训练过程中预训练权重模型使用由VOC数据集训练最优的权重。在冻结阶段会将[0093]如图7所示，为了验证ISTD-net识别路面病害的准确性，使用训练好的UNet、拼接时采取忽略边缘策略。大图像裁剪成一系列与相邻图像块有特定重复区域的图像块，测的结果为A，进行拼接的结果为a，a占A的区域百分比为r，相邻裁剪图像的重叠比例为最后对预测结果只取中间部分进行拼接。[0095]如图9所示，分块忽略边缘的预测算法在测试集上基本可以分割出完整的对象区[0107]式中，DR为路面破损率，为各种病害的折合面积之和与路面调查面积的百分比i为第i类路面病害损坏的面积(m2)；A为调查的路面面积(调查长度与有效路面宽度[0116]分析实验结果表明，纯AI自动提取和人工勾画在道路PCI得分(每百米)相差较[0118]《公路技术状况评价标准》对路面损坏状况指数PCI按评价单元最终分值分8条公路111个百米评价单元进行检测,并将检测数据与该市人工勾画结果的PCI等级一致[0123]以上所述是本发明的优选实施方式而已，当然不能以此来限定本发明之权利范