一种基于语义分割的沥青路面裂缝快速分类方法
文献发布时间:2023-06-19 10:19:37
技术领域
本发明属于道路工程检测技术领域,具体涉及一种基于语义分割的沥青路面裂缝快速分类方法。
背景技术
沥青路面作为公路工程的重要组成部分,是推动经济发展的重要基础设施。随着使用年限的增长,沥青路面出现了不同形式病害,其中路面裂缝已经成为公路及城市道路的最主要病害,检测并识别路面裂缝病害是沥青路面定期养护管理的关键任务之一。
道路检测人员需要通过以人工走查的方式判断沥青路面是否存在裂缝病害,并判断所检测到的裂缝分类和严重等级。伴随计算机与摄像头等硬件的发展,将检测装备搭载于车辆,可以在80km/h的车速下开展检测工作并且不阻碍交通。车载设备使用综合检测车能在短时间内快速获取大量路面高质量数据,但是目前对所采集的裂缝图像主要依然通过依赖人工进行分析判断。但人工分析存在的工作效率低、劳动强度大、复现性差、人力成本高、精准度低等缺陷依旧没有解决。近年来也有众多大量研究利用数字图像处理技术进行沥青路面病害识别,多局限于二维灰度图像分析技术。但是二维图像信噪比较低,无法精确提取目标信息,因此应用效果不尽人意。
发明内容
为了解决上述技术问题,本发明提供一种基于语义分割的沥青路面裂缝快速分类方法,基于采集的沥青路面二维图像,采用语义分割网络实现裂缝快速分类,取得了良好的效果,极大地提升了沥青路面裂缝病害的检测速度。
为了实现上述目的,本发明提供如下技术方案:
一种基于语义分割的沥青路面裂缝快速分类方法,所述方法包括以下步骤:
步骤1;获取沥青路面图像,建立所述沥青路面图像的原始图像集;
步骤2;对所述沥青路面图像进行人工筛选并分为有效样本和无效样本;
步骤3;对所述有效样本、所述无效样本进行人工分类标注并分为训练集数据和测试集数据;
步骤4;将所述训练集数据在模型训练中进行训练,并通过所述测试集数据将所述模型训练进行评价,确定所述模型训练是否符合数据清洗标准;
步骤5;使用训练好的所述模型训练对所述原始图像集中的所述沥青路面图像进行数据清洗;
步骤6;对清洗的所述沥青路面图像进行分割标注;
步骤7;对分割标注的所述沥青路面图像进行数据增广;
步骤8;使用裂缝图像语义分割对所述沥青路面图像进行分割,最终输出裂缝信息。
优选地,所述沥青路面图像通过工业相机、综合检测车进行采集。
优选地,所述模型训练采用残差神经网络Resnet50。
优选地,在步骤4中,对所述模型训练是否符合数据清洗标准的判断如下:当所述测试集数据进行模型评价后的F1大于或等于90时,则所述模型训练符合数据清洗标准,当所述测试集数据进行模型评价后的F1小于90时,则所述模型训练不符合数据清洗标准。
优选地,步骤5中,将所述沥青路面图像进行数据清洗,筛选出有效沥青路面图像,构建沥青路面裂缝图像样本数据集,并分为训练集、测试集和验证集。
优选地,所述裂缝图像语义分割采用Une语义分割网络对所述所述沥青路面图像进行分割。
与现有技术相比较,本发明具有的有益效果如下:
1本发明消除了人工检测和人工分析的主观性,提高了沥青路面裂缝检测的效率和准确性,降低了检测成本;
2本发明使用语义分割网络作为自动分类的依据,相比于传统的图像处理分析,大大提高了裂缝识别的鲁棒性;
3在实际工程应用中,采用本发明的方法可快速分类路面裂缝信息,显著减少实际检测分析所需时间。
附图说明
图1为本发明一种基于语义分割的沥青路面裂缝快速分类方法的流程图;
图2为本发明一种基于语义分割的沥青路面裂缝快速分类方法的ResNet50模型结构图;
图3为本发明一种基于语义分割的沥青路面裂缝快速分类方法的Unet模型结构图;
图4为本发明一种基于语义分割的沥青路面裂缝快速分类方法的横向裂缝图像模型预测结果图;
图5为本发明一种基于语义分割的沥青路面裂缝快速分类方法的纵向裂缝图像模型预测结果图;
图6为本发明一种基于语义分割的沥青路面裂缝快速分类方法的块状裂缝图像模型预测结果图;
图7为本发明一种基于语义分割的沥青路面裂缝快速分类方法的龟裂图像模型预测结果。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。在下面的描述中,提供诸如具体的配置和组件的特征细节仅仅是为了帮助全面理解本发明的实施例。因此,本领域技术人员应该清楚,可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外,为了清楚和简洁,省略了对已知功能和构造的描述。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中,应理解,下述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
在本申请所提供的实施例中,应理解,“与A相应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其它信息确定B。
结合附图1,本发明提供一种基于语义分割的沥青路面裂缝快速分类方法,包括以下模块:数据采集模块、人工筛选图像集模块、分类标注模块、模型训练模块、模型评价模块、原始图像集模块、数据清洗模块、分割标注模块、数据增光模块、图像语义分割模块、裂缝信息模块;数据采集模块用于采集沥青路面图像,然后分别传输至人工筛选图像集模块和原始图像集模块,人工筛选图像集模块对沥青路面图像进行筛选并传输至分类标注模块,分类标注模块对沥青路面图像进行分类标注并传输至模型训练模块,模型训练模块对沥青路面图像进行模型训练并通过模型评价模块进行评价,当模型训练符合要求,则对原始图像集模块中的沥青路面图像进行数据清洗;通过数据清洗模块进行数据清洗后传输至分割标注模块进行分割标注并传输至数据增光模块,数据增光模块对沥青路面图像进行增广后传输至图像语义分割模块进行分割识别获得裂缝信息并显示在裂缝信息模块中。
结合附图1-3,本发明包括以下步骤:
步骤1;获取沥青路面图像,建立沥青路面图像的原始图像集;
进一步说明,沥青路面图像通过工业相机、综合检测车进行采集,采用工业相机、综合检测车进行沥青路面图像采集,确保沥青路面图像的准确、清晰。
步骤2;对沥青路面图像进行人工筛选并分为有效样本和无效样本;
步骤3;对有效样本、无效样本进行人工分类标注并分为训练集数据和测试集数据;
步骤4;将训练集数据在模型训练中进行训练,并通过测试集数据将模型训练进行评价,确定模型训练是否符合数据清洗标准;
进一步说明,模型训练采用残差神经网络Resnet50
进一步说明,对模型训练是否符合数据清洗标准的判断如下:当测试集数据进行模型评价后的F1大于或等于90时,则模型训练符合数据清洗标准,当测试集数据进行模型评价后的F1小于90时,则模型训练不符合数据清洗标准。
步骤5;使用训练好的模型训练对原始图像集中的沥青路面图像进行数据清洗,对原始图像集中沥青路面图像的进行清洗的目的是减少分割标注的工作量,并降低无效样本的干扰;
进一步说明,将沥青路面图像进行数据清洗,筛选出有效沥青路面图像,构建沥青路面裂缝图像样本数据集,并将沥青路面图像按一定比例划分为训练集、测试集和验证集。
步骤6;对清洗的沥青路面图像进行分割标注;
步骤7;对分割标注的沥青路面图像进行数据增广,数据增广为模型提供充足的训练数据;
步骤8;使用裂缝图像语义分割对沥青路面图像进行分割,最终输出裂缝信息。
进一步说明,裂缝图像语义分割采用Une语义分割网络对沥青路面图像进行分割,使用Unet语义分割网络对样本训练集进行模型训练,并通过测试集测试,验证其分类准确率、精确率、召回率。
实施例1
1.使用Pathrunner综合检测车获取沥青路面图像,建立沥青路面原始图像集;
2.根据Pathrunner综合检测车采集的沥青路面图像进行人工清洗,人工清整理出无病害路面样本、失真样本、可能存在病害的样本各600例(共1800例);
3对筛选出的样本进行人工分类标注,将每类样本中525例作为训练样本,75例作为测试样本;
4.使用残差神经网络ResNet50根据分类标注后的训练集数据进行模型训练,ResNet50的模型结构图如图2所示,并通过测试集数据进行模型性能验证;当测试集的F
5.使用训练好的ResNet50网络对原始数据进行数据清洗,筛选出有效沥青路面图像,构建沥青路面裂缝图像样本数据集,并按6:2:2的比例划分为训练集、测试集和验证集。
6.对清洗后的数据进行人工分割标注;
7.采用数据增广为模型提供充足的训练数据;
8.使用Unet语义分割网络对样本训练集进行模型训练,Unet语义分割网络结构图如图3所示,并通过测试集测试,最终的识别效果如图4-7所示。
最后应该说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前叙述实施对本发明进行了详细的说明,本领域的技术人员应当理解,其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行同等替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神与范围。
- 一种基于语义分割的沥青路面裂缝快速分类方法
- 一种沥青路面裂缝类型快速分类方法