CN114937033B 一種基于深度卷積神經網絡的農村公路路面病害智能檢測方法 （遼寧工程技術大學）

WO2018125580A1,2018.07.05一種基于深度卷積神經網絡的農村公路路本發明公開了一種基于深度卷積神經網絡本發明能夠解決因裁剪圖像邊緣區域的上下文2共5個有效特征層；5送入上下文信息提取模塊CIEM，通過提供不同感受野的空洞卷積支路來14分別送入注意力機制模塊SE與特征融合模塊FFM的完成特征解步驟2.3.1：將編碼器獲取的4個特征圖譜作為輸入信號送入注意力機制模塊，通過第一個操作Squeeze：通過全局平均池化，將每個通道的二維特征H×W壓縮為一個實3第二個操作Excitation：通過參數為每個特征通道生成權重其中δ為ReLU函數，使用兩個全連接層利用閾值機制將參數過2.如權利要求1所述的基于深度卷積神經網絡的農村公路路面病害智能檢測方法，其3.如權利要求1所述的基于深度卷積神經網絡的農村公路路面病害智能檢測方法，其4.如權利要求2所述的基于深度卷積神經網絡的農村公路路面病害智能檢測方法，其步驟5.1：以多類型病害分類樣本為基礎，編程實現路面病害統計特征與結構特征提層對第一隱層按類別進行求和，第二隱層與輸出層的連接權值采用遞推最小二乘法確定，45測的方法通常使用邊界框方法在路面圖像中定位缺陷。這些方法首先使用CNN從圖像中提割的病害提取算法多利用編碼器-解碼器的架構來構建病害檢測深度神經網絡，編碼器層6[0006](1)傳統的圖像處理技術受圖像拍攝環境復雜性和噪聲多源性的影響較大，需要神經網絡的農村公路路面病害智能檢測方法，解決因裁剪圖像邊緣區域的上下文信息較7等5個有效特征層；過濾，其中第一個全連接層起到降低維度的作用，降維系數為r為一個超參數，接著利用8[0049](1)本發明制作了多類型路面病害語義分割數據集(ISTD-RPDS8)，現有路面病害[0050](2)本發明基于全卷積網絡的深度學習語義分割模型，顧及融合多尺度空間特征[0051](3)本發明在實際預測階段采取有重疊地裁剪圖像并在預測結果融合時采取忽略[0053]上述說明僅是本發明技術方案的概述，為了能夠更清楚9[0070]如圖1至圖14所示，本發明的一種基于深度卷積神經網絡的農村公路路面病害智[0077]步驟2.2：如圖5(b)所示，將f5送入上下文信息提取模塊CIEM(Contexti相關性由兩個完全連接的層的瓶頸結構形成，并輸出與輸入數量相同的權重值。采用sigmoid函數形式的閾值機制表達式如式([0084]其中δ為ReLU函數，為了減少模型的復雜性并提升泛化能征融合模塊FFM(FeatureFusionModel)。特征融合模塊將SE[0090]步驟3：本發明ISTD-net模型訓練所采用的服務器為CPU：Ryzen72700x[0091]訓練過程中預訓練權重模型使用由VOC數據集訓練最優的權重。在凍結階段會將[0093]如圖7所示，為了驗證ISTD-net識別路面病害的準確性，使用訓練好的UNet、拼接時采取忽略邊緣策略。大圖像裁剪成一系列與相鄰圖像塊有特定重復區域的圖像塊，測的結果為A，進行拼接的結果為a，a占A的區域百分比為r，相鄰裁剪圖像的重疊比例為最后對預測結果只取中間部分進行拼接。[0095]如圖9所示，分塊忽略邊緣的預測算法在測試集上基本可以分割出完整的對象區[0107]式中，DR為路面破損率，為各種病害的折合面積之和與路面調查面積的百分比i為第i類路面病害損壞的面積(m2)；A為調查的路面面積(調查長度與有效路面寬度[0116]分析實驗結果表明，純AI自動提取和人工勾畫在道路PCI得分(每百米)相差較[0118]《公路技術狀況評價標準》對路面損壞狀況指數PCI按評價單元最終分值分8條公路111個百米評價單元進行檢測,并將檢測數據與該市人工勾畫結果的PCI等級一致[0123]以上所述是本發明的優選實施方式而已，當然不能以此來限定本發明之權利范