技术特征：
1.基于图像分割的路面裂缝检测方法，其特征在于，包括如下步骤：步骤1，整合及拍摄制作大量的道路数据，包括多种环境下的路面裂缝图片作为预测的数据支持；步骤2，对输入图片进行预处理，包括图像增强，数据归一化，添加负样本处理，增强数据的丰富度，数据归一化将像素由0-255变换为0-1之间的数；步骤3，对步骤2处理得到的数据进行特征的提取，使用resnet作为主干网络，通过若干次的卷积和池化，将浅层次和深层次的特征提取并保存；步骤4，添加注意力机制改进网络性能，将裂缝区域的相关通道权重增加，降低其他通道的权重；步骤5，在34层的resnet卷积和池化过程中，在每个模块后提出加入残差块避免出现退化现象；步骤6，提出使用批标准化对网络中每个层次的图片进行处理，避免了梯度消失和梯度爆炸；步骤7，提出使用反卷积即上采样，还原图片像素，每次进行两倍的上采样；步骤8，使用特征拼接来保存多层次的特征，每两次上采样进行一次特征拼接；步骤9，对上采样得到的图片使用argmax函数对两个通道取最大值的通道位置，得到检测结果的二值图，与原图做混合得到检测结果图；步骤10，将函数的输入输出位置封装成api接口，使用pyside2设计页面，将训练得到模型封装。2.根据权利要求1所述的基于图像分割的路面裂缝检测方法，其特征在于，所述数据采集包括如下步骤：步骤1.1：整合及制作数据集，共收录了上万张图片，合并了十几个数据集，增加数据的丰富度；每张图像的名称前缀分配给图像所属的相应数据集的名称，并且数据集中加入了不含裂缝像素的图片作为负样本，为了后续操作的方便，把所有的图片尺寸调整为448
×
448像素大小。3.根据权利要求1所述的基于图像分割的路面裂缝检测方法，其特征在于，所述数据预处理包括如下步骤：步骤2.1：使用了、数据归一化将标签数据转换成了二值图，在计算损失函数等评价指标时会使用模型预测得到的图片与标签数据进行计算，此时要求标签数据必须是二值图；步骤2.2：加入负样本，裂缝数据的特征太过单一化，加入负样本能够使得模型的鲁棒性更强。4.根据权利要求1所述的基于图像分割的路面裂缝检测方法，其特征在于，所述特征提取包括如下步骤：步骤3.1：第一层，经过kernel_size＝7
×
7、out_channel＝64、stride＝2、padding＝3的卷积和卷积核为3
×
3，stride＝2的最大池化得到了224
×
224
×
64的特征图，并将该特征图保存作为特征拼接模块的输入，具体为：步骤3.2：第二层，经过三次kernel_size＝3
×
3、out_channel＝64、stride＝1、padding＝1的卷积，批标准化、relu激活函数、卷积核为3
×
3、outchannel＝64、stride＝1、padding＝1的卷积，批标准化，最后经过残差计算，并将该特征图保存作为特征拼接模块的
输入；步骤3.3：第三层，经过四次kernel_size＝3
×
3、out_channel＝128、stride＝1、padding＝1的卷积，批标准化、relu激活函数、卷积核为3
×
3、outchannel＝128、stride＝1、padding＝1的卷积，批标准化，最后经过残差计算，并将该特征图保存作为特征拼接模块的输入；步骤3.4：第四层，经过六次kernel_size＝3
×
3，out_channel＝256，stride＝1，padding＝1的卷积，批标准化，relu激活函数，卷积核为3
×
3，输出通道为256，stride＝1，padding＝1的卷积，批标准化，最后经过残差计算，并将该特征图保存作为特征拼接模块的输入；步骤3.5：第五层，经过三次kernel_size＝3
×
3、out_channel＝512、stride＝1、padding＝1的卷积，批标准化、relu激活函数，卷积核为3
×
3、输出通道为512、stride＝1、padding＝1的卷积，批标准化函数，并将该特征图保存作为特征拼接模块的输入。5.根据权利要求1所述的基于图像分割的路面裂缝检测方法，其特征在于，所述通道权重设置包括如下步骤：步骤4.1：首先经过一次挤压操作，可以通过池化来进行，生成通道数不变，像素变为1
×
1的通道描述符；步骤4.2：将特征图展开成特征长条，使用全连接层对不同的通道权重进行重新计算；步骤4.3：经过全连接操作学习对各通道的依赖程度，最后学习到每个通道的重要性权值，分别相乘到对应通道，提高重要通道的权重。6.根据权利要求1所述的基于图像分割的路面裂缝检测方法，其特征在于，所述图片像素还原包括如下步骤：步骤7.1：第一层，编码层的输出经过两倍的上采样还原图像为512
×
28
×
28，然后与残差计算保存的特征图进行了拼接，经过两次kernel_size＝3、stride＝1、padding＝1、outchannel＝256的卷积；步骤7.2：第二层，上一层的输出经过两倍的上采样，还原图像为128
×
56
×
56然后与编码层的第一次残差运算的结果通道数叠加，经过两次kernel_size＝3、stride＝1、padding＝1、outchannel＝128的卷积；步骤7.3：第三层，首先经过两倍的上采样，然后与编码层第一层的最大池化后的结果通道数叠加，经过两次kernel_size＝3、stride＝1、padding＝1、outchannel＝128的卷积；步骤7.4：第四层，经过两倍的上采样，然后与编码层第一层的kernel_size＝7、stride＝2、padding＝3、outchannel＝64的卷积结果叠加，经过两次kernel_size＝3、stride＝1、padding＝1、outchannel＝64的卷积；步骤7.5：第五层，经过两次的上采样和卷积，最后使用sigmoid函数激活。
技术总结
本发明公开了一种基于图像分割的路面裂缝检测方法，能够对多种环境下的裂缝图片进行高精度的检测，该方法利用ResNet，Unet，SegNet，Attention，Deeplabv3，Pyside2等算法技术实现基于图像分割的路面裂缝检测方法，并获取了较高的精度和交并化，能够满足实际的需要，本发明涉及智能交通技术领域，具体是提供了一种基于图像分割的路面裂缝检测方法，设计了路面裂缝检测系统，检测系统的准确率达到94％，应用于交通行业能够减少事故的发生，节省大量的维修费用。省大量的维修费用。省大量的维修费用。
技术研发人员：宋永超 王璇 郭涛 徐金东 赵金东 刘兆伟 吕骏 郭健 衣静蕾 李凯强 毕季平 齐泉智
受保护的技术使用者：烟台大学
技术研发日：2022.07.08
技术公布日：2022/10/3