一种基于Sobel算子桥接的双编码器路面裂缝检测方法

本发明属于交通路面裂缝检测，尤其涉及一种基于sobel算子桥接的双编码器路面裂缝检测方法。

背景技术：

1、道路裂缝的及时检测与处理对路面养护和交通安全至关重要，裂缝检测的准确性直接影响后续定量分析结果。路面裂缝是道路工程中一种常见的病害，其存在会对公路的使用期限和车辆行驶安全产生严重影响。因此，对路面裂缝进行检测具有非常重要的意义。

2、由于路面裂缝在纹理、光照条件以及道路表面背景信息的多样性，比如水渍、路面标线、树叶等因素的存在。传统基于图像处理的裂缝检测方法(主要包括阈值分割、边缘检测和数学形态学)对图像中的干扰很敏感，可能会漏检或错误地识别裂缝。近年来，随着人工智能技术的不断发展，深度学习技术已被广泛应用于路面裂缝的智能检测，并取得了良好的成果。与传统检测方法相比，深度学习技术具有更好的模型泛化能力和鲁棒性，且检测精度更高，适用于各种复杂多样的路面情况。但是，在实际使用中，尽管深度学习虽在路面裂缝分割中取得不错的效果，但依然存在以下不足：1)面对复杂背景,预测结果准确度不高；2)对于细小裂缝，预测结果存在裂缝边界信息丢失的问题。

3、因此，面对路面裂缝的多态性和噪声复杂等问题，怎样提高道路路面裂缝的检测精度，成为目前亟待解决的问题。

技术实现思路

1、针对上述现有技术的不足，本发明提供了一种基于sobel算子桥接的双编码器路面裂缝检测方法，面对路面裂缝的多态性和噪声复杂等问题，可以有效提高道路路面裂缝的检测精度。

2、为了解决上述技术问题，本发明采用了如下的技术方案：

3、一种基于sobel算子桥接的双编码器路面裂缝检测方法，包括以下步骤：

4、s1、构建路面裂缝检测模型，所述路面裂缝检测模型包括编码网络与解码网络；所述编码网络为双编码器网络；双编码器网络包括原图编码路径、梯度编码路径和基于sobel算子的先验边缘检测器；

5、原图编码路径用于对输入的图像进行特征提取及编码，得到多层的原图特征图；先验边缘检测器用于对原图或原图特征图进行先验边缘检测，得到对应层级的边缘特征图；梯度编码路径用于对待处理特征图进行特征提取及编码得到梯度特征图，还用于将梯度特征图与对应层级的边缘特征图通过像素级加法进行融合，得到对应的合并特征图；梯度编码路径的待处理特征图为原图的边缘特征图或上一层得到的合并特征图；

6、其中，原图编码路径及梯度编码路径，均使用混合空洞残差模块drb替换传统卷积层进行特征提取，并在drb结束时通过残差连接解决消失梯度问题，加速收敛；所述drb由多个扩张率不同的空洞卷积以及一个通道注意力机制模块ese组成，且第一个空洞卷积可改变映射通道；多个空洞卷积组成混合空洞卷积模块，用于获得局部信息；ese用于赋予通道不同的权重；

7、s2、获取训练数据集；

8、s3、使用训练数据集对路面裂缝检测模型进行训练；

9、s4、使用训练后的路面裂缝检测模型进行路面裂缝检测。

10、本发明与现有技术相比，具有如下有益效果：

11、1、本方法中构建的路面裂缝检测模型中，编码网络为双编码器网络，并且除了原图编码路径和梯度编码路径之外，还设置了基于sobel算子的先验边缘检测器作为两个路径的桥接模块。在进行路面裂缝的检测时，采集图像后，原图编码路径会对采集的图像进行多层级的特征提取及编码，得到多层的原图特征图，即提取图像不同尺度的细节特征。基于sobel算子的先验边缘检测器，则会对原图或原图特征图进行先验边缘检测，得到对应层级的边缘特征图，从而解决可能存在的图像边缘信息模糊的问题。再然后，梯度编码器会对待处理特征图(即原图的边缘特征图或上一层得到的合并特征图)进行特征提取及编码得到梯度特征图，再将梯度特征图与对应层级的边缘特征图通过像素级加法进行融合，得到对应的合并特征图。这样，可以提取有效的边缘特征，从而弥补可能出现的边缘丢失的问题，并巩固细小裂缝的特征强度。保证对路面图像中细节特征获取的有效性，以及边缘特征获取的有效性，从而保证面对路面裂缝的多态性和噪声复杂等问题时，仍能够有效提高道路路面裂缝的检测精度。

12、2、为了增大编码网络中编码器的感受野，本方法构建的路面裂缝检测模型中提出了混合空洞残差模块drb替换传统卷积层进行特征提取，并在drb结束时通过残差连接解决消失梯度问题，加速收敛。空洞卷积虽然可以扩大提取的感受野，增大卷积核可以提升网络性能，但可能导致感受野不连续，不利于裂纹特征提取，因其大多裂缝只有少数像素宽度。因此，本发明出基于空洞卷积的残差块drb，用以替代传统卷积层。通过增大感受野，drb能够学习到更丰富的语义特征以及更清晰的局部裂纹特征。保证有效地将局部和全局信息进行编码。

13、综上，本发明面对路面裂缝的多态性和噪声复杂等问题，可以有效提高道路路面裂缝的检测精度。

14、优选地，先验边缘检测器通过sobel算子采用八个方向，且每个通道单独进行梯度提取，得到图像八个方向上的梯度信息并进行融合，得到对应的边缘特征图。

15、现有技术中，都是利用sobel边缘检测器分别计算原始图像的水平方向和垂直方向的一阶导数，然后结合不同通道中两种类型的梯度，生成裂缝的的边缘图。然而，单方向sobel操作不能有效地捕获路面裂缝图像中细小裂缝的边缘信息。本方法中，则通过sobel算子采用八个方向，且每个通道单独进行梯度提取，得到图像八个方向上的梯度信息并进行融合，得到对应的边缘特征图。这样，可以捕获多个向的裂缝信息，有效地增强原始图像中不明显的裂缝边缘。

16、优选地，sobel算子采用的八个方向分别为0°、45°、90°、135°、180°、225°、270°和315°。

17、优选地，先验边缘检测器的检测公式为：

18、

19、degress＝{0,45,90,135,180,225,270,315}；

20、其中：

21、

22、

23、

24、式中，p表示处理的图像，*为卷积算子，g为先验边缘检测器的输出。

25、这样的设置，可以有效的保留裂缝图像的梯度信息。

26、优选地，双编码网络还包括多尺度边界增强模块msee，用于对同一层级的原图特征图及梯度特征图进行融合，得到融合特征图，并输入到解码网络。

27、这样的设置，可以将将梯度信息与语义特征信息进行有效的结合，从而弥补边缘丢失的问题。

28、优选地，msee对同一层级的原图特征图及梯度特征图进行融合的过程包括：

29、将梯度特征图xe分别进行1×k和k×1两个尺度的卷积，并全局平均池化，得到权值函数μ1×k和μk×1，表征每个通道的重要性；其中，k＝{3，5}；

30、将原图特征图xs分别通过1×k和k×1卷积，再乘以μk×1和μ1×k，增强具有丰富边缘信息的信道；得到msee的输出ey：

31、ey＝e3+e5+xs；

32、

33、

34、其中，convk×1(·)表示k×1的卷积，conv1×k(·)表示1×k的卷积，表示通道乘法。

35、这样的设置，msee使用横向卷积和纵向卷积相互配合，共同捕捉图像中丰富的水平和垂直特征，从而提高图像特征的丰富度和多样性，同时对图像中的纹理和结构进行更全面的分析和理解。

36、优选地，双编码器还包括通道图卷积注意力模块dcgca，用于对底层特征图进行处理，得到特征通道间的动态拓扑信息，突出重要通道的语义特征后，输入到解码网络；所述底层特征图为原图编码路径最下层的原图特征图与梯度编码路径最下层的梯度特征图通过像素级加法进行融合得到。

37、这样的设置，可以得到特征通道间的动态拓扑信息，还能够突出单通道中的特征。

38、优选地，drb由ese和3个3×3的空洞卷积组成；3个空洞卷积的扩张率依次为1、2、5。

39、这样的设置，可以保证三个空洞卷积形成的混合空洞卷积模块获得的局部信息的有效性。

40、优选地，原图编码路径及梯度编码路径中，进行编码时使用的编码器均为mobilevit。

41、与其他编码器相比，mobilevit能够有效地结合局部和全局特征，从而生成更具表现力的特征表示，有助于理解图像的整体语义和全局结构。并且，由于其轻量级设计和对图像上下文信息的理解能力，在移动设备和资源受限环境下具有较好的性能表现。