本发明属于计算机视觉,尤其涉及一种基于边界框的路面缺陷分割方法和装置。
背景技术:
1、路面缺陷分割主要涉及到语义分割领域相关技术。语义分割算法是一类计算机视觉算法,其目标是将图像中的每个像素分配到对应的语义类别,这说明图像中的每个像素都被赋予一个标签,以表示它属于正常路面区域或者路面缺陷区域。这种技术有许多应用,例如自动驾驶、医学图像分析等。
2、在训练语义分割模型过程中,通常使用深度学习模型自动学习图像中的特征表示,并通过定义一个损失函数来衡量模型的输出与真实标签之间的差异。在一次训练阶段的末尾,需要通过反向传播算法来调整权重,以减小损失函数。成功训练语义分割模型需要大规模的图像数据集,这些数据集要包括图像及其对应的像素级别的语义标签,这些标签通常通过人工标注。标注每个像素的语义标签是一项耗时且劳动密集的任务,通常需要付出相当高的成本。并且,路面缺陷在形状、大小上具有很强的多样性,增加了标注的复杂性和成本。
技术实现思路
1、本发明要解决的技术问题是,提供一种基于边界框的路面缺陷分割方法和装置,以解决标注成本高的问题,允许使用较少的标注工作来训练模型,只需绘制包围路面缺陷的边界框,而不需要对每个像素进行像素级别的标注;在降低数据标注成本的同时,保持高质量的路面缺陷分割效果,为实际应用中的路面维护和监控提供更实用的解决方案。
2、为实现上述目的,本发明采用如下的技术方案:
3、一种基于边界框的路面缺陷分割方法,包括以下步骤:
4、步骤1、采用路面缺陷数据集训练像素标注自动生成器;
5、步骤2、根据训练好的像素标注自动生成器,产生像素级标注数据;
6、步骤3、根据像素级标注数据训练分割模型;
7、步骤4、根据训练好的分割模型,实现路面缺陷分割。
8、作为优选,所述分割模型为u-net分割模型。
9、作为优选,训练像素标注自动生成器包括:
10、构建像素标注自动生成器;
11、采用路面缺陷数据集训练像素标注自动生成器;
12、其中,构建像素标注自动生成器包括:
13、构建像素标注自动生成器中的特征编码网络;
14、构建像素标注自动生成器中的特征解码网络;
15、构建特征编码网络和特征解码网络的损失函数。
16、作为优选,步骤2中,根据训练好的像素标注自动生成器,基于边界框产生像素级标注数据。
17、本发明还提供一种基于边界框的路面缺陷分割装置,包括:
18、第一训练模块,用于采用路面缺陷数据集训练像素标注自动生成器;
19、处理模块,用于根据训练好的像素标注自动生成器,产生像素级标注数据;
20、第二训练模块,用于根据像素级标注数据训练分割模型;
21、分割模块,用于根据训练好的分割模型,实现路面缺陷分割。
22、作为优选,所述分割模型为u-net分割模型。
23、作为优选,第一训练模块包括:
24、构建单元,用于构建像素标注自动生成器;
25、训练单元,用于采用路面缺陷数据集训练像素标注自动生成器;
26、构建单元,包括:
27、第一构建组件,用于构建像素标注自动生成器中的特征编码网络;
28、第二构建组件,用于构建像素标注自动生成器中的特征解码网络;
29、第三构建组件,用于构建特征编码网络和特征解码网络的损失函数。
30、作为优选,处理模块根据训练好的像素标注自动生成器,基于边界框产生像素级标注数据。
31、本发明可以快速、准确的推理出边界框内目标的前景像素作为分割模型的标注数据。相对于传统手工像素级标注方法,本发明利用边界框提示,能够快速、高效地生成前景像素掩码作为标注数据,节省了大量标注时间和人力成本。通过提供精确的前景像素标注数据,该方法有助于训练高质量的路面缺陷分割模型,使其能够更精确地检测和分割路面上的缺陷。由于边界框提示可以轻松应用于各种不同类型的路面缺陷,这种方法在多种道路和地面类型上都具有广泛的适用性。
1.一种基于边界框的路面缺陷分割方法,其特征在于,包括以下步骤:
2.如权利要求1所述的基于边界框的路面缺陷分割方法,其特征在于,所述分割模型为u-net分割模型。
3.如权利要求2所述的基于边界框的路面缺陷分割方法,其特征在于,训练像素标注自动生成器包括:
4.如权利要求3所述的基于边界框的路面缺陷分割方法,其特征在于,步骤2中,根据训练好的像素标注自动生成器,基于边界框产生像素级标注数据。
5.一种基于边界框的路面缺陷分割装置,其特征在于,包括:
6.如权利要求5所述的基于边界框的路面缺陷分割装置,其特征在于,所述分割模型为u-net分割模型。
7.如权利要求6所述的基于边界框的路面缺陷分割装置,其特征在于,第一训练模块包括:
8.如权利要求7所述的基于边界框的路面缺陷分割装置,其特征在于,处理模块根据训练好的像素标注自动生成器,基于边界框产生像素级标注数据。