【技術實現步驟摘要】
本專利技術涉及一種基于改進u-net模型的道路裂紋檢測分割方法。
技術介紹
1、早期的道路破損檢測主要是人工察看和基于傳統的機器視覺算法。人工方法費事費力，且效率低下，已經不足以滿足日益增加的道路養護需求。傳統的基于機器視覺的圖像處理算法，如中值濾波、閾值算法、邊緣檢測等，對于圖像中的噪聲、光照變化、復雜背景等干擾因素較為敏感，容易導致處理結果的不穩定性和不準確性。
2、目前，基于深度學習的路面裂縫檢測方法普遍采用卷積神經網絡模型，由于卷積神經網絡具備自主學習特征的能力以及平移不變性，可以克服傳統數字圖像處理方法以及機器學習難以適應裂縫特征以及難以擬合的問題，在圖像檢測領域有廣闊的應用前景。然而，當前路面圖像裂縫的檢測模型，例如現有專利：cn110569730a、cn115035371a，cn115953672a，并未有效區分裂縫區域和背景，且裂縫數據集中存在類內距離大、類間距離小，裂縫區域的邊界不連續且模糊的問題。
技術實現思路
1、本專利技術是為了解決上述現有技術存在的問題而提供一種基于改進u-net模型的道路裂紋檢測分割方法。
2、本專利技術所采用的技術方案有：
3、一種基于改進u-net模型的道路裂紋檢測分割方法，包括以下步驟：
4、s1：獲取不同場景下的道路裂紋圖像，并對道路裂紋圖像進行預處理以及數據集劃分；
5、s2：搭建改進u-net網絡模型，采用劃分后的訓練集訓練改進u-net網絡模型，將測試集中的圖像輸入
6、(1)在原始u-net網絡模型的主干網絡中，采用預訓練的desenet-121作為特征提取器；
7、(2)在原始u-net網絡模型的編碼器中，通過密集連接和transition?layer構建多層特征提取和下采樣過程；
8、(3)在原始u-net網絡模型的解碼器中，通過上采樣和跳躍連接逐步恢復特征分辨率；
9、(4)在編碼器和解碼器的過渡位置引入雙層空間注意力模塊，并在解碼器最后一個卷積層后添加改進的空洞空間金字塔池化模塊，以及采用aspp模塊代替解碼器底層的跳躍連接。
10、進一步地，所述雙層空間注意力模塊是基于cbam注意力機制進行改進，改進點為：
11、將cbam注意力機制的通道注意力模塊替換成雙層級注意力模塊，并在雙層級注意力模塊引入跨通道交互機制，在cbam注意力機制的空間注意力模塊引入空洞卷積機制。
12、進一步地，所述改進的空洞空間金字塔池化模塊是在原始的aspp模塊的基礎上進行改進，改進點為：在aspp模塊上新增分支并引入了全局池化操作；
13、進一步地，所述transition?layer包括平均池化層和一個1x1卷積層。
14、進一步地，所述編碼器包括若干密集模塊denseblock結構，在每個密集模塊denseblock結構中添加有dropout層。
15、進一步地，采用訓練集訓練改進u-net網絡模型，并采用損失函數來更新改進u-net網絡模型的對應參數，以訓練分割改進u-net網絡模型，所述損失函數采用二分類交叉熵損失函數與dice系數損失函數相結合。
16、進一步地，以交并比、精確度、準確率、召回率和f1值作為性能評價指標，對改進u-net網絡模型進行評價驗證。
17、本專利技術針對現有深度學習模型存在裂縫提取不連續、無法解決樣本不均衡問題、模型泛化能力和魯棒性差、所需訓練樣本量龐大以及模型計算效率低無法進行實時檢測等問題，提出一種基于改進u-net模型的道路裂紋檢測分割方法。本專利技術在原有的連接中加入密集連接，通過多個卷積層的堆疊，使得網絡可以充分地利用之前層的特征信息，并通過跳躍連接將特征傳遞到后續層，增強了特征的復用和信息流動性。并在編碼器和解碼器的過渡位置引入雙層空間注意力模塊(dcsa)，包括雙層級注意力模塊(bilevel?attention)和空間注意力模塊(spatial?attention)。雙層級注意力模塊能夠提升特征的表征能力和區分度，空間注意力模塊通過對特征圖的平均池化和最大池化操作，學習到特征圖的空間相關性；在解碼器最后個卷積層后添加改進的空洞空間金字塔池化模塊(asppplus模塊)，通過使用不同尺度的空洞卷積，增大感受野，捕捉到不同尺度的上下文信息，在網絡底層添加aspp模塊進一步提升模型對不同尺度裂縫特征的感知能力。該方法對道路裂紋的檢測分割精度優于傳統u-net，改進的網絡為道路裂紋檢測分割問題提供了一種可行的解決方案。
18、本專利技術提高道路裂紋檢測的準確性和效率，以確保道路的安全和舒適性，并為道路維護工作提供有效的支持。密集連接在一定程度上緩解梯度消失問題，促進信息的流動和特征的重用，有助于提取更豐富的特征。
本文檔來自技高網...【技術保護點】
1.一種基于改進U-Net模型的道路裂紋檢測分割方法，其特征在于：包括以下步驟：
2.如權利要求1所述的基于改進U-Net模型的道路裂紋檢測分割方法，其特征在于：所述雙層空間注意力模塊是基于CBAM注意力機制進行改進，改進點為：
3.如權利要求1所述的基于改進U-Net模型的道路裂紋檢測分割方法，其特征在于：所述改進的空洞空間金字塔池化模塊是在原始的ASPP模塊的基礎上進行改進，改進點為：在ASPP模塊上新增分支并引入了全局池化操作。
4.如權利要求1所述的基于改進U-Net模型的道路裂紋檢測分割方法，其特征在于：所述Transition?Layer包括平均池化層和一個1x1卷積層。
5.如權利要求1所述的基于改進U-Net模型的道路裂紋檢測分割方法，其特征在于：所述編碼器包括若干密集模塊DenseBlock結構，在每個密集模塊DenseBlock結構中添加有Dropout層。
6.如權利要求1所述的基于改進U-Net模型的道路裂紋檢測分割方法，其特征在于：采用訓練集訓練改進U-Net網絡模型，并采用損失函數來更新改進U
7.如權利要求1所述的基于改進U-Net模型的道路裂紋檢測分割方法，其特征在于：以交并比、精確度、準確率、召回率和F1值作為性能評價指標，對改進U-Net網絡模型進行評價驗證。
...【技術特征摘要】
1.一種基于改進u-net模型的道路裂紋檢測分割方法，其特征在于：包括以下步驟：
2.如權利要求1所述的基于改進u-net模型的道路裂紋檢測分割方法，其特征在于：所述雙層空間注意力模塊是基于cbam注意力機制進行改進，改進點為：
3.如權利要求1所述的基于改進u-net模型的道路裂紋檢測分割方法，其特征在于：所述改進的空洞空間金字塔池化模塊是在原始的aspp模塊的基礎上進行改進，改進點為：在aspp模塊上新增分支并引入了全局池化操作。
4.如權利要求1所述的基于改進u-net模型的道路裂紋檢測分割方法，其特征在于：所述transition?layer包括平均池化層和一個1x1卷積層。
5.如權利要求1...
【專利技術屬性】
技術研發人員：王永星，陸羽琪，陸文雪，成淑婷，
申請(專利權)人：江蘇理工學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。