(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210675554.6 (22)申请日 2022.06.15 (71)申请人 兰州交通大 学 地址 730070 甘肃省兰州市安宁区安宁西 路118号 (72)发明人 张志华　邓砚学　张新秀　 (74)专利代理 机构 兰州泽一知识产权代理有限 公司 62207 专利代理师 陈超 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/62(2017.01) G06V 10/44(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种沥青路面 修补病害自动提取方法 (57)摘要 本发明属于路面病害识别检测领域， 涉及一 种沥青路面修补病害自动提取方法。 包括步骤 为： 图像对比度增强， 构建数据集， 改进SegNet和 模型训练， 修补病害自动提取。 效果： 标线去除+ MSRCR方法改善 图像质量， 减弱强度不均匀性和 亮度不均匀性对病害图像识别检测方法的影响。 运用空洞卷积层和1 ×1卷积层的组合， 有效增大 了感受野范围， 能获取更多更详细的特征信息， 改善原网络因卷积和池化引起的信息丢失而导 致精度下降的问题。 运用试验所得到阈值(50<L< 75， 2500<A<5000)剔除分割结果中的假阳性， 得 到较为精确分割结果。 权利要求书2页 说明书4页 附图3页 CN 115170479 A 2022.10.11 CN 115170479 A 1.一种沥青路面 修补病害自动提取 方法， 其特 征在于包括 步骤为： 1） 图像对比度增强 S1、 由道路检测车采集沥青路面修补病害图像， 图像数量和分辨率满足数据构建最低 要求， 利用白色道路标线 形状规则、 整体像素值远大于其周围路面的特点， 取白色道路标线 附近三点或四点的像素值均值逐一 填充标线， 达 到去除标线的效果； 白色道路标线去除的计算方法： 读取像素点P(i， j)处的像素值VP(i， j)， 其中i、 j分别为 行坐标与 列坐标； 如果VP(i， j)>125， 则按以下 方式处理： ①当j<100， VP(i， j)等于P(i， j+10 0)、 P(i‑100， j+100)、 P(i+10 0， j+100)三者的平均值； ②当100<j<1700， VP(i， j)等于P(i， j ‑100)、 P(i ‑100， j‑100)、 P(i， j+200)、 P(i+200， j+ 200)四者的平均值； ③当j>1700， VP(i， j)等于P(i， j ‑100)， P(i ‑100， j‑100)和P(i+100， j ‑100)三者的平均 值； 如果VP(i， j)小于等于125， 则像素点P(i， j)处的像素值VP(i， j)不变， 将获得的去除白色道路标线的图像通过对比度增强软件增强图像对比度； 2） 构建数据集 S2、 通过数据标注软件制作样本标签， 得到图像和对应的标签， 修补病害的标签赋值 （128， 0， 0） ； S3、 将S1中已处 理的图像裁 剪得到裁剪图像， 裁 剪图像的分辨 率为256×256像素； S4、 将S3所得裁剪图像经旋转90 °、 旋转180 °、 上下翻转、 左右翻转， 得到数量是S3图像 数量倍数的图像， 按6:3:1构建训练集、 测试集、 验证集； 3） 改进SegNet和模型训练 S5、 在SegNet基础上， 用ResNet50作为编码器， 网络输入层的图像分辨率为256 ×256× 3， 分别代表宽度、 长度和通道数， 通过一个池化层、 49个卷积层进行下采样， 编码器网络最 终输出特征图的宽度、 高度和卷积核数量 为8×8×2048； S6、 在解码过程中， 用空洞率为4、 8、 12、 16， 卷积核为3 ×3的卷积层， 分别对16 ×16×2、 32×32×2、 64×64×2、 128×128×2的特征图进行空洞卷积， 依次得到D 1:8×8×2、 D2:16 ×16×2、 D3:32×32×2、 D4:64×64×2的特征图； 用卷积核为1 ×1的卷积层对8 ×8×2的特 征图进行卷积， 与D1融合并进行两倍上采样， 得到E1:  16×16×2； 用卷积核为1 ×1的卷积 层对E1进行卷积， 将得到的特征图与D2融合并进行两倍上采样， 得到E2:  32×32×2； 用卷 积核为1×1的卷积层对E2进 行卷积， 将得到的特征图与D 3融合并进行两倍上采样， 得到E3:   64×64×2； 用卷积核为1 ×1的卷积层对E3进行卷积， 将得到的特征图与D4融合并进行两倍 上采样， 得到E4:  128×128×2； 对E4进行二倍上采样， 得到与输入图像尺 寸相同的特征图， 通过Softmax层生成特 征图的分辨 率为256×256×2， 代表其宽度、 高度和类别数； S7、 使用MIoU和F1作 为评价指标， 以交叉熵作 为损失函数， 采用自适应距估计优化算法 作为优化器对网络进行训练； S8、 运用训练好的模型预测某个地区的路面修补图像， 挑选出预测结果较差的修补图 像， 通过人工对其进 行病害标注， 将标注后的标签和图像放入训练集对模型重新训练， 逐步 提高模型的预测精度；权　利　要　求　书 1/2 页 2 CN 115170479 A 24） 修补病害自动提取 S9、 用已建立的数据集训练改进的网络， 应用已训练的模型自动提取修补病害， 生成裂 缝修补病害图像分割数据集， 分割数据集包括 修补和假阳性； S10、 对S9中的分割结果进行统计分析， 并进行实验， 得到同时运用面积 A和长、 宽的绝 对值L作为阈值， 其中50< L<75、 2500< A<5000， 即可剔除结果中的假阳性， 得到修补病害较为 精确分割结果。 2.根据权利要求1所述的一种沥青路面修补病 害自动提取方法， 其特征是： S1采集沥青 路面修补病害图像的数量和分辨 率为890幅、 168 8×1874。 3.根据权利要求1所述的一种沥青路面修补病 害自动提取方法， 其特征是： S1的去除白 色道路标线的图像增强图像对比度的方法为MSRCR方法。 4.根据权利要求1所述的一种沥青路面修补病 害自动提取方法， 其特征是： S2的数据标 注软件选用Labelme。权　利　要　求　书 2/2 页 3 CN 115170479 A 3