本發(fā)明屬于圖像檢測，具體涉及一種用于不同環(huán)境的路面裂縫檢測方法。

背景技術(shù)：

1、道路裂縫檢測旨在從路面提取和識別裂縫以便對道路狀況進行評估，為道路的維護和修繕工作提供幫助。及時準確的對道路裂縫進行檢測具有重要意義，這不但能夠防止路面損傷的擴大，并且能夠降低道路維護的成本，同時也能進一步減少交通事故的發(fā)生，提高人們出行的安全性。然而，由于道路裂縫通常存在形狀差異大、方向多樣、連續(xù)性差以及在實際采集過程中容易受到環(huán)境因素(如天氣、光線和污漬)干擾等問題，導(dǎo)致當前裂縫檢測方法的準確性難以提升。這也使得道路裂縫檢測成為了視覺任務(wù)中具有挑戰(zhàn)性的問題之一。

2、近年來，深度學習技術(shù)以其出色的性能廣泛應(yīng)用于計算機視覺任務(wù)。與早期方法相比，基于卷積神經(jīng)網(wǎng)絡(luò)和transformer的方法能夠在不需要手動進行特征工程的情況下實現(xiàn)精確的裂縫提取，同時表現(xiàn)出較強的魯棒性和高的檢測性能。然而，目前大多數(shù)方法僅利用在標準環(huán)境光照條件下獲取的裂縫數(shù)據(jù)進行訓(xùn)練和測試，忽視了天氣和光照變化等外部環(huán)境因素對裂縫檢測的影響。這種疏漏限制了模型的泛化能力和適用場景的范圍。

3、此外，路面裂縫形狀和方向的多樣性使得以往的方法難以捕捉全面的裂縫信息，從而影響了模型的檢測和泛化性能。為了獲得更好的檢測性能，以往的研究往往專注于復(fù)雜模型的開發(fā)，卻忽視了這些模型的實際應(yīng)用效率。因此，許多當前的深度學習方法面臨復(fù)雜性高、參數(shù)集合大、計算效率低和移動平臺優(yōu)化不足等挑戰(zhàn)。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供了一種用于不同環(huán)境的路面裂縫檢測方法，實現(xiàn)了不同環(huán)境下的路面裂縫檢測，解決了針對路面裂縫檢測存在現(xiàn)有模型結(jié)構(gòu)復(fù)雜、參數(shù)數(shù)量大和效率低下的問題。

2、為了解決上述技術(shù)問題，本發(fā)明的技術(shù)方案為：一種用于不同環(huán)境的路面裂縫檢測方法，包括以下步驟：

3、s1、將路面裂縫圖像輸入至亮度自適應(yīng)調(diào)節(jié)和特征處理模塊中，進行特征初步提取，得到路面裂縫初步特征；

4、s2、將路面裂縫初步特征輸入至編碼器網(wǎng)絡(luò)進行逐級編碼，得到路面裂縫編碼特征；

5、s3、將路面裂縫編碼特征輸入至解碼器網(wǎng)絡(luò)進行特征加權(quán)融合，得到路面裂縫最終特征，并通過路面裂縫最終特征實現(xiàn)路面裂縫檢測。

6、進一步地，所述亮度自適應(yīng)調(diào)節(jié)和特征處理模塊、編碼器網(wǎng)絡(luò)和解碼器網(wǎng)絡(luò)依次連接，構(gòu)成輕量化路面裂縫檢測模型；

7、所述輕量化路面裂縫檢測模型的損失函數(shù)的表達式為：

8、

9、其中，l(·)表示交叉熵損失函數(shù)，y表示真實標簽，p表示預(yù)測結(jié)果，yj表示第j個像素的真實標簽，pj表示第j個像素的預(yù)測結(jié)果。

10、進一步地，所述亮度自適應(yīng)調(diào)節(jié)和特征處理模塊包括亮度自適應(yīng)單元、視錐細胞處理單元以及視桿細胞處理單元；所述亮度自適應(yīng)單元分別與視錐細胞處理單元以及視桿細胞處理單元連接。

11、進一步地，所述亮度自適應(yīng)單元采用亮度自適應(yīng)函數(shù)對輸入圖像的亮度進行調(diào)節(jié)；

12、所述亮度自適應(yīng)函數(shù)的表達式為：

13、

14、其中，ia表示亮度自適應(yīng)單元的輸出特征，f(·)表示亮度自適應(yīng)函數(shù)，i表示輸入圖像，ω表示可學習參數(shù)，vmax表示輸入圖像的最大亮度，l表示輸入圖像的亮度；

15、所述亮度自適應(yīng)單元的輸出特征ia包括r通道特征iar、g通道特征iag、b通道特征iab和灰度特征iag；

16、所述亮度自適應(yīng)調(diào)節(jié)和特征處理模塊的表達式為：

17、ic＝c3×3(c3×3(iar))+c3×3(c3×3(iag))+c3×3(c3×3(iab))

18、ir＝c3×3,4(c3×3,2(iag))

19、io＝ic+ir

20、其中，ic表示視錐細胞處理單元的輸出特征，ir表示視桿細胞處理單元的輸出特征，io表示路面裂縫初步特征，c3×3(·)表示卷積核為3的常規(guī)卷積，c3×3,4(·)表示膨脹率為4的膨脹卷積，c3×3,2(·)膨脹率為2的膨脹卷積。

21、進一步地，所述編碼器網(wǎng)絡(luò)包括四個gabor差分塊和三個最大池化層；

22、所述四個gabor差分塊包括第一gabor差分塊、第二gabor差分塊、第三gabor差分塊以及第四gabor差分塊；所述三個最大池化層包括第一最大池化層、第二最大池化層和第三最大池化層；

23、所述第一gabor差分塊、第一最大池化層、第二gabor差分塊、第二最大池化層、第三gabor差分塊、第三最大池化層和第四gabor差分塊依次連接；

24、所述第一gabor差分塊輸出第一編碼特征；所述第二gabor差分塊輸出第二編碼特征；所述第三gabor差分塊輸出第三編碼特征；所述第四gabor差分塊輸出第四編碼特征；

25、所述第一編碼特征、第二編碼特征、第三編碼特征和第四編碼特征共同作為路面裂縫編碼特征。

26、進一步地，所述gabor差分塊的表達式為：

27、c1＝c3×3(gd_layer(ig))

28、c2＝c3×3(gd_layer(ig))

29、w＝sigmoid(c1×1(c1))

30、og＝c2+w×c1

31、其中，c1表示第一差分特征，c2表示第二差分特征，ig表示gabor差分塊的輸入特征，gd_layer(·)表示gabor差分層，c3×3(·)表示卷積核為3的常規(guī)卷積，c1×1(·)表示卷積核為1的常規(guī)卷積，w表示權(quán)重參數(shù)，sigmoid(·)表示激活函數(shù)，og表示gabor差分塊的輸出特征。

32、進一步地，所述gabor差分層的表達式為：

33、omax＝max(cat(gcd*igd_layer,gad*igd_layer))

34、omin＝min(cat(gcd*igd_layer,gad*igd_layer))

35、ogd_layer＝c1×1(cat(omax,omin))

36、其中，omax表示最大差分特征，omin表示最小差分特征，max(·)表示取最大值，min(·)表示取最小值，gcd表示中心差分與gabor濾波器組合而成的第一卷積核，gad表示角度差分與gabor濾波器組合而成的第二卷積核，*表示卷積操作，igd_layer表示gabor差分層的輸入特征，cat(·)表示拼接操作，ogd_layer表示gabor差分層的輸出特征。

37、進一步地，所述解碼器網(wǎng)絡(luò)包括六個概率加權(quán)融合模塊；

38、所述六個概率加權(quán)融合模塊包括第一概率加權(quán)融合模塊、第二概率加權(quán)融合模塊、第三概率加權(quán)融合模塊、第四概率加權(quán)融合模塊、第五概率加權(quán)融合模塊以及第六概率加權(quán)融合模塊；

39、所述第一概率加權(quán)融合模塊的輸入特征為第一編碼特征和第二編碼特征；所述第二概率加權(quán)融合模塊的輸入特征為第二編碼特征和第三編碼特征；所述第三概率加權(quán)融合模塊的輸入特征為第三編碼特征和第四編碼特征；

40、所述第四概率加權(quán)融合模塊的輸入特征為第一概率加權(quán)融合模塊的輸出特征和第二概率加權(quán)融合模塊的輸出特征；所述第五概率加權(quán)融合模塊的輸入特征為第二概率加權(quán)融合模塊的輸出特征和第三概率加權(quán)融合模塊的輸出特征；所述第六概率加權(quán)融合模塊的輸入特征為第四概率加權(quán)融合模塊的輸出特征和第五概率加權(quán)融合模塊的輸出特征；

41、所述第六概率加權(quán)融合模塊的輸出特征輸入至1×1的卷積中，得到路面裂縫最終特征。

42、進一步地，所述概率加權(quán)融合模塊的表達式為：

43、opwf＝pw(i1)+upsample(pw(i2))

44、其中，opwf表示概率加權(quán)融合模塊的輸出特征，pw(·)表示概率權(quán)重單元，i1表示概率加權(quán)融合模塊的第一輸入特征，i2表示概率加權(quán)融合模塊的第二輸入特征，upsample(·)表示上采樣操作。

45、進一步地，所述概率權(quán)重單元的表達式為：

46、cout＝c3×3,2(c3×3(ipw))

47、pwout＝sigmoid(c1×1(cout))×cout

48、σ＝mean(sigmoid(c1×1(cout)))

49、pwfusion＝pwout+σ×cout

50、其中，cout表示膨脹特征，c3×3,2(·)膨脹率為2的膨脹卷積，c3×3(·)表示卷積核為3的常規(guī)卷積，ipw表示概率權(quán)重單元的輸入特征，pwout表示權(quán)重矩陣，c1×1(·)表示卷積核為1的常規(guī)卷積，sigmoid(·)表示激活函數(shù)，σ表示權(quán)重矩陣均值，mean(·)表示取平均值，pwfusion表示概率權(quán)重單元的輸出特征。

51、本發(fā)明的有益效果是：(1)提出了輕量化路面裂縫檢測模型，將深度學習技術(shù)與生物視覺系統(tǒng)中的亮度適應(yīng)機制相結(jié)合，實現(xiàn)了對不同環(huán)境中輸入圖像的自適應(yīng)調(diào)整和特征處理，同時具備更高的效率、更少的參數(shù)和更低的計算開銷；

52、(2)通過亮度自適應(yīng)特征處理模塊，模擬生物視覺系統(tǒng)的亮度適應(yīng)機制，對輸入圖像進行亮度調(diào)整和特征處理；

53、(3)針對裂縫形狀的顯著變化和多樣化的方向挑戰(zhàn)，提出了gabor差分塊模擬了生物視覺系統(tǒng)對不同方向和頻率的視覺刺激的響應(yīng)，能夠提取裂縫的形狀和方向，同時抑制背景紋理干擾，實現(xiàn)了裂縫形狀和方向特征的提??；

54、(4)利用概率加權(quán)融合模塊對相鄰的側(cè)輸出特征進行配對融合，促進了有效的特征提取并減少了背景紋理的影響。