【技術實現步驟摘要】
本專利技術涉及一種面向路面病害目標檢測的漏檢檢測方法，屬于公路路面病害檢測與質量控制領域。
技術介紹
1、瀝青路面是道路建設中一種被最廣泛采用的高級路面。隨著中國自產路用瀝青材料工業的發展，瀝青路面已廣泛應用于城市道路和公路干線，成為目前中國鋪筑面積最多的一種高級路面。然而隨著車流量的增加，天氣頻繁變化等因素，導致各種路面病害不斷出現，路面病害的種類包括但不限于：裂縫、修補和坑槽等。本專利技術的工作涉及了六種不同的路面病害，分別是裂縫、龜裂、松散、坑槽、泛油和修補。目前計算機領域用于檢測路面病害的主流是深度學習中的目標檢測等方法，而使用該方法得到的路面病害目標檢測結果圖片難免會出現少部分的病害漏檢問題。目前該漏檢問題的解決辦法主要有基于人工的復查和基于模型的復查兩種：基于人工的復查在目標檢測結果圖片的數量較多時，可能會消耗大量的時間、人力資源；基于模型的復查雖然理論上消耗的資源會比人工方式更少，但是目前還沒有成熟的方案實例，所以效果未知。
2、現有可行的檢查漏檢的工作只有依靠人為的對目標檢測的結果圖再進行逐張的復查，即檢查邊界框(bounding?box)之內是否有病害類型誤檢的問題，以及boundingbox之外是否有病害遺漏未檢的問題等。經過多次復查和修正之后，最終才能得到更加準確的目標檢測結果圖片。但是目前的方式是存在許多不足的，其存在問題如下：一是消耗的人力物力資源一般會隨著目標檢測結果圖片數量的增加而不斷攀升；二是復查會花費額外大量的時間，且該時間很難縮減；三是長時間枯燥的重復性工作會讓復查人員精力不足、注
技術實現思路
1、本專利技術要解決的技術問題是提供一種面向路面病害目標檢測的漏檢檢測方法，旨在解決在路面病害目標檢測結果圖中，存在少量的漏檢情況，且目前只有人工復查方式可以檢測，存在資源消耗大、時間成本高、標注主觀性導致的效率低下及結果不統一的技術問題。
2、本專利技術的技術方案是：本專利技術設計了一個名為“路面補全”圖像處理技術的數據集預處理方法，此方法可以將路面病害的手標數據集統一處理為漏檢模型的數據集，使用該數據集可以訓練出漏檢模型(二分類)，該模型能夠檢測任意一張路面補全圖片中是否還存在較大、明顯的病害，如果檢測為正樣本，則無漏檢問題；檢測為負樣本，則有漏檢問題，需要使用目標檢測標注工具進行病害標注的補充。本專利技術嘗試填補了使用模型對目標檢測結果圖進行漏檢復查工作的領域空白，具有自動、批量化檢測漏檢問題的潛力。
3、一種面向路面病害目標檢測的漏檢檢測方法，具體步驟為：
4、step1：收集路面病害手工標注數據集；
5、step2：使用“路面補全”圖像處理技術將路面病害手工標注數據集制作為二分類數據集；
6、step3：使用二分類數據集訓練漏檢模型，并進行漏檢檢測，得到漏檢檢測結果；
7、step4：分析漏檢檢測結果，若存在漏檢情況，利用目標檢測標注工具將漏檢的路面病害進行補充標記。
8、具體地，所述step1具體為：
9、step1.1：獲取六種不同類型、數量一致的路面病害手工標注的數據集，圖片均為檢測車采集的灰度圖像，圖像大小為2048*2048，并分別存放在六個文件夾下的image子文件夾中；
10、step1.2：根據所述路面病害手工標注的數據集的文件名稱，找到對應的label標簽文件，統一存放在六個文件夾下的label子文件夾中；
11、step1.3：使用目標檢測標注工具檢查收集到的路面病害手工標注的數據集的標注情況，確保沒有漏標的情況出現。
12、具體地，所述step2具體為：
13、所述“路面補全”的圖像處理技術是一種導入了cv2模塊的python語言所編寫的，可實現自動且批量化地將路面病害手工標注數據集中的bounding?box中的內容替換為正常路面，具體為：
14、step2.1：將未處理過的路面病害手工標注數據集圖片作為待處理圖片；
15、step2.2：根據所述待處理圖片文件名，找到對應的yolo格式的label文件，以行數為單位，按從上到下的順序獲取boundingbox對應的標簽數據行，并計算所述bounding?box的中心點位置、長寬像素點數量和所有boundingbox所占面積；
16、step2.3：根據所述所有bounding?box所占面積，排比出面積最大的boundingbox，記錄對應的label標簽數據所在行數；
17、step2.4：選取長寬大小與所述待處理圖片一致的正常路面圖片，充當背景圖，并進行灰度值調整，使正常路面圖片灰度值達到所述待處理圖片的平均灰度值；
18、step2.5：根據計算出的所述bounding?box的中心點位置、長寬像素點數量和所有boundingbox所占面積，將所述bounding?box中的像素點對點地替換為背景圖中對應的像素值，得到新的背景圖；
19、step2.6：將新的背景圖區域垂直于邊緣的兩個相反方向、需進行高斯模糊的像素長度設為x，將新的背景圖區域的邊緣分別向內和向外x個像素點進行高斯模糊處理，向內模糊邊界和向外模糊邊界之間的距離均為2x個像素點；
20、step2.7：將經過step2.1-step2.6處理后的圖片定義為路面補全圖片，作為漏檢模型數據集的正樣本，并在文件名開頭插入“p_”兩個字符，其中“p”表示正樣本，“_”用于分隔后續的文件名，最后將所述正樣本存放到對應的病害文件夾下的漏檢模型正樣本子文件夾中；
21、step2.8：將所述面積最大的bounding?box內容從所述待處理圖片中裁取出來，點對點地還原到所述路面補全圖片中，得到保留了最大病害的、去除了其它所有病害的漏檢模型數據集的負樣本，并在文件名開頭插入“n_”兩個字符，其中“n”表示負樣本，“_”用于分隔后續的文件名，最后將所述負樣本存放到對應的病害文件夾下的漏檢模型負樣本子文件夾中；
22、step2.9：返回step2.2，獲取新的boundingbox對應的label標簽數據行；若待處理圖片包含的所有label標簽數據行均完成處理，返回step2.1；若路面病害手工標注數據集均完成處理，則“路面補全”圖像處理技術執行結束，完成漏檢模型數據集中的正、負樣本制作；
23、step2.10：將六種病害文件夾下的正、負樣本按5：1比例進行統一劃分，得到漏檢模型數據集的訓練集和驗證集。
24、具體地，所述step3具體為：
25、step3.1：利用訓練集訓練基于yolov5分類模型的漏檢模型；
26、step3.2：使用漏檢模型對測試集進行二分類漏檢檢測，得到漏檢檢測結果；
27、step3.3：對比所述本文檔來自技高網...
【技術保護點】
1.一種面向路面病害目標檢測的漏檢檢測方法，其特征在于，所述的方法具體步驟為：
2.根據權利要求1所述的一種面向路面病害目標檢測的漏檢檢測方法，其特征在于，所述Step1具體為：
3.根據權利要求1所述的一種面向路面病害目標檢測的漏檢檢測方法，其特征在于，所述Step2具體為：
4.根據權利要求1所述的一種面向路面病害目標檢測的漏檢檢測方法，其特征在于，所述Step3具體為：
5.根據權利要求1所述的一種面向路面病害目標檢測的漏檢檢測方法，其特征在于，所述Step4具體為：
6.根據權利要求5所述的一種面向路面病害目標檢測的漏檢檢測方法，其特征在于，所述下一步判定具體為：
【技術特征摘要】
1.一種面向路面病害目標檢測的漏檢檢測方法，其特征在于，所述的方法具體步驟為：
2.根據權利要求1所述的一種面向路面病害目標檢測的漏檢檢測方法，其特征在于，所述step1具體為：
3.根據權利要求1所述的一種面向路面病害目標檢測的漏檢檢測方法，其特征在于，所述step2具體為：
4....
【專利技術屬性】
技術研發人員：陳文柯，代飛，黃苾，劉國璽，巫曉靜，李樂成，甘健侯，周菊香，林紅，楊靜，
申請(專利權)人：西南林業大學，
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。