CN118918551B 一种基于深度学习的道路缺陷检测方法 （成都红云鼎科技有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN118918551B(45)授权公告日2025.07.11

(21)申请号202410949985.6

(22)申请日2024.07.16

(65)同一申请的已公布的文献号申请公布号CN118918551A

(43)申请公布日2024.11.08

(73)专利权人成都红云鼎科技有限公司

地址610046四川省成都市武侯区金履路

300号附51号

(72)发明人陈丞汪潋王家伟乔少杰韩楠

(74)专利代理机构成都玖和知识产权代理事务所(普通合伙)51238

专利代理师王海权

GO6V10/764(2022.01)

GO6V10/80(2022.01)

GO6V10/82(2022.01)

GO6N3/0442(2023.01)

GO6N3/045(2023.01)

GO6N3/092(2023.01)

GO6N3/084(2023.01)

(56)对比文件

CN114066808A,2022.02.18CN117474786A,2024.01.30CN112184625A,2021.01.05审查员高琳

(51)Int.CI.

GO6V20/56(2022.01)权利要求书8页说明书21页附图7页

(54)发明名称

一种基于深度学习的道路缺陷检测方法

(57)摘要

CN118918551B本发明提供了一种基于深度学习的道路缺陷检测方法，该方法包括通过计算帧间相似度筛选噪声帧，应用加权像素替代，使用改进的加权平均滤波器进行平滑处理和多帧降噪得到新图像；利用改进的多尺度空洞卷积结构提取输入图像的特征金字塔，在每一层应用多尺度G-LBP算子提取特征，得到图像多尺度特征图；设计目标检测算法识别特征图上的缺陷位置和边界框，设计卷积注意力模块从不同尺度检测道路缺陷目标；构建道路缺陷分类器，对检测到的目标按坑洼缺陷、裂缝缺陷进行分类；根据缺陷类型计算其损坏程度并划分等级，得到每个道路缺陷的等级；本发明能够有效识别和分类道路上的不同类

CN118918551B

根据原始图像数据，构建图像预处

根据原始图像数据，构建图像预处

刘天改进的客尽皮特征提取算法，

获取当前路面裂缝、坑洼等缺陷的

低、中、高层的不同特征

构建目标检测算法，在特征图中进行道路缺陷的目标识别

其计算损坏程度，并做损坏等级划

将识别到的道路缺陷信息传回车辆

显示器进行预警，并将相关信息上传至云端进行分析和统计

CN118918551B权利要求书1/8页

2

1.一种基于深度学习的道路缺陷检测方法，其特征在于：包括以下步骤：

步骤S1:根据原始图像数据，构建图像预处理器，基于时序进行多帧平滑和降噪的预处理操作；

步骤S2:基于改进的多尺度特征提取算法，对处理后的图像进行特征值提取，获取当前路面裂缝、坑洼缺陷的低、中、高层的不同特征；所述步骤S2具体包括：步骤S201:在输入图像上运用改进的多膨胀率融合的空洞卷积操作，得到输入图像的初步特征图C?-C及与其对应不同深度的子特征图D?-D;步骤S202:在特征图C?-C每一层之间引入一个交叉注意力层，通过设计的AN网络学习其子特征图间的相关性；步骤S203:将特征图C?-C中各自不同子特征图D*进行多尺度融合，得到最终的特征金字塔P;步骤S204:在得到的特征金字塔P的每一层上应用多尺度G-LBP算子，进行特征提取得到特征图，多尺度特征提取方法具体为；

(1)在图像中划分出n个m×m的网格，每个网格中包括不同半径r和不同采样点p;

(2)计算每个局部网格中r为r?,p为p?的MC-LBP算子特征值M,特征值M计算公式如下：

其中，M。,r(x,y)表示MC-LBP算子特征值，p为采样点个数，r为半径，(x,y)为中心点的坐标，s(·)为阈值函数，阈值函数公式如下：

其中，θ是第i个采样点的角度，g(x,y)、g(x+rcos(θ),y+rsin(θ))分别为中心像素和采样点的灰度值；

(3)根据局部