申请/专利权人：安徽理工大学

申请日：2023-09-01

公开（公告）日：2024-01-02

公开（公告）号：CN117333665A

主分类号：G06V10/26

分类号：G06V10/26;G06V10/764;G06V10/774

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.01.19#实质审查的生效;2024.01.02#公开

摘要：本发明提供了一种基于DeepLabv3+的道路裂缝分割方法，属于图像分割领域，包括：S1在DeepLabv3+中引入U型结构，让模型学习到更多的细节信息，减轻语义信息模糊问题；S2构建了一个新的特征增强模块TEASPP，以捕获更多的边缘信息和全局上下文；S3构建了一个新的门控残差模块GRA，实现在深层次特征中更好的选择和保留重要的特征信息；S4构建了一个新的跳跃连接模块MCCA，减少在跳跃连接时产生的语义差异。此外，在网络模型训练时还引入焦点损失来防止正负样本不平衡。本发明利用改进的DeepLabv3+网络模型进行道路裂缝分割，提高道路裂缝分割的精度，为道路路面维护人员提供高效准确的检测方法，并为高效、可靠、高精度的自动化道路裂缝检测方法后续研究奠定基础。

主权项：1.一种基于DeepLabv3+的道路裂缝分割方法，其特征在于包括如下步骤：步骤1：收集公共道路裂缝数据集，并对数据进行增强，使用网络模型的预训练权值，并初始化编码器。步骤2：采用Xception获取两个不同层次的特征信息，深层次特征和浅层次特征，不同层次特征具有不同的语义信息。步骤3：构建特征增强模块TEASPP，让深层次特征通过特征增强模块。步骤4：构建门控残差模块GRA，将步骤3输出的特征上采样后与经过GRA模块的深层次特征融合并调整通道数后输出。步骤5：构建跳跃连接模块MCCA，将步骤4输出的特征上采样后与经过MCCA模块的浅层次特征融合并调整通道数后输出。步骤6：在模型训练时引入焦点损失来防止正负样本不平衡。

全文数据：

权利要求：

百度查询： 安徽理工大学 一种基于DeepLabv3+的道路裂缝分割方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD