一种基于卷积神经网络的坑洼道路检测系统和检测方法

本发明属于计算机视觉和机器学习，特别是涉及到一种基于卷积神经网络的坑洼道路检测系统和检测方法。

背景技术：

1、近年来，随着全球经济的快速增长，交通系统的压力与日俱增。尤其是道路维护和安全问题，成为了公共安全管理中的重点议题。道路表面的坑洼问题，特别值得关注，它不仅增加了车辆运行成本，更直接影响到行车安全。研究表明，坑洼道路是导致交通事故和车辆损坏的主要因素之一。因此，开发一种既高效又准确的坑洼检测技术，对于提高道路使用寿命和确保驾驶安全具有至关重要的意义。传统的坑洼检测方法主要依赖于人工视觉检查和基本的机器学习技术，如支持向量机、决策树或随机森林等。这些方法在实际应用中有很多局限性，特别是在处理大规模和复杂的道路环境数据时，常常因为效率低下和准确度不足而受到限制。例如，人工检查不仅耗时长，而且容易受到检查人员主观判断的影响，导致检测结果的不一致性。机器学习方法虽然提高了检测的自动化程度，但在特征提取和模型泛化方面仍存在不足。

2、因此现有技术当中亟需要一种新型的技术方案来解决这一问题。

技术实现思路

1、本发明所要解决的技术问题是：提供一种基于卷积神经网络的坑洼道路检测系统和检测方法，用于解决现有技术中检测方法在处理大规模和复杂的道路环境数据时效率低下和准确度不足的问题。

2、本发明所采取的技术方案是提供一种基于卷积神经网络的坑洼道路检测系统，所述检测系统包括图像预处理模块、pd-cnn模块、随机森林模块和控制模块；

3、所述图像预处理模块用于对道路图像进行标准化处理和特征提取；

4、所述pd-cnn模块用于对预处理后的图像进行分类和识别；

5、所述随机森林模块用于对分类结果进行验证和进一步处理；

6、所述控制模块用于协调图像预处理模块、pd-cnn模块和随机森林模块的操作。

7、所述图像预处理模块采用局部二值模式特征提取方法，以增强系统模型对不同格式和质量的道路图像的处理能力。

8、所述pd-cnn模块基于vgg16模型预训练构建，并通过调整参数以优化模型性能，pd-cnn模块进行了定制化调整，包括冻结某些层的权重以保持预训练网络的特征提取能力，同时解冻最后几层以进行微调，确保模型可以适应特定类型的道路图像特征。

9、所述控制模块包括参数优化单元，用于在训练过程中调整pd-cnn模型的参数，以达到最佳分类性能。

10、本发明所采取的另一种技术方案是提供一种基于卷积神经网络的坑洼道路检测方法，包括以下步骤：

11、(1)数据收集与预处理

12、从不同来源收集道路图像，通过图像预处理模块对道路图像进行标准化处理，包括去噪和增强；图像预处理模块通过albumentations库进行数据增强，albumentations库允许更精确地对每个变换的参数进行细致调整，使其增强后的数据集更加适应特定的坑洼道路识别训练，包括但不限于各种噪声、模糊、光照变化、遮挡模拟等复杂变换，后续图像预处理模块还对道路图像进行了标准化处理和局部二值模式(lbp)特征提取，这种方法极大地增强了图像中的关键特征；

13、(2)特征提取

14、采用局部二值模式特征提取方法提取道路图像的特征；

15、(3)模型训练

16、将预处理后的图像输入pd-cnn模型进行训练，冻结某些层的权重以保持预训练网络的特征提取能力，同时解冻最后几层以进行微调，确保模型可以适应特定类型的道路图像特征；引入早停技术和模型检查点以优化训练过程，防止过拟合并确保在验证集上获得最佳性能；通过使用earlystopping和modelcheckpoint这两种回调函数，帮助模型保持对未见数据的泛化能力，确保每次得到的最佳模型都被保存；训练的后期阶段通过在数据集上微调预训练模型的高层(最后两到三个卷积块)，细调整这些层以使模型更好地适应特定的坑洼形状和大小，优化模型性能；

17、(4)分类与验证

18、利用训练好的pd-cnn模型对图像进行分类，使用随机森林模块对分类结果进行验证，经过验证的随机森林和lbp组合模块，通过参数调优找到最佳的模型配置；

19、(5)结果输出与分析

20、根据分类和验证结果，输出检测报告。

21、所述步骤(1)中预处理的方式是将输入图像调整为224x224的标准尺寸，以适配pd-cnn模型的输入要求，然后将图像从rgb色彩空间转换到hsv色彩空间，在hsv空间应用直方图均衡化以增强图像的对比度，在明度通道进行伽马校正，伽马值为2.2，以调整图像的亮度，使用5x5高斯滤波器进行平滑处理，以去除图像噪声。

22、所述步骤(2)中pd-cnn模型通过多层卷积和池化提取图像特征，卷积层用于提取低层次到高层次的特征，池化层用于降低特征图的维度和减少计算复杂度；采用局部二值模式特征提取方法，增强模型对道路图像中不同纹理和杂质的识别能力；利用opencv库进行图像处理，包括计算lbp特征，并结合matplotlib库进行特征的可视化，进一步提高模型在处理复杂道路环境中的表现。

23、所述步骤(3)中将预处理后的图像输入到预训练的pd-cnn模型中进行训练，通过调整pd-cnn模型的参数如学习率、批量大小等，以优化模型性能，使其适应不同的道路图像数据，训练过程中，利用数据增强技术提升模型的泛化能力，确保模型在各种实际道路环境下均能保持高精度的分类和识别性能。

24、所述方法还包括通过不同的评估指标对模型进行全面检验，包括精确率、召回率、f1分数和roc曲线等。

25、一种计算机可读存储介质，其上存储有计算机程序，所述程序在被计算机执行时实现上述任一项所述的方法。

26、通过上述设计方案，本发明可以带来如下有益效果：

27、本发明结合了深度学习和传统机器学习的优势，通过标准化预处理和lbp特征提取方法，能够提供更强的特征提取能力和更高的模型泛化能力。通过标准化预处理，将图像统一调整为224x224的标准尺寸，进行颜色空间转换和直方图均衡化，提高对比度和一致性，并使用高斯滤波器去除噪声，增强模型的鲁棒性。lbp特征提取通过比较像素与周围邻域的强度生成二进制数，特别适用于处理纹理信息，增强模型对道路图像中不同纹理和杂质的识别能力。相比于其他方法，标准化预处理减少了特征提取中的干扰因素，lbp则在纹理特征处理上更具优势。结合这两种方法，显著提升了图像特征的一致性和鲁棒性，增强了模型在复杂道路环境中的适应能力和分类性能，相比其他技术更具效率和准确性，提高了模型对不同格式和质量图像的适应性。在模型训练过程中，通过引入早停技术(earlystopping)和模型检查点(modelcheckpoint)，有效防止了模型的过拟合，确保在验证集上获得最佳性能。这些技术有助于模型保持对未见数据的泛化能力，并确保每次训练的最佳模型都被保存。此外，通过冻结预训练模型(vgg16)的某些层权重以保持其特征提取能力，同时解冻最后几层进行微调，使模型可以适应特定类型的道路图像特征。训练的后期，通过在数据集上微调预训练模型的高层(最后两到三个卷积块)，细调整这些层，使模型更好地适应特定的坑洼形状和大小，进一步优化模型性能。实验结果表明，pd-cnn模型在训练集上的准确度达到了98.339％，验证集上的准确度达到了99.003％，显示出极高的分类性能。