(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211345274.5 (22)申请日 2022.10.31 (71)申请人 深圳市城市交通 规划设计 研究中心 股份有限公司 地址 518131 广东省深圳市龙华区民治街 道龙塘社区星河传奇花园三期商厦1 栋C座1210 申请人 深圳市交通科 学研究院有限公司 (72)发明人 贾磊　周子益　孟安鑫　刘星　 陈李沐　周崇毅　童青峰　李鋆元　 (74)专利代理 机构 哈尔滨市伟晨专利代理事务 所(普通合伙) 23209 专利代理师 李晓敏 (51)Int.Cl. G06V 20/10(2022.01)G06V 20/64(2022.01) G06V 10/10(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 5/02(2006.01) (54)发明名称 一种路面线性裂缝识别方法、 电子设备及存 储介质 (57)摘要 一种路面线性裂缝识别方法、 电子设备及存 储介质， 属于道路工程检测技术领域。 为解决路 面线性裂缝识别时准确率不高的问题。 本发明采 用线结构光三维扫描技术， 采集路面线性裂缝的 三维图像， 然后从采集到的路面线性裂缝的三维 图像中提取路面线性裂缝的尺 寸数据、 路面深度 数据， 根据路面线性裂缝的尺寸数据， 利用计算 机模拟生 成尺寸相同的 图像， 然后采用随机生成 算法， 构建路面线性裂缝标准数据集； 构建基于 知识蒸馏 技术的轻量化深度学习网络模型， 对路 面线性裂缝标准数据集的训练集进行训练， 然后 对路面线性裂缝标准数据集的测试集进行路面 线性裂缝识别。 本发明提高裂缝识别准确率和速 度， 简单易实现， 占用计算资源少， 普适 性强。 权利要求书3页 说明书9页 附图2页 CN 115393727 A 2022.11.25 CN 115393727 A 1.一种路面线性裂缝识别方法， 其特 征在于： 包括如下步骤： S1、 采用线结构光三维扫描技术， 采集路面线性裂缝的三维图像， 然后从采集到的路面 线性裂缝的三维 图像中提取路面线性裂缝的尺寸数据、 路面深度数据， 以路面深度数据作 为像素位置的像素值， 采用像素标准化方法， 将路面线性裂缝的三维 图像的像素值映射到 0‑255之间； S2、 根据步骤S1得到的路面线性裂缝的尺寸数据， 利用计算机模拟生成尺寸相同的图 像， 然后采用随机生成算法， 构建路面线性裂缝 标准数据集； S3、 将步骤S2构建的路面线性裂缝标准数据集分为路面线性裂缝标准数据集的训练 集、 验证集、 测试集， 构建基于知识蒸馏技术的轻量化深度学习网络模型， 对路面线性裂缝 标准数据集的训练集进行训练， 然后对路面线性裂缝标准数据集的测试集进 行路面线性裂 缝识别。 2.根据权利要求1所述的一种路面线性裂缝识别方法， 其特征在于： 所述构建路面线性 裂缝标准数据集的具体实现方法包括如下步骤： S2.1、 根据步骤S1得到的路面线性裂缝的尺寸数据为标准， 利用计算机模拟生成尺寸 相同的图像， 得到计算机模拟生成图像； S2.2、 采集计算机模拟生成图像中线性裂缝长度数据， 进行统计， 确定线性裂缝长度L 的最大值 Lmax、 线性裂缝长度L的最小值 Lmin， 构建线性裂缝的长度区间为： L∈(Lmin， Lmax) 然后对线性裂缝控制点与线性裂缝长度进行统计分析， 得到线性裂缝控制点的数量与 线性裂缝长度的关系； S2.3、 采集计算机模拟生成图像中线性裂缝宽度数据， 进行统计， 确定线性裂缝宽度WL 的最大值 WLmax、 线性裂缝宽度W L的最小值 WLmin， 构建线性裂缝的宽度区间为： WL∈(WLmin， WLmax)； S2.4、 采用随机生成算法， 设置随机生成线性裂缝的第一个控制点的坐标范围为P1= (x1，y1)，x1∈(2w/5， 3w/5)，y1∈(2h/5， 3h/5)； 其中， w为计算机模拟生成图像的宽度， h为计算机模拟生成图像的高度； S2.5、 采用随机生成算法， 以第一个控制点的位置为基准点， 结合路面线性裂缝的发育 规律， 随机生成控制点的位置坐标； S2.6、 采用线段连接的方式， 绘制并输出线性裂缝图像， 线性裂缝的宽度采用控制点宽 度线性内插的方式确定 。 3.根据权利要求2所述的一种路面线性裂缝识别方法， 其特征在于： 步骤S2.1中计算机 模拟生成图像的坐标格式如下： 以计算机模拟生成 图像的左上角顶点为坐标原点， 设定 向 右方向为x轴正方向， 向下方向为y轴正方向， 得到计算机模拟生成图像中第i个线性裂缝控 制点的坐标Pi为： Pi=(xi，yi) 其中，xi 为第i个线性裂缝控制点的x轴坐标， yi为第i个线性裂缝控制点的y轴坐标， 控 制点的个数为 n。 4.根据权利要求3所述的一种路面线性裂缝识别方法， 其特征在于： 步骤S2.2中线性裂 缝控制点的数量与线性裂缝长度的关系为：权　利　要　求　书 1/3 页 2 CN 115393727 A 2当0≤L≤1.2m时， n的个数为5 ‑10个； 当1.2m<L≤2.5m时， n的个数为1 1‑15个； 当L>2.5m时， n的个数为16 ‑18个。 5.根据权利要求4所述的一种路面线性裂缝识别方法， 其特征在于： 步骤S2.5随机生成 控制点的位置坐标的方法为： 对于n个控制点， 按照从1到n的顺序生成控制点的位置坐标， 控制点生成过程中满足以下关系式： (xi+1‑xi) (xi+2‑xi+1)>0 i∈(1， n‑2)  (yi+1‑yi) (yi+2‑yi+1)>0 i∈(1， n‑2)。 6.根据权利要求5所述的一种路面线性裂缝识别方法， 其特征在于： 步骤S2中路面线性 裂缝标准数据集中的图像数量 为50000张。 7.根据权利要求6所述的一种路面线性裂缝识别方法， 其特征在于： 步骤S3的具体实现 方法包括如下步骤： S3.1、 基于步骤S2的路面线性裂缝标准数据 集构建50000个样本数据， 对样本数据进行 标注， 得到标注样本数据； S3.2、 将步骤S3.1的标注样本数据划分为训练集30000个样本数据、 验证集10000个样 本数据、 测试集10 000个样本数据； S3.3、 构建基于知识蒸馏技术的轻量化深度学习网络模型， 引入教师模型和学生模型， YOLO V5定义为教师模型， 学生模型的网络宽度设计为教师模型的网络宽度的1/8， 即学生 模型为将YOLO  V5的网络每层卷积层的通道数减少为原来的1/8； S3.4、 利用激活函数对教师模型、 学生模型进行修 正， 修正后的模型为： 其中， 为神经网络 输出层j的预测输出， T为温度系数， 为修正后的模型； S3.5、 构建学生模型的损失函数： S3.5.1、 将训练集输入至教师模型中， 得到教师模型的预测输出为Zt， 将Zt代入步骤 S3.4得到修 正后的教师模型为qt； S3.5.2、 将训练集输入至学生模型中， 得到学生模型的预测输出为Zs， 将Zs代入步骤 S3.4得到修 正后的学生模型为qs； S3.5.3、 基于教师模型的预测输出Zt以及学生模型的预测输出Zs， 构建教师模型与学 生模型的交叉熵损失函数Ls， Ls的公式为： ； S3.5.4、 基于步骤S3.1的标注样本数据以及学生模型的预测输出Zs， 构建标注样本数 据与学生模型的交叉熵损失函数Lh， Lh的公式为： ； 其中， p为标注后的路面线性裂缝 标准数据集中的数据；权　利　要　求　书 2/3 页 3 CN 115393727 A 3