SLIC超像素与Inception网络的路面裂缝识别方法

汤青洲， 张德津,2， 王墨川， 胡成雪， 陶 健

(1 湖北工业大学电气与电子工程学院，湖北 武汉 430068;2 深圳大学广东省城市空间信息工程重点实验室,深圳 518060)

裂缝是沥青路面病害最常见的表现形式之一，识别路面裂缝是路面养护的重要前提。现有的裂缝识别方法主要有阈值法、边缘检测、形态学和深度学习方法等。阈值法在裂缝灰度值区间跨度大或存在较多点状噪声的情况下，难以实现背景纹理与裂缝的有效分割[1]。边缘检测方法在噪声较为敏感且在低对比度的情况下难以获取准确的裂缝区域[2]。形态学方法如最小路径法和基于种子方法，其局限性在于算法参数较多[3-5]。深度学习也被应用于解决裂缝识别问题，这类方法利用大量数据训练网络，解决了传统算法泛化能力差和精度不够的问题[6-7]。CNN中的卷积与池化可以自动提取图像不同尺度不同维度的特征，被广泛应用，但难以处理图像中目标的旋转、缩放和缺失等变化。为此，学者们提出了限定裂缝检测的任务与场景的方法，如基于子块分类法，即将输入图像分成重叠的子块，然后对子块图像分类[8-10]。基于子块分类的裂缝检测方法通常采用均匀分割模式，优点是效率较高，缺点是由于部分裂缝子块中裂缝段位于子块边缘，导致使用CNN识别的准确率较低。

本文提出了一种基于超像素分割与Inception网络的沥青路面裂缝检测方法[11]。为解决路面图像中存在大量点状噪声的问题，引入超像素分割方法，将图像分割为匀质超像素，并以其质心为中心点划分子块，得到子块样本集；……