(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 202211039738.X (22)申请日 2022.08.29 (71)申请人 昭通亮风台信息科技有限公司 地址 657100 云南省昭通市昭阳区迎宾大 道御峰云府13幢2 楼 (72)发明人 艾如飞　张涛　吴斌　石陶元　 杨碧宇　李文祥　 (74)专利代理 机构 上海雍灏知识产权代理事务 所(普通合伙) 31368 专利代理师 沈汶波 (51)Int.Cl. G06V 10/32(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 7/00(2017.01) (54)发明名称 一种基于深度学习的裂缝检测方法、 装置、 设备及介质 (57)摘要 本发明提供了一种基于深度学习的裂缝检 测方法、 装置、 设备及介质， 涉及目标检测技术领 域， 包括： 获取包含裂缝的样本图像生成训练样 本； 以YOLOv5网络为基础建立初始模型， 进行训 练， 获得目标模型； 采集获得待处理图像并进行 预处理后输入至所述目标模型； 在所述目标模型 中， 对所述待处理图像进行多次采样， 获得四个 尺寸下的特征图； 进行堆叠融合， 获得各个特征 图对应的融合图像； 进行堆叠融合， 获得各个特 征图对应的目标特征图； 基于各个目标特征图进 行预测， 以生成包含四个尺寸上的特征图预测结 果； 基于所述包含四个尺寸上的特征图预测结果 融合分类， 以生成目标结果； 解决现有路裂缝检 测或采用人工检查， 或采用目标检测精度不够的 问题。 权利要求书2页 说明书8页 附图3页 CN 115375905 A 2022.11.22 CN 115375905 A 1.一种基于深度学习的裂缝检测方法， 其特 征在于， 包括： 获取包含裂缝的样本图像， 并进行 标注， 以生成训练样本； 以YOLOv5网络为基础建立初始模型， 采用所述训练样本对所述初始模型进行训练， 获 得目标模型； 采集获得待处 理图像并进行 预处理后输入至所述目标模型； 在所述目标模型中， 对所述待处 理图像进行多次采样， 获得四个尺寸下的特 征图； 逐个对各个特征图进行上采样后与对应尺寸的特征图进行堆叠融合， 获得各个特征图 对应的融合图像； 基于各个融合图像逐个下采样后与对应尺寸的特征图进行堆叠融合， 获得各个特征图 对应的目标 特征图； 基于各个目标 特征图进行 预测， 以生成包 含四个尺寸上的特 征图预测结果； 基于所述包 含四个尺寸上的特 征图预测结果融合分类， 以生成目标 结果。 2.根据权利要求1所述的检测方法， 其特 征在于， 所述获得四个尺寸下的特 征图， 包括： 根据在目标模型的主干网络中生成四个尺寸下的特征图， 其中， 所述四个尺寸分别包 括152x152、 76x76、 38x38、 19x19。 3.根据权利要求1所述的检测方法， 其特征在于， 所述逐个对各个特征图进行上采样后 与对应尺寸的特 征图进行堆叠融合， 获得融合图像， 包括： 对19x19的特 征图进行空间金字塔池化， 生成19x19的融合图像； 基于19x19的融合图像逐次进行2倍上采样后与对应尺寸的特征图堆叠， 生成38x38的 融合图像、 76x76的融合图像以及152x152的融合图像。 4.根据权利要求1所述的检测方法， 其特征在于， 所述基于各个融合图像逐个下采样后 与对应尺寸的特 征图进行堆叠融合， 获得 各个特征图对应的目标 特征图， 包括： 采用单层卷积对152x152的融合图像进行处 理， 生成152x152的目标 特征图； 基于152x152的目标特征图逐次进行2倍下采样后与对应尺寸的特征图堆叠， 生成 19x19的目标 特征图、 38x38的目标 特征图以及76x76的目标 特征图。 5.根据权利要求1所述的检测方法， 其特 征在于， 包括： 通过无人机采集获得多个待处 理图像。 6.根据权利要求1所述的检测方法， 其特征在于， 所述进行预处理后输入至所述目标模 型， 包括： 对所述待处 理图像进行切片操作进行增强， 获得若干中间图像； 对各个所述中间图像进行 预处理， 包括图像增强， 裁 剪或差值 填充。 7.根据权利要求1所述的检测方法， 其特征在于， 基于所述包含四个尺寸上的特征图预 测结果融合分类， 以生成目标 结果， 还包括： 获取所述包含四个尺寸上的特征图预测结果， 其中， 每一尺寸上的特征图预测结果均 包含若干子图； 采用非极大抑制选择所述包含四个尺寸上的特征图预测结果中具有超出预定匹配阈 值的交互比的子图进行匹配合并， 以输出与待处 理图像尺寸 一致的目标 结果。 8.一种基于深度学习的裂缝检测装置， 其特 征在于， 包括： 样本建立模块， 用于获取包 含裂缝的样本图像， 并进行 标注， 以生成训练样本；权　利　要　求　书 1/2 页 2 CN 115375905 A 2模型生成模块， 用于以YOLOv5网络为基础建立初始模型， 采用所述训练样本对所述初 始模型进行训练， 获得目标模型； 预处理模块， 用于采集获得待处 理图像并进行 预处理后输入至所述目标模型； 执行模块， 用于在所述目标模型中， 对所述待处理图像进行多次采样， 获得四个尺寸下 的特征图； 逐个对各个特征图进行上采样后与对应尺寸的特征图进行堆叠融合， 获得各个 特征图对应的融合图像； 基于各个融合图像逐个下采样后与对应尺寸的特征图进 行堆叠融 合， 获得各个特征图对应的目标 特征图； 预测模块， 用于基于各个目标特征图进行预测， 以生成包含四个尺寸上的特征图预测 结果； 基于所述包 含四个尺寸上的特 征图预测结果融合分类， 以生成目标 结果。 9.一种计算机设备， 其特 征在于： 所述计算机设备包括： 存储器， 用于存 储可执行程序代码； 以及 处理器， 用于调用所述存储器 中的所述可执行程序代码， 执行步骤包括如权利要求1至 7中任一项所述的基于深度学习的裂缝检测方法。 10.一种计算机可读存 储介质， 其上存 储有计算机程序， 其特 征在于： 所述计算机程序被处理器执行时实现权利要求1至7任一项所述基于深度学习的裂缝 检方法的步骤。权　利　要　求　书 2/2 页 3 CN 115375905 A 3