1.一种基于纹理特征提取的道路表面缺陷检测方法,其特征在于:包括如下步骤:S1.获取具有路面缺陷的图像并进行灰度处理形成路面缺陷灰度图像;
S2.对路面缺陷灰度图像进行纹理特征提取,提取出特征值组成纹理特征向量,并以纹理特征向量表征路面缺陷灰度图像;
S4.将同一缺陷类别的纹理特征向量表征的路面缺陷灰度图像进行均分,形成训练集和测试集;
S5.以两个相同的自编码器构成栈式自编码器,并通过栈式自编码器对训练集进行高维抽象特征提取;
S6.将softmax layer逻辑分类层堆栈于栈式自编码器形成深度神经网络,通过深度神经网络对高维抽象特征进行训练,训练完成后,对测试集中的路面灰度图像完成分类识别。
2.根据权利要求1所述基于纹理特征提取的道路表面缺陷检测方法,其特征在于:还包括步骤S3:对纹理特征向量进行归一化处理,并通过如下公式进行:其中,M为归一化处理后的纹理特征向量,a为待归一化处理的纹理特征向量,b为纹理特征向量中最大特征值,c为纹理特征向量中最小特征值。
3.根据权利要求1所述基于纹理特征提取的道路表面缺陷检测方法,其特征在于:获取的路面缺陷包括坑槽、龟裂、裂纹和松散。
4.根据权利要求1所述基于纹理特征提取的道路表面缺陷检测方法,其特征在于:步骤S2中,包括如下步骤:S21.采用灰度差分统计法对路面缺陷面灰度图像进行特征提取,并提取出三个特征值:差分平均值、差分对比度以及差分熵;
S22.采用Gabor算法对路面缺陷灰度图像进行特征提取,并提取出三个特征值:Gabor平均值、Gabor对比度和Gabor熵;
S23.采用灰度梯度法对路面缺陷灰度图像进行特征值提取,并提取出四个特征值:梯度平均值、梯度方差、梯度偏度和梯度峰度;
S24.采用灰度共生矩阵法对路面缺陷灰度图像进行特征提取,提取出五个特征值:能量、相关性、共生对比度、同质性和共生熵;
S25.采用灰度直方图法对路面缺陷灰度图像进行特征提取,提取出四个特征值:直方图均值、直方图方差、直方图偏度和直方图峰度;
S26.采用Tamura算法对路面缺陷灰度图像进行特征提取,提取出六个特征值:粗糙度、规整度、对比度、方向性、线性度和粗略度;
S27.将步骤S21-S26中所提取处的特征值排列组成1×25阶表征路面缺陷灰度图像的纹理特征向量。
5.根据权利要求4所述基于纹理特征提取的道路表面缺陷检测方法,其特征在于:步骤S27中,按照如下顺序对各特征值进行排列形成1×25阶表征路面缺陷灰度图像的纹理特征向量:直方图平均值、差分平均值、梯度平均值、Gabor平均值、能量、粗糙度、直方图方差、梯度方差、相关性、规整度、直方图偏度、梯度偏度、同质性、方向性、直方图峰度、梯度峰度、线性度、差分对比度、Gabor对比度、共生对比度、Tamura的对比度、粗略度、差分熵、Gabor熵、共生熵。
6.根据权利要求1所述基于纹理特征提取的道路表面缺陷检测方法,其特征在于:步骤S5中,自编码器由三层神经网络构成,分别是输入层、隐藏层和输出层,且自编码器的高维抽象特征提取训练过程如下:从输入层到隐藏层的编码过程:
z=sigmoid(W(1)·x+v(1));其中,z为计算得到的新的抽象特征向量;sigmoid为编码过(1) (1)程的S型传递函数,W 为编码过程的权重矩阵,v 为编码过程的偏置向量,x为输入的训练集;
从隐藏层到输出层的解码过程:
其中, 为解码后得到的输入数据的重构
数据集,linear为解码过程中的线性传递函数,W(2)为解码过程的权重矩阵,v(2)为解码过程的偏置向量;
自编码器的输入数据与重构数据的误差调节:
;其中,K是输入数据的个数, 是输入数据与输出数据的均方差总和,λ是正则化系数,L是隐藏层的数量,n是训练集的数量,k是训练集中变量的个数, 是编码过程中训练集里样本j中变量i的权重矩阵,β是稀疏项系数, 是神经元i的激活值 和期望值ρ的交叉熵的K-L的散度,D(1)是编码的范围。
7.根据权利要求1所述的基于纹理特征提取的道路表面缺陷检测方法,其特征在于:softmax layer逻辑分类层的计算过程如下:
计算训练集中每一个特征向量对应的所属道路表面缺陷类型的概率:其中,其中:x(i)是训练集中第i个表征的路面缺陷灰度图像,y(i)是该表征图像对应的缺陷所属的二进制数字标签;θ是softmax layer所有逻辑分类层计算得到的参数矩阵,p(y(i)=k|x(i);θ)是该表征图像对应的所属道路表面缺陷类型的概率; 是表征路面缺陷图像i对应逻辑分类层1,… ,逻辑分类层k的参数矩阵的转置,则是该转置参数矩阵的指数函数预算;
对深度神经网络通过如下公式进行微调:
其
中,m是预估的表征图像即特征向量的数量,k是道路缺陷的种类数,1{y(i)=j}是表征图像i是否为对应缺陷种类j的判断函数; 是表征路面缺陷图像i所对应类别j的概率矩阵的转置, 是该转置矩阵的指数函数预算。