本发明涉及图像识别领域，特别是涉及一种融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法。
背景技术：
1、裂缝作为路面老化的早期征兆，是最常见的路面病害类型之一。随着车辆长时间、高负荷的运行，路面裂缝将发展成更为严重的路面损毁，这不仅会降低路面使用性能，还有可能引发严重的行车安全隐患，因此路面裂缝早期检测成为了路面养护的重要工作。目前路面裂缝检测大多采用人工检测和多功能道路检测车配合的巡检方式，检测效率低、风险大、成本高。无人机(unmanned aerial vehicles,uav)通过搭载高分辨率的相机，可以从固定的高度快速安全地获得公路路面高清影像数据，具有覆盖范围大、成本低等优点，在路面裂缝检测领域具有广阔的应用前景。
2、图像识别算法是无人机路面裂缝检测应用中的关键技术，通过有效的图像识别算法可以提取无人机图像中的裂缝区域，为裂缝的最终统计和分析提供可靠的数据来源。传统的裂缝识别算法很大程度上依赖于手工特征，对复杂的裂缝检测场景泛化能力和鲁棒性较低。最近，深度学习，尤其是卷积神经网络，凭借其强大的特征提取和模型泛化能力被用于解决路面裂缝检测的挑战性问题。图像分类和语义分割是基于深度学习的裂缝识别算法的两个典型分支。图像分类算法可以用于判断路面图像中是否包含裂缝，但无法确定裂缝区域的准确形状、尺寸和位置等信息。相比之下，语义分割具备像素级的裂缝细节信息提取能力，因此成为了路面裂缝识别领域的研究热点。chengjia han等构建了crackw-net像素级语义分割网络，以处理裂缝断裂和离散噪声误识别问题。jiaxiu dong等提出了结合特征融合模型和stylegan的road-seg-capsnet，以解决裂缝边缘信息损失问题。zhong qu等采用多尺度卷积特征融合模块，提出了一种深度监督的卷积神经网络进行裂缝分割。结合卷积增强和动态特征融合，qiang zhou等提出ecdffnet以聚焦裂缝局部细节并提高分割性能。
3、尽管上述方法在简单场景下取得了较好的分割效果，但对于从实际工程中获取的无人机图像而言，准确的路面裂缝分割仍然面临着一些挑战。(1)裂缝不规则地分布于图像中并且具有形状和尺寸的多样性，因此同时分割多尺度的裂缝较为困难。(2)裂缝像素的数量在图像中占据较小的比例，导致裂缝和背景像素之间存在严重的不平衡问题，尤其是对于小尺寸裂缝。分割网络的训练过程可能因此收敛于一种状态，即将大部分裂缝像素视为背景但仍然能得到非常好的损失。(3)部分裂缝图像不可避免地会受到环境因素的干扰，如阴影、水渍、路面标线和异物等，裂缝和背景之间的低对比度易导致误分割。
4、编码解码结构是一种广泛采用的图像分割框架。编码器部分通过下采样生成高维的特征表示，解码器部分则将这些特征恢复到全分辨率的分割图。归功于编码解码网络架构的优越性和高度的可扩展性，一大批基于该结构的分割模型相继出现(如segnet，deeplabv3+、u-net及它们的变体)，并取得了巨大的成功，这为解决裂缝分割领域的挑战性问题提供了有效手段。然而，在实际工程应用中，由于道路里程较长且养护及时，在无人机获取的路面图像中存在大量不含裂缝的正常样本。如果对每一幅图像，不论它是否含有裂缝都进行像素级的分割，会造成检测效率的严重下降。因此在进行路面图像的像素级分割之前，提前对大量存在的正常样本进行快速分类和剔除是十分必要且有意义的。为了实现这一目标，需要高效地联合分类和分割任务，设计紧凑的两阶段路面裂缝分割方法。
技术实现思路
1、本发明的目的是提供一种融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法，可高效、准确地对路面裂缝图像进行裂缝分割。
2、为实现上述目的，本发明提供了一种融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法，所述方法包括：
3、获取目标图像；所述目标图像为待分割的路面图像；
4、将所述目标图像输入至训练好的分类网络模型中，输出带有裂缝的路面图像；所述分类网络模型包括依次连接的特征提取模块和特征融合模块；
5、将所述带有裂缝的路面图像输入至训练好的分割网络模型中，得到裂缝分割结果；所述裂缝分割结果为分割好的裂缝图像；所述分割网络模型包括依次连接的特征提取模块以及解码模块；所述分类网络模型中的特征提取模块与所述分割网络模型中的特征提取模块结构相同；通过迁移预训练分割网络模型中的特征提取模块的结构和学习的权值，得到分类网络模型的特征提取模块；
6、其中，所述特征提取模块包括编码模块和特征增强模块，所述编码模块包括输入卷积层、左边路径子模块、卷积注意子模块和编码器子模块；所述解码模块包括依次连接的解码器子模块、注意力子模块以及深度监督子模块。
7、根据本发明提供的具体实施例，本发明公开了以下技术效果：
8、本发明的目的是提供一种融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法，该方法通过分类网络模型和分割网络模型之间的迁移学习，有效地减少了网络建模成本和计算负担；通过联合扩张卷积和残差结构的多尺度编码器子模块，通过扩展感受野提取多尺度、变化的裂缝特征；设置左边路径模块将多尺度的高分辨率浅层特征融入编码器子模块，以改善类不平衡问题对特征提取造成的影响，帮助恢复小尺寸的裂缝信息；采用高维特征引导低维特征的注意力模块，以在解码过程中聚焦裂缝区域并抑制环境因素的干扰。本发明能够高效、准确地对路面图像进行裂缝分割检测。
1.一种融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法，其特征在于，所述方法包括：
2.根据权利要求1所述的融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法，其特征在于，所述编码器子模块包括4个最大池化层以及4个编码器级联单元，所述4个最大池化层和所述4个编码器级联单元依次交替级联；
3.根据权利要求1所述的融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法，其特征在于，所述左边路径子模块包括第一卷积层、第二卷积层以及第三卷积层；
4.根据权利要求1所述的融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法，其特征在于，所述特征增强模块包括第三分支、第四分支、第五分支以及第六分支；所述第三分支、所述第四分支、所述第五分支以及所述第六分支并行；
5.根据权利要求1所述的融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法，其特征在于，所述解码器子模块包括依次连接的1个1×1卷积层、1个3×3的反卷积层以及1个1×1卷积层；
6.根据权利要求5所述的融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法，其特征在于，所述通道注意力单元包括第一连接层、第一平均池化层、第一最大池化层、第一隐藏层、第二隐藏层以及第一sigmoid层；
7.根据权利要求6所述的融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法，其特征在于，所述通道注意力权重向量的计算公式为：
8.根据权利要求5所述的融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法，其特征在于，所述空间注意力单元包括第二平均池化层、第二最大池化层、第二连接层、1个7×7的卷积层以及第二sigmoid层；
9.根据权利要求8所述的融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法，其特征在于，所述空间注意力权重向量的计算公式为：
10.根据权利要求1所述的融合多尺度特征提取与注意力机制的无人机影像路面裂缝分割方法，其特征在于，所述分割网络模型在训练时采用基于bce和dice的加权损失函数；所述基于bce和dice的加权损失函数l的表达式为：
