[发明专利]基于多神经网络结合的路面多特征病害检测方法及装置

说明书

本发明公开了一种基于多神经网络结合的路面多特征病害检测方法，包括：通过训练生成对抗网络生成路面病害图片，扩大数据集来训练路面病害检测模型；使用训完最优的路面病害检测模型载入系统板中进行路面病害检测；将路面检测信息通过MQTT发送到监测信息平台；最后用户通过平台查阅相关路面信息。本发明不需要浪费大量时间与人力去采集标注数据集，能够快速检测路面的多特征病害，建立了监测平台，让用户能够随时随地去查看路面信息。

技术领域

本发明涉及路面病害检测领域，尤其涉及基于多神经网络结合的路面多特征病害检测方法及装置。

背景技术

近年来，我国道路建设的不断完善，交通运输能力不断增强，但是随着时间的增长，道路设施逐步损坏，如公路结构破坏，斑马线白线的磨损，路面裂缝坑洼的出现，路面车辙的出现等，带来较为恶略的社会影响，以及严重的经济损失。因此，加强对道路养护的规划建设，能够有效地提升公路的质量，避免由于公路损坏造成的经济损失。目前道路病害巡检工作由于受到技术限制，主要还是以人工检测为主，仅少部分采用了智能化巡检设备，但设备功能单智能化程度低。而道路技术状况检测车成本高，检测周期长，平均一年一次左右，无法适应病害常态化巡检要求。如何快速高效地对路面进行自动化检测已经成为交通运输业的一个重要的研究课题。

CN112215203A一种基于深度学习的路面病害检测方法和装置，公开了一种基于深度学习的路面病害检测方法，包括：获取路面图像或路面视频；根据所述路面图像或路面视频获取路面待检图像；使用基于深度学习网络的路面病害检测模型识别所述路面待检图像中的路面病害，同时获取对应的定位数据，形成路面病害综合信息。该专利只能对路面病害进行检测，但是外界无法实时获取道路信息且前期训练模型工作量大。

发明内容

发明目的：为了解决一般路面病害检测方法前期训练模型工作量大，无法实时获取道路信息的问题，本发明提供基于多神经网络结合的路面多特征病害检测方法及装置，利用改进的对抗生成网络减少了路面病害检测前期训练的工作量可实时获取道路信息。

技术方案：基于多神经网络结合的路面多特征病害检测方法，包括以下步骤：

(1)使用车载摄像头获取各种路面病害的图片，在获取的图像中挑选出少量的各种类型的病害图像打上标签归类处理；

(2)搭建生成对抗网络模型与路面病害检测模型；

(3)训练生成对抗网络模型，将路面病害图片分类型分批次送入生成对抗网络模型中训练，并调整超参数γ，生成质量与多样性不同的多个数据集；

(4)训练路面病害检测模型，将真实路面病害图片与生成的图片构成数据集，输入路面病害检测模型中进行训练，对特征图进行检测并得到默认框，计算后进行非极大值抑制筛选，判定路面的病害，在路面病害检测模型的Conv7、Conv8、Conv9、Conv10、Conv11中间引入注意力机制，提升对病害特征的提取效率。

(5)将路面病害数据返回至路面信息监测平台。

所述步骤(2)中生成对抗网络模型包含编码器、生成器和判别器，将真实图像送入编码器之后获得真实图像的隐变量值，代替原有的随机噪声去训练对抗网络，针对检测效果不好的病害类型，用生成对抗网络模型扩大该类型的数据集量，用于强化训练该病害类型的检测效果，生成对抗网络模型为路面病害检测模型的数据集服务；路面病害检测模型是改进的SSD模型，负责路面的多特征病害检测。

所述生成对抗网络模型是基于BEGAN网络训练得到的，所述路面病害检测模型是基于SSD网络训练得到的。

所述路面病害检测模型的训练预期效果判断标准包括召回率和准确率。

所述路面信息监测平台采用MQTT协议进行数据传输，通过docker和FRP工具实现路面病害检测的管理。