[发明专利]一种针对三维探地雷达图谱的道路病害分类方法

说明书

本发明公开了一种针对三维探地雷达图谱的道路病害分类方法，其包含以下步骤：使用三维探地雷达采集多视图雷达图谱数据，并针对采集到的图谱数据进行预处理并构建数据集；选用合适的深度神经网络结构搭建模型；输入处理后的多视图雷达图谱数据到网络中进行参数调整，训练模型；利用训练得到的模型预测未知多视图图谱数据所属的病害类别；本发明可以根据多视图雷达图谱自动判定病害类别，解决了人工检测效率低以及常规道路检测算法对于多视图数据判别准确率低的问题。

技术领域

本发明涉及道路病害检测领域，具体涉及一种针对三维探地雷达图谱的道路病害分类方法。

背景技术

受到雨、雪等自然环境因素与车辆过载等人为因素的影响，道路在经过长期使用后会呈现不同程度的道路病害问题，其中包括空洞，层间脱空和裂缝。这些道路病害问题会大大降低驾驶的安全性和舒适性甚至存在安全隐患。因此及时发现并识别道路存在的病害问题对于延长道路使用年限和确保车辆安全行驶都是至关重要的。为此，研究人员必须定期检查和评估道路性能，并使用宏观和微观的分析方法来对材料进行分析。由于采集到的道路雷达数据量大而病害问题难以分辨，使得传统的道路病害人工检测方法效率低下且耗时费力。故实现一个高效精准的自动化检测算法来替代人工检测是目前道路雷达病害检测领域的研究重点。

三维探地雷达相较于其他二维检测方法能更为准确地检测出道路内部隐藏的病害信息，因此被广泛应用于高速公路、市政道路的道路状态检测。其收集到的数据呈多视图显示，结合水平断面和沿行进方向的垂直断面分析单视图上所呈现的病害特征信息即可判断道路所属病害类别。然而，目前道路病害检测方法都是基于单输入的二维图像信息进行实现的，针对需专家分析的三维探地雷达多视图数据信息暂无好的解决方案。同时，深度学习算法模型通常包含着大量需要训练的参数，需要大量带标注的样本数据来对网络参数值进行更新，才能达到较高准确率。但由于道路雷达图谱数据的缺乏标注，道路工程领域的研究受到了很大的限制。因此在样本数量较小的情况下充分利用信息从而进行道路病害的准确识别也是目前急需解决的问题。

发明内容

为了解决上述技术问题，本发明提供一种针对三维探地雷达图谱的道路病害分类方法，本发明提出了一种针对三维探地雷达图谱的道路病害分类方法，将多视图数据进行特征融合从而充分利用多视图数据，实现了对道路病害的高精度自动分类。

为了实现上述技术目的，本发明的技术方案如下：

一种针对三维探地雷达图谱的道路病害分类方法，其特征在于，包括以下步骤：

步骤1；采用三维探地雷达采集多视图雷达图谱数据，并将所述多视图雷达图谱数据进行预处理且构建多视图雷达图谱数据集；

步骤2；选择深度神经网络结构搭建模型用于所述数据集；

步骤3；将处理后的所述多视图雷达图谱数据到网络中进行参数调整，训练模型；

步骤4；利用所述深度神经网络结构搭建模型预测未知多视图图谱数据所属的病害类别。

优选地，步骤1中的所述多视图雷达图谱数据进行预处理且构建数据集具体步骤如下：首先，构建多视图雷达图谱数据集标记每一例道路样本中包含的各视图病害特征类型；其次，使用随机垂直翻转和随机亮度变化对各视图数据进行处理，并将图像大小调整为224×224像素；再次，依据类别数较多的视图数据将总体数据集划分为训练集、验证集与测试集，其比例为0.5:0.25:0.25；最后，对所述多视图雷达图谱数据集进行数据增强，包括上采样、数据扩充。

优选地，所述深度神经网络结构搭建模型采用端到端双塔模型，其中，所述端到端双塔模型是基于所述多视图雷达图谱数据。

进一步说明，所述端到端双塔模型的构建步骤如下：首先，在单个视图上训练单独的特征提取器，且各所述特征提取器不进行参数共享；其次，将各视图特征图进行融合；最后，经过多层感知机和Softmax归一化操作后，输出道路病害类别预测结果。