一种沥青路面水损害检测方法技术

本发明专利技术提供了一种沥青路面水损害检测方法，按照以下步骤进行：步骤一，通过GPR路面调查，获取水损害图谱数据集；步骤二，图片分辨率调整：将损害的初始图谱数据集的分辨率直接缩放到224×224，获得BD数据集；步骤三，将数据集输入到识别模型：将步骤二获得的BD数据集输入到识别模型，经过识别模型运算后，执行步骤四；步骤四，输出水损害结果：输出结果为带目标的标签名及目标对应的候选框位置BBoxes(x，y，w，h)的图谱。本发明专利技术突破了现有GPR领域自动检测中集中在双曲线特征目标的检测，实现了具有复杂目标体特征下沥青路面水损害缺陷的自动检测，可为沥青路面精准预养护和水损害缺陷的自动定位提供依据。

A water damage detection method for Asphalt Pavement

【技术实现步骤摘要】
一种沥青路面水损害检测方法
本专利技术属于道路养护领域，涉及沥青路面水损害，具体涉及一种沥青路面水损害检测方法。
技术介绍
探地雷达(GroundPenetratingRadar，简称GPR)是以雷达脉冲波探测地表以下状况并成像的仪器，其原理是利用天线发射和接收高频电磁波来探测介质内部物质特性。GPR使用高频率且通常被极化的无线电波，将电波发射入地表之下，当电磁波撞击到埋在地表下的物体或到达介电常数变化的边界时，天线接收到的反射波会记录下反射回波的讯号差异。由于GPR可进行连续、快速、无破损检测，目前GPR已在公路交通上应用，如在隧道衬底脱空、路面脱空、地下管线、建筑或者桥面板传力杆或钢筋的识别上得到了广泛的应用。然而由于探地雷达成像解释困难，GPR图谱解释主要依赖GPR专家的经验，限制了GPR的应用范围。卷积神经网络(CNN)是深度学习方法的一种，已广泛应用于图像分类和模型识别。迁移学习(Transferlearning，TL)可让已在大量样本上训练的模型(共享网络层权值)用于小样本进行模型训练上，推进了CNN网络在GPR领域的影响。本文档来自技高网...

【技术保护点】
1.一种沥青路面水损害检测方法，其特征在于，按照以下步骤进行：/n步骤一，通过GPR路面调查，获取水损害图谱数据集：/n步骤S11，GPR路面调查、数据采集：采用GPR系统对沥青路面进行现场数据采集，现场数据采集过程中，确定路面出现唧浆或泛白的损害区域；/n步骤S12，获取损害的初始图谱数据集：将损害区域对应的GPR数据进行预处理后，设定GPR图谱的对比度并按照长度为5～6m截取GPR图谱，构建具有水损害、桥接缝和正常路面的损害的初始图谱数据集，并对各自特征进行标记；/n步骤二，图片分辨率调整：/n损害的初始图谱数据集定义为ID数据集，将ID数据集直接缩放到224×224，定义为BD数据集；/...

【技术特征摘要】
1.一种沥青路面水损害检测方法，其特征在于，按照以下步骤进行：
步骤一，通过GPR路面调查，获取水损害图谱数据集：
步骤S11，GPR路面调查、数据采集：采用GPR系统对沥青路面进行现场数据采集，现场数据采集过程中，确定路面出现唧浆或泛白的损害区域；
步骤S12，获取损害的初始图谱数据集：将损害区域对应的GPR数据进行预处理后，设定GPR图谱的对比度并按照长度为5～6m截取GPR图谱，构建具有水损害、桥接缝和正常路面的损害的初始图谱数据集，并对各自特征进行标记；
步骤二，图片分辨率调整：
损害的初始图谱数据集定义为ID数据集，将ID数据集直接缩放到224×224，定义为BD数据集；
将损害的初始图谱数据集的分辨率直接缩放到224×224，获得BD数据集；
步骤三，将数据集输入到识别模型：
将步骤二获得的BD数据集输入到识别模型，经过识别模型运算后，执行步骤四；
所述的识别模型的图片输入分辨率大小为224×224，图片输出分辨率大小为224×224；
所述的识别模型为混合式深度学习模型，所述的混合式深度学习模型由两部分构成，特征提取采用ResNet50，目标检测采用YOLOV2框架；
步骤四，输出水损害结果：
对步骤三的识别模型的输出结果进行后处理，所述的后处理步骤为：
步骤S41，判断输出结果中的图谱的候选框BBoxes数量，如果候选框BBoxes数量>1，则进行步骤S42，否则直接输出结果；
步骤S4...

【专利技术属性】
技术研发人员：张军，陶君，
申请(专利权)人：长安大学，
类型：发明
国别省市：陕西;61