【技术实现步骤摘要】
一种基于深度学习的路面病变检测预警方法及系统
本专利技术属于路面病变检测
，更具体地，涉及一种基于深度学习的路面病变检测预警方法及系统。
技术介绍
随着我国公路的迅猛发展、运输量，车流量逐年增加，沥青路面经常出现车辙、裂缝、松散、翻浆、水损害或沉陷等病害，严重影响了行车安全和公共安全，为保证路面管理工作的有效开展，必须对沥青路面进行检测。现阶段我国的公路病害检测方法主要采用点取样检测和多功能道路检测车检验。以钻芯取样为代表的点取样检测方法虽简单易行，但存在破坏路面结构完整性、检测结果代表性不佳及封闭交通时间过长等弊端。多功能道路检测车无法检测路面结构层内部存在大量的隐藏病害，例如反射裂缝、层间脱空、路面结构的不均匀沉降。这些病害具有较高的隐蔽性，无法通过常规的检测手段进行识别、定位和测量。国内外用于路面结构病害检测的技术主要包括钻芯取样、光纤维技术、声波和超声波探伤技术、CT断层扫描技术以及探地雷达检测技术。从检测的准确性上讲，CT扫描技术的准确性最佳，但是CT扫描设备只能进行小范围扫描，检测全面性欠佳，且对人...
【技术保护点】
1.一种基于深度学习的路面病变检测预警方法，其特征在于，包括如下步骤：/n确定路面不同分段的不同时间段的参数；所述参数包括路面结构参数、路面环境参数以及路面技术参数；/n将各个分段路面不同时间段的参数分别输入到预先训练得到的双路深度神经网络模型，以检测各个分段路面参数对应的样本能量；/n基于阈顶点POT模型以及各个分段路面参数对应的样本能量确定报警阈值；当某个分段路面的样本能量超过所述报警阈值时，认为该分段路面发生病变，将该分段路面设为一个报警点进行路面病变预警。/n
【技术特征摘要】
1.一种基于深度学习的路面病变检测预警方法，其特征在于，包括如下步骤：
确定路面不同分段的不同时间段的参数；所述参数包括路面结构参数、路面环境参数以及路面技术参数；
将各个分段路面不同时间段的参数分别输入到预先训练得到的双路深度神经网络模型，以检测各个分段路面参数对应的样本能量；
基于阈顶点POT模型以及各个分段路面参数对应的样本能量确定报警阈值；当某个分段路面的样本能量超过所述报警阈值时，认为该分段路面发生病变，将该分段路面设为一个报警点进行路面病变预警。
2.根据权利要求1所述的基于深度学习的路面病变检测预警方法，其特征在于，所述双路深度神经网络模型包括自编码网络和估计网络；
所述自编码网络包括编码网络和解码网络：
所述编码网络使用多层循环神经网络构建，所述多层循环神经网络的输出端连接一层全连接层网络；所述编码网络的全连接层输出特征zc；所述多层循环神经网络中的每层神经网络接收输入的一个分段路面一个时刻的参数；
所述解码网络由全连接层网络构建，层数与编码网络的层数一致，所述解码网络的全连接层对应的隐藏层节点数与所述编码网络的节点数一致；所述解码网络基于路面的参数的原始数据得到对应的重构数据，计算重构数据与原始数据的欧氏距离和余弦相似度；所述欧式距离和余弦相似度组合为向量zr；
所述特征zc和向量zr组合为所述自编码网络的输出z；
所述估计网络由全连接层构建，使用dropout层和softmax函数；所述估计网络用于估计输入特征z在高斯混合模型下的分类概率并基于所述分布概率更新高斯混合模型的参数。
3.根据权利要求1所述的基于深度学习的路面病变检测预警方法，其特征在于，所述双路深度神经网络模型的损失函数J为：
其中，等式左边θc，θd，θm分别为编码网络、解码网络、估计网络的参数；等式右边的第一项为自编码网络的重构误差，第二项为高斯混合模型的分类损失，第三项为特征的线性相关性惩罚项；λ1,λ2分别为两个损失项的权重系数；N表示训练样本数量，L()表示L2范数的平方，xi表示输入的第i个样本，xi′表示自编码网络对第i个样本的重构数据，Zi表示第i个样本对应的传入压缩网络的特征数据，E()表示传入特征的能量，表示特征各维度间的平均皮尔逊相关系数，表示高斯混合模型中的协方差矩阵。
4.根据权利要求3所述的基于深度学习的路面病变检测预警方法，其特征在于，
5.根据权利要求3所述的基于深度学习的路面病变检测预警方法，其特征在于，所述分类损失中的E(z)称为样本能量，计算公式如下：
上式中，z为传入的特征数据，K表示高斯分布的数量，则k为高斯分布的序号；和分别为第k个高斯分量对应的均值和协方差矩阵，exp()为自然常数e为底的指数函数；上...
【专利技术属性】
技术研发人员：凌贺飞，黄昌喜，张鹏锋，李青松，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。