路面缺陷检测模型建立方法、路面缺陷检测方法及系统技术方案

本发明专利技术提供了一种路面缺陷检测模型建立方法、路面缺陷检测方法及系统，路面缺陷检测模型建立方法包括：获取标定路段上各个位置的路面缺陷，以及测试车行驶在所述标定路段上时在各个位置上的上下抖动参数；建立基于机器学习的待训练模型，以所述上下抖动参数为训练集、对应的所述路面缺陷为测试集训练所述待训练模型，获得路面缺陷检测模型，其中，所述路面缺陷检测模型包括级联的Lasso模型和线性SVM模型。本发明专利技术的技术方案能够大幅提高缺陷检测的精确性，以及缺陷检测的速度。以及缺陷检测的速度。以及缺陷检测的速度。

【技术实现步骤摘要】
路面缺陷检测模型建立方法、路面缺陷检测方法及系统


[0001]本专利技术涉及路面检测
，具体而言，涉及一种路面缺陷检测模型建立方法、路面缺陷检测方法及系统。

技术介绍

[0002]常见的路面缺陷包括沥青裂缝、龟裂、混凝土面板裂缝、车辙、坑槽、沉陷等，这些缺陷很容易引起交通事故。为了便于及时对路面缺陷进行处理，需要及时检测路面缺陷，当前常用的路面缺陷检测方法包括基于计算机视觉的检测方法和基于物理性质探测的方法。
[0003]基于计算机视觉的检测方法包括：对像素点特征分析的图像算法，如提取梯度边缘特征，对使用HOG算子等提取出的直方图特征进行分析等；基于机器学习与特征提取的算法，通过特征提取算法提取出重要特征，再通过机器学习分类算法进行缺陷检测，如稀疏编码、字典学习等方法；基于深度学习的缺陷检测算法，主要基于各类检测与分割网络，如deeplab、Mobile net等，通过卷积层对图像特征进行提取与分析，获得缺陷对应区域的边界框（boundingbox）或像素点集合等。
[0004]基于物理性质探测的方法包括：超声波缺陷探测、红外热图探伤法等。
[0005]由于路面交通情况复杂，路面上行人和行车较多，在采集路面图像时镜头容易受到遮挡，会严重影响基于计算机视觉的分析方法的检测精度。并且，基于计算机视觉的分析方法与基于物理性质的探测方法均容易受到路面上的水渍、污渍和车轮痕迹等特征所影响，造成误判。

技术实现思路

[0006]本专利技术解决的问题是如何提高路面缺陷检测的精度。/>[0007]为解决上述问题，本专利技术提供一种路面缺陷检测模型建立方法、路面缺陷检测方法及系统。
[0008]第一方面，本专利技术提供了一种路面缺陷检测模型建立方法，包括：获取标定路段上各个位置的路面缺陷，以及测试车行驶在所述标定路段上时在各个位置上的上下抖动参数；建立基于机器学习的待训练模型，以所述上下抖动参数为训练集、对应的所述路面缺陷为测试集训练所述待训练模型，获得路面缺陷检测模型，其中，所述路面缺陷检测模型包括级联的Lasso模型和线性SVM模型。
[0009]可选地，所述测试车上安装有相机和用于检测所述测试车的上下抖动幅度的振幅传感器，所述获取测试车行驶在标定路段上时在各个位置上的上下抖动参数包括：获取所述测试车行驶在所述标定路段上时所述相机拍摄的路面视频，以及所述振幅传感器检测的所述测试车在所述标定路段的各个位置上的第一上下抖动幅度；对所述路面视频进行处理，获得所述测试车在所述标定路段的各个位置上的第二上下抖动幅度；
对所述第一上下抖动幅度和所述第二上下抖动幅度进行加权平均，获得所述测试车在所述标定路段的各个位置上的上下抖动参数。
[0010]可选地，所述对所述路面视频进行处理，获得所述测试车在所述标定路段的各个位置上的第二上下抖动幅度包括：基于光流法，提取所述路面视频的第一帧画面中的至少一个角点，在所述路面视频中追踪各个所述角点，根据各个所述角点的位置变化值确定所述测试车在所述标定路段的各个位置上的所述第二上下抖动幅度。
[0011]可选地，所述测试车上安装有定位装置和惯性测量装置，所述测试车行驶在所述标定路段上时在各个位置上的上下抖动参数包括：获取所述定位装置采集的所述测试车在所述标定路段上所处的检测位置、所述惯性测量装置采集的所述测试车的运动数据，以及与所述检测位置处对应的所述上下抖动参数；根据所述运动数据修正所述检测位置，获得测试车的位置，所述测试车的位置与所述上下抖动参数一一对应。
[0012]可选地，所述以所述上下抖动参数为训练集、对应的所述路面缺陷为测试集训练所述待训练模型之前，包括：采用RobustScaler算法对所述训练集和所述测试集中的数据进行预处理，获得预处理后的训练集和预处理后的测试集。
[0013]可选地，所述建立基于机器学习的待训练模型，以所述上下抖动参数为训练集、对应的所述路面缺陷为测试集训练所述待训练模型，获得路面缺陷检测模型包括：分别建立Lasso模型和线性SVM模型；基于交叉验证方法，采用所述训练集和所述测试集分别训练所述Lasso模型和所述线性SVM模型，获得训练后的Lasso模型和训练后的线性SVM模型；采用blending算法对所述训练后的Lasso模型和所述训练后的线性SVM模型进行集成，获得所述路面缺陷检测模型。
[0014]可选地，所述采用所述训练集和所述测试集分别训练所述Lasso模型和所述线性SVM模型包括：将所述训练集划分为两组数据，一组为子训练集，一组为验证集；采用所述子训练集分别训练所述Lasso模型和所述线性SVM模型，获得所述训练后的Lasso模型和所述训练后的线性SVM模型；采用所述训练后的Lasso模型和所述训练后的线性SVM模型分别预测所述验证集和所述测试集，获得第一预测集和第二预测集；建立分类器，采用所述第一预测集训练所述分类器，获得训练后的分类器；采用所述训练后的分类器预测所述第二预测集，获得所述训练后的Lasso模型的第一权重和所述训练后的线性SVM模型的第二权重。
[0015]可选地，所述采用blending算法对所述训练后的Lasso模型和所述训练后的线性SVM模型进行集成，获得所述路面缺陷检测模型包括：根据所述第一权重和所述第二权重融合所述训练后的所述Lasso模型和所述训练后的线性SVM模型，获得所述路面缺陷检测模型。
[0016]第二方面，本专利技术提供了一种路面缺陷检测方法，包括：获取测试车行驶在路面上时在各个位置的上下抖动参数；将所述上下抖动参数输入路面缺陷检测模型，输出各个位置的路面缺陷；其中，所述路面缺陷检测模型采用如上所述的路面缺陷检测模型建立方法建立。
[0017]第三方面，本专利技术提供了一种路面缺陷检测模型建立系统，包括：传感器，用于获取测试车行驶在标定路段上时在各个位置上的上下抖动参数；控制器，用于获取标定路段上各个位置的路面缺陷，建立基于机器学习的待训练模型，以所述上下抖动参数为训练集、对应的所述路面缺陷为测试集训练所述待训练模型，获得路面缺陷检测模型，其中，所述路面缺陷检测模型包括级联的Lasso模型和线性SVM模型。
[0018]第四方面，本专利技术提供了一种路面缺陷检测系统，包括：传感器，用于获取测试车行驶在路面上时在各个位置的上下抖动参数；控制器，用于将所述上下抖动参数输入路面缺陷检测模型，输出各个位置的路面缺陷；其中，所述路面缺陷检测模型采用如上所述的路面缺陷检测模型建立方法建立。
[0019]第四方面，本专利技术提供了一种电子设备，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如上所述的路面缺陷检测模型建立方法或如上所述的路面缺陷检测方法。
[0020]第五方面，本专利技术提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的路面缺陷检测模型建立方法或如上所述的路面缺陷检测方法。
[0021]本专利技术的路面缺陷检测模型建立本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种路面缺陷检测模型建立方法，其特征在于，包括：获取标定路段上各个位置的路面缺陷，以及测试车行驶在所述标定路段上时在各个位置上的上下抖动参数；建立基于机器学习的待训练模型，以所述上下抖动参数为训练集、对应的所述路面缺陷为测试集训练所述待训练模型，获得路面缺陷检测模型，其中，所述路面缺陷检测模型包括级联的Lasso模型和线性SVM模型。2.根据权利要求1所述的路面缺陷检测模型建立方法，其特征在于，所述测试车上安装有相机和用于检测所述测试车的上下抖动幅度的振幅传感器，所述获取测试车行驶在标定路段上时在各个位置上的上下抖动参数包括：获取所述测试车行驶在所述标定路段上时所述相机拍摄的路面视频，以及所述振幅传感器检测的所述测试车在所述标定路段的各个位置上的第一上下抖动幅度；对所述路面视频进行处理，获得所述测试车在所述标定路段的各个位置上的第二上下抖动幅度；对所述第一上下抖动幅度和所述第二上下抖动幅度进行加权平均，获得所述测试车在所述标定路段的各个位置上的上下抖动参数。3.根据权利要求2所述的路面缺陷检测模型建立方法，其特征在于，所述对所述路面视频进行处理，获得所述测试车在所述标定路段的各个位置上的第二上下抖动幅度包括：基于光流法，提取所述路面视频的第一帧画面中的至少一个角点，在所述路面视频中追踪各个所述角点，根据各个所述角点的位置变化值确定所述测试车在所述标定路段的各个位置上的所述第二上下抖动幅度。4.根据权利要求1所述的路面缺陷检测模型建立方法，其特征在于，所述测试车上安装有定位装置和惯性测量装置，所述测试车行驶在所述标定路段上时在各个位置上的上下抖动参数包括：获取所述定位装置采集的所述测试车在所述标定路段上所处的检测位置、所述惯性测量装置采集的所述测试车的运动数据，以及与所述检测位置对应的所述上下抖动参数；根据所述运动数据修正所述检测位置，获得测试车的位置，所述测试车的位置与所述上下抖动参数一一对应。5.根据权利要求1所述的路面缺陷检测模型建立方法，其特征在于，所述以所述上下抖动参数为训练集、对应的所述路面缺陷为测试集训练所述待训练模型之前，包括：采用RobustScaler算法对所述训练集和所述测试集中的数据进行预处理，获得预处理后的训练集和预处理后的测试集。6.根据权利要求1至5任一项所述的路面缺陷检测模型建立方法，其特征在于，所述建立基于机器学习的待训练模型，以所述上下抖动参数为训练集、对应的所述路面缺陷为测试集训练所述待训练模型，获得路面缺陷检测模型包括：分别建立Lasso模型和线性SVM模型；基于交叉验证方法，采用所述训练集和所述测试集分别训练所述Lasso模型和所述线性SVM模型，获得训练后的Lasso模型和训练后的线性SVM模型；采用blending算法对所述训练后的Lasso模...

【专利技术属性】
技术研发人员：林涛，陈振武，张枭勇，刘宇鸣，张炳振，赵欢，
申请(专利权)人：深圳市城市交通规划设计研究中心股份有限公司，
类型：发明
国别省市：