【技术实现步骤摘要】
一种多源数据深度学习的路面病害识别方法及系统
[0001]本专利技术涉及公路路面病害识别技术，尤其涉及一种多源数据深度学习的路面病害识别方法及系统。
技术介绍
[0002]路面对于公路至关重要，由于建造条件、地理环境、气候、车辆行驶等原因，导致道路存在多种病害。公路表面及浅层病害易于观察检测，但路基位置处病害不易被发现，若不及时有效处理，影响公路的使用，严重威胁行驶者的生命安全。
[0003]近年来，对于公路路面病害检测技术，由原来的人工检测，逐渐发展到了二维检测技术，包括使用摄像机、面阵扫描、结构光扫描等技术。然而，整体路面数据分析滞后，通常数据生成后离线分析，路面病害报告不够全面，同时单纯采用摄像机拍摄往往只能发现病害表面的图片信息，缺乏准确的路面结构病害深度及尺寸测量方法的分析，探地雷达作为一种无损、准确度高、效率快、适应性强的检测技术，替代原有的有损和无损检测手段，广泛用于考古、矿产勘查、灾害地质调查、岩土工程勘察、工程质量检测、建筑结构检测以及军事目标探测等众多领域。
[0004]随着近几年机器学习...
【技术保护点】
【技术特征摘要】
1.一种多源数据深度学习的路面病害识别方法，其特征在于，包括：车载式道路巡检车从公路某一桩号定点定速巡航出发；所述车载式道路巡检车搭载有探地雷达和工业相机，实时获取路面巡检RGB图像及雷达图像并进行编号，对路面巡检RGB图像编号与雷达图像编号进行一对多对应；对所获取的路面巡检RGB图像进行处理，并用yolo算法进行病害分析检测；当判断为某种病害时，查询该路面巡检GRB图像与雷达图像编号对应的雷达图像，基于Cascade R
‑
CNN算法进行裂缝深度计算；生成含有病害种类、病害深度及病害定位的路面病害报告。2.根据权利要求1所述的一种多源数据深度学习的路面病害识别方法，其特征在于，所述对所获取的路面巡检RGB图像进行处理，进一步包括对图像进行预处理，包括图像去噪、图像锐化以及图像分割。3.根据权利要求1所述的一种多源数据深度学习的路面病害识别方法，其特征在于，所述用yolo算法进行病害分析检测，具体包括，输入每一帧路面巡检RGB图像；用yolo算法将路面巡检RGB图像划分为3*3的网格形式；对每个网格预测2个边框，包括每一个边框是目标的置信度以及每一个边框区域在多个类别上的几率，根据上一步预测出3*3*2个目标窗口，根据设定阈值去除可能性比较低的目标窗口；对每个网格应用图像分类和定位处理；获得预测对象的边界框坐标及对应的类别概率。4.根据权利要求3所述的一种多源数据深度学习的路面病害识别方法，其特征在于，所述每个网格，将其设置为标签y,并定义标签y为一个八维向量，y＝{pc,bx,by,bh,bw,c1,c2,c3},其中，pc为目标对象在网格中存在的类别概率，bx、by、bh、bw为指定边界框；c1、c2、c3为位置处的裂缝类型类别值。5.根据权利要求1所述的一种多源数据深度学习的路面病害识别方法，其特征在于，所述雷达图像先进行PCA滤波，将图像进行重构，计算重构的图像梯度幅度，利用门限法去除背景杂波，最终得到去除杂波后的图像。6.根据权利要求1所述的一种多源数据深度学习的路面病害识别方法，其特征在于，所述裂缝深度计算是通过回归计算裂缝垂坠于路面层的深度尺寸，...
【专利技术属性】
技术研发人员：张新颖，雷志刚，潘玲玲，姜庆，杜娟，
申请(专利权)人：江苏燕宁工程科技集团有限公司，
类型：发明
国别省市：
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。