一种路面病害维修成本预测方法及系统技术方案

一种路面病害维修成本预测方法及系统，该方法包括：步骤S1：获取交通路面图像数据集，利用语义分析，构建用于网络模型训练和测试的训练集和测试集，对训练集和测试集中的图像进行预处理；步骤S2：构建RDAACN模型；步骤S3：在训练集上对所述RDAACN模型进行训练；步骤S4：在测试集上对训练完成的RDAACN模型进行测试，输出测试结果；步骤S5：根据RDAACN模型对路面图像中路面病害像素级精度的提取结果，计算路面病害区域的面积；步骤S6：根据计算得到的路面病害区域的面积来预测路面病害的维修成本。该系统用来实施上述方法。本发明专利技术具有原理简单、智能化程度高、能够提高预测效率和精确性等优点。点。点。

【技术实现步骤摘要】
一种路面病害维修成本预测方法及系统


[0001]本专利技术主要涉及到路面病害智能监控
，特指一种路面病害维修成本预测方法及系统。

技术介绍

[0002]公路运输灵活、便捷，国家公路交通体系的不断完善，推动了经济高速发展，然而其对路面运营养护的需求也在不断增加。路面会因为使用时间增加、气候影响、使用和保养方式不当等因素产生横向裂痕、纵向裂痕、龟裂等病害，如果不及时维修路面病害，其将会影响公路运输的使用性能和安全性能。因此，快速准确地提取路面病害，对提高公路运输的可靠性是非常重要的。
[0003]尤其是对于智慧城市而言，更加倡导并力求通过技术手段在城市规划、设计、建设、管理与运营等领域中，通过物联网、云计算、大数据、空间地理信息集成等智能计算技术的应用，使得城市管理、教育、医疗、房地产、交通运输、公用事业和公众安全等城市组成的关键基础设施组件和服务更互联、高效和智能，从而为市民提供更美好的生活和工作服务、为企业创造更有利的商业发展环境、为政府赋能更高效的运营与管理机制。
[0004]使用人工提取路面病害的方法耗时长，并且其结果容易受到主观经验影响。基于传统特征的图像分割方法，根据算法提取的阈值特征、相似度特征、区域边缘特征等特征分割交通路面图像来提取路面病害，但是，该方法通常需要先验信息，对于具有复杂背景的交通路面图像分割精度一般，因此，使用该方法提取路面病害存在局限性。基于深度学习的语义分割方法，根据深度学习网络模型提取交通路面图像的特征，对图像中每个像素点进行类别预测，以分割交通路面图像，来对图像中的路面病害进行像素级精度的提取。
[0005]近年来，基于深度学习的语义分割方法发展迅速，Long等人提出的全卷积网络（Fully Convolutional Networks，FCN）、Ronneberger等人提出的U
‑
Net、Badrinarayanan等人提出的SegNet相继取得了优良的性能。然而，现有方法存在模型参数量大、计算复杂的问题。
[0006]例如，中国专利申请“路面病害检测模型训练方法、装置和计算机设备”（CN112966665A），在该技术方案中包括：获取多个路面图像；检测所述多个路面图像中的病害图像；所述病害图像为存在病害的路面图像；所述病害图像为多个；根据所述病害对所述病害图像进行标注，并根据标注内容生成所述病害图像的掩膜图像；根据所述病害图像和所述病害图像的掩膜图像，得到所述路面病害检测模型的训练数据集；基于所述训练数据集对所述路面病害检测模型进行训练，得到训练后路面病害检测模型；所述训练后路面病害检测模型用于对待检测路面图像进行路面病害检测。采用本方法能够准确识别待检测路面图像中的所有路面病害。
[0007]但是现有的所有智能化图像识别方式均存在效率比较低、识别精度比较低等问题，无法实现真正的无人化、智能化、可靠的识别。因此需要提出一种方法，通过对交通路面图像语义分割得到的结果来计算路面病害区域的面积，并根据路面病害区域的面积预测路
面病害的维修成本。

技术实现思路

[0008]本专利技术要解决的技术问题就在于：针对现有技术存在的技术问题，本专利技术提供一种原理简单、智能化程度高、能够提高预测效率和精确性的路面病害维修成本预测方法及系统。
[0009]为解决上述技术问题，本专利技术采用以下技术方案：一种路面病害维修成本预测方法，其包括：步骤S1：获取交通路面图像数据集，先利用语义分析，构建用于网络模型训练和测试的训练集和测试集，并且对训练集和测试集中的图像进行预处理；步骤S2：构建RDAACN模型，所述RDAACN模型具有编码器结构和解码器结构；其中，所述编码器结构用于提取交通路面图像的特征，所述解码器用于根据编码器提取的交通路面图像的特征来输出对图像的分割结果；步骤S3：在训练集上对所述RDAACN模型进行训练；步骤S4：保存训练完成的RDAACN模型，在测试集上对训练完成的RDAACN模型进行测试，输出测试结果，以像素级精度地提取交通路面图像中的路面病害；步骤S5：根据RDAACN模型对交通路面图像中路面病害像素级精度的提取结果，计算路面病害区域的面积；步骤S6：根据计算得到的路面病害区域的面积来预测路面病害的维修成本。
[0010]作为本专利技术方法的进一步改进：所述步骤S1中，所述交通路面图像数据集采用通过沥青路面损坏数据集GAPs处理得到的GAPs384数据集。
[0011]作为本专利技术方法的进一步改进：所述GAPs384数据集中每个图像中每个像素点表示1.2mm
×
1.2mm；将图像裁剪至宽度为528像素、高度为432像素。
[0012]作为本专利技术方法的进一步改进：所述步骤S2中，构建的残差密集非对称空洞卷积网络RDAACN模型，所述RDAACN模型包括编码器和解码器；所述RDAACN模型的编码器具有四个按先后顺序连接的残差密集非对称空洞卷积块RDAACB。
[0013]作为本专利技术方法的进一步改进：所述RDAACN模型中采用非对称的卷积核，输入RDAACB的特征图经过3
×
3卷积层处理后使用残差连接的方式加入RDAACB模型中。
[0014]作为本专利技术方法的进一步改进：所述RDAACB模型中RDAACB1至RDAACB4中卷积层、空洞卷积层和池化层的连接结构相同，但是卷积核数量不同。
[0015]作为本专利技术方法的进一步改进：所述RDAACB模型的结构包括：（a）原始特征图输入到一个卷积核数量为N
e
/2、扩张率d为3、激活函数使用修正线性单元ReLU的1
×
3空洞卷积层，1
×
3空洞卷积层的输出特征图输入到一个卷积核数量为N
e
/2、扩张率d为3、激活函数使用ReLU的3
×
1空洞卷积层，3
×
1空洞卷积层的输出特征图输入到一个卷积核数量为N
e
/2、扩张率d为6、激活函数使用ReLU的3
×
3空洞卷积层；（b）3
×
1空洞卷积层和3
×
3空洞卷积层的输出特征图以通道合并的方式进行特征融合，融合后得到的特征图输入到一个卷积核数量为N
e
、激活函数使用Sigmoid的1
×
1卷积层，1
×
1卷积层的输出特征图再与特征融合得到的特征图相乘；（c）原始特征图输入到一个卷积核数量为N
e
、激活函数使用ReLU的3
×
3卷积层，3
×
3卷积层的输出特征图与（b）中相乘得到的特征图相加；（d）相加得到的特征图输入到一个池化窗口为2
×
2、池化窗口的步长S
p
为2的最大池化层中，将特征图的尺寸缩小为原始特征图的0.5倍，得到RDAACB的输出特征图；作为本专利技术方法的进一步改进：所述RDAACN的解码器用于根据编码器提取的交通路面图像的特征来输出对图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种路面病害维修成本预测方法，其特征在于，包括：步骤S1：获取交通路面图像数据集，先利用语义分析，构建用于网络模型训练和测试的训练集和测试集，并且对训练集和测试集中的图像进行预处理；步骤S2：构建RDAACN模型，所述RDAACN模型具有编码器结构和解码器结构；其中，所述编码器结构用于提取交通路面图像的特征，所述解码器用于根据编码器提取的交通路面图像的特征来输出对图像的分割结果；步骤S3：在训练集上对所述RDAACN模型进行训练；步骤S4：保存训练完成的RDAACN模型，在测试集上对训练完成的RDAACN模型进行测试，输出测试结果，以像素级精度地提取交通路面图像中的路面病害；步骤S5：根据RDAACN模型对交通路面图像中路面病害像素级精度的提取结果，计算路面病害区域的面积；步骤S6：根据计算得到的路面病害区域的面积来预测路面病害的维修成本。2.根据权利要求1所述的路面病害维修成本预测方法，其特征在于，所述步骤S1中，所述交通路面图像数据集采用通过沥青路面损坏数据集GAPs处理得到的GAPs384数据集。3.根据权利要求2所述的路面病害维修成本预测方法，其特征在于，所述GAPs384数据集中每个图像中每个像素点表示1.2mm
×
1.2mm；将图像裁剪至宽度为528像素、高度为432像素。4.根据权利要求1
‑
3中任意一项所述的路面病害维修成本预测方法，其特征在于，所述步骤S2中，构建的残差密集非对称空洞卷积网络RDAACN模型，所述RDAACN模型包括编码器和解码器；所述RDAACN模型的编码器具有四个按先后顺序连接的残差密集非对称空洞卷积块RDAACB。5.根据权利要求4所述的路面病害维修成本预测方法，其特征在于，所述RDAACN模型中采用非对称的卷积核，输入RDAACB的特征图经过3
×
3卷积层处理后使用残差连接的方式加入RDAACB模型中。6.根据权利要求5所述的路面病害维修成本预测方法，其特征在于，所述RDAACB模型中RDAACB1至RDAACB4中卷积层、空洞卷积层和池化层的连接结构相同，但是卷积核数量不同。7.根据权利要求4所述的路面病害维修成本预测方法，其特征在于，所述RDAACB模型的结构包括：（a）原始特征图输入到一个卷积核数量为N
e
/2、扩张率d为3、激活函数使用修正线性单元ReLU的1
×
3空洞卷积层，1
×
3空洞卷积层的输出特征图输入到一个卷积核数量为N
e
/2、扩张率d为3、激活函数使用ReLU的3
×
1空洞卷积层，3
×
1空洞卷积层的输出特征图输入到一个卷积核数量为N
e
/2、扩张率d为6、激活函数使用ReLU的3
×
3空洞卷积层；（b）3
×
1空洞卷积层和3
×
3空洞卷积层的输出特征图以通道合并的方式进行特征融合，融合后得到的特征图输入到一个卷积核数量为N
e
、激活函数使用Sigmoid的1
×
1卷积层，1
×
1卷积层的输出...

【专利技术属性】
技术研发人员：何泽仪，黄峥，
申请(专利权)人：长沙城市发展集团有限公司，
类型：发明
国别省市：