基于深度学习的道路空洞自动识别方法及系统技术方案

本发明专利技术涉及道路检测技术领域，具体公开了基于深度学习的道路空洞自动识别方法及系统，包括：利用探地雷达获取道路的雷达探测图像数据；通过AI智能图像识别；根据图像信息，绘制数据变化曲线；实时监测并预警道路空洞发生区域；本发明专利技术利用探地雷达获取道路的雷达探测图像，并将获取的图像使用AI智能图像识别，经过相应的优化、学习，获取图像的特征信息，并根据图像特征信息，绘制数据变化曲线，当探测数据发生突变时数据变化曲线也会随之出现异常峰值，从而实现对探地雷达数据变化的自动识别，进行道路空洞突变预警和塌陷预防。进行道路空洞突变预警和塌陷预防。进行道路空洞突变预警和塌陷预防。

【技术实现步骤摘要】
基于深度学习的道路空洞自动识别方法及系统


[0001]本专利技术属于道路检测
，具体涉及基于深度学习的道路空洞自动识别方法及系统。

技术介绍

[0002]由于车辆振动、路面渗水和地下管线漏水等原因，导致城市道路频繁发生开裂、变形、沉降和塌陷等问题，通过物探方法，定期开展城市道路检测，可以提前预警道路塌陷隐患，探地雷达法是能同时满足快速、无损和高分辨率的道路检测物探方法。
[0003]在公开号为CN111007572B的中国专利中，提到了一种道路地下空洞的自动识别方法、装置及系统，该方法包括：获取道路上各区域的探地雷达的感测数据；所述感测数据用于表征基于探地雷达的反射波的幅度；根据所述探地雷达的感测数据，计算各区域的反射波能量值，并确定反射波能量值大于第一预设阈值的第一区域；根据所述第一区域的感测数据，计算所述第一区域内反射波的反射系数以及反射波的傅里叶频谱幅值，进而根据所述第一区域内反射波的反射系数以及反射波的傅里叶频谱幅值的加权求和计算得到所述第一区域内反射波的空洞响应值；将空洞响应值大于第二预设阈值的第一区域对应的位置判定为地下空洞，尽管上述方案有益效果诸多，但是该方案中判断地下空洞方法仅经过波幅和阈值比较进行断定，存在误差，没有清晰图像显示进行准确判断，容易产生误判，从而存在一定的局限性。

技术实现思路

[0004]本专利技术的目的在于提供基于深度学习的道路空洞自动识别方法及系统，以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：r/>[0006]基于深度学习的道路空洞自动识别方法，包括：
[0007]利用探地雷达获取道路的雷达探测图像数据；
[0008]通过AI智能图像识别；
[0009]根据图像信息，绘制数据变化曲线；
[0010]实时监测并预警道路空洞发生区域。
[0011]优选的，所述通过AI智能图像识别方法包括基于神经网络的图像识别方法、非线性降维图像识别技术和模式识别技术。
[0012]优选的，所述基于神经网络的图像识别方法识别过程包括：获取采集数据，信息预处理、抽取及选择特征和设计分类器及分类决策。
[0013]优选的，所述获取采集数据将反射波、声音和光信息通过传感器向电信号转换，并将其向计算机可识别的信息转换，对每个图像进行分类并区分其物理特征，创建了描述图像对象和特征的结构之后，利用计算机对其进行分析。
[0014]优选的，所述信息预处理采用去噪、分割和修复操作对图像进行处理，所述去噪采
用简单平均法计算，将像素点周围的灰度值进行平均计算，同时，可利用“均值”或“中值”的滤波操作方法对其进行去噪操作，将图像的像素信号按照灰度值进行排序，将均值或中间值作为灰度值替换，从而实现去噪，提高图像质量，所述分割将所需要的区域分离出来，以便更好地进行图像识别、图像分析和图像理解，常用的方法为基于边缘的分割、基于区域的分割和基于纹理的分割，所述修复首先确定图像受损的原因，明确受损原因后，充分利用修复技术对图像受损位置进行复原，对受损位置建立合适模型，并对图像进行修复操作，保证图像质量下降和模糊的因素消除。
[0015]优选的，所述抽取及选择特征在道路图像经过预处理操作后，对图像进行识别分析，采用一定方式分离，识别图像的特征，并提取其特征信息，据此将图像进行分类。
[0016]优选的，所述设计分类器及分类决策根据训练对识别规则进行制定，基于此识别规则能够得到特征的主要种类，进而在图像识别时不断提高辨识率，此后再通过识别特殊特征，最终实现对图像的评价和确认，运用Sigmoid函数模拟连续性神经元，借助该函数模型构建神经网络，继而基于该神经网络识别图像特征，对函数模型神经网络进行学习训练，提升图像识别时效。
[0017]优选的，所述根据图像特征信息，绘制数据变化曲线，利用主成分分析算法以提取探测数据的主要特征，利用计算机绘制探地雷达数据变化曲线，当探测数据发生突变时数据变化曲线也会随之出现异常峰值，从而实现对探地雷达数据变化的自动识别，进行道路空洞突变预警和塌陷预防。
[0018]一种基于深度学习的道路空洞自动识别系统，包括所述的道路空洞自动识别方法中的计算机以及探地雷达，所述计算机与探地雷达通信连接。
[0019]与现有技术相比，本专利技术的有益效果是：
[0020](1)本专利技术利用探地雷达获取道路的雷达探测图像，并将获取的图像使用AI智能图像识别，经过相应的优化、学习，获取图像的特征信息，并根据图像特征信息，绘制数据变化曲线，当探测数据发生突变时数据变化曲线也会随之出现异常峰值，从而实现对探地雷达数据变化的自动识别，进行道路空洞突变预警和塌陷预防。
[0021](2)本专利技术通过采用基于神经网络的图像识别方法，通过获取采集数据，信息预处理、抽取及选择特征和设计分类器及分类决策，采用去噪、分割和修复操作对图像进行优化处理，并对图像进行识别分析，识别图像的特征，并提取其特征信息，据此将图像进行分类，深度学习提升图像识别时效，利用主成分分析算法以提取探测数据的主要特征，并利用计算机绘制探地雷达数据变化曲线，从而直观反映道路空洞信息。
附图说明
[0022]图1为本专利技术的道路空洞自动识别方法流程图；
[0023]图2为本专利技术的通过AI智能图像识别方法流程图；
[0024]图3为本专利技术的基于神经网络的图像识别方法流程图；
[0025]图4为本专利技术的信息预处理流程图。
具体实施方式
[0026]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0027]请参阅图1至图4所示，基于深度学习的道路空洞自动识别方法，包括：
[0028]利用探地雷达获取道路的雷达探测图像数据；
[0029]通过AI智能图像识别；
[0030]根据图像信息，绘制数据变化曲线；
[0031]实时监测并预警道路空洞发生区域。
[0032]由上可知，工作人员首先利用探地雷达获取道路的雷达探测图像，并将获取的图像使用AI智能图像识别，经过相应的优化、学习，获取图像的特征信息，并根据图像特征信息，绘制数据变化曲线，直观反映道路空洞信息，当探测数据发生突变时数据变化曲线也会随之出现异常峰值，从而实现对探地雷达数据变化的自动识别，进行道路空洞突变预警和塌陷预防。
[0033]具体的，所述通过AI智能图像识别方法包括基于神经网络的图像识别方法、非线性降维图像识别技术和模式识别技术。
[0034]所述获取采集数据将反射波、声音和光信息通过传感器向电信号转换，并将其向计算机可识别的信息转换，对每个图像进行分类并区分其物理特征，创建了描述图像对象和特征的结构之后，利用计算机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的道路空洞自动识别方法，其特征在于，包括：利用探地雷达获取道路的雷达探测图像数据；通过AI智能图像识别；根据图像信息，绘制数据变化曲线；实时监测并预警道路空洞发生区域。2.根据权利要求1所述的基于深度学习的道路空洞自动识别方法，其特征在于：所述通过AI智能图像识别方法包括基于神经网络的图像识别方法、非线性降维图像识别技术和模式识别技术。3.根据权利要求2所述的基于深度学习的道路空洞自动识别方法，其特征在于：所述基于神经网络的图像识别方法识别过程包括：获取采集数据，信息预处理、抽取及选择特征和设计分类器及分类决策。4.根据权利要求3所述的基于深度学习的道路空洞自动识别方法，其特征在于：所述获取采集数据将反射波、声音和光信息通过传感器向电信号转换，并将其向计算机可识别的信息转换，对每个图像进行分类并区分其物理特征，创建了描述图像对象和特征的结构之后，利用计算机对其进行分析。5.根据权利要求2所述的基于深度学习的道路空洞自动识别方法，其特征在于：所述信息预处理采用去噪、分割和修复操作对图像进行处理，所述去噪采用简单平均法计算，将像素点周围的灰度值进行平均计算，同时，可利用“均值”或“中值”的滤波操作方法对其进行去噪操作，将图像的像素信号按照灰度值进行排序，将均值或中间值作为灰度值替换，从而实现去噪，提高图像质量，所述分割将所需要的区域分离出来，以便更好地进行图像识别、图像分析和图像理解，常用的方法为基于边缘的分割、基于区域的分割和基于纹理的分割，所述...

【专利技术属性】
技术研发人员：康元欣，夏超，王旭，黄静，刘允文，温彬，庞满莹，蔡英文，吴应昌，席超华，
申请(专利权)人：江西省瑞华国土勘测规划工程有限公司江西省物化探地质工程有限公司，
类型：发明
国别省市：