城市道路地下浅层病害检测方法、装置、设备及介质制造方法及图纸

本申请的实施例提供了一种城市道路地下浅层病害检测方法、装置、设备及介质，该方法包括：根据三维地质雷达采集的雷达图像、以及定位设备采集的定位数据，生成雷达图谱数据；标注所述雷达图谱数据的病害类型，生成训练样本集；采用所述训练样本集和预设神经网络算法，训练获取病害识别模型。本方案中，一方面，可以实现通过病害识别模型来识别城市道路地下浅层病害，来提升识别效率，且结合雷达图谱数据进行识别，也可以保障识别的准确度。另一方面，该方法基于云服务器，能够及时、准确地对道路地下浅层病害进行综合分析、评价，并将检测结果自动推送至相关部门，减少了人工成本、时间成本。成本。成本。

【技术实现步骤摘要】
城市道路地下浅层病害检测方法、装置、设备及介质


[0001]本申请涉及一种地下工程检测
，具体而言，涉及一种城市道路地下浅层病害检测方法、装置、设备及介质。

技术介绍

[0002]近年来，随着城市地下空间开发利用的强度日益加剧，因道路反复开挖、地下管网的破损渗漏、路面荷载变化、基坑施工扰动等因素造成了道路地下水土流失、淘蚀等现象，进而形成了空洞等病害，最终导致道路塌陷事故频发。如果能提前开展城市道路塌陷隐患检测，及早地发现和预防城市道路地下浅层的空洞、脱空、富水体等的发生，便能减少生命财产的损失，同时，提高城市道路管理水平。
[0003]现有技术中，针对道路地下浅层病害检测，通常采用探地雷达法、多道面波法、高密度电阻率法、地震映像法等无损检测技术。其中，探地雷达作为工程勘察及检测最为常用的技术之一，以其分辨率高、效率高、探测范围广、无损、成本低等技术优点在工程中得到了广泛应用，已经成为城市道路地下浅层病害检测识别的首选技术方法。
[0004]但是，目前探地雷达法中的解译工作主要还是依靠技术人员的工程经验进行处理和判读，然而，由于解译难度大、人工解译经验需求高，因此上述方法往往存在误判多、速度慢、精度低，效率低等缺点，从而影响城市道路地下浅层病害检测的准确度，以及检测的工作效率。

技术实现思路

[0005]本申请的目的在于，针对上述现有技术中的不足，提供一种地下浅层病害的识别模型训练方法、装置、设备及介质，以解决现有技术中地下浅层病害检测准确度低的问题。
[0006]为实现上述目的，本申请实施例采用的技术方案如下：
[0007]第一方面，本申请一实施例提供了一种地下浅层病害的识别模型训练方法，所述方法包括：
[0008]根据三维地质雷达采集的雷达图像、以及定位设备采集的定位数据，生成雷达图谱数据，所述雷达图谱数据包括：所述雷达图像与定位数据的关联关系；
[0009]标注所述雷达图谱数据的病害类型，生成训练样本集；
[0010]采用所述训练样本集和预设神经网络算法，训练获取病害识别模型，所述病害识别模型用于识别地下浅层病害的类型。
[0011]在一种可选的实施方式中，所述根据三维地质雷达采集的雷达图像、以及定位设备采集的定位数据，生成雷达图谱数据之前，所述方法还包括：
[0012]分别接收三维地质雷达、定位设备通过5G网络传输的所述雷达图像、所述定位数据。
[0013]在一种可选的实施方式中，所述采用所述训练样本集和预设神经网络算法，训练获取病害识别模型，包括：
[0014]采用轻量特征提取网络，提取所述训练样本集中训练样本的特征；
[0015]采用特征融合算法，对所述特征进行融合，获取融合后的特征；
[0016]基于预设损失函数和所述融合后的特征进行训练，直到所述损失函数收敛，获取所述病害识别模型，所述病害识别模型的输出层包括多个预测头。
[0017]在一种可选的实施方式中，所述采用特征融合算法，对所述特征进行融合，获取融合后的特征，包括：
[0018]采用注意力机制，分别沿两个空间方向聚合所述特征，保留待融合特征；
[0019]采用自适应空间特征融合机制，融合所述待融合特征，获取融合后的特征。
[0020]在一种可选的实施方式中，所述方法还包括：
[0021]安装预设引擎，并部署预设框架搭建环境，以用于部署所述病害识别模型。
[0022]在一种可选的实施方式中，所述采用所述训练样本集和预设神经网络算法，训练获取病害识别模型之后，还包括：
[0023]采集目标区域的雷达图谱数据；
[0024]将所述雷达图谱数据输入所述病害识别模型，获取所述雷达图谱数据对应的地下浅层病害的类型。
[0025]在一种可选的实施方式中，所述地下浅层病害的类型包括：空洞、脱空、富水、一般疏松、严重疏松。
[0026]第二方面，本申请另一实施例提供了一种地下浅层病害的识别模型训练装置，所述装置包括：
[0027]采集模块，用于根据三维地质雷达采集的雷达图像、以及定位设备采集的定位数据；
[0028]生成模块，用于标注所述雷达图谱数据的病害类型，生成训练样本集；
[0029]识别模块，用于采用所述训练样本集和预设神经网络算法，训练获取病害识别模型，所述病害识别模型用于识别地下浅层病害的类型。
[0030]在一种可选的实施方式中，所述采集模块，还用于分别接收三维地质雷达、定位设备通过5G网络传输的所述雷达图像、所述定位数据。
[0031]在一种可选的实施方式中，所述识别模块，用于采用轻量特征提取网络，提取所述训练样本集中训练样本的特征；
[0032]采用特征融合算法，对所述特征进行融合，获取融合后的特征；
[0033]基于预设损失函数和所述融合后的特征进行训练，直到所述损失函数收敛，获取所述病害识别模型，所述病害识别模型的输出层包括多个预测头。
[0034]在一种可选的实施方式中，所述识别模块，用于采用注意力机制，分别沿两个空间方向聚合所述特征，保留待融合特征；
[0035]采用自适应空间特征融合机制，融合所述待融合特征，获取融合后的特征。
[0036]在一种可选的实施方式中，部署模块，用于安装预设引擎，并部署预设框架搭建环境，以用于部署所述病害识别模型。
[0037]在一种可选的实施方式中，所述识别模块，还用于采集目标区域的雷达图谱数据；
[0038]将所述雷达图谱数据输入所述病害识别模型，获取所述雷达图谱数据对应的地下浅层病害的类型。
[0039]在一种可选的实施方式中，所述地下浅层病害的类型包括：空洞、脱空、富水、一般疏松、严重疏松。
[0040]第三方面，本申请另一实施例提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如上述第一方面任一项所述地下浅层病害的识别模型训练方法的步骤。
[0041]第四方面，本申请另一实施例提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上述第一方面任一项所述地下浅层病害的识别模型训练方法的步骤。
[0042]本申请的有益效果是：
[0043]本申请提供一种地下浅层病害的识别模型训练方法、装置、设备及介质，该方法包括：根据三维地质雷达采集的雷达图像、以及定位设备采集的定位数据，生成雷达图谱数据；标注雷达图谱数据的病害类型，生成训练样本集；采用训练样本集和预设神经网络算法，训练获取病害识别模型。本方案中，一方面，可以实现通过病害识别模型来识别城市道路地下浅层病害，来提升识别效率，且结合雷达图谱数据进行识别，也可以保障识别的准确度。另一方面，该方法基于云服务器，能够及时、准确地对道路地下浅层病害进行综合分析、评价，并将检测结果自本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地下浅层病害的识别模型训练方法，其特征在于，所述方法应用于云服务器，所述方法包括：根据三维地质雷达采集的雷达图像、以及定位设备采集的定位数据，生成雷达图谱数据，所述雷达图谱数据包括：所述雷达图像与定位数据的关联关系；标注所述雷达图谱数据的病害类型，生成训练样本集；采用所述训练样本集和预设神经网络算法，训练获取病害识别模型，所述病害识别模型用于识别地下浅层病害的类型。2.根据权利要求1所述的方法，其特征在于，所述根据三维地质雷达采集的雷达图像、以及定位设备采集的定位数据，生成雷达图谱数据之前，所述方法还包括：分别接收三维地质雷达、定位设备通过5G网络传输的所述雷达图像、所述定位数据。3.根据权利要求1所述的方法，其特征在于，所述采用所述训练样本集和预设神经网络算法，训练获取病害识别模型，包括：采用轻量特征提取网络，提取所述训练样本集中训练样本的特征；采用特征融合算法，对所述特征进行融合，获取融合后的特征；基于预设损失函数和所述融合后的特征进行训练，直到所述损失函数收敛，获取所述病害识别模型，所述病害识别模型的输出层包括多个预测头。4.根据权利要求3所述的方法，其特征在于，所述采用特征融合算法，对所述特征进行融合，获取融合后的特征，包括：采用注意力机制，分别沿两个空间方向聚合所述特征，保留待融合特征；采用自适应空间特征融合机制，融合所述待融合特征，获取融合后的特征。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：安装预设引擎，并部署预设框架搭建环境，以用于部署所述病害识别...

【专利技术属性】
技术研发人员：张弓，郑睿博，许明，郑文青，陈星，刘康，
申请(专利权)人：中煤西安地下空间科技发展有限公司，
类型：发明
国别省市：