【技术实现步骤摘要】
本专利技术涉及道路管理，具体为一种道路路面病害检测方法及系统。
技术介绍
1、道路路面病害检测和提取对公路养护和维护十分有意义，现有技术用于公路路面病害检测的常见方法主要有：
2、1、物理检测方法,常见的物理检测方法，主要包含超声波检测、激光扫描检测、探地雷达检测等方法，这些方法以检测到公路内部的异常结构，具有检测不间断性、精度高等优点，但在公路路面病害的检测过程中缺乏对不同类型病害的识别分类；
3、2、基于机器视觉的检测方法，主要有灰度变换、中值滤波器边缘检测等方法，这些方法是基于灰度值的相似性以及不连续性的性质，然而在实际复杂多变环境的应用中检测效果往往表现不佳；
4、3、基于机器学习的检测方法，主要是基于传统机器学习的公路路面病害检测方法和基于深度学习的病害检测方法，然而传统机器学习方法往往只是针对某种外部环境状态下有较好的效果，但是容易受到天气等环境因素影响，自适应效果差，学习速度慢；
5、基于深度学习的目标检测方法可以更好地实现目标特征的学习和分类，具有检测精度高、鲁棒性强等特点，采用深度学习的实现思路相对于传统的方法有较大的优势，但深度学习在训练过程中，需要有大量标注过的数据集来对模型进行训练，因此需要针对路面病害状态产生出大量的标注数据集。当前针对路面病害已有一些公开的公路路面病害数据集crack forest、crack 500和grddc数据集等，其中grddc数据集是从印度、日本和捷克共和国收集的26336个道路图像损伤类型主要是以裂缝数据为主，包括有纵向裂缝、
6、综合上述对路面病害检测方法的调研得出越来越多的方法开始采用深度学习思路来实现，并获得了较好的效果。但是在深度学习方法实现的细节方面还有待进一步提升，例如在深度学习网络模型结松的改进、深度学习模型训练的方法、制作适合本国路面特点的病害分类数据集以及数据集标注方法方面还有待进一步改进。基于以上的原因，本专利技术提出一种道路路面病害检测方法及系统。
技术实现思路
1、本专利技术解决的技术问题在于克服现有技术的缺陷，提供一种道路路面病害检测方法及系统。
2、为实现上述目的，本专利技术提供如下技术方案：一种道路路面病害检测方法，包括以下步骤：
3、s1：对道路路面病害进行数据采集；
4、s2：生成对抗网络，并结合元学习与迁移学习建立起路面病害检测的深度学习模型；
5、s3：对路面病害检测的深度学习模型开展研究；
6、s4：根据路面情况制定路面病害检测的测试标准；
7、s5：路面病害样本集的制作方法研究；
8、s6：搭建路面病害检测系统的软硬件平台。
9、优选的，所述步骤2中的生成对抗网络包括以下步骤：
10、s21：基于生成对抗网络进行图像修复，从低质量的数据中恢复出高质量的数据、数据增强生成更多的数据来增加训练数据集的大小，从而解决数据稀缺的问题、提高模型的泛化能力；
11、s22：基于注意力机制根据输入数据的不同特征和重要性，动态地调整模型对不同输入数据的关注度，帮助模型更好地理解输入数据中的关系和上下文信息，从而提高模型的性能和准确度；
12、s23：基于知识蒸馏进行模型压缩，将大型模型压缩为小型模型，从而在计算资源有限的情况下提高模型的效率。
13、优选的，所述步骤2中用元学习来训练生成对抗网络的生成器和判别器，使它们能够更快地适应新的数据集，并用元学习对道路病害检测模型进行结构和超参数的自动优化调整，从而提高模型性能。
14、优选的，所述步骤3中对路面病害检测方法拟采用基于低阶视觉特征和高阶视觉特征融合的多模态模型进行实现，其中，低阶视觉特征模型拟采用resnet152网络进行特征提取，高阶视觉特征模型拟采用yolov5网络模型实现目标检测特征提取，同时为了加强对路面病害的关注，采用注意力机制的思路，因此这两种特征通过多头注意力机制网络来进行融合。
15、优选的，所述步骤4中的测试标准根据长年的路面病害检测实际经验来划定对路面病害检测的标准。
16、优选的，所述步骤5中开发出一整套面向路面病害检测的样本集制作工具，用于制作训练深度学习模型所需的标注样本集。
17、优选的，所述步骤6中的软硬件平台包括车载路面病害自动化巡检设备的配置，数据集半自动标注软件系统的开发，面向路面病害检测的多模态深度学习网络模型设计和实现以及面向路面病害检测的深度学习网络训练方法研究和实现。
18、一种道路路面病害检测系统，建立基于边缘计算和深度学习的道路病害自动识别算法的道路路面病害检测系统和道路智慧养护管理平台；
19、道路路面病害检测系统采用先进的微服务、大数据、yolov5等技术，实现道路病害自动化检测和分析，及时发掘道路病害隐患，自动派发工单执行，提高道路养护工作效率；
20、最终产品达到以下技术指标：
21、道路路面病害检测系统满足每天1tb的数据采集、解码与合成；道路路面病害检测系统满足单指标查询2秒内响应，综合查询10秒内响应；道路路面病害检测系统可提供车辆在巡查时自动化发现道路病害，病害综合平均查全率达到80％，病害综合平均查准率达到50％。
22、与现有技术相比，本专利技术的有益效果是：
23、1、解决当前道路巡检养护工作由于缺乏智能化的检测手段和信息化的管理平台而无法满足我国道路养护增长的需求的问题，通过改进标注方法和深度学习模型分别解决现有标注方法效率低和模型识别准确率不足的问题；
24、2、在数字化道路管理开发方面，针对我国的路面情况，设计路面病害检测的分类标准，并构建出一整套针对路面病害分析软硬件系统，在真实的路面进行测试，从而可构建道路状况数据库，并可为在新技术背景下的国家道路病害标准提供依据，在技术研究方面，采用低阶视觉和高阶视觉相结合的多模态深度学习模型、采用基于元学习的模型训练方法、开发半自动数据集标注系统以及用于路面病害分析软硬件系统框架设计皆具创新性。
本文档来自技高网...【技术保护点】
1.一种道路路面病害检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种道路路面病害检测方法，其特征在于：所述步骤2中的生成对抗网络包括以下步骤：
3.根据权利要求1所述的一种道路路面病害检测方法，其特征在于：所述步骤2中用元学习来训练生成对抗网络的生成器和判别器，使它们能够更快地适应新的数据集，并用元学习对道路病害检测模型进行结构和超参数的自动优化调整，从而提高模型性能。
4.根据权利要求1所述的一种道路路面病害检测方法，其特征在于：所述步骤3中对路面病害检测方法采用基于低阶视觉特征和高阶视觉特征融合的多模态模型进行实现，其中，低阶视觉特征模型拟采用Resnet152网络进行特征提取，高阶视觉特征模型拟采用YOLOv5网络模型实现目标检测特征提取，同时为了加强对路面病害的关注，采用注意力机制的思路，因此这两种特征通过多头注意力机制网络来进行融合。
5.根据权利要求1所述的一种道路路面病害检测方法，其特征在于：所述步骤4中的测试标准根据长年的路面病害检测实际经验来划定对路面病害检测的标准。
6.根据权利要求
7.根据权利要求1所述的一种道路路面病害检测方法，其特征在于：所述步骤6中的软硬件平台包括车载路面病害自动化巡检设备的配置，数据集半自动标注软件系统的开发，面向路面病害检测的多模态深度学习网络模型设计和实现以及面向路面病害检测的深度学习网络训练方法研究和实现。
8.根据权利要求1-7任一项所述的一种道路路面病害检测系统，其特征在于：建立基于边缘计算和深度学习的道路病害自动识别算法的道路路面病害检测系统和道路智慧养护管理平台；
...【技术特征摘要】
1.一种道路路面病害检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种道路路面病害检测方法，其特征在于：所述步骤2中的生成对抗网络包括以下步骤：
3.根据权利要求1所述的一种道路路面病害检测方法，其特征在于：所述步骤2中用元学习来训练生成对抗网络的生成器和判别器，使它们能够更快地适应新的数据集，并用元学习对道路病害检测模型进行结构和超参数的自动优化调整，从而提高模型性能。
4.根据权利要求1所述的一种道路路面病害检测方法，其特征在于：所述步骤3中对路面病害检测方法采用基于低阶视觉特征和高阶视觉特征融合的多模态模型进行实现，其中，低阶视觉特征模型拟采用resnet152网络进行特征提取，高阶视觉特征模型拟采用yolov5网络模型实现目标检测特征提取，同时为了加强对路面病害的关注，采用注意力机制的思路，因此这两种特征通过多头注意力机制网络来...
【专利技术属性】
技术研发人员：罗小雄，甘锐，彭飞，谭升帜，肖华彪，陈曦，王鹏亮，张宝苍，
申请(专利权)人：广州市公路实业发展有限公司，
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。