【技术实现步骤摘要】
本专利技术涉及计算机视觉领域和深度学习领域，具体涉及一种利用信息融合和云-边缘部署的道路病害检测方法及系统。
技术介绍
1、道路病害检测是通过各种技术手段对道路表面的损害定位和分类的过程，然而，传统的道路病害检测通常依赖于人工巡检，但这种方式费时费力且成本较高。近年来，借助计算机视觉等技术的发展，自动化的道路病害检测系统得到了广泛应用。使用深度学习技术的道路病害检测技术能够通过分析图像、视频或其他感知数据，快速而准确地识别道路上的裂缝、坑洼等问题。这极大提高了检测的效率和精度，及时发现并修复道路上的问题。高效的道路病害检测，不仅可以提高道路的安全性，延长使用寿命，提高使用效率，还能降低整体维护成本。对于维护交通系统的可靠性和经济性具有重要意义。
2、同时，基于深度学习的目标检测是计算机视觉领域最成功的任务之一，根据网络结构，现有方法大多可以分为一阶段和两阶段。两阶段方法由边界框定位和分类组成。这项技术始于rcnn，并通过引入区域建议网络和roi池化层逐渐发展为faster rcnn。fasterrcnn广泛应用于行人检测、遥感图像检测等实际应用中。在imagenet数据集的预训练模型支持下，该方法通常能够获得良好的准确性，但其复杂结构导致了大量的训练和测试时间以及内存空间消耗。而以yolo系列为代表的一阶段方法直接将目标检测视为回归问题，能够在整个图像上进行端到端对象检测，这一方法主要优势在于其检测小目标的能力和高效性。
3、然而，具体到道路病害检测领域中，通过车载摄像头等设备采集到的道路图像尺寸较大，但
4、同时，现有的道路病害采集检测系统为独立运行方式，即在一台或两台设备上完成采集、检测、分析展示的工作，且分析展示功能单一，无法适应道路病害采集工作空间分布广的特点，同时，现有道路病害采集检测系统无法利旧接入智慧城市架构数据流，使道路养护工作缺乏全局视角，极大影响了科学决策。如何针对道路病害特点提高检测精度并开发适应养护工作和城市管理特点的汇聚系统成为一个亟待解决的问题。
技术实现思路
1、为了解决上述技术问题，本专利技术提供一种利用信息融合和云-边缘部署的道路病害检测方法及系统。
2、本专利技术技术解决方案为：一种利用信息融合和云-边缘部署的道路病害检测方法，包括：
3、步骤s1：基于原始道路图像数据集s构建增强图像数据集sa和道路边缘信息数据集e，结合sa和e进行混合训练，对路面图像像素级色彩特征进行提取的同时，对图像边缘进行学习，并进行信息融合，得到训练好的全精度道路病害检测模型；
4、步骤s2：对所述训练好的全精度道路病害检测模型进行量化，得到量化的道路病害检测模型；在具备神经网络硬件加速功能的边缘设备上部署运行所述量化的道路病害检测模型；将事实图像输入所述量化的道路病害检测模型进行粗过滤检测，得到道路病害粗过滤检测结果；对所述道路病害粗过滤检测结果添加时空信息后进行编码，得到数据包，将所述数据包上传至云端；
5、步骤s3：在云端部署所述训练好的全精度道路病害检测模型，构建细粒度道路病害检测任务池，对所述数据包解析后得到图像；在任务波峰期采用批量图像推理，波谷期采用固定时间间隔单图像推理，最后得到细粒检测结果；并对所述细粒检测结果进行多维度分析和汇聚展示，同时，在所述细粒检测结果中选择适当的样本对sa和e进行补充，用于模型的迭代训练。
6、本专利技术与现有技术相比，具有以下优点：
7、1、本专利技术公开了一种利用信息融合和云-边缘部署的道路病害检测方法，设计了双分支边缘信息融合及多分辨率信息融合道路病害检测网络，可将图像边缘信息与原始训练图像样本进行混合训练，在实现对图像像素级色彩特征进行提取的同时，对图像边缘进行学习，并进行信息融合，促使网络侧重提取道路病害边缘部分像素特征，削弱无效干扰特征或语义信息少的特征，同时通过不同尺度编码器编码并进行上采样分级拼接，实现多分辨率信息融合，强化极端大小道路病害检出能力，提高网络病害检测精度和泛化能力。
8、2、本专利技术设计了云-边缘道路病害检测数据汇聚结构，在具备神经网络硬件加速功能的边缘硬件设备上部署运行经过训练及量化后的道路病害检测模型，对事实采集的道路图像进行道路病害的粗过滤检测，同时使用北斗信号对结果数据进行时空信息标注，云端使用高并发设计和高精度道路病害检测模型，支持瞬时大量采集数据同时上报及细粒道路病害检测，从而提高道路病害检测精度和速度，加强系统健壮性，降低设备运行维护成本，实现道路病害检测工作快速开展。
9、3、本专利技术设计了绑定地理信息的道路病害严重程度计算，以行政区域为单位，通过前期获取该行政区域的路段分布情况及路段长度等先验知识，与库中的条目结合，得到不同病害面积和类型的分布密度，同时，结合采集时间范围到当前时间的长度，加权计算得到道路病害严重程度并判断是否对区域进行预警，便于相关人员高效安排道路养护。
10、4、本专利技术设计了道路病害检测结果回流实现模型自训练迭代，通过使用者人工对检测结果进行核实和修正，道路病害检测结果将回流至模型训练阶段用于扩充数据集，并按照指定时间间隔实现模型自训练迭代升级，并自动分发部署替换现有模型权重，不断提高模型检测精度与泛化能力。
本文档来自技高网...【技术保护点】
1.一种利用信息融合和云-边缘部署的道路病害检测方法，其特征在于，包括：
2.根据权利要求1所述的利用信息融合和云-边缘部署的道路病害检测方法，其特征在于，所述步骤S1：基于原始道路图像数据集S构建增强图像数据集SA和道路边缘信息数据集E，结合SA和E进行混合训练，对路面图像像素级色彩特征进行提取的同时，对图像边缘进行学习，并进行信息融合，得到训练好的全精度道路病害检测模型，具体包括：
3.根据权利要求2所述的利用信息融合和云-边缘部署的道路病害检测方法，其特征在于，所述步骤S11：对原始道路图像数据集S＝{s1,s2,s3…,sn}进行增强，得到增强图像数据集基于SA构建对应的道路边缘信息数据集E＝{e1,e2,e3…,en}，具体包括：
4.根据权利要求3所述的利用信息融合和云-边缘部署的道路病害检测方法，其特征在于，所述步骤S2：对所述训练好的全精度道路病害检测模型进行量化，得到量化的道路病害检测模型；在具备神经网络硬件加速功能的边缘设备上部署运行所述量化的道路病害检测模型；将事实图像输入所述量化的道路病害检测模型进行粗过滤检测，得到道路
5.根据权利要求4所述的利用信息融合和云-边缘部署的道路病害检测方法，其特征在于，所述步骤S3：在云端部署所述训练好的全精度道路病害检测模型，构建细粒度道路病害检测任务池，对所述数据包解析后得到图像；在任务波峰期采用批量图像推理，波谷期采用固定时间间隔单图像推理，最后得到细粒检测结果；并对所述细粒检测结果进行多维度分析和汇聚展示，同时，在所述细粒检测结果中选择适当的样本对SA和E进行补充，用于模型的迭代训练，具体包括：
6.一种利用信息融合和云-边缘部署的道路病害检测系统，其特征在于，包括下述模块：
...【技术特征摘要】
1.一种利用信息融合和云-边缘部署的道路病害检测方法，其特征在于，包括：
2.根据权利要求1所述的利用信息融合和云-边缘部署的道路病害检测方法，其特征在于，所述步骤s1：基于原始道路图像数据集s构建增强图像数据集sa和道路边缘信息数据集e，结合sa和e进行混合训练，对路面图像像素级色彩特征进行提取的同时，对图像边缘进行学习，并进行信息融合，得到训练好的全精度道路病害检测模型，具体包括：
3.根据权利要求2所述的利用信息融合和云-边缘部署的道路病害检测方法，其特征在于，所述步骤s11：对原始道路图像数据集s＝{s1,s2,s3…,sn}进行增强，得到增强图像数据集基于sa构建对应的道路边缘信息数据集e＝{e1,e2,e3…,en}，具体包括：
4.根据权利要求3所述的利用信息融合和云-边缘部署的道路病害检测方法，其特征在于，所述步骤s2：对所述训练好的全精度道路病害检测模型进行...
【专利技术属性】
技术研发人员：姜那，邱宇轩，赵润晶，李肇嘉，白英铎，施智平，
申请(专利权)人：首都师范大学，
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。