【技术实现步骤摘要】
本专利技术属于道路工程，尤其涉及一种基于相似性度量的道路巡查结果去重方法。
技术介绍
1、道路在通车使用一段时间后，容易出现坑槽、裂缝等缺陷和损坏，这些缺陷统称为路面病害。如果不及时对道路进行养护，这些病害将极大地影响车辆出行的舒适感，严重的甚至会引发安全隐患。
2、随着管养数据采集与分析手段实现数字化、智能化升级，道路巡查多采用车载智能设备巡查代替人工巡查。轻量化巡检设备与自动检测算法可以实现对路面病害快速高效的检测与解析，大大降低人工成本，缩短路面性能感知数据的更新周期。
3、然而在多次巡检过程中，道路巡查结果易存在相同病害重复识别的情况。然而路面病害相似度普遍较高，去重精度低，导致重复病害的多次提交，这将大大降低道路的管养效率，同时也会造成养护经费的严重浪费，增加养护成本。
技术实现思路
1、本专利技术的目的在于提供一种基于相似性度量的道路巡查结果去重方法，其特征在于，包括如下步骤：
2、s1：采集道路巡查结果，并将获取的道路巡查结果转换为用于相似性度量的数据格式；
3、s2：对道路巡查结果转换后的数据进行预处理；
4、s3：将预处理后的数据集划分为训练集和测试集；
5、s4：基于训练集和测试集，采用孪生网络模型提取图像特征，得到输入图像的特征向量；
6、s5：计算输入图像组的特征向量之间的距离，得到相似度；
7、s6：根据测试集中相似度的分布状况划分阈值，根据阈值确定输入图片组是
8、s7：采集多次道路巡查结果，并根据采集地理位置信息对巡查结果进行聚类；
9、s8：对聚类后的类内巡查结果使用已训练完成的模型进行计算相似度，并对确定为同一病害的巡查结果只保留一个副本，完成道路巡查结果去重。
10、进一步地，s1中，道路巡查结果含有多尺度、不同光照、不同背景、不同角度条件下的巡查数据，即为bbox[xmin,ymin,xmax,ymax]，其中(xmin，ymin)为左上角像素坐标，(xmax，ymax)为右下角像素坐标；
11、用于相似性度量的数据格式为根据标定参数剪切图片后的结构，不包括除单一病害的bbox区域外的图片信息。
12、进一步地，s2中，预处理具体为：将获取到的图像分为a、b、c三部分。对a部分图像进行翻转、拉伸、旋转、缩放；更改b部分图像的对比度和色差；对c部分图像进行复制，当a、b、c三部分有交集时，对于有交集的部分先执行c操作，然后执行a操作，最后执行b操作；对完成处理后的a、b、c以及交集的图像统一缩放成孪生网络模型的输入高度和宽度。
13、进一步地，s3具体包括如下步骤：
14、s31：于经过预处理后的数据中随机选取一对图片a1,a2，当a1,a2为同一病害，则将该标志信息c为0，否则为1；
15、s32：单个输入数据为组合g＝{a1,a2,c}，重复生成多个组合，并将多个组合按4：1的比例划分为训练集与测试集。
16、进一步地，s4中，孪生网络模型为基于vgg16模型通过训练集进行训练后的模型作为特征提取网络的模型；特征向量具体为：对输入图片ai的不同层级的图像特征信息，为1×n维向量li。
17、进一步地，s5中，输入图像组的特征向量之间的距离具体为孪生网络模型一次运行中两个输入图像a1,a2获得的两个向量l1，l2之间的距离；采取欧氏距离法进行计算，表示为：
18、
19、其中，l1i为特征向量l1的第i维；l2i为特征向量l2的第i维；d为距离指代符号。
20、进一步地，s6中，阈值为一个数值c，满足至少90％的距离di＝||l1,l2||≤c的组合{a1,a2,c}，c＝0；对是否为同一病害的判定具体为：小于阈值的组合判定为相同病害，大于阈值的组合判定为不同病害。阈值c通过循环校正法进行计算。
21、进一步地，s7中，地理信息位置包括经纬度信息；聚类方法具体为：取一阈值c，满足根据经纬度计算直线距离的所有巡查结果聚为一类，当该巡查结果能够被同时归为两类，则该巡查结果在此两类中皆出现；阈值的选取满足在同一地点采集的巡查结果归为一类，不同地点采集的巡查结果归为不同类。
22、进一步地，阈值c＝10米。
23、进一步地，s8中，已训练完成的模型为s4中训练后的孪生网络模型；通过s6中的判定方法确定巡查结果是否为同一病害；采用任何选取方法选取一个副本保存。
24、与现有技术相比，本专利技术的有益效果主要体现在：本专利技术提出的方法基于车载巡查设备与图像识别技术，利用深度学习的孪生神经网络模型，进行路面病害的相似性度量，从而用于日常道路巡查结果的相同病害判断与去重。该方法提高了道路病害数据的唯一性、准确性，可以更加高效、全面地为道路管养部门提供道路病害巡查结果，降低养护成本，提高管养效率。
本文档来自技高网...【技术保护点】
1.一种基于相似性度量的道路巡查结果去重方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于相似性度量的道路巡查结果去重方法，其特征在于，所述S1中，所述道路巡查结果包括多尺度、不同光照、不同背景、不同角度条件下的巡查数据，即为bbox[xmin,ymin,xmax,ymax]，其中(xmin，ymin)为左上角像素坐标，(xmax，ymax)为右下角像素坐标；
3.根据权利要求1所述的基于相似性度量的道路巡查结果去重方法，其特征在于，所述S2中，所述预处理具体为：将获取到的图像分为A、B、C三部分，对A部分图像进行翻转、拉伸、旋转、缩放；更改B部分图像的对比度和色差；对C部分图像进行复制，当A、B、C三部分有交集时，对于有交集的部分先执行C操作，然后执行A操作，最后执行B操作；对完成处理后的A、B、C以及交集的图像统一缩放成孪生网络模型的输入高度和宽度。
4.根据权利要求1所述的基于相似性度量的道路巡查结果去重方法，其特征在于，所述S3具体包括如下步骤：
5.根据权利要求1所述的基于相似性度量的道路巡查结果去重方法，其特
6.根据权利要求1所述的基于相似性度量的道路巡查结果去重方法，其特征在于，所述S5中，输入图像组的特征向量之间的距离具体为孪生网络模型一次运行中两个输入图像A1,A2获得的两个向量L1，L2之间的距离；采取欧氏距离法进行计算，表示为：
7.根据权利要求1所述的基于相似性度量的道路巡查结果去重方法，其特征在于，所述S6中，所述阈值为一个数值C，满足至少90％的距离Di＝||L1,L2||≤C的组合{A1,A2,c}，c＝0；对是否为同一病害的判定具体为：小于阈值的组合判定为相同病害，大于阈值的组合判定为不同病害，阈值C通过循环校正法进行计算。
8.根据权利要求1所述的基于相似性度量的道路巡查结果去重方法，其特征在于，所述S7中，所述地理信息位置包括经纬度信息；聚类方法具体为：取一阈值C，满足根据经纬度计算直线距离的所有巡查结果聚为一类，当该巡查结果能够被同时归为两类，则该巡查结果在此两类中皆出现；所述阈值的选取满足在同一地点采集的巡查结果归为一类，不同地点采集的巡查结果归为不同类。
9.根据权利要求8所述的基于相似性度量的道路巡查结果去重方法，其特征在于，阈值C＝10米。
10.根据权利要求1所述的基于相似性度量的道路巡查结果去重方法，其特征在于，所述S8中，所述已训练完成的模型为S4中训练后的孪生网络模型；通过S6中的判定方法确定巡查结果是否为同一病害；采用任何选取方法选取一个副本保存。
...【技术特征摘要】
1.一种基于相似性度量的道路巡查结果去重方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于相似性度量的道路巡查结果去重方法，其特征在于，所述s1中，所述道路巡查结果包括多尺度、不同光照、不同背景、不同角度条件下的巡查数据，即为bbox[xmin,ymin,xmax,ymax]，其中(xmin，ymin)为左上角像素坐标，(xmax，ymax)为右下角像素坐标；
3.根据权利要求1所述的基于相似性度量的道路巡查结果去重方法，其特征在于，所述s2中，所述预处理具体为：将获取到的图像分为a、b、c三部分，对a部分图像进行翻转、拉伸、旋转、缩放；更改b部分图像的对比度和色差；对c部分图像进行复制，当a、b、c三部分有交集时，对于有交集的部分先执行c操作，然后执行a操作，最后执行b操作；对完成处理后的a、b、c以及交集的图像统一缩放成孪生网络模型的输入高度和宽度。
4.根据权利要求1所述的基于相似性度量的道路巡查结果去重方法，其特征在于，所述s3具体包括如下步骤：
5.根据权利要求1所述的基于相似性度量的道路巡查结果去重方法，其特征在于，所述s4中，所述孪生网络模型为基于vgg16模型通过训练集进行训练后的模型作为特征提取网络的模型；所述特征向量具体为：对输入图片ai的不同层级的图像特征信息，为1×n维向量li。
6.根据权利要求1所述的基于相...
【专利技术属性】
技术研发人员：杜豫川，李亦舜，主帅，刘成龙，吴荻非，杨英颢，王文轩，李瑞旭，
申请(专利权)人：同济大学，
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。