基于探地雷达和深度学习的道路坍塌隐患智能识别方法技术

本发明专利技术公开了一种基于探地雷达和深度学习的道路坍塌隐患智能识别方法，属于图像识别领域，步骤包括构造数据集；构造一改进的Faster R‑CNN网络，其特征提取网络包括ResNet‑50、双重融合特征金字塔和垂直方向逐通道一维卷积单元；用数据集训练改进的Faster R‑CNN网络至收敛，得到道路坍塌隐患智能识别模型，用于坍塌隐患区域探地雷达图像的预测。本发明专利技术综合利用了增强的特征表达能力、精确的ROI对齐和双重融合策略，该方法能够对探地雷达图像中的隐患区域进行高效且有效的识别，这意味着在目标检测任务中，该方法相比于传统的Faster R‑CNN算法能够更准确地找出目标，提高检测的可靠性和鲁棒性。

【技术实现步骤摘要】

本专利技术涉及图像识别领域，尤其涉及一种基于探地雷达和深度学习的道路坍塌隐患智能识别方法。

技术介绍

1、道路作为城市基础设施的重要组成部分，其安全性和可靠性对城市运行和人民生活至关重要。然而，由于道路长期使用和自然因素的影响，常常会出现各种隐患。在这种背景下，探地雷达（gpr）因其无损检测技术，被广泛应用于路面检测中。然而传统的探地雷达图像通常需要经验丰富的专业人员进行手动解释和分析，这在实践中不仅耗时耗力，并且存在一定的主观性。

2、探地雷达图像中的隐患点目标产生于背景，与背景之间的边界模糊，特征不明显，导致不易识别。现如今技术，主要通过空间注意力等注意力机制进行隐患区域特征的加强，但由于探地雷达图像隐患区域中显著信息的分布特点，导致空间注意力机制等方法往往不能够充分增强隐患区域，相反还容易增强背景区域，造成漏检和误检。探地雷达图像中隐患点目标尺度差异明显，且隐患的识别通常需要丰富的全局上下文信息，导致基于深度学习的模型识别难度大。现如今技术，主要通过引入特征金字塔进行多尺度的预测，且将相邻高层级特征图与低层级特征图进行信息的相加融合，使低本文档来自技高网...

【技术保护点】

1.一种基于探地雷达和深度学习的道路坍塌隐患智能识别方法，其特征在于：包括以下步骤；

2.根据权利要求1所述的基于探地雷达和深度学习的道路坍塌隐患智能识别方法，其特征在于：双重融合特征金字塔中，用1×1的卷积层对Ci的通道数进行降低。

3.根据权利要求1所述的基于探地雷达和深度学习的道路坍塌隐患智能识别方法，其特征在于：

4.根据权利要求1所述的基于探地雷达和深度学习的道路坍塌隐患智能识别方法，其特征在于：所述兴趣区域池化层为ROI Align层。

5.根据权利要求1所述的基于探地雷达和深度学习的道路坍塌隐患智能识别方法，其特征在于：所述垂...

【技术特征摘要】

1.一种基于探地雷达和深度学习的道路坍塌隐患智能识别方法，其特征在于：包括以下步骤；

2.根据权利要求1所述的基于探地雷达和深度学习的道路坍塌隐患智能识别方法，其特征在于：双重融合特征金字塔中，用1×1的卷积层对ci的通道数进行降低。

3.根据权利要求1所述的基于探地雷达和深度学习的道路坍塌隐患智能识别方法，其特征在于：

4.根据权利要求1所述的基于探地雷达和深度学习的道路坍塌隐患智能识别方法，其特征在于：所述兴趣区域池化层为roi align层。

5.根据权利要求1所述的基于探地雷达和深度学习的道路坍塌隐患智能识别方法，其特征在于：所述垂直方向逐通道一维卷积单元具体按以下步骤操作；

6.根据权利要求5所述的基于探地雷达和深度学习的...

【专利技术属性】
技术研发人员：姚光乐，周楚宜，李瑞佳，王洪辉，李军，王琛，徐晓宇，曾维，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：