一种路基病害类型的智能识别方法技术

本发明专利技术公开了一种路基病害类型的智能识别方法，以下步骤：对原始图像冗余信息裁剪，然后对图像进行预处理，对预处理后的探地雷达数据划分为训练集、验证集和测试集；将预处理后的训练集和验证集数据进行处理，使得数量扩大；采用WGAN

An intelligent identification method of subgrade disease type

【技术实现步骤摘要】
一种路基病害类型的智能识别方法


[0001]本专利技术涉及图像处理
，特别涉及一种路基病害类型的智能识别方法。

技术介绍

[0002]为保证道路使用者的安全，及时对道路进行养护与维修尤为重要。如今，如何预防危险性病害的发生，尤其是路基下方不易察觉的隐蔽性病害，做到高效、准确、无损的道路病害检测已经成为我国公路维修和养护管理的重要研究课题。
[0003]交通需求的不断增加，使得钻芯取样等封闭交通式的检测方法已经无法满足我国公路检测的需要，快速、高效、无损且能实现自动化或者半自动化的检测方法应运而生。探地雷达作为一种非侵入式、高效和高性能的技术，已广泛用于道路结构层厚度测量、缺陷检测等研究与工业应用。然而，目前大多数检测机构均基于探地雷达检测图进行肉眼判断，耗时久、效率低，且依赖于专业经验积累，易受主观因素影响。
[0004]信息化技术的兴起与改进使得探地雷达在道路检测方面的应用逐渐呈现出半自动化趋势。传统的机器学习方法特征提取过程较为复杂，且特征提取的准确性和有效性直接影响检测精度，需要进行大量实验。在机器学习基础上发展起来的深度学习基于卷积神经网络，能够自动提取特征并学习，实现端到端的智能识别。近年来，许多学者基于深度学习算法和探地雷达设备，对道路隐蔽性病害的自动化检测展开研究。
[0005]探地雷达与图像处理技术、深度学习算法的结合，能够减少对交通的阻碍和路面结构完整性的破坏，为实现快速、高效的路基病害检测与识别提供技术支撑，有广阔的前景。然而，在目前的研究中仍然存在一些障碍：(1)用于研究的雷达数据的数量有限，而基于深度学习的模型通常需要大量数据以获得更好的鲁棒性。(2)存在类不均衡现象，例如在某道路中，以土质疏松为主，极少出现空洞病害。针对此类问题，通常采用数据增强的方法，以扩充训练样本数量。传统的数据增强方法有平移、旋转、剪切等，但其扩充数量有限，且不足以有效解决类不均衡问题。

技术实现思路

[0006]专利技术的目的在于提供一种路基病害类型的智能识别方法，解决了用于研究的雷达数据的数量有限，而基于深度学习的模型通常需要大量数据以获得更好的鲁棒性；以及存在类不均衡现象的问题。
[0007]生成对抗网络是一种无监督式模型，具有一定的优势，在各领域得到广泛应用。
[0008]本专利技术提出了一种路基病害类型的智能识别方法，所述智能识别方法包括以下步骤：
[0009]步骤一、原始图像处理：对原始图像冗余信息裁剪，然后对图像进行预处理，对预处理后的探地雷达数据划分为训练集、验证集和测试集；
[0010]步骤二、传统方法数据增强：将预处理后的训练集和验证集数据进行处理，使得数量扩大；
[0011]步骤三、生成对抗网络数据增强：采用WGAN
‑
GP生成对抗网络模型，所述WGAN
‑
GP生成对抗网络由生成器G和判别器D组成，所述WGAN
‑
GP生成对抗网络模型在WGAN的基础上引入了梯度惩罚，通过设置一个额外的梯度惩罚项，来限制判别器D的梯度不超过预设常数，以使权重分布均匀；
[0012]更好的利用了神经网络的学习能力，本专利技术采用的WGAN
‑
GP生成对抗网络能够有效缓解梯度消失、模式崩溃等问题。
[0013]步骤四、智能分类：卷积神经网络分类模型采用ResNet50进行微调，且训练时采用大型数据ImageNet分类任务中预训练的权重。
[0014]本专利技术的进一步技术方案是：所述步骤三中采用的WGAN
‑
GP生成对抗网络由两部分组成，即生成器G和判别器D，两者互相独立，作为相互对抗的目标。
[0015]本专利技术的进一步技术方案是：生成器G用于生成与真实样本同分布的随机样本(也称做假样本)来欺骗判别器D；判别器D的任务是分辨输入的图片是真实数据还是虚假数据，如果判别器D判断正确，则调整生成器G的参数使其生成的假数据尽可能的逼真；如果判别器D判断错误，则调节判别器D以获得更好的鉴别能力，直到达到相对均衡状态。
[0016]本专利技术的进一步技术方案是：采用的WGAN
‑
GP生成对抗网络最终的目标函数如式(1)所示，
[0017][0018]其中，x～P
r
为真实分布，为生成分布，为真实分布和生成分布中采样的样本。
[0019]本专利技术的进一步技术方案是：生成对抗网络WGAN
‑
GP的生成器G与判别器D均由五层卷积组成，生成器G的输入为一个随机获取的100维向量，在经过不断的转置卷积后生成“虚假”的路基病害图片，随后和真实的数据一起输入判别器D，得到该图片预测为真/假图片的概率及预测结果，经过不断的迭代更新训练，生成大量高质量、多样性的探地雷达路基病害图片，在扩充数量的同时均衡各类样本，获得新的数据集用于后续的模型分类任务。
[0020]本专利技术的进一步技术方案是：所述原始图像冗余信息裁剪为：对专业的地质雷达软件导出的路基剖面图中存在标尺、文字冗余的信息进行裁剪去除。为防止影响特征的学习。
[0021]本专利技术的进一步技术方案是：所述图像进行预处理为：将裁剪后的每张路基剖面图片进行高斯滤波操作，然后针对性的采用中值滤波处理，最后采用伽马变换进行灰度修正并统一缩放至相同大小并灰度化。
[0022]具体的，将裁剪后的每张GPR路基剖面图片进行高斯滤波操作，以抑制服从正太分布的噪声，然后针对类似于椒盐噪声的黑白相间的亮暗点采用中值滤波处理，最后采用伽马变换进行灰度修正并统一缩放至相同大小并灰度化。
[0023]本专利技术的进一步技术方案是：按照8：1：1的比例，将预处理后的探地雷达数据划分为训练集、验证集和测试集。
[0024]本专利技术的进一步技术方案是：运用Python批量处理，将预处理后的训练集和验证集数据进行对比度调节，然后逐个左右翻转，使得数量扩大为原来的4倍。
[0025]本专利技术的有益效果：本专利技术利用探地雷达无损检测设备获取的路基剖面图，通过
图像处理方法去除噪声并强化病害特征，经过传统方法和生成对抗网络数据增强，在扩充样本数量的同时有效均衡各类病害，提高数据质量和分类精度，最终实现路基隐蔽性病害类型的智能识别，有效减少人工成本和时间损耗，减轻专家负担；
[0026]对基于探地雷达的路基病害进行数据增强和类型识别，使得病害特征相对更加明显，数据量得到提升，且各类样本得以均衡，精度有所提高；
[0027]生成对抗网络WGAN
‑
GP经过不断的迭代更新训练，生成大量高质量、多样性的探地雷达路基病害图片，在扩充数量的同时均衡各类样本，能够有效缓解梯度消失、模式崩溃等问题。
附图说明
[0028]图1为专利技术识别方法流程图；
[0029]图2为探地雷达图像裁剪与预处理过程示意图；
[0030]图3为探地雷达原始数据集中的四种路基病害图片；其中：(a)疏松；(b)裂缝；(c)管道；(d)空洞；...

【技术保护点】

【技术特征摘要】
1.一种路基病害类型的智能识别方法，其特征在于：所述智能识别方法包括以下步骤：步骤一、原始图像处理：对原始图像冗余信息裁剪，然后对图像进行预处理，对预处理后的探地雷达数据划分为训练集、验证集和测试集；步骤二、传统方法数据增强：将预处理后的训练集和验证集数据进行处理，使得数量扩大；步骤三、生成对抗网络数据增强：采用WGAN
‑
GP生成对抗网络模型，所述WGAN
‑
GP生成对抗网络由生成器G和判别器D组成，所述WGAN
‑
GP生成对抗网络模型在WGAN的基础上引入了梯度惩罚，通过设置一个额外的梯度惩罚项，来限制判别器D的梯度不超过预设常数，以使权重分布均匀；步骤四、智能分类：卷积神经网络分类模型采用ResNet50进行微调，且训练时采用大型数据ImageNet分类任务中预训练的权重。2.根据权利要求1所述的一种路基病害类型的智能识别方法，其特征在于，所述步骤三中生成器G和判别器D互相独立，且作为相互对抗的目标。3.根据权利要求2所述的一种路基病害类型的智能识别方法，其特征在于，所述生成器G用于生成与真实样本同分布的随机样本来欺骗判别器D；所述判别器D用于分辨输入的图片是真实数据还是虚假数据，如果判别器D判断正确，则调整生成器G的参数使其生成的假数据尽可能的逼真；如果判别器D判断错误，则调节判别器D以获得更好的鉴别能力，直到达到相对均衡状态。4.根据权利要求3所述的一种路基病害类型的智能识别方法，其特征在于，采用的WGAN
‑
GP生成对抗网络最终的目标函数如式(1)所示，其中，D表示判别器，G表示生成器，x表示真实数据，是真实图像和虚假图像之间的逐点插值，x～P
r
为真实分布，为生成分布，为...

【专利技术属性】
技术研发人员：张松，孟均，孙勤霞，侯越，贺文文，钟雨，段彬，张慧婷，徐子金，李艳飞，史记青，
申请(专利权)人：北京路桥瑞通养护中心有限公司，
类型：发明
国别省市：