【技术实现步骤摘要】
本专利技术涉及激光雷达道路检测，具体涉及基于深度学习的道路质量无损化检测方法。
技术介绍
1、道路检测车是一种用于道路质量检测的专用汽车，以机动车为平台，将光电、it和3s技术集成一体。在车辆正常行驶状态下，能自动完成道路路面图像、路面形状、道路设施立体图像、平整度及道路几何参数等数据采集、分析、分类与存储。便于及时识别和发现道路的破损状况和病害原因，为市政道路科学养护提供真实、有效的数据支撑。
2、当前道路质量无损化检测技术的发展方向主要基于激光扫描技术，相较于传统的人工或机器视觉检测方法而言，检测精度更高。但在利用一些经典异常检测算法，例如孤立森林算法对激光点云数据进行分析和处理时总会存在计算量过大的问题，并且孤立森林随机选取的分裂值在密集的点云数据中可能无法得到准确的异常检测结果，因此有必要对于孤立森林在道路激光点云数据中的分裂值选取方法进行研究和改进。
技术实现思路
1、本专利技术提供基于深度学习的道路质量无损化检测方法，以解决现有孤立森林分裂值随机选取的策略存在计算量大、分裂精度较差的问题。
2、本专利技术的基于深度学习的道路质量无损化检测方法采用如下技术方案：
3、本专利技术一个实施例提供了基于深度学习的道路质量无损化检测方法，该方法包括以下步骤：
4、获取待测道路段的点云数据，所述点云数据中包含若干个点云测点，每个点云测点中包含高程值；
5、根据点云数据所有点云测点的高程值得到验证因子，获取待测道路段点云数据
6、根据点云数据所有点云测点的高程值获取点云结构因子，根据所有点云测点中的极值点获取波动密度因子，根据点云结构因子以及波动密度因子获取干扰因素影响程度；
7、根据主因素影响程度得到第一分裂值的选取上限值，根据干扰因素影响程度得到第一分裂值的选取下限值，根据第一分裂值的选取上限值和选取下限值得到孤立森林初始分裂子样本，根据孤立森林初始分裂子样本得到所有子样本，根据所有子样本得到道路病害子样本。
8、进一步的，所述根据点云数据所有点云测点的高程值得到验证因子，包括的具体步骤如下：
9、
10、其中，c代表验证因子，e代表待测道路段所有点云测点高程值的方差，为预设的常数。
11、进一步的，所述获取待测道路段点云数据的点云中线，包括的具体步骤如下：
12、将点云数据所处坐标系的横坐标轴与纵坐标轴构成的平面记为点云数据的横、纵坐标平面，在待测道路段点云数据的横、纵坐标平面中获取待测道路段两侧的边线，将待测道路段任意一侧的边线记为第一边线，将待测道路段的另外一侧的边线记为第二边线，过待测道路段的第一边线上的每个点作同时垂直于第一边线和第二边线的一条垂线，记为辅垂线，获取待测到路段的第一边线上所有点的辅垂线，将每条辅垂线与第一边线的交点称为第一端点，与第二边线的交点称为第二端点，得到所有辅垂线的第一端点和第二端点，获取每条辅垂线在第一端点和第二端点之间的中点，记为每条辅垂线的中点，然后对待测道路上所有辅垂线的中点进行非线性曲线拟合得到待测道路段点云数据的点云中线。
13、进一步的，所述根据点云中线获取待测道路段的对称性，包括的具体步骤如下：
14、将点云中线穿过的点云测点记为点云中线的采样点；
15、
16、其中，t代表待测道路段的对称性，i代表待测道路段点云中线的第i个采样点，m代表点云中线上的采样点数量，代表第i个采样点所在辅垂线上的点云测点数量，表示第i个采样点所在辅垂线上的每侧的点云测点数量，代表第i个采样点所在辅垂线上右侧的点云测点，代表第i个采样点所在辅垂线上左侧的点云测点，v代表点每个采样点所在辅垂线上的每侧的第v个点云测点，代表第i个采样点所在辅垂线上右侧第v个点云测点处高程值的一阶导值，代表第i个采样点所在辅垂线上左侧第v个点云测点处高程值的一阶导值，为预设的常数，为自然常数为底的指数函数。
17、进一步的，所述根据验证因子以及待测道路段的对称性得到主因素影响程度，包括的具体步骤如下：
18、
19、其中，代表待测道路段的主因素影响程度，代表验证因子，t代表待测道路段的对称性。
20、进一步的，所述根据点云数据所有点云测点的高程值获取点云结构因子，包括的具体步骤如下：
21、
22、其中，w代表点云结构因子，j代表第j类高程值，代表第j类高程值的数值，p代表高程值总类别数，代表第j类高程值的分布概率，代表以自然常数2为底数的对数函数。
23、进一步的，所述根据所有点云测点中的极值点获取波动密度因子，包括的具体步骤如下：
24、
25、其中，代表点云数据的波动密度因子，g代表点云数据中所有极值点数量，h为点云数据中所有点云测点数量，u代表第u个极值点，代表第u个极值点的高程值，代表所有极值点中的最小高程值，代表双曲正切函数。
26、进一步的，所述根据点云结构因子以及波动密度因子获取干扰因素影响程度，包括的具体步骤如下：
27、将点云结构因子与波动密度因子的乘积，作为点云数据的干扰因素影响程度。
28、进一步的，所述根据主因素影响程度得到第一分裂值的选取上限值，根据干扰因素影响程度得到第一分裂值的选取下限值，包括的具体步骤如下：
29、
30、其中，代表点云数据的主因素影响程度，代表点云数据的干扰因素影响程度，代表点云数据中的最大高程值，表点云数据中的最小高程值，代表点云数据所有点云测点的平均高程值，代表孤立森林第一分裂值选取上限值，代表孤立森林第一分裂值选取下限值。
31、进一步的，所述根据第一分裂值的选取上限值和选取下限值得到孤立森林初始分裂子样本，根据孤立森林初始分裂子样本得到所有子样本，根据所有子样本得到道路病害子样本，包括的具体步骤如下：
32、对于点云数据所有点云测点的高程值，在之间随机选取第一分裂值，利用第一分裂值得到两个初始分裂子样本，根据初始分裂子样本得到所有子样本，以及每个子样本的异常度，预设阈值，将异常度大于预设阈值的子样本记为道路病害子样本。
33、本专利技术的技术方案的有益效果是：
34、本专利技术通过一系列分析、计算，得到点云数据的主因素影响程度以及干扰因素影响程度，分别通过主因素影响程度和干扰因素影响程度调节第一分裂值的选取上限和选取下限，对第一分裂值的选取范围进行约束后，减少了无效子样本的数量，与传统孤立森林的分裂策略相比，可以大幅提高道路病害点云数据和噪声点云数据的筛分精度，并且在对检测结果影响较低的情况下减少递归分割次数，降低计算成本。
本文档来自技高网...【技术保护点】
1.基于深度学习的道路质量无损化检测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述基于深度学习的道路质量无损化检测方法，其特征在于，所述根据点云数据所有点云测点的高程值得到验证因子，包括的具体步骤如下：
3.根据权利要求1所述基于深度学习的道路质量无损化检测方法，其特征在于，所述获取待测道路段点云数据的点云中线，包括的具体步骤如下：
4.根据权利要求3所述基于深度学习的道路质量无损化检测方法，其特征在于，所述根据点云中线获取待测道路段的对称性，包括的具体步骤如下：
5.根据权利要求1所述基于深度学习的道路质量无损化检测方法，其特征在于，所述根据验证因子以及待测道路段的对称性得到主因素影响程度，包括的具体步骤如下：
6.根据权利要求1所述基于深度学习的道路质量无损化检测方法，其特征在于，所述根据点云数据所有点云测点的高程值获取点云结构因子，包括的具体步骤如下：
7.根据权利要求1所述基于深度学习的道路质量无损化检测方法，其特征在于，所述根据所有点云测点中的极值点获取波动密度因子，包括的具体步骤如
8.根据权利要求1所述基于深度学习的道路质量无损化检测方法，其特征在于，所述根据点云结构因子以及波动密度因子获取干扰因素影响程度，包括的具体步骤如下：
9.根据权利要求1所述基于深度学习的道路质量无损化检测方法，其特征在于，所述根据主因素影响程度得到第一分裂值的选取上限值，根据干扰因素影响程度得到第一分裂值的选取下限值，包括的具体步骤如下：
10.根据权利要求9所述基于深度学习的道路质量无损化检测方法，其特征在于，所述根据第一分裂值的选取上限值和选取下限值得到孤立森林初始分裂子样本，根据孤立森林初始分裂子样本得到所有子样本，根据所有子样本得到道路病害子样本，包括的具体步骤如下：
...【技术特征摘要】
1.基于深度学习的道路质量无损化检测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述基于深度学习的道路质量无损化检测方法，其特征在于，所述根据点云数据所有点云测点的高程值得到验证因子，包括的具体步骤如下：
3.根据权利要求1所述基于深度学习的道路质量无损化检测方法，其特征在于，所述获取待测道路段点云数据的点云中线，包括的具体步骤如下：
4.根据权利要求3所述基于深度学习的道路质量无损化检测方法，其特征在于，所述根据点云中线获取待测道路段的对称性，包括的具体步骤如下：
5.根据权利要求1所述基于深度学习的道路质量无损化检测方法，其特征在于，所述根据验证因子以及待测道路段的对称性得到主因素影响程度，包括的具体步骤如下：
6.根据权利要求1所述基于深度学习的道路质量无损化检测方法，其特征在于，所述根据点云数据所有点云测点的高程值获取...
【专利技术属性】
技术研发人员：王森堂，陈畹粟，刘科，杨宏星，范齐，朱朝阳，
申请(专利权)人：山东力加力钢结构有限公司，
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。