【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，使低层级特征图中融入上下文的语义信息。然而每一次融合，非相邻高层级特征图的语义信息都会被稀释，并且由于不同尺度特征图具有不同的分辨率，仅仅使用简单的相加融合，可能会引入过多不重要的噪声信息。同时只采用由上向下的融合方式，也使较高层级特征图缺乏不同尺度的综合语义特征。
3、resnet-50：全称是residual network-50，中文可以翻译为残差网络-50。它是
4、faster r-cnn：是一种常见的目标检测网络，其流程主要包括四个部分，分别是特征提取网络、区域提议网络（rpn）、感兴趣区域池化（roi pool）和检测网络（classifier）。各部分功能如下：
5、（1）特征提取网络：提取输入图像的全图特征，用于rpn推荐区域生成和roi区域池化。卷积层可以采用多种网络结构来实现，比如vgg、或resnet。
6、（2）rpn：rpn作用是生成候选框。rpn在特征图上滑动，对特征图上每个位置生成一定数量的先验框anchors，再结合特征图分类和回归结果对先验框位置进行校正，从中选取符合要求的候选区域proposals用于区域池化和目标检测；
7、（3）感兴趣区域池化：区域池化的作用是根据proposals区域位置在特征图上进行特征截取，并将截取的特征缩放到固定大小以便于检测网络进行分类和回归；
8、检测网络：检测网络是最终对proposals进行分类和回归的全连接网络，用于对proposals进行更为精确的分类和位置回归。
9、senet网络：全称是squeeze-and-excitation networks，中文可以翻译为压缩和激励网络。包括squeeze操作和excitation操作，其中，squeeze操作是对输入进来的特征层进行全局平均池化，将每个通道的特征压缩为一个全局特征值，从而得到一个通道描述符。excitation操作是在得到通道描述符之后，通过两层全连接网络来学习每个通道的权重。这两层全连接网络的作用在于捕捉通道之间的依赖关系，并根据这些依赖关系为每个通道生成一个权重值。这个权重值反映了该通道对于最终输出特征的重要性。
10、roi align层：英文为region of interest align，中文是感兴趣区域对齐层，roialign层可以理解为对感兴趣区域进对齐处理的神经网络层。它是一种用于目标检测和实例分割任务的神经网络层，主要用于解决在使用roi pooling时可能出现的信息损失问题。roi align通过引入双线性插值的方法，将roi内部的特征点映射到特征图上的浮点坐标，然后进行双线性插值操作，从而减少信息损失，提高了特征的精度和准确性。这样可以更好地保留目标的空间信息，提高模型的性能和精度。
技术实现思路
1、本专利技术的目的就在于提供一种解决现有技术中，因隐患区域中显著信息的分布特点、以及现有多尺度特征融合时因缺乏全局上下文语义特征及综合语义特征等缺陷造成的隐患区域漏检、误检问题的，基于探地雷达和深度学习的道路坍塌隐患智能识别方法。
2、为了实现上述目的，本专利技术采用的技术方案是这样的：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，包括以下步骤；
3、s1，构造数据集；
4、从不同道路场景下获取探地雷达图像，对每张探地雷达图像中的坍塌隐患区域及类别进行标注，将带标注的探地雷达图像作为训练样本，所有训练样本构成数据集；
5、s2，构造一改进的faster r-cnn网络；
6、选取一faster r-cnn网络，包括特征提取网络、区域提议网络、兴趣区域池化层和检测网络；
7、所述特征提取网络包括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；
8、所述resnet-50用于输入训练样本，输出四个不同尺度的特征图c2、c3、c4、c5；
9、所述双重融合特征金字塔用于生成第二融合特征图，包括sa1~sa6；
10、sa1，先将ci降低到预设通道数c，得到对应降维图，i=2~5；
11、sa2，根据下式生成到第i层级第一融合特征图fi；
12、，
13、，
14、，
15、，
16、，
17、式中，为双线性插值的上采样操作，用于生成fi的上采样图，、、均为融合项图，fi由6-i项融合项图融合而成，为fi中第j项融合项图的权重，为fi中第j项融合项图经1×1的二维卷积操作得到的未激活权重矩阵；
18、sa3，将缩放到大小，再相加得到加权图i；
19、sa4，用senet网络得到i中各通道权重，构成权重向量v；
20、sa5，将i按sa3的反向操作，拆分为四张拆分图r2~r5，其中，ri与fi大小相同；
21、sa6，根据公式，生成第i层级第二融合特征图pi，并根据，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道路坍塌隐患智能识别方法，其特征在于：Sb2中，Zr在通道c、高度h的值z(c,h)根据下式得到；
7.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：S3训练时，损失函数包括分类损失和回归损失，所述分类损失为交叉熵损失，回归损失为Smooth L
8.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C2、C3、C4、C5分别经Resnet-50的第二个阶段，第三个阶段、第四个阶段和第五个阶段输出，对应训练样本的下采样倍率分别为4、8、16、32。
9.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：坍塌隐患区域的类别包括脱空、空洞和疏松体。
...【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：
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。