【技术实现步骤摘要】
本专利技术涉及道路病害预测，具体涉及基于神经网络架构搜索的道路病害预测方法及相关装置。
技术介绍
1、道路病害如裂缝、坑洼和不平整等问题，不仅会降低道路的使用寿命，增加养护成本，还可能严重威胁道路交通安全，影响行车舒适性和效率。在自动驾驶领域，道路病害的预测技术尤为关键，它们能够增强自动驾驶系统的感知能力，帮助车辆实时识别路面状况，预防交通事故的发生。近年来，机器学习和深度学习由于高效的道路病害预测性能，提高了交通系统运行效率和安全性。尽管道路病害预测取得了初步的成效，但设计性能良好的深度神经网络需要丰富的专业领域知识。
2、现阶段，基于粒子群优化的神经网络搜索方法因其设计灵活，容易实现等优点被广泛使用。然而，由于道路病害图像的多尺度性，直接应用基于粒子群优化的进化神经网络搜索算法进行分类预测依然存在以下挑战：(1)无法识别不同尺度的道路病害区域：大多数基于粒子群优化的进化神经网络搜索方法都是针对自然图像分类而设计的，道路病害图像与自然图像之间不同尺度的关键差异导致现有方法分类精度低；(2)容易陷入局部最优：基于粒子群优化的进化神经网络搜索方法容易陷入局部最优，导致全局搜索能力弱，无法应对动态环境；(3)计算资源开销大且模型过于复杂：进化神经网络搜索方法搜索的网络结构复杂，搜索过程耗费大量计算资源和时间开销，资源受限的设备容易导致进化过程失败。
技术实现思路
1、针对现有技术中的缺陷，本专利技术提供一种基于神经网络架构搜索的道路病害预测方法及相关装置，能够自动、高效地搜
2、一种基于神经网络架构搜索的道路病害预测方法，包括：
3、在尺度自适应搜索空间内确定出第一粒子群，第一粒子群包括n个第二粒子群，第二粒子群包括m个随机生成的第三粒子群；
4、采用多粒子群初始化策略对第一粒子群中的n个第二粒子群进行初始化处理，得到最佳第二粒子群；
5、采用粒子群动态自适应更新策略对最佳第二粒子群中的m个第三粒子群进行优化处理，得到最佳第三粒子群；
6、将最佳第三粒子群对应的包含mbconv层的神经网络确定为最优道路病害预测网络；
7、采用最优道路病害预测网络进行道路病害预测。
8、进一步的，方法还包括根据第三粒子群构建包含mbconv层的神经网络，根据第三粒子群构建包含mbconv层的神经网络，包括：
9、将第三粒子群内粒子的个数确定为神经网络中mbconv层的层数；
10、将第三粒子群内粒子的数值确定为神经网络中的mbconv层的参数；
11、根据神经网络中mbconv层的层数和神经网络中的mbconv层的参数对神经网络中mbconv层进行构建，得到包含mbconv层的神经网络。
12、进一步的，采用多粒子群初始化策略对第一粒子群中的n个第二粒子群进行初始化处理，得到最佳第二粒子群，包括：
13、计算第一粒子群中n个第二粒子群的初始适应度值；
14、将初始适应度值最高的第二粒子群作为最佳第二粒子群。
15、进一步的，计算第一粒子群中n个第二粒子群的初始适应度值，包括：
16、采用零样本评估得到第一粒子群中n个第二粒子群的平均分类性能，通过计算得到第一粒子群中n个第二粒子群的平均参数和平均浮点数；
17、利用最佳权重组合分别对n个第二粒子群的平均分类性能、平均参数和平均浮点数进行加权处理，得到n个第二粒子群的初始适应度值。
18、进一步的，在采用粒子群动态自适应更新策略对最佳第二粒子群中的m个第三粒子群进行优化处理之前，还包括：
19、采用多目标性能评估函数获取最佳第三粒子群的每一次迭代计算时，最佳第二粒子群的每一个第三粒子群的进化适应度值，得到最佳第二粒子群的每一个第三粒子群的当前适应度值；
20、根据最佳第二粒子群的每一个第三粒子群的当前适应度值，得到最佳第三粒子群的每一次迭代计算时的最佳第二粒子群的当前平均适应度值；
21、采用最佳第二粒子群的每一个第三粒子群的当前适应度值与最佳第二粒子群的当前平均适应度值的比值，确定最佳第二粒子群的解环境；
22、计算公式为：
23、
24、其中，pi表示第i个第三粒子群在进化第t代时的最佳第二粒子群的解环境，exp表示e的多少次方，xi(t)为第i个第三粒子群在进化第t代后的空间分布位置，fit(·)为计算第i个第三粒子群的当前适应度值，m为最佳第二粒子群中的第三粒子群个数。
25、进一步的，多目标性能评估函数通过如下公式进行表征：
26、
27、其中，fitness(i)表示第i个第三粒子群的进化适应度值，zen-score(·)表示零样本，#params(i)表示第i个第三粒子群的参数量，#flops(i)表示第i个第三粒子群的浮点运算量，tp和tf分别表示允许的最大参数量和最大浮点运算量，wo和wq分别表示限制参数量和浮点运算量的权衡取值。
28、进一步的，粒子群动态自适应更新策略包括：
29、当pi>0.6时，采用“xi(t+1)＝xi(t)+vi(t+1)”更新第i个第三粒子群的空间分布位置，计算公式表示为：
30、
31、当pi<0.6或pi＝0.6时，采用“xi(t+1)＝w(t+1)xi(t)+(1-w)vi(t+1)”更新第i个第三粒子群的空间分布位置，计算公式表示为：
32、
33、其中，t表示当前迭代次数，vi(t)表示第i个第三粒子群的速度，w(t+1)为得到最佳第三粒子群的惯性权重，(-1)γ为动态反向学习控制因子，γ为二进制数{0，1}，c1为个体学习因子，c2为社会学习因子，r1,r2,β为介于[0-1]之间的随机数。pbesti表示为第三粒子群在第二粒子群中的一个局部最优解，gbesti表示为第三粒子群在第二粒子群中的一个全局最优解，cos(·)表示第三粒子群的旋转，l为[0.4,0.5]的随机数，xi(t)表示为第i个第三粒子群在进化第t代后的空间分布位置。
34、一种基于神经网络架构搜索的道路病害预测装置，包括：
35、第一确定单元，用于在尺度自适应搜索空间内确定出第一粒子群，第一粒子群包括n个第二粒子群，第二粒子群包括m个随机生成的第三粒子群；
36、初始化处理单元，用于采用多粒子群初始化策略对第一粒子群中的n个第二粒子群进行初始化处理，得到最佳第二粒子群；
37、优化处理单元，用于采用粒子群动态自适应更新策略对最佳第二粒子群中的m个第三粒子群进行优化处理，得到最佳第三粒子群；
38、第二确定单元，用于将最佳第三粒子群对应的包含mbconv层的神经网本文档来自技高网...
【技术保护点】
1.一种基于神经网络架构搜索的道路病害预测方法，其特征在于，包括：
2.如权利要求1所述的一种基于神经网络架构搜索的道路病害预测方法，其特征在于，所述方法还包括根据第三粒子群构建包含MBConv层的神经网络，
3.如权利要求2所述的一种基于神经网络架构搜索的道路病害预测方法，其特征在于，所述采用多粒子群初始化策略对第一粒子群中的n个第二粒子群进行初始化处理，得到最佳第二粒子群，包括：
4.如权利要求3所述的一种基于神经网络架构搜索的道路病害预测方法，其特征在于，所述计算所述第一粒子群中n个所述第二粒子群的初始适应度值，包括：
5.如权利要求1所述的一种基于神经网络架构搜索的道路病害预测方法，其特征在于，在采用粒子群动态自适应更新策略对所述最佳第二粒子群中的m个第三粒子群进行优化处理之前，还包括：
6.如权利要求5所述的一种基于神经网络架构搜索的道路病害预测方法，其特征在于，所述多目标性能评估函数通过如下公式进行表征：
7.如权利要求5所述的一种基于神经网络架构搜索的道路病害预测方法，其特征在于，所述粒子群动态
8.一种基于神经网络架构搜索的道路病害预测装置，其特征在于，包括：
9.一种终端，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
...【技术特征摘要】
1.一种基于神经网络架构搜索的道路病害预测方法，其特征在于，包括：
2.如权利要求1所述的一种基于神经网络架构搜索的道路病害预测方法，其特征在于，所述方法还包括根据第三粒子群构建包含mbconv层的神经网络，
3.如权利要求2所述的一种基于神经网络架构搜索的道路病害预测方法，其特征在于，所述采用多粒子群初始化策略对第一粒子群中的n个第二粒子群进行初始化处理，得到最佳第二粒子群，包括：
4.如权利要求3所述的一种基于神经网络架构搜索的道路病害预测方法，其特征在于，所述计算所述第一粒子群中n个所述第二粒子群的初始适应度值，包括：
5.如权利要求1所述的一种基于神经网络架构搜索的道路病害预测方法，其特征在于，在采用粒子群动态自适应更新策略对所述最佳第二粒子群中的m个第三粒子群进行优化处理之前，还包括：
6.如权利要求5...
【专利技术属性】
技术研发人员：章一颖，徐黎明，刘昊，谭勇，何利蓉，郑杰，李林波，侯晓宁，罗琳玲，王全磊，
申请(专利权)人：招商局公路信息技术重庆有限公司，
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。