买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华东交通大学;葛洲坝湖北襄荆高速公路有限公司

摘要：本发明涉及图像识别与处理技术领域，并具体公开了一种公路路面结构内部病害检测方法及设备，本发明为了解决现有的公路病害识别中并没有充分利用三维探地雷达的探测数据，并且仅通过纵断面雷达图像判断病害存在较高误判风险等问题，提供了一种通过建立纵断面和水平面两个维度的神经网络模型，在同一位置结合不同维度的检测结果综合判断病害类型的检测方法及设备，本发明通过将纵断面和水平面的雷达图像分别进行定位，提升了异常波形的定位精准度，同时，本发明通过D‑S证据理论将平纵模型进行融合，在同一位置结合不同维度的检测结果综合判断病害类型，提升路面内部结构病害识别的精度，提升了病害识别的准确率。

主权项：1.一种公路路面结构内部病害检测方法，其特征在于，所述方法包括：获取路面的纵断面雷达图像和水平面雷达图像；将所述纵断面雷达图像输入训练好的纵断面定位模型，得到病害的纵断面异常图像和位置坐标；将所述位置坐标和所述水平面雷达图像输入训练好的水平面定位模型，得到病害的水平面异常图像；将所述纵断面异常图像和水平面异常图像输入训练好的病害识别模型，得到病害的类型，实现病害检测；所述病害识别模型构建过程包括：获取路面的历史纵断面雷达图像和历史水平面雷达图像，并分别输入训练好的纵断面定位模型和水平面定位模型，得到历史病害的纵断面异常图像和水平面异常图像；根据公路病害类型将历史病害的纵断面异常图像进行分类，并建立第一数据集，根据所述第一数据集训练构建好的第一分类模型；根据雷达波形特征将历史病害的水平面病害图像进行分类，并建立第二数据集，根据所述第二数据集训练构建好的第二分类模型；根据D-S证据理论将训练好的第一分类模型和第二分类模型融合为病害识别模型的分类层，得到构建好的病害识别模型；其中，所述纵断面定位模型和所述水平面定位模型采用CP-YOLOX模型，所述CP-YOLOX模型包括CSPDarkNet53-SPP网络、Backbone网络和Neck网络；所述CSPDarkNet53-SPP网络是在DarkNet53网络的基础上，基于CSPNet模型搭建的主干特征提取网络，其中包含了4个CSPLayer模块，采用的是SiLU激活函数，所述CSPDarkNet53-SPP网络的最后一层除了CSPLayer模块外，还在两个CBS网络中添加了SPP网络；所述Backbone网络包括Focus网络、CBS网络、CSPLayerX网络和SPP网络；所述CBS网络为卷积Conv、标准化BatchNorm和激活函数SiLU；所述CSPLayerX网络包括一个CBS3模块，卷积核尺寸为3*3，用于确定卷积核个数，缩小特征层尺寸，后面接上两个CBS1模块，将特征图均分为两份，一份经过x个残差结构Resunit，另一份不做处理，后再将两部分堆叠，再通过1*1卷积进行通道整合，x指的是残差结构Resunit循环的次数；所述SPP网络为空间池化层，用于通过1*1卷积进行降维，再通过4个不同尺寸的最大池化层进行特征提取，之后进行堆叠，再通过1*1卷积调整通道数；所述Neck网络采用PAN网络，用于将得到的三个特征层进行特征融合，三个特征层在PAN网络里分别先进行2次上采样和特征融合，再进行2次下采样和特征融合，得到经过特征加强后的3个尺度的特征层；所述CP-YOLOX模型采用指数型下降方式来计算学习率，训练所用优化器为Adam优化器，指数下降主要指的是学习率会随迭代次数的增大按指数函数不断下降，公式如下所示： ，其中，lrb为初始设置的学习率，γ为学习率衰减系数，epoch为训练迭代的次数，lr为学习率；所述第一分类模型和第二分类模型采用ViT模型，所述ViT模型包括嵌入层、特征提取层和分类层；所述ViT模型首先将输入的异常图像分割成相同大小的图像块，再将各个图像块长、宽、通道的三维数据扁平化为一维向量，通过嵌入层层嵌入位置信息和类别信息，然后将处理好的带有位置信息和类别信息的向量序列传入特征提取层进行特征提取，最后再将类别信息从向量序列中单独提取出来，输入分类层进行分类，输出类别概率；其中，特征提取层包含两个残差结构，在第一个残差结构里，数据依次经过层标准化、多头自注意力模块和Dropout层，在第二个残差结构里，数据依次经过层标准化、多层感知机和Dropout层；所述多头自注意力模块是在自注意力机制基础上，将输入的数据分成多个部分，然后对每部分数据分别进行自注意力计算；所述异常图像的特征数据输入所述多头自注意力模块前，会先通过全连接层将输入的特征向量扩增三倍，然后在自注意力机制里均分为查询向量、键向量和值向量三个部分，之后将查询向量和键向量进行矩阵相乘，得到每个特征向量各自的重要程度分数，经过Softmax层后再与值向量进行矩阵相乘，输出结果，所述多头自注意力模块根据设置的头数将数据均分；所述第一分类模型和第二分类模型训练时学习率下降方式为指数型下降方式，训练所用优化器为Adam优化器；所述D-S证据理论包括基本概率分配和Dempster合成规则；所述基本概率分配包括：在识别框架X上的基本概率分配是一个的函数m，称为mass函数，mass函数满足下式的两个条件，即： 和，其中，使的A称为焦元；所述Dempster合成规则包括：对于，X上的两个mass函数m1、m2的Dempster合成规则为： ，其中，K为归一化常数，公式如下： ，根据D-S证据理论将训练好的第一分类模型和第二分类模型融合包括：将两个模型输出的结果通过Dempster合成规则重新进行计算，其中m1B和m2C分别对应两个模型各自输出的病害概率，m1,2A表示计算两个模型得到的病害概率的结果，B和C分别表示输入两个模型的数据集。

全文数据：

权利要求：

百度查询： 华东交通大学 葛洲坝湖北襄荆高速公路有限公司 一种公路路面结构内部病害检测方法及设备