[發(fā)明專利]一種基于深度學習的路面病變檢測預警方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202010582258.2
• 申請日: 2020-06-23
• 公開（公告）號: CN111724074B
• 公開（公告）日: 2023-10-27
• 發(fā)明（設計）人: 凌賀飛;黃昌喜;張鵬鋒;李青松
• 申請（專利權(quán)）人: 華中科技大學
• 主分類號: G06Q10/0639
• 分類號: G06Q10/0639;G06N3/084;G06N3/0464
• 代理公司: 武漢華之喻知識產(chǎn)權(quán)代理有限公司 42267
• 代理人: 廖盈春;曹葆青

1.一種基于深度學習的路面病變檢測預警方法，其特征在于，包括如下步驟：

確定路面不同分段的不同時間段的參數(shù)；所述參數(shù)包括路面結(jié)構(gòu)參數(shù)、路面環(huán)境參數(shù)以及路面技術參數(shù)；

將各個分段路面不同時間段的參數(shù)分別輸入到預先訓練得到的雙路深度神經(jīng)網(wǎng)絡模型，以檢測各個分段路面參數(shù)對應的樣本能量；

基于閾頂點POT模型以及各個分段路面參數(shù)對應的樣本能量確定報警閾值；當某個分段路面的樣本能量超過所述報警閾值時，認為該分段路面發(fā)生病變，將該分段路面設為一個報警點進行路面病變預警。

2.根據(jù)權(quán)利要求1所述的基于深度學習的路面病變檢測預警方法，其特征在于，所述雙路深度神經(jīng)網(wǎng)絡模型包括自編碼網(wǎng)絡和估計網(wǎng)絡；

所述自編碼網(wǎng)絡包括編碼網(wǎng)絡和解碼網(wǎng)絡：

所述編碼網(wǎng)絡使用多層循環(huán)神經(jīng)網(wǎng)絡構(gòu)建，所述多層循環(huán)神經(jīng)網(wǎng)絡的輸出端連接一層全連接層網(wǎng)絡；所述編碼網(wǎng)絡的全連接層輸出特征z_c；所述多層循環(huán)神經(jīng)網(wǎng)絡中的每層神經(jīng)網(wǎng)絡接收輸入的一個分段路面一個時刻的參數(shù)；

所述解碼網(wǎng)絡由全連接層網(wǎng)絡構(gòu)建，層數(shù)與編碼網(wǎng)絡的層數(shù)一致，所述解碼網(wǎng)絡的全連接層對應的隱藏層節(jié)點數(shù)與所述編碼網(wǎng)絡的節(jié)點數(shù)一致；所述解碼網(wǎng)絡基于路面的參數(shù)的原始數(shù)據(jù)得到對應的重構(gòu)數(shù)據(jù)，計算重構(gòu)數(shù)據(jù)與原始數(shù)據(jù)的歐氏距離和余弦相似度；所述歐式距離和余弦相似度組合為向量z_r；

所述特征z_c和向量z_r組合為所述自編碼網(wǎng)絡的輸出z；

所述估計網(wǎng)絡由全連接層構(gòu)建，使用dropout層和softmax函數(shù)；所述估計網(wǎng)絡用于估計輸入特征z在高斯混合模型下的分類概率并基于所述分布概率更新高斯混合模型的參數(shù)。

3.根據(jù)權(quán)利要求1所述的基于深度學習的路面病變檢測預警方法，其特征在于，所述雙路深度神經(jīng)網(wǎng)絡模型的損失函數(shù)J為：

其中，等式左邊θ_c，θ_d，θ_m分別為編碼網(wǎng)絡、解碼網(wǎng)絡、估計網(wǎng)絡的參數(shù)；等式右邊的第一項為自編碼網(wǎng)絡的重構(gòu)誤差，第二項為高斯混合模型的分類損失，第三項為特征的線性相關性懲罰項；λ₁,λ₂分別為兩個損失項的權(quán)重系數(shù)；N表示訓練樣本數(shù)量，L()表示L2范數(shù)的平方，x_i表示輸入的第i個樣本，x_i′表示自編碼網(wǎng)絡對第i個樣本的重構(gòu)數(shù)據(jù)，Z_i表示第i個樣本對應的傳入壓縮網(wǎng)絡的特征數(shù)據(jù)，E()表示傳入特征的能量，表示特征各維度間的平均皮爾遜相關系數(shù)，表示高斯混合模型中的協(xié)方差矩陣。

4.根據(jù)權(quán)利要求3所述的基于深度學習的路面病變檢測預警方法，其特征在于，

5.根據(jù)權(quán)利要求3所述的基于深度學習的路面病變檢測預警方法，其特征在于，所述分類損失中的E(z)稱為樣本能量，計算公式如下：

上式中，z為傳入的特征數(shù)據(jù)，K表示高斯分布的數(shù)量，則k為高斯分布的序號；和分別為第k個高斯分量對應的均值和協(xié)方差矩陣，exp()為自然常數(shù)e為底的指數(shù)函數(shù)；上標T表示矩陣裝置，π為圓周率，|·|是求行列式操作。

6.根據(jù)權(quán)利要求3所述的基于深度學習的路面病變檢測預警方法，其特征在于，具體公式如下：

上式中，K為高斯分量個數(shù)，fd為低維壓縮特征的維數(shù)；絕對值函數(shù)abs中的值為第k個高斯分量中第i個和第j個屬性的皮爾遜相關系數(shù)。

7.根據(jù)權(quán)利要求3所述的基于深度學習的路面病變檢測預警方法，其特征在于，所述報警閾值z_q的計算公式如下：

其中，為形狀參數(shù)，為尺度參數(shù)，這兩個參數(shù)一般根據(jù)超出量的集合Y使用極大似然估計計算得到；N_t為峰值的數(shù)量，參數(shù)q為對異常數(shù)據(jù)出現(xiàn)概率的預期。