[發明專利]一種基于深度學習的路面病變檢測預警方法及系統

有效

• 申請號: 202010582258.2
• 申請日: 2020-06-23
• 公開（公告）號: CN111724074B
• 公開（公告）日: 2023-10-27
• 發明（設計）人: 凌賀飛;黃昌喜;張鵬鋒;李青松
• 申請（專利權）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: 武漢華之喻知識產權代理有限公司 42267
• 代理人: 廖盈春;曹葆青

本發明提供一種基于深度學習的路面病變檢測預警方法，包括：確定路面不同分段的不同時間段的參數；將各個分段路面不同時間段的參數分別輸入到預先訓練得到的雙路深度神經網絡模型，以檢測各個分段路面參數對應的樣本能量；基于POT模型以及各個分段路面參數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，認為該分段路面發生病變，將該分段路面設為一個報警點進行路面病變預警。本發明基于雙路深度神經網絡計算出輸入路面樣本數據的樣本能量，樣本能量值越大，說明該段路面早期病變、劣化的可能性越高；篩選報警階段，使用了POT模型和延遲法進行兩步式的篩選，在盡量提高召回率的同時不對精度造成過大的影響。

技術領域

本發明屬于路面病變檢測技術領域，更具體地，涉及一種基于深度學習的路面病變檢測預警方法及系統。

背景技術

隨著我國公路的迅猛發展、運輸量，車流量逐年增加，瀝青路面經常出現車轍、裂縫、松散、翻漿、水損害或沉陷等病害，嚴重影響了行車安全和公共安全，為保證路面管理工作的有效開展，必須對瀝青路面進行檢測。現階段我國的公路病害檢測方法主要采用點取樣檢測和多功能道路檢測車檢驗。以鉆芯取樣為代表的點取樣檢測方法雖簡單易行，但存在破壞路面結構完整性、檢測結果代表性不佳及封閉交通時間過長等弊端。多功能道路檢測車無法檢測路面結構層內部存在大量的隱藏病害，例如反射裂縫、層間脫空、路面結構的不均勻沉降。這些病害具有較高的隱蔽性，無法通過常規的檢測手段進行識別、定位和測量。

國內外用于路面結構病害檢測的技術主要包括鉆芯取樣、光纖維技術、聲波和超聲波探傷技術、CT斷層掃描技術以及探地雷達檢測技術。從檢測的準確性上講，CT掃描技術的準確性最佳，但是CT掃描設備只能進行小范圍掃描，檢測全面性欠佳，且對人體造成傷害，設備造價較高，不利于技術的推廣。相比CT掃描技術，超聲波檢測覆蓋范圍廣，設備輕便且低廉。然而，超聲波檢測的準確性較差，很難準確反映路面病害的形態特征，且檢測結果受環境條件影響較大。探地雷達技術在裂縫病害的檢測中呈現出實時、多維、高精度的特點，其裂縫定位和裂縫深度的計算已經可以滿足路面檢測和維護的需求。然而，無論結構層隱含裂縫檢測還是路表裂縫檢測均采用了路面耦合型的探地雷達，這種雷達要求檢測過程中與地面完全貼合，檢測效率較低。

有不少傳統機器學習算法可用于路面病害識別預警，包括K近鄰算法(k-NearestNeighbor，kNN)、局部異常因子算法(Local Outlier Factor，LOF)，還有基于聚類的K-means算法、高斯混合模型(Gaussian Mixture Model，GMM)等、但隨著路面檢測參數越來越多，給劣化預警帶來了新的挑戰。維度跨度很大，從幾維到上百維都有可能，參數之間的關聯性較為復雜。傳統的異常檢測方法與劣化預警技術已不能很好的處理高維數據，存在維數災難的問題。現有的一些路面病害檢測方法主要利用卷積神經網絡對探地雷達圖像和攝像頭拍攝的可見光圖像進行識別，這對比較明顯的病害識別有效，比傳統的機器學習方法識別準確度提高許多，但是對于早期劣變和趨勢預警方法存在不足。實際上對于瀝青路面塌陷的早期劣化預警非常重要，可以避免重大交通事故，減少公共安全危害。

近年來，深度學習在各個領域都展現出了強大的能力，已有不少研究將深度學習運用到異常檢測領域。為克服維數災難問題，主流的方法便是使用自編碼網絡進行特征壓縮，降維到低維空間中。之后有兩種處理方法：第一種，根據自編碼網絡的重構誤差直接篩選異常，因為自編碼網絡使用正常數據進行訓練，所以對正常數據的重構誤差較小，對異常數據的重構誤差往往較大；第二種，對壓縮后的特征再使用其他異常檢測方法，如聚類分析等。這兩類方法也有各自的不足。前者僅根據重構誤差來識別異常數據，某些情況下異常數據的重構誤差也可能很小，容易導致大量異常的漏報；后者的問題在于，自編碼器進行特征壓縮時不知道下一步要進行的聚類分析或其他異常檢測任務，可能遺漏一些對于異常檢測有用的關鍵信息。