CN111476088B - 沥青路面水损害识别模型构建方法、识别方法及系统 - Google Patents

沥青路面水损害识别模型构建方法、识别方法及系统 Download PDF

Info

Publication number
CN111476088B
CN111476088B CN202010140645.0A CN202010140645A CN111476088B CN 111476088 B CN111476088 B CN 111476088B CN 202010140645 A CN202010140645 A CN 202010140645A CN 111476088 B CN111476088 B CN 111476088B
Authority
CN
China
Prior art keywords
water damage
time
frequency
asphalt pavement
constructing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010140645.0A
Other languages
English (en)
Other versions
CN111476088A (zh
Inventor
张军
陶君
张超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changan University
Original Assignee
Changan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changan University filed Critical Changan University
Priority to CN202010140645.0A priority Critical patent/CN111476088B/zh
Publication of CN111476088A publication Critical patent/CN111476088A/zh
Priority to US17/631,453 priority patent/US20220276182A1/en
Priority to PCT/CN2020/120601 priority patent/WO2021174857A1/zh
Application granted granted Critical
Publication of CN111476088B publication Critical patent/CN111476088B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
    • G01N22/02—Investigating the presence of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Electromagnetism (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)

Abstract

本发明提供了一种沥青路面水损害识别模型构建方法、识别方法和系统，方法按照以下步骤进行：步骤一，通过GPR路面调查，获取初始数据集，步骤二，获取时频图谱集，步骤三，调整时频图谱分辨率；步骤四，构建识别模型，利用构建好的识别模型对沥青路面水损害进行识别；本发明还提供了沥青路面水损害识别方法和系统。本发明解决了现有技术中，沥青路面水损害难以实现自动化检测的技术问题，既提高了水损害识别的精度，同时为GPR原始数据的智能分析提供一种新的方法。

Description

沥青路面水损害识别模型构建方法、识别方法及系统
技术领域
本发明属于道路养护领域，涉及沥青路面水损害检测，具体涉及一种沥青路面水损害识别模型构建方法、识别方法及系统。
背景技术
探地雷达(GPR)是以雷达脉冲波探测地表以下状况并成像的仪器，其原理是利用天线发射和接收高频电磁波来探测介质内部物质特性。GPR使用高频率且通常被极化的无线电波，将电波发射入地表之下，当电磁波撞击到埋在地表下的物体或到达介电常数变化的边界时，天线接收到的反射波会记录下反射回波的讯号差异。GPR具有探测的高精度、高效率以及无损的特点，GPR已在公路交通上应用，如在隧道衬底脱空、路面脱空、建筑或者桥面板传力杆或钢筋的识别、地下管线上得到了广泛的应用。由于探地雷达成像解释困难，现有GPR信号依赖于专家分析，费时费力。特别是，公路里程长，依靠人工经验识别的方法将难以满足公路智能化检测要求，所以，迫切需要GPR信号的智能分析和识别方法。
以常见的路面缺陷为例，水损害是造成沥青路面早期损害的主要原因之一。它将破坏沥青骨料的强度和耐久性，导致沥青路面出现松散、纵横向裂缝、拥包、唧浆或泛白、坑洞、沥青层剥落等显性缺陷，降低了路面寿命，影响行车安全。而我国沥青路面已超过400万km，因此水损害的快速检测对保障交通安全，具有重要意义。
随着计算机技术和人工智能智能(如深度学习)的发展，基于GPR图谱的目标检测已经在探地雷达上得到应用，如应用于具有双曲线特征的钢筋目标检测。基于GPR图谱识别需要加密测试获得高质量的图谱，无法满足高速车载的路面缺陷检测要求。针对这个问题，笔者提出的发明专利申请(一种基于探地雷达信号时频统计特征的水损害识别方法，201910100046.3)，通过时域和频域的参数通过统计分析实现了基于GPR信号的水损害检测方法，同时表明水损害和正常路面在时域和频域上具有差异。
小波分析在时频两域都具有表征信号局部特征的能力，具有自适应符合低频信号变化缓慢而高频信号变化迅速的特点，可有效压制噪声。采用连续小波变换(CWT)，可有效体现水损害的频率成分及其对应的时间区间，可解释GPR信号能量在沥青路面中传输特征。利用其时频特征图，其特征丰富，可更能准确地实现水损害的自动检测。
发明内容
针对上述现有术的不足与缺陷，本发明的目的在于提供一种沥青路面水损害识别模型构建方法、识别方法及系统，解决现有技术中，沥青路面水损害难以实现自动化检测的技术问题。
为了解决上述技术问题，本发明采用如下技术方案予以实现：
一种沥青路面水损害识别模型构建方法，包括以下步骤：
步骤一，对GPR路面调查数据集进行预处理得到具有水损害、桥接缝和正常路面的初始数据集；
步骤二，采用连续小波变换对初始数据集进行连续小波变换，取小波变换的幅值，构建第一时频图谱集；
步骤三，对第一时频图谱集中的图谱进行滤波处理，得到第二时频图谱，构建第二时频图谱集；
步骤四，对第二时频图谱集中的图谱进行归一化处理，得到第三时频图谱，构建第三时频图谱集，为第三时频图谱集的图谱加注水损害分类标签；
步骤五，构建识别模型：
以第三时频图谱集为输入数据，以水损害分类标签作为输出数据，对预构建的GPRMCNN深度学习模型进行训练，得到训练好的识别模型；
所述的GPRMCNN深度学习模型采用16层卷积神经网络，包括3个卷积层和1个全连接层，卷积操作使用卷积核的尺寸为3×3，前两个卷积层后设置下采样，最后1个卷机层没有降采样的pool层，通过Drop网络与全连接层连接。
本发明还具有如下技术特征：
进一步地，步骤一中所述的数据采集过程，采样频率为天线主频的10～20倍。
进一步地，步骤一中所述的预处理过程为采用直流漂移校正算法、地面校正算法、背景扣除算法、带通滤波算法和进行滑动平均算法进行预处理。
进一步地，步骤五中所述的输入数据的维度大小为28×28，所述的输出结果为数字，其中，正常路面为0，桥接缝为1，水损害为2。
进一步地，本发明提供了一种沥青路面水损害识别方法，包括：
步骤51，对GPR路面调查数据集进行预处理得到具有水损害、桥接缝和正常路面的初始数据集；
步骤52，获取时频图谱集；
步骤53，将时频图谱集输入权利要求1所述的识别模型中，得到水损害识别结果。
进一步地，本发明还提供了一种沥青路面水损害识别系统，本发明所提供的系统包括：数据采集及预处理模块和权利要求1所述的识别模块；
所述的数据采集及预处理模块识别模块用于对通过GPR路面调查获取的数据集进行预处理，得到时频图谱集；
所述的识别模块用于识别沥青路面水损害，输出损害结果。
本发明与现有技术相比，具有如下技术效果：
(1)采用连续小波变换提取雷达波信号中的时频图，可以有效实现水损害和正常路面的分类，同时还可根据时频图中能量分布位置，用于判断缺陷的深度；
(2)采用滤波后时频图直接用于构建分类模型，包含了时域和频域的综合信息，避免传统寻找时频特征参数依靠统计方法存在特征不完整的缺点；
(3)构建的水损害分类模型可直接分析GPR初始信号，避免了现有GPR图谱识别对采样间距的要求，设计的GPRMCNN可为车载大规模路面缺陷调查的智能化应用提供依据。
附图说明
图1是本发明实施例1的识别流程图。
图2是仿真路面的模型图。
图3仿真路面的图谱结果示意图。
图4沥青路面现场测试的典型雷达图谱特征。
图5连续小波变换后仿真数据的时频对比图。
图6路面调查样本中水损害和正常路面的波谱图。
图7实测数据的第一时频图。
图8本发明实施例1的第二时频图。
图9本发明实施例1的第四时频图。
图10本发明构建的识别模型的结构示意图。
图11本发明识别模型的训练结果图。
图12不同识别模型的识别结果对比图。
图13实测路面数据的验证结果图。
图14本发明实施例1的三种样本的连续小波变换最大值统计分布图。
图15本发明实施例1的三种样本的连续小波变换均值统计分布图。
图5中：(a)为仿真数据的正常路面时频图。
      (b)为仿真数据的5cm深水损害时频图。
      (c)为仿真数据的10cm深水损害时频图。
图7中：(a)为实测数据的正常路面的第一时频图。
      (b)为实测数据的水损害路面第一时频图。
      (c)为实测数据的桥接缝的第一时频图。
图8中：(a)正常路面的第二时频图。
      (b)水损害路面的第二时频图。
      (c)桥接缝的第二时频图。
图9中：(a)正常路面的第四时频图。
      (b)水损害路面的第四时频图。
      (c)桥接缝的第四时频时频图。
以下结合实施例对本发明的具体内容作进一步详细解释说明。
具体实施方式
以下给出本发明的具体实施例，需要说明的是本发明并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
实施例1：
本实施例中选取的样本个数为22453个，其中水损害样本8215个、正常路面样本8215个、桥接缝样本6023个。
本实施例给出一种沥青路面水损害识别方法，如图1所示，按照以下步骤进行：
步骤一，对GPR路面调查数据集进行预处理得到具有水损害、桥接缝和正常路面的初始数据集，现场数据采集过程中，在采集软件中标记路面的损害区域，在本实施例中，标记的是路面出现唧浆或泛白的区域；
这些标记将在GPR图谱上方以小正方形出现，如图4沥青路面现场测试的典型雷达图谱中的标记“□”，其下方对应的是水损害区域，这些标记对应的GPR图谱作为水损害的真值，用于确定水损害的特征。
所述的现场数据采集过程中，采样频率为天线主频的10～20倍。
所述的预处理过程为采用直流漂移校正算法、地面校正算法、背景扣除算法、带通滤波算法和进行滑动平均算法进行预处理。
步骤一中，设定GPR图谱的对比度为1.2～1.6，本实施例优选1.4。
图4是本实施例的水损害数据集的典型图谱，左侧是现场照片，右侧是对应的GPR图谱，标签中Moisture为水损害，Joint为桥接缝。
获取水损害的图谱数据集的过程：GPR天线经过水损害区域时，会在数据采集软件中打一个标记，通过大量的实例调查，确定了水损害的主要特征:
1)在沥青层中存在连续或者不连续高亮区域；
2)图谱区域宽高比Width/Height不定，与水损害的严重程度呈正相关。
图2中最下方图谱为桥接缝图谱，其特征是从路面往下呈现连续高亮区域，与水损害高亮区域主要区别在于：
1)该特征从路表面往下呈现高亮，两侧会有双曲线特征；
2)高亮区域特征连续且从表面到下方的深度Depth≥0.1m；
3)图谱区域宽高比Width/Height<4且面积Area>1000pixel2。
步骤二，采用连续小波变换对初始数据集进行连续小波变换，取小波变换的幅值，构建第一时频图谱集；
如图5所示，初始数据集中的正常路面数据和水损害数据通过式(1)完成连续小波变换，在式(1)中，f(t)代表初始数据集中每个样本的A-scan数据，a为尺度因子，τ为时间平移因子，t为GPR信号f(t)对应的采样时刻。
连续小波变换公式如下：
Figure BDA0002398957850000071
式(1)中的
Figure BDA0002398957850000072
是母小波
Figure BDA0002398957850000073
经过伸缩与平移后的函数，通过式(2)计算得出：
Figure BDA0002398957850000074
其中，a为尺度因子，τ为时间平移因子，t为时间。
当|a|<1时，母小波
Figure BDA0002398957850000075
(一个在时间领域和频率领域都有连续性质的函数)被压缩，在时间轴上有较小的支撑度，并且对应到高频，因为母小波变窄、变化变快；反之，当|a|>1时，母小波变宽、变化较慢，所以对应到低频。尺度因子a表示与频率相关的伸缩
在图14和图15中，分别给出了本实施例所使用的三种样本的连续小波变换最大值统计分布图和均值统计分布图。
经过连续小波变换(CWT)后，得到样本的幅频数组大小从51×237，构建第一时频数据集。
图3是仿真路面的图谱结果示意图，从图中提取了正常路面和水损害路面的数据进行连续小波变换，图5是连续小波变换后仿真数据的时频对比图，从图中可以看出，正常路面的时频能量(时频能量的最大值为50)，与水损害深度为5cm和水损害深度为10cm的路面的时频能量(时频能量的最大值为400)相差较大。同时，通过对比图5(b)和图5(c)可知，在水损害深度为5cm的图5(b)中，时频能量集中在0.5～1ns；在水损害深度为10cm的图5(c)中，时频能量集中在1.5～2ns；若雷达电磁波波速以0.1m/ns计算，则水损害深度在0.25～5cm。因此，水损害缺陷深度影响时频能量的分布位置，时频图的能量都集中在缺陷深度处，表明本方法不仅能区分路面是否正常，同时还可以定位缺陷的深度。
图7是连续小波变换后的实测数据的第一时频图谱的对比图，其中，7(a)为实测数据的正常路面时频图，7(b)为实测数据的水损害路面时频图，7(c)为实测数据的桥接缝路面时频图。从图7可知，时频能量对比结果为：正常路面<水损害<桥接缝，因此，本方法可为分类提供依据。
步骤三，对第一时频图谱集中的图谱进行滤波处理，得到第二时频图谱，构建第二时频图谱集；
通过对比分析可知，3种目标(水损害-Moisture、正常-Normal和桥接缝-Joint)的频域集中在0.4MHz～4GHz，时域在0～3ns以内。
采用Morse小波对时频数据进行滤波，滤波参数为频[0.4MHz～4GHz]和时域[0～3ns](对应A-scan采样点[1，100]的样本)的范围内的数据。经滤波处理后，每个样本通过连续小波变换(CWT)后的幅频数组大小从51×237降低到15×100，定义为第二时频图谱集。
步骤四，对第二时频图谱集中的图谱进行归一化处理，得到第三时频图谱，构建第三时频图谱集，为第三时频图谱集的图谱加注水损害分类标签；
对第二时频图谱进行最大值、最小值和均值的统计分析，并统计分布比例，统计结果如图14和图15所示，确定一个最大值MaxCWT＝1800，对第二时频图谱样本进行归一化处理，映射到[0，255]。
归一化处理的具体方法如下：
定义第三时频图谱数据集中样本矩阵为A[m×n]，定义最大值为MaxCWT，然后按照以下步骤进行处理：
(1)对矩阵A中最大数进行限定，如果矩阵中的元素超过最大值，则赋值为最大值maxCWT，否则保留原值，矩阵中某个点A(i,j)的具体的计算方法如下
Figure BDA0002398957850000091
(2)对限定后的矩阵A进行归一化，隐射到[0,255]范围内，计算方法如下
A(i，j)＝k×A(i，j)/MaxCWT，where i∈[1，m]，j∈[1，n]  (4)
其中，k＝255，以实现[0,255]范围的映射。
按照上述步骤可实现连续变换后幅值的归一化。
因为研究发现，不同分辨率图谱在识别模型中的准确度不同，图片分辨率直接影响模型识别效果，所以，作为一种优选方案，在本实施例中，对第三时频图谱分辨率进行了调整：将第三时频图谱数据集直接缩放到了28×28，获得第四视频图；
以经过缩放处理的、28×28的第四时频图谱集为输入数据，以水损害分类标签作为输出数据，对预构建的GPRMCNN深度学习模型进行训练，得到训练好的识别模型；
如图10所示，GPRMCNN深度学习模型采用16层卷积神经网络，包括3个卷积层和1个全连接层，卷积操作使用卷积核的尺寸为3×3，前两个卷积层后设置下采样，将输入图片的分辨率由28×28转为7×7×32，最后1个卷机层没有降采样的pool层，通过Drop网络与全连接层连接，将输出层转为1×1×3。为后续的GPRMCNN检测提供CNN原始数据；
所构建的GPRMCNN深度学习模型的网络参数设置如下：
Figure BDA0002398957850000101
所述的GPRMCNN深度学习模型采用第四时频图谱集，将其分为训练集，测试集和验证集，分配比例为60％和20％和20％；具体的模型训练方法为：利用TL(TransferLearning)方法对设计好的混合式深度学习模型进行训练，其中，参数设置为：'InitialLearnRate'：0.005，'MaxEpochs'：15，ValidationFrequency'：30。
所述的分类标签为数字，其中，正常路面为0，桥接缝为1，水损害为2。
所述的深度学习模型采用分类精度指标来衡量模型的性能。
图11是水损害和正常路面的检测集结果，采集的水损害样本和正常样本的数量均为1500个，由图可知，GPRMCNN对水损害的和正常路面的识别精度分别达到了91.67％和97.80，桥接缝的识别精度达到了99.6％，表明分类精度较高。
将实际路面图谱与分类结果进行重叠绘图，结果如图10所示，由图可知，检测模型可有效将图谱中高亮区域的水损害正确识别，验证了所提方法和模型的正确性。
将实际路面图谱与分类结果进行重叠绘图，结果如图10所示，由图可知，检测模型可有效将图谱中高亮区域的水损害正确识别，验证了所提方法和模型的正确性。
对比例1：
本对比例给出一种沥青路面水损害检测方法，该方法的其它步骤与实施例1相同，区别仅仅在于步骤二中未进行滤波和归一化处理，其初始数据图谱如图4和图6所示，时频图谱的初始尺寸为51×237。在步骤三中对51×237的数据进行缩放，按照此方法构建的模型定义为CNNwithImage。
模型测试的精度如图11所示，水损害缺陷的识别精度为77.77％，正常路面的识别精度为99.46％。该模型可以很好地识别正常路面，但是水损害的缺陷识别精度太低。
对比例2：
本对比例给出一种沥青路面水损害检测方法，该方法仅第一步与实施例1相同。该方法采用传统的时频特征提取方法，构建ANN(人工神经网络，属于机器学习方法)，具体步骤与作者的一种基于探地雷达信号时频统计特征的水损害识别方法(申请号201910100046.3)相同。
测试结果精度如图12中的ANN，其中水损害的测试精度为92.4％，正常路面的识别精度为95.3％。相比而言，在测试集上，本发明提出的GPRMCNN识别模型的总体精度更好，正常路面的识别精度高出2.5％，水损害的识别精度仅相差0.6％。考虑到在实际路面中正常路面所占的比例更高，因此GPRMCNN识别模型的识别效果较优。
对比例3：
本对比例给出一种沥青路面水损害检测方法，该方法的其它步骤与实施例1相同，区别仅仅在于在对视频图谱进行缩放时，未将时频图谱大小存为28×28的矩阵，而是存为224×224的RGB图片；然后将得到的时频图谱集直接输入Resenet18中，训练参数区别为设置'Momentum'，0.9和'MiniBatchSize'，64。
测试结果精度如图12所显示的Resenet18，其中，在测试集上的水损害识别精度为95.47％，正常路面的识别精度为93.23％。该模型在单CPU上的训练时间为64h，远大于的GPRMCNN(1h)和ANN(10min)的时间，并且正常路面识别精度低，而实际路面中大多为正常路面(95～99％路面是正常路面)，因此模型精度比GPRMCNN差。
对实施例1、对比例2和对比例3进行对比分析，图5至图7是所提到的深度模型与GPRMCNN识别模型的对比结果。通过对比发现，样本测试集精度中，水损害的识别精度为Resenet18(95.47％)>ANN(92.4％)>GPRMCN(91.67％)>CNNwithimage(77.77％)，正常路面的识别精度为CNNwithimage(99.46％)>GPRMCN(97.80％)>ANN(95.3％)>Resenet18(93.23％)，总体识别精度评价中GPRMCNN较优，对比结果进一步验证了所提方法的准确性。

Claims (6)

1.一种沥青路面水损害识别模型构建方法，其特征在于，包括以下步骤：
步骤一，对GPR路面调查数据集进行预处理得到具有水损害、桥接缝和正常路面的初始数据集；
步骤二，采用连续小波变换对初始数据集进行连续小波变换，取小波变换的幅值，构建第一时频图谱集；
步骤三，对第一时频图谱集中的图谱进行滤波处理，得到第二时频图谱，构建第二时频图谱集；
步骤四，对第二时频图谱集中的图谱进行归一化处理，得到第三时频图谱，构建第三时频图谱集，为第三时频图谱集的图谱加注水损害分类标签；
步骤五，构建识别模型：
以第三时频图谱集为输入数据，以水损害分类标签作为输出数据，对预构建的GPRMCNN深度学习模型进行训练，得到训练好的识别模型；
所述的GPRMCNN深度学习模型采用16层卷积神经网络，包括3个卷积层和1个全连接层，卷积操作使用卷积核的尺寸为3×3，前两个卷积层后设置下采样，最后1个卷机层没有降采样的pool层，通过Drop网络与全连接层连接。
2.如权利要求1所述的沥青路面水损害识别模型构建方法，其特征在于，步骤一中的数据采样频率为天线主频的10~20倍。
3.如权利要求1所述的沥青路面水损害识别模型构建方法，其特征在于，步骤一中，所述的预处理过程为采用直流漂移校正算法、地面校正算法、背景扣除算法、带通滤波算法和进行滑动平均算法进行预处理。
4.如权利要求1所述的沥青路面水损害识别模型构建方法，其特征在于，步骤五中所述的输入数据的维度大小为28×28，所述的分类标签为数字，其中，正常路面为0，桥接缝为1，水损害为2。
5.一种沥青路面水损害识别方法，其特征在于，方法包括：
步骤51，对GPR路面调查数据集进行预处理得到具有水损害、桥接缝和正常路面的初始数据集；
步骤52，获取时频图谱集；
步骤53，将时频图谱集输入权利要求1所述的识别模型中，得到水损害识别结果。
6.一种沥青路面水损害识别系统，其特征在于，系统包括：数据采集及预处理模块和权利要求1所述的识别模型；
所述的数据采集及预处理模块识别模块用于对通过GPR路面调查获取的数据集进行预处理，得到时频图谱集；
所述的识别模块用于识别沥青路面水损害，输出损害结果。
CN202010140645.0A 2020-03-03 2020-03-03 沥青路面水损害识别模型构建方法、识别方法及系统 Active CN111476088B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010140645.0A CN111476088B (zh) 2020-03-03 2020-03-03 沥青路面水损害识别模型构建方法、识别方法及系统
US17/631,453 US20220276182A1 (en) 2020-03-03 2020-10-13 Method for constructing recognition model of moisture damage of asphalt pavement and method and system for recognizing moisture damage of asphalt pavement
PCT/CN2020/120601 WO2021174857A1 (zh) 2020-03-03 2020-10-13 沥青路面水损害识别模型构建方法、识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010140645.0A CN111476088B (zh) 2020-03-03 2020-03-03 沥青路面水损害识别模型构建方法、识别方法及系统

Publications (2)

Publication Number Publication Date
CN111476088A CN111476088A (zh) 2020-07-31
CN111476088B true CN111476088B (zh) 2023-04-07

Family

ID=71748080

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010140645.0A Active CN111476088B (zh) 2020-03-03 2020-03-03 沥青路面水损害识别模型构建方法、识别方法及系统

Country Status (3)

Country Link
US (1) US20220276182A1 (zh)
CN (1) CN111476088B (zh)
WO (1) WO2021174857A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111476088B (zh) * 2020-03-03 2023-04-07 长安大学 沥青路面水损害识别模型构建方法、识别方法及系统
CN112488221B (zh) * 2020-12-07 2022-06-14 电子科技大学 一种基于动态刷新正样本图像库的道路路面异常检测方法
CN113688692A (zh) * 2021-07-29 2021-11-23 浙江大学 基于探地雷达时频尺度特征的供水管道漏损检测方法
CN114647762B (zh) * 2022-03-23 2023-01-24 中国水利水电科学研究院 一种基于图谱对比的堤坝探测方法
CN115964483B (zh) * 2022-07-20 2024-04-05 东南大学 基于神经网络的高速公路养护大数据分类决策方法
CN116681657B (zh) * 2023-05-18 2024-03-22 中南大学 基于改进YOLOv7模型的沥青路面病害检测方法
CN117269954B (zh) * 2023-08-28 2024-04-16 哈尔滨工业大学 基于yolo的探地雷达道路多重隐蔽病害实时识别方法
CN117079145B (zh) * 2023-10-17 2024-03-26 深圳市城市交通规划设计研究中心股份有限公司 一种道路状况综合评价方法、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913443A (zh) * 2016-05-03 2016-08-31 黑龙江省交通科学研究所 模拟人眼识别技术检测沥青路面纹理的方法
JP2018205292A (ja) * 2017-06-05 2018-12-27 瀏陽 宋 時間領域・周波数領域のヒストグラムの特徴解析による状態識別法
CN109782274A (zh) * 2019-01-31 2019-05-21 长安大学 一种基于探地雷达信号时频统计特征的水损害识别方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9982136B2 (en) * 2014-08-11 2018-05-29 Research Institute Of Highway Ministry Of Transport Waterborn polymer-modified emulsified asphalt mixture and process for producing the same
CN107238821B (zh) * 2017-05-31 2020-05-19 中国电子科技集团公司第二十九研究所 一种基于特征谱特征的机场跑道异物检测方法及装置
CN110458028A (zh) * 2019-07-12 2019-11-15 北京交通大学 一种基于地质雷达的隧道衬砌典型病害自动辨识方法
CN110552281B (zh) * 2019-09-02 2022-01-14 重庆工程职业技术学院 一种沥青路面缺陷修补方法及加固工件
CN110736985B (zh) * 2019-09-27 2021-05-14 山西省交通科技研发有限公司 极点特征聚类的公路隐藏病害识别系统及其实施方法
CN111476088B (zh) * 2020-03-03 2023-04-07 长安大学 沥青路面水损害识别模型构建方法、识别方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913443A (zh) * 2016-05-03 2016-08-31 黑龙江省交通科学研究所 模拟人眼识别技术检测沥青路面纹理的方法
JP2018205292A (ja) * 2017-06-05 2018-12-27 瀏陽 宋 時間領域・周波数領域のヒストグラムの特徴解析による状態識別法
CN109782274A (zh) * 2019-01-31 2019-05-21 长安大学 一种基于探地雷达信号时频统计特征的水损害识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
束景晓 ; 张建龙 ; 吴佳涛 ; .基于深层卷积神经网络的公路边坡灾害识别研究.公路交通科技(应用技术版).(第10期),全文. *

Also Published As

Publication number Publication date
WO2021174857A1 (zh) 2021-09-10
CN111476088A (zh) 2020-07-31
US20220276182A1 (en) 2022-09-01

Similar Documents

Publication Publication Date Title
CN111476088B (zh) 沥青路面水损害识别模型构建方法、识别方法及系统
Liu et al. Detection and localization of rebar in concrete by deep learning using ground penetrating radar
CN112462346B (zh) 一种基于卷积神经网络的探地雷达路基病害目标检测方法
CN111025286B (zh) 一种用于水损害检测的探地雷达图谱自适应选取方法
Liu et al. Novel YOLOv3 model with structure and hyperparameter optimization for detection of pavement concealed cracks in GPR images
CN109343022B (zh) 估测层间土壤含水量的方法
CN113256562B (zh) 基于雷达图像和人工智能的道路地下隐患检测方法和系统
Li et al. Deep learning-based pavement subsurface distress detection via ground penetrating radar data
Torbaghan et al. Automated detection of cracks in roads using ground penetrating radar
CN111025285B (zh) 一种基于图谱灰度自适应选取的沥青路面水损害检测方法
CN110308444B (zh) 道路层位智能识别及干扰源排除方法
CN113009447B (zh) 基于深度学习和探地雷达的道路地下空洞检测预警方法
CN110133639B (zh) 一种传力杆施工质量检测方法
CN116597365A (zh) 一种基于神经网络的地下病害体目标识别方法
CN106443668A (zh) 基于探地雷达的公路路面层间剥离的评价方法
Abdel-Qader et al. Comparative study of deconvolution algorithms for GPR bridge deck imaging
Yue et al. Road subsurface distress recognition method using multiattribute feature fusion with ground penetrating radar
CN115902884A (zh) 基于三维雷达典型振幅值的沥青路面内部状况评价方法
CN106443674A (zh) 一种基于衍射和成像与最小熵技术的探地雷达波速估计方法
Xia et al. High speed ground penetrating radar for road pavement and bridge structural inspection and maintenance
CN115542278A (zh) 一种基于探地雷达原始数据的路面病害区域判断方法
CN115223044A (zh) 基于深度学习的端到端三维探地雷达目标识别方法及系统
Lv et al. Rapid Identification and Location of Defects behind Tunnel Lining Based on Ground-Penetrating Radar
Guo et al. Research on tunnel lining image target recognition method based on YOLOv3
CN112529046A (zh) 一种三维探地雷达沥青路面内部病害损伤识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant