CN115755193A - 路面结构内部病害识别方法 - Google Patents

Abstract

本发明公开了一种路面结构内部病害识别方法，包括：构建病害识别数据集并基于所述病害识别数据集获取路面病害类型集与形成机理；采集路面病害图，对所述路面病害图中的病害位置进行识别，基于所述路面病害类型集确定所述病害位置中的病害类型；基于深度学习对所述路面病害图中的水病害进行识别，并基于探地雷达对路面的内部空洞进行识别。本发明通过研究基于计算机视觉的沥青路表病害识别与基于探地雷达的路面内部缺陷识别机理，提出多技术手段的路面结构病害感知与解析方法，提高路面病害感知精度。

Description

路面结构内部病害识别方法

技术领域

本发明属于道路检测领域，特别是涉及一种路面结构内部病害识别方法。

背景技术

近年来，公路工程建设持续增长，由于境内独特的气候、水文地质地貌条件，早期修建的公路出现了日益严重的早期病害，其中由于路基不均匀沉降以及路基强度较低等原因导致路面裂缝大量出现，裂缝的不断发育，严重影响路面的完整性，降低其服役寿命，而路面内部结构病害难以进行准确检测与测量，使得难以对其进行及时修复与处理，导致路面结构内部在外部荷载的长期作用下产生的空洞难以及时被发现和处理，从而导致空洞处产生渗漏水，进而导致各种水病害，严重危及路面的结构安全与使用寿命，同时大大提高了路面管理养护的难度，并且较高的维修养护费用成为了交通管理部门很大的负担，也给管理者和建设者带来了较大的负面影响。

复合式沥青路面是典型的公路隧道铺面形式，疲劳开裂与反射裂缝是最为典型且广泛出现的隧道沥青路面病害，而这些裂缝的出现，大大降低了路面的完整性，并且对路面承载力有较大的影响，同时严重威胁行车安全。目前，对沥青路面裂缝的传统检测或感知技术主要包括：人工巡检、快速检测车以及各类预埋式的传感器。大部分地区仍然依赖于人工巡检，但是人工巡检效率低且误差大。随着图像处理技术、激光扫描技术等的快速发展，用于路面的快速检测系统发展迅速，快速检测系统的应用显著提高了单次检测速度，但现有技术其识别精度较低，无法达到对路面精细化管理与养护的要求。

发明内容

本发明的目的是提供一种路面结构内部病害识别方法，以解决上述现有技术存在的问题。

为实现上述目的，本发明提供了一种路面结构内部病害识别方法，包括以下步骤：

构建病害识别数据集并基于所述病害识别数据集获取路面病害的病害类型集与形成机理；

采集路面病害图，对所述路面病害图中的病害位置进行识别，基于获得的病害类型集确定所述病害位置中的病害类型；

基于深度学习对所述路面病害图中的水病害进行识别并基于探地雷达对路面的内部空洞进行识别。

可选地，构建病害识别数据集并基于所述病害识别数据集获取路面病害类型集与形成机理的过程包括：

基于路面病害形成原因、路面结构劣化效应及行车安全影响程度构建病害识别数据集；

基于所述病害识别数据集与三维卷积神经网络构建病害识别模型，对病害的产生过程进行模拟，分析病害作用下的路面受力特性和行车安全性变化规律以及路面损伤的形成原因、状态类型和分布范围，模拟路面内部损伤缺陷发展成病害的过程。

可选地，对所述路面病害图中的病害位置进行识别的过程包括：

将所述路面病害图进行数字图像增强、灰度处理、二值化预处理；

基于YOLOv5网络构建YOLOv5识别模型，基于所述YOLOv5识别模型对预处理后的路面病害图进行识别，获取病害位置。

可选地，基于深度学习对所述路面病害图中的水病害进行识别的过程包括：

基于有限时域差分法获取电磁波在水病害区域的响应规律；

对所述路面病害图进行特征提取，获取水病害数据集；

基于二维卷积神经网络与所述水病害数据集进行水病害识别。

可选地，基于探地雷达对路面的内部空洞进行识别的过程包括：

基于有限时域差分法构建不同结构层位置的充气充水空洞模型；

基于探地雷达与所述充气充水空洞模型获取若干个路面内部的层次结构图像；

对若干个所述层次结构图像进行偏移成像处理，获取雷达波仿真图像；

基于所述雷达波图像，对道路空洞进行正演模拟，获取雷达波特征图像；

基于所述雷达波特征图像，并基于YOLOv5识别模型进行内部空洞识别。

可选地，所述YOLOv5网络包括Backbone部分、Neck部分以及Head部分；构建所述YOLOv5识别模型的过程包括：

基于所述路面病害图构建数据集，并将所述数据集划分为测试集、训练集、验证集；

将所述路面病害图像输入所述YOLOv5网络的Backbone部分，获取不同尺度的病害特征图；

将不同尺度的病害特征图输入所述Neck部分，对所述病害特征图进行采样与特征融合，获取不同尺度的张量数据；

将所述张量数据输入所述Head部分进行梯度计算，基于所述验证集进行验证，获取YOLOv5识别模型。

可选地，基于二维卷积神经网络与所述水病害数据集进行水病害识别的过程包括：

构建集成若干个二维卷积神经网络的分类器，对所述水病害数据集进行深度学习；

基于投票评分法对每一个所述二维卷积神经网络分类器进行权重控制，输出水病害识别结果。

可选地，对若干个所述层次结构图像进行偏移成像处理的过程包括：

基于常用介电常数获取若干个所述层次结构图像中电磁波的波速范围；

基于所述波速范围设置偏移参数；

基于小波变换法提取所述层次结构图像的特征向量，并计算每个所述层次结构图像的小波熵；

将所述波速范围中与最小的小波熵相对应的波速作为最优波速；

基于所述最优波速与所述偏移参数对若干个所述层次结构图像进行偏移成像处理。

本发明的技术效果为：

本发明从裂缝、渗漏水的图像特征出发，基于YOLO机器学习算法，建立图像的提取和面积测量技术，以及路表病害的解析识别算法，并基于机器学习算法，提高识别效率与精度；针对路面内部结构空洞、水病害等内部病害检测难题，从路面内部结构的雷达谱图特性出发，基于不同材料、结构的雷达谱图波峰强度、电磁波响应特征不同的特性以及最优小波熵处理方法，建立了不同路面内部病害的探地雷达信号处理与分析方法，为基于探地雷达的路面内部空洞、水病害病害的识别模型提供了理论依据。

附图说明

构成本发明一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

在附图中：

图1为本发明实施例中的路面结构内部病害识别方法流程图；

图2为本发明实施例中的YOLOv5网络结构图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

实施例一

如图1-2所示，本实施例中提供一种路面结构内部病害识别方法，具体包括以下步骤：

路面病害(裂缝、渗漏水、空洞等)破坏类型与形成机理分析：调查统计市政道路裂缝、渗漏水病害的形成原因、类型和规模，及其对路面结构的劣化效应及行车安全影响程度，建立供机器学习算法使用的裂缝、渗漏水识别数据集；根据病害识别数据集，采用三维卷积神经网络，模拟市政公路裂缝、渗漏水等病害的产生过程，分析各种病害作用下路面受力特性和行车安全性的变化规律，同时为基于计算机视觉的路面损伤的感知与识别方法提供验证依据。调查分析路面结构空洞、水病害等内部缺陷与损伤的形成原因、状态类型和分布范围，及其对行车安全和道路使用寿命的影响，模拟内部损伤缺陷进一步发展成严重裂缝、路面沉陷、坑槽等病害的发展过程。

路面裂缝、渗漏水病害的图像识别与解析：采集路面裂缝、渗漏水状态的高清图片。将前端采集到的数字图像进行数字图像增强、灰度处理、二值化等预处理，二值分割可以通过不断调整分割的阈值使得二值分割后的图片仅显示病害区域，从而提取在深度学习算法中所需要的图像特征值。

采用YOLOv5深度学习算法对预处理后的图片进行机器学习：本实施例中的YOLOv5网络包括Backbone部分、Neck部分以及Head部分；

构建识别模型以及深度学习的具体过程如下所示：

通过采集的路面病害图像构建数据集，并将所述数据集划分为测试集、训练集、验证集；将路面病害图像输入YOLOv5网络的Backbone部分，获取不同尺度的病害特征图；将不同尺度的病害特征图输入所述Neck部分，对所述病害特征图进行采样与特征融合，获取不同尺度的张量数据；将所述张量数据输入所述Head部分进行梯度计算，基于所述验证集进行验证，获取YOLOv5识别模型。

YOLOv5利用回归的思想，具有识别速度快，更容易学习目标的泛化特征，使路面损伤识别速度更快，识别更准确最终达到路面病害的解析。

路面结构内部空洞、水病害的探地雷达识别与解析：通过FDTD(有限时域差分法)正演模拟及室内反演试验，分析不同天线悬空高度、不同路面结构参数(孔隙率、厚度等)和不同路面含水率对空气和沥青层耦合状态下的电磁波能量衰减规律，研究电磁波在水病害区域的响应规律，建立沥青路面水病害的有效识别方法和理论。针对表征水病害的特征参数(网裂程度及面积、坑洞大小及深度)进行提取，建立沥青路面水病害数据集，建立并优化基于二维卷积神经网络的识别模型，最终形成沥青路面水病害区域的智能评价方法。

其中识别模型的获取过程包括：构建集成若干个二维卷积神经网络的分类器，对水病害数据集进行深度学习；采用投票评分的方法对每一个所述二维卷积神经网络分类器进行权重控制，输出水病害识别结果。

对于路面内部空洞的识别过程如下所示：

基于FDTD建立不同结构层位置空洞充气与充水空洞模型；

基于探地雷达与充气充水空洞模型获取若干个路面内部的层次结构图像；对获取的若干个层次结构图像进行偏移成像处理，获取雷达波仿真图像；采用GprMax及Matlab编程对道路空洞进行正演模拟，获取雷达波特征图像，并根据雷达波特征图像，采用前述步骤中所构建的YOLOv5识别模型进行内部空洞识别。

其中偏移成像的步骤包括：基于常用介电常数获取若干个层次结构图像中电磁波的波速范围；根据获取的波速范围中的不同波速设置偏移参数；基于小波变换法提取所述层次结构图像的特征向量，并计算每个层次结构图像的小波熵；将小波熵的最小值所对应的波速范围中的波速作为最优波速；根据最优波速与所述偏移参数对若干个层次结构图像进行偏移成像。

本实施例对空洞模型正演模拟结果的雷达波图像特征进行分析提出探地雷达检测公路结构层病害的异常特征识别方法。构建针对空洞病害的雷达图谱数据库，明确图谱特征，通过YOLOv5技术进行层间脱空部位波形的自动识别，形成了空洞病害识别诊断技术。

本发明通过研究基于计算机视觉的沥青路表病害(裂缝、渗水)识别与基于探地雷达的路面内部缺陷(空洞、水病害)识别机理，提出多技术手段的路面结构病害感知与解析方法，提高路面病害感知精度。

以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种路面结构内部病害识别方法，其特征在于，包括以下步骤：

构建病害识别数据集并基于所述病害识别数据集获取路面病害的病害类型集与形成机理；

采集路面病害图，对所述路面病害图中的病害位置进行识别，基于获得的病害类型集确定所述病害位置中的病害类型；

基于深度学习对所述路面病害图中的水病害进行识别并基于探地雷达对路面的内部空洞进行识别。

2.根据权利要求1所述的路面结构内部病害识别方法，其特征在于，构建病害识别数据集并基于所述病害识别数据集获取路面病害类型集与形成机理的过程包括：

基于路面病害形成原因、路面结构劣化效应及行车安全影响程度构建病害识别数据集；

基于所述病害识别数据集与三维卷积神经网络构建病害识别模型，对病害的产生过程进行模拟，分析病害作用下的路面受力特性和行车安全性变化规律以及路面损伤的形成原因、状态类型和分布范围，模拟路面内部损伤缺陷发展成病害的过程。

3.根据权利要求1所述的路面结构内部病害识别方法，其特征在于，对所述路面病害图中的病害位置进行识别的过程包括：

将所述路面病害图进行数字图像增强、灰度处理、二值化预处理；

基于YOLOv5网络构建YOLOv5识别模型，基于所述YOLOv5识别模型对预处理后的路面病害图进行识别，获取病害位置。

4.根据权利要求1所述的路面结构内部病害识别方法，其特征在于，基于深度学习对所述路面病害图中的水病害进行识别的过程包括：

基于有限时域差分法获取电磁波在水病害区域的响应规律；

对所述路面病害图进行特征提取，获取水病害数据集；

基于二维卷积神经网络与所述水病害数据集进行水病害识别。

5.根据权利要求1所述的路面结构内部病害识别方法，其特征在于，基于探地雷达对路面的内部空洞进行识别的过程包括：

基于有限时域差分法构建不同结构层位置的充气充水空洞模型；

基于探地雷达与所述充气充水空洞模型获取若干个路面内部的层次结构图像；

对若干个所述层次结构图像进行偏移成像处理，获取雷达波仿真图像；

基于所述雷达波图像，对道路空洞进行正演模拟，获取雷达波特征图像；

基于所述雷达波特征图像，并基于YOLOv5识别模型进行内部空洞识别。

6.根据权利要求3所述的路面结构内部病害识别方法，其特征在于，所述YOLOv5网络包括Backbone部分、Neck部分以及Head部分；构建所述YOLOv5识别模型的过程包括：

基于所述路面病害图构建数据集，并将所述数据集划分为测试集、训练集、验证集；

将所述路面病害图像输入所述YOLOv5网络的Backbone部分，获取不同尺度的病害特征图；

将不同尺度的病害特征图输入所述Neck部分，对所述病害特征图进行采样与特征融合，获取不同尺度的张量数据；

将所述张量数据输入所述Head部分进行梯度计算，基于所述验证集进行验证，获取YOLOv5识别模型。

7.根据权利要求4所述的路面结构内部病害识别方法，其特征在于，基于二维卷积神经网络与所述水病害数据集进行水病害识别的过程包括：

构建集成若干个二维卷积神经网络的分类器，对所述水病害数据集进行深度学习；

基于投票评分法对每一个所述二维卷积神经网络分类器进行权重控制，输出水病害识别结果。

8.根据权利要求5所述的路面结构内部病害识别方法，其特征在于，对若干个所述层次结构图像进行偏移成像处理的过程包括：

基于常用介电常数获取若干个所述层次结构图像中电磁波的波速范围；

基于所述波速范围设置偏移参数；

基于小波变换法提取所述层次结构图像的特征向量，并计算每个所述层次结构图像的小波熵；

将所述波速范围中与最小的小波熵相对应的波速作为最优波速；

基于所述最优波速与所述偏移参数对若干个所述层次结构图像进行偏移成像处理。

Images