CN116881783B - 道路损伤检测方法、装置、计算机设备、存储介质 - Google Patents

道路损伤检测方法、装置、计算机设备、存储介质 Download PDF

Info

Publication number
CN116881783B
CN116881783B CN202310745521.9A CN202310745521A CN116881783B CN 116881783 B CN116881783 B CN 116881783B CN 202310745521 A CN202310745521 A CN 202310745521A CN 116881783 B CN116881783 B CN 116881783B
Authority
CN
China
Prior art keywords
road
acceleration
detected
data set
feature
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
CN202310745521.9A
Other languages
English (en)
Other versions
CN116881783A (zh
Inventor
魏亚
武诺
闫闯
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN202310745521.9A priority Critical patent/CN116881783B/zh
Publication of CN116881783A publication Critical patent/CN116881783A/zh
Application granted granted Critical
Publication of CN116881783B publication Critical patent/CN116881783B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/048—Activation functions
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种道路损伤检测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取预设检测周期内待检测道路的加速度数据集和附加属性特征数据集；加速度数据集通过设置在待检测道路内部的植入式传感器采集车辆荷载产生的振动加速度信号得到；根据递归神经网络对加速度数据集进行特征提取，得到加速度特征；将加速度特征和附加属性特征数据集中的附加属性特征进行特征拼接，得到融合特征向量；将融合特征向量输入至预设的分类预测网络中，得到待检测道路的道路损伤结果。采用本方法能够提高道路损伤检测准确性。

Description

道路损伤检测方法、装置、计算机设备、存储介质
技术领域
本申请涉及道路管理技术领域，特别是涉及一种道路损伤检测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
目前我国高速公路里程位于世界第一位，有大量的公路需要进行维护管理，由于受到环境侵蚀、老化等原因的影响，会产生高速公路的道路损伤，因此，出现了道路损伤检测技术。
传统的道路损伤检测技术，通常是在道路侧安装有摄像设备，通过摄像设备采集道路图像数据，基于采集到的大量的道路图像数据和卷积神经网络，对采集到的路面图像数据进行图像识别处理，识别图像数据中的路面损伤，以完成对道路的损伤检测。
然而，在传统的道路检测技术中，通过路面图像数据实现路面检测，往往只能识别道路表面的病害损伤，对于水泥混凝土路面来说，路面板底脱空是其最根本的病害，当路面发生表面损伤时往往是其路面内部出现了更严重的损伤引起的，因此，传统的道路检测技术不能识别道路内部病害损伤，对于道路损伤的检测准确性较差。
发明内容
基于此，有必要针对上述技术问题，提供一种道路损伤检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种道路损伤检测方法。所述方法包括：
获取预设检测周期内待检测道路的加速度数据集和附加属性特征数据集；所述加速度数据集通过设置在待检测道路内部的植入式传感器采集车辆荷载产生的振动加速度信号得到；
根据递归神经网络对所述加速度数据集进行特征提取，得到加速度特征；
将所述加速度特征和所述附加属性特征数据集中的附加属性特征进行特征拼接，得到融合特征向量；
将所述融合特征向量输入至预设的分类预测网络中，得到所述待检测道路的道路损伤结果。
在其中一个实施例中，所述植入式传感器为预先设置在待检测道路内部的振动加速度传感器，所述获取预设检测周期内待检测道路的加速度数据集，包括：
基于预设的采样频率和信号长度，采集预设检测周期内车辆经过所述待检测道路的检测区域时各振动加速度传感器采集到的振动加速度信号；所述振动加速度信号由经过所述待检测道路的车辆产生的路面板响应生成；
对各所述振动加速度信号进行数据预处理，并基于同一时刻采集到的振动加速度信号，构建加速度向量；
基于各所述加速度向量，得到加速度数据集。
在其中一个实施例中，所述获取预设检测周期内待检测道路的附加属性特征数据集，包括：
获取待检测道路的属性特征数据、预设检测周期内经过所述待检测道路的各车辆的属性特征数据以及所述预设检测周期内植入式传感器的内部监测环境数据；
对所述待检测道路的属性特征数据、所述各车辆的属性特征数据以及所述植入式传感器的内部监测环境数据进行数据清洗和归一化处理，得到附加属性特征数据集。
在其中一个实施例中，所述递归神经网络的隐藏层中包含多个隐藏层单元，所述根据递归神经网络对所述加速度数据集进行特征提取，得到加速度特征，包括：
将所述加速度数据集输入至预先训练的递归神经网络中，通过所述递归神经网络的隐藏层中包含的多个隐藏层单元对所述加速度数据集中的加速度向量进行特征提取，得到加速度特征。
在其中一个实施例中，所述将所述融合特征向量输入至预设的分类预测网络中，得到所述待检测道路的道路损伤结果之后，所述方法还包括：
基于所述道路损伤结果，在道路损伤结果与道路管理策略的对应关系中，确定目标道路管理策略；
基于所述目标道路管理策略，指示对所述待检测道路进行维护管理。
在其中一个实施例中，所述方法还包括：
获取训练数据样本；所述训练数据样本包含训练加速度数据集、附加属性特征数据集以及道路损伤类别标签；
将所述训练加速度数据集输入至递归神经网络中，对所述训练加速度数据集进行特征提取，得到加速度特征；
将所述加速度特征和所述附加属性特征数据集中的附加属性特征进行特征拼接，得到融合特征向量；
将所述融合特征向量和所述道路损伤类别标签输入至分类预测网络中，通过所述分类预测网络对所述融合特征向量进行数据处理，得到分类预测结果；
根据所述分类预测结果、所述道路损伤类别标签以及预设损失函数，确定所述道路损伤检测模型的损失结果，直至所述损失结果满足预设模型损失条件，确定所述道路损伤检测模型训练完成。
第二方面，本申请还提供了一种道路损伤检测装置。所述装置包括：
获取模块，用于获取预设检测周期内待检测道路的加速度数据集和附加属性特征数据集；所述加速度数据集通过设置在待检测道路内部的植入式传感器采集车辆荷载产生的振动加速度信号得到；
特征提取模块，用于根据递归神经网络对所述加速度数据集进行特征提取，得到加速度特征；
拼接模块，用于将所述加速度特征和所述附加属性特征数据集中的附加属性特征进行特征拼接，得到融合特征向量；
检测判别模块，用于将所述融合特征向量输入至预设的分类预测网络中，得到所述待检测道路的道路损伤结果。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取预设检测周期内待检测道路的加速度数据集和附加属性特征数据集；所述加速度数据集通过设置在待检测道路内部的植入式传感器采集车辆荷载产生的振动加速度信号得到；
根据递归神经网络对所述加速度数据集进行特征提取，得到加速度特征；
将所述加速度特征和所述附加属性特征数据集中的附加属性特征进行特征拼接，得到融合特征向量；
将所述融合特征向量输入至预设的分类预测网络中，得到所述待检测道路的道路损伤结果。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取预设检测周期内待检测道路的加速度数据集和附加属性特征数据集；所述加速度数据集通过设置在待检测道路内部的植入式传感器采集车辆荷载产生的振动加速度信号得到；
根据递归神经网络对所述加速度数据集进行特征提取，得到加速度特征；
将所述加速度特征和所述附加属性特征数据集中的附加属性特征进行特征拼接，得到融合特征向量；
将所述融合特征向量输入至预设的分类预测网络中，得到所述待检测道路的道路损伤结果。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取预设检测周期内待检测道路的加速度数据集和附加属性特征数据集；所述加速度数据集通过设置在待检测道路内部的植入式传感器采集车辆荷载产生的振动加速度信号得到；
根据递归神经网络对所述加速度数据集进行特征提取，得到加速度特征；
将所述加速度特征和所述附加属性特征数据集中的附加属性特征进行特征拼接，得到融合特征向量；
将所述融合特征向量输入至预设的分类预测网络中，得到所述待检测道路的道路损伤结果。
上述道路损伤检测方法、装置、计算机设备、存储介质和计算机程序产品，获取预设检测周期内待检测道路的加速度数据集和附加属性特征数据集；所述加速度数据集通过设置在待检测道路内部的植入式传感器采集车辆荷载产生的振动加速度信号得到，通过递归神经网络对加速度数据集进行特征提取，得到加速度特征，并将加速特征和附加属性特征数据集中的附加属性特征进行拼接，得到融合特征向量，然后，将所述融合特征向量输入至预设的分类预测网络中，得到所述待检测道路的道路损伤结果。采用本方法，该振动加速度信号是车辆荷载经过待检测道路时，待检测道路产生的振动响应，从而，对该加速度数据进行处理分析，可以对道路内部结构的状况进行检测，得到待检测道路对应的道路损伤结果，提高了待检测道路的损伤检测准确性。
附图说明
图1为一个实施例中道路损伤检测方法的应用环境图；
图2为一个实施例中道路损伤检测方法的流程示意图；
图3为一个实施例中获取加速度数据集步骤的流程示意图；
图4为另一个实施例中获取附加属性特征数据集步骤的流程示意图；
图5为一个实施例中长短期记忆递归神经网络内部结构示意图；
图6为一个实施例中确定目标道路管理策略步骤的流程示意图；
图7为一个实施例中一种道路损伤检测模型的训练方法的流程示意图；
图8为一个实施例中应用于混凝土路面的道路损伤检测方法的示例流程图；
图9为一个实施例中道路损伤检测装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的道路损伤检测方法，可以应用于如图1所示的应用环境中。其中，包括埋入道路内部的植入式传感器102、路侧的采集设备104以及终端106(远端终端在图1中未示出)，植入式传感器102、采集设备104以及终端106之间可以通过网络进行通信。其中，终端106获取预设检测周期内待检测道路的加速度数据集和附加属性特征数据集。加速度数据集通过设置在待检测道路内部的植入式传感器102采集车辆荷载产生的振动加速度信号得到。然后，终端106根据递归神经网络对加速度数据集进行特征提取，得到加速度特征。将加速度特征和附加属性特征数据集中的附加属性特征进行特征拼接，得到融合特征向量。然后，终端106将融合特征向量输入至预设的分类预测网络中，得到待检测道路的道路损伤结果。从而，实现了对待检测道路的道路内部的损伤检测，提高道路损伤检测的准确性。
其中，终端106可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备，物联网设备又可为智能车载设备等。
可以理解的是，该方法除了可以应用于上述应用场景中的终端106，也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。或者，本申请还可以应用于云平台系统，因此，除了数据采集需要借助植入式传感器、以及路侧的采集设备之外，对于该道路损伤检测方法的具体执行端，可以是任意具有存储器和处理器，可实现数据处理功能的计算机设备，本申请对于该道路损伤检测方法的执行端的类型不做限定。
在一个实施例中，如图2所示，本实施例以该方法应用于终端106进行举例说明，本实施例中，该方法包括以下步骤：
步骤202，获取预设检测周期内待检测道路的加速度数据集和附加属性特征数据集。
其中，加速度数据集通过设置在待检测道路内部的植入式传感器采集车辆荷载产生的振动加速度信号得到。
如图1所示，以混凝土路面道路为例进行说明，在混凝土路面的待检测道路路段，将多个植入式传感器预先布设在待检测道路的内部，通过该植入式传感器采集车辆经过待检测道路的检测区域时，由于车辆荷载产生的振动加速度信号。其中，植入式传感器的数量和排布方式不做限定，例如，可以基于道路路面板尺寸大小布设k个植入式传感器，这k个植入式传感器铺设在道路内部同一块路面板的不同位置，例如，布设在板角处、沿行车方向的路面板纵边、路面板中心位置等。进而，由于车辆行驶速度较快，在车辆经过该待检测道路同一块路面板时，k个植入式传感器可以获取同一时刻车辆经过时道路内部结构响应产生的振动加速度信号，，并对该振动加速度信号进行处理分析，得到车辆经过时刻的加速度数据。进而，在预设的检测周期内，构建得到加速度数据集。
在实施中，在预设的检测周期内，终端获取植入式传感器采集到的加速度数据集。并且，在车辆经过待检测道路的检测区域时，终端还可以通过多种其他类型传感器采集待检测道路相关的附加属性特征数据，从而，终端可以获取到包含多维数据的附加属性特征数据集。基于加速度数据集和附加属性特征数据集以实现对待检测道路的道路结构的检测。
步骤204，根据递归神经网络对加速度数据集进行特征提取，得到加速度特征。
在实施中，终端中预先部署有道路损伤检测模型，该道路损伤检测模型中至少包含递归神经网络和分类预测网络。具体地，在获取到待检测道路的加速度数据集后，终端根据道路损伤检测模型中的递归神经网络对加速度数据集进行特征提取，得到加速度特征。
可选的，递归神经网络可以选择LSTM(Long Short-Term Memory，长短期记忆递归神经网络)，也可以选择多层递归神经网络、双向循环神经网络等，本申请实施例对于递归神经网络的类型不做限定。
本申请实施例以该道路损伤检测模型中递归神经网络选用LSTM网络为例，通过LSTM网络能够很好的根据上下文信息提取时序信号(加速度数据集中包含的振动加速度信号)的时序信号特征，从而，得到加速度数据集对应的加速度特征，以更准确的对道路损伤进行检测。
步骤206，将加速度特征和附加属性特征数据集中的附加属性特征进行特征拼接，得到融合特征向量。
在实施中，终端执行将加速度特征和附加属性特征数据集中的附加属性特征进行特征拼接的操作，得到融合特征向量。具体地，在道路损伤检测模型中，还可以包含特征融合层，该特征融合层可以是带权重的加权函数，通过该特征融合层对加速度特征与附加属性特征进行特征拼接，得到融合特征向量。
步骤208，将融合特征向量输入至预设的分类预测网络中，得到待检测道路的道路损伤结果。
在实施中，终端将特征拼接后得到的融合特征向量输入至道路损伤检测模型的分类预测网络中，通过分类预测网络对融合特征向量进行数据分析处理，确定当前的待检测道路的道路损伤结果，该道路损伤结果用于反映具体道路损伤类别。
具体地，道路损伤检测模型中包含的分类预测网络可以是多层感知器(MLP，Multilayer Perceptron)，该多层感知器是一种基于前馈人工神经网络的监督学习模型，通过该多层感知器对融合特征向量进行预测处理，得到各道路损伤分类类别的概率。然后，终端可以根据各道路损伤分类结果的概率，将概率最高的道路损伤分类类别作为道路损伤结果。
上述道路损伤检测方法中，获取预设检测周期内待检测道路的加速度数据集和附加属性特征数据集；加速度数据集通过设置在待检测道路内部的植入式传感器采集车辆荷载产生的振动加速度信号得到，通过递归神经网络对加速度数据集进行特征提取，得到加速度特征，并将加速特征和附加属性特征数据集中的附加属性特征进行拼接，得到融合特征向量，然后，将融合特征向量输入至预设的分类预测网络中，得到待检测道路的道路损伤结果。采用本方法，该振动加速度信号是车辆荷载经过待检测道路时，待检测道路产生的振动响应，从而，对该加速度数据进行处理分析，可以对道路内部结构的状况进行检测，得到待检测道路对应的道路损伤结果，提高了待检测道路的损伤检测准确性。
在一个实施例中，如图3所示，植入式传感器可以为预先设置在待检测道路内部的振动加速度传感器，步骤102中获取预设检测周期内待检测道路的加速度数据集，包括以下步骤：
步骤302，基于预设的采样频率和信号长度，采集预设检测周期内车辆经过待检测道路的检测区域时各振动加速度传感器采集到的振动加速度信号。
其中，振动加速度信号由经过待检测道路的车辆产生的路面板响应生成。
具体地，终端基于预设的采样频率和信号长度，采集预设检测周期内车辆经过待检测道路的检测区域时，各振动加速度传感器采集到的振动加速度信号。
具体地，因为道路结构的响应频率一般不会超过100Hz，因此，我们配置振动加速度传感器的采集频率在200Hz以下，以此来减少采集的数据量，从而提高数据处理效率。另外，对于一般的高速公路来说车辆经过每一路面板的时间低于2秒，从而，振动加速度传感器将信号长度截取为10s，可以保证路面板充分响应。
步骤304，对各振动加速度信号进行数据预处理，并基于同一时刻采集到的振动加速度信号，构建加速度向量。
在实施中，终端对各振动加速度信号进行数据预处理，并基于同一时刻采集到的振动加速度信号，构建加速度向量。例如，待检测道路的内部路面板布设有k个传感器，将同一时刻不同的振动加速度传感器处理得到的加速度数据组合成一个k维加速度向量。
步骤306，基于各加速度向量，得到加速度数据集。
在实施中，终端基于预设的检测周期内生成的各加速度向量，构建得到加速度数据集。
本实施例中，通过预设的采样频率和信号长度，采集待检测道路由于车辆经过时路面板响应产生的振动加速度信号，从而，基于振动加速度信号构建加速度数据集，对该加速度数据集的处理和分析，可以实现对道路内部结构的检测。
在一个实施例中，如图4所示，除了通过振动加速度传感器采集振动加速度信号之外，还可以借助其他多种类型的传感器，采集多源的附加属性特征数据，具体地，步骤102中获取预设检测周期内待检测道路的附加属性特征数据集，包括：
步骤402，获取待检测道路的属性特征数据、预设检测周期内经过待检测道路的各车辆的属性特征数据以及预设检测周期内植入式传感器的内部监测环境数据。
其中，附加属性特征数据可以但不限于包括待检测道路的属性特征数据、车辆的属性特征数据以及植入式传感器的内部监测环境数据。
在实施中，终端获取各种类型的属性特征数据，例如，待检测道路的属性特征数据：道路结构尺寸信息(例如，路基厚度、基层厚度、路基宽度等)、接缝形式等；预设检测周期内经过待检测道路的各车辆的属性特征数据：轴重、车型、车速等，以及预设检测周期内植入式传感器的内部监测环境数据：温度、湿度等。
其中，各种类型的属性特征数据的获取方式具体为：待检测道路的属性特征数据可以直接在道路属性特征记录中进行查询获取，即终端可以基于当前待检测道路的所处位置，在道路属性特征记录中查询当前待检测道路的道路结构尺寸信息、接缝形式等。而待检测道路上经过的各车辆的属性特征数据以及植入式传感器的内部监测环境数据等，则可以基于其他类型的传感器进行采集或者基于植入式传感器直接上报。例如，在待检测道路路侧的采集设备中可以设置超声波雷达，通过超声波雷达采集经过待检测道路的车辆的车速。在待检测道路的检测区域内还可以埋设有称重仪，通过称重仪采集车辆荷载等，以及在采集设备内部和植入式传感器的内部都可以设置有温度传感器和湿度传感器，通过温度传感器和湿度传感器监测采集设备和植入式传感器的内部温度和湿度等。
可选的，车辆的属性特征数据不限于包括：车速、轴重、车型、车辆荷载等，待检测道路的属性特征数据不限于包括道路结构尺寸信息、接缝形式、材料等，植入式传感器的内部监测环境数据也不限于包括温度、湿度等，本申请实施例对于附加属性特征数据的数据种类不做限定。
步骤404，对待检测道路的属性特征数据、各车辆的属性特征数据以及植入式传感器的内部监测环境数据进行数据清洗和归一化处理，得到附加属性特征数据集。
在实施中，终端对待检测道路的属性特征数据、各车辆的属性特征数据以及植入式传感器的内部监测环境数据等各种类型的属性特征数据进行数据清洗，消除各属性特征数据中的缺失值以及异常值，并对清洗后的各属性特征数据进行归一化处理，得到归一化后的各属性特征数据。从而，基于数据清洗和归一化处理后的各属性特征数据，构建附加属性特征数据集。
其中，本申请实施例采用均值方差归一化方法，对各属性特征数据进行归一化处理，该均值方差归一化的方法的公式如下所示：
其中Xi代表每类属性特征数据中的每个数据，μ与σ分别代表该类属性特征数据的均值与标准差。
本实施例中，通过采集待检测道路的属性特征数据、各车辆的属性特征数据以及植入式传感器的内部监测环境数据等多源数据，构建附加属性特征数据集，使得该附加属性特征数据集可以包含用于检测道路损伤的相关属性特征，从而，与加速度特征相结合，实现多维度的道路损伤检测。
在一个实施例中，道路损伤检测模型中递归神经网络的隐藏层中包含多个隐藏层单元，则步骤204中根据递归神经网络对加速度数据集进行特征提取，得到加速度特征，具体包括：
步骤2041，将加速度数据集输入至预先训练的递归神经网络中，通过递归神经网络的隐藏层中包含的多个隐藏层单元对加速度数据集中的加速度向量进行特征提取，得到加速度特征。
在实施中，递归神经网络是一种带有时间序列突触的神经网络，本申请中选择LSTM网络对加速度数据集进行处理。具体地，采用以时间步为序列的形式，将加速度数据集输入递归神经网络模型中，例如，将时序t上的n个k维加速度向量xt，作为LSTM网络的输入数据，LSTM网络中包含多个隐藏层单元，如图5所示，LSTM网络以最后一个隐藏层单元输出的输出结果hn，作为加速度数据的特征提取结果，即加速度特征。其中，隐藏层单元的个数根据模型训练过程中实际训练效果进行调整，本申请实施例不做限定。
本实施例中，通过递归神经网络对加速度数据集进行特征提取，学习加速度数据集中包含的时序信号，从而，得到加速度特征，以使更好的分析加速度数据集中包含的时序变化，进而更准确的对道路损伤进行检测。
在一个实施例中，如图6所示，该方法还包括：
步骤602，基于道路损伤结果，在道路损伤结果与道路管理策略的对应关系中，确定目标道路管理策略。
在实施中，终端中预先配置有包含道路损伤结果与道路管理策略对应关系的列表，在预设的检测周期内，终端确定出待检测道路的当前的道路损伤结果，进而，终端基于道路损伤结果，在各道路损伤结果与道路管理策略的对应关系中，确定目标道路管理策略。
步骤604，基于目标道路管理策略，指示对待检测道路进行维护管理。
在实施中，终端基于目标道路管理策略，指示对待检测道路进行维护管理。可选的，目标道路管理策略包括生成告警信息和提供道路维护管理意见信息，例如，道路损伤结果为存在道路脱空损伤，则目标道路管理策略包括：生成表征道路脱空损伤的告警信息，同时，给出维护道路脱空损伤的道路维护管理意见信息(例如，修复填补、移除受损路面、维护路基等等)。该表征道路脱空损伤的告警信息用于提示用户当前待检测道路的目标检测路段内存在道路脱空损伤，道路维护管理意见信息用于指导用户完成相应道路维护。
本实施例中，通过预先配置道路损伤结果与道路管理策略的对应关系，在确定出待检测道路结果的道路损伤结果后，可以自动化推荐当前待检测道路的目标道路管理策略，进而，基于目标道路管理策略的指示，实现对当前待检测道路的及时养护。
在一个实施例中，道路损伤检测模型包括递归神经网络层和分类预测网络层，该道路损伤检测模型在应用之前，需要预先进行模型训练，以保证模型输出结果的准确性。如图7所示，该方法还包括：
步骤702，获取训练数据样本。
其中，训练数据样本包含训练加速度数据集、附加属性特征数据集以及道路损伤类别标签。
在实施中，终端获取训练数据样本。该训练数据样本中的附加属性特征数据集可以但不限于包含车辆属性特征数据集、道路属性特征数据集以及植入式传感器的内部监测环境数据。在构建训练数据样本时将训练数据划分为训练集、验证集和测试集并进行标注，具体划分比例可以为0.9：0.09：0.01。
可选的，对于训练数据样本中包含的各类型的训练数据与上述实施例中步骤202中数据获取过程相似，例如，可以通过植入式传感器采集训练加速度数据以及植入式传感器内部监测环境数据，通过采集设备采集车辆属性特征数据，通过查询获取道路属性特征数据等，进而，终端可以基于获取到的训练加速度数据、车辆属性特征数据、道路属性特征数据以及植入式传感器内部环境监测数据等，构建训练数据样本，本申请实施例在此不再详细赘述。
可选的，在获取到各类型的训练数据之后，可以各类型的训练数据进行数据清洗和归一化处理，该处理过程与上述实施例中的步骤404过程相似，本申请实施例在此不再详细赘述。从而，基于数据清洗和归一化处理后的训练数据构建训练数据样本。
步骤704，将训练加速度数据集输入至递归神经网络中，对训练加速度数据集进行特征提取，得到加速度特征。
在实施中，终端将训练数据样本中的训练加速度数据集输入至递归神经网络中，通过递归神经网络中隐藏层的各隐藏层单元，对训练加速度数据集进行特征提取，得到加速度特征。其中，隐藏层单元的个数根据该道路损伤检测模型的实际训练效果进行调整。
具体地，递归神经网络在对训练加速度数据进行数据处理时，通过自适应地学习序列数据时间依赖性，对加速度数据序列进行建模和预测。在模型训练过程中，可以通过监督学习的方式，利用已知的标注加速度数据对模型进行训练，从而提取加速度数据的特征，例如加速度值的变化趋势、峰值、持续时间等。
步骤706，将加速度特征和附加属性特征数据集中的附加属性特征进行特征拼接，得到融合特征向量。
在实施中，终端将加速度特征和附加属性特征数据集中的附加属性特征进行特征拼接，得到融合特征向量。
具体地，道路损伤检测模型中还可以包含特征融合层，该特征融合层用于对加速度特征和附加属性特征进行特征融合，该特征融合层可以是预设权重系数的加权函数，通过该加权函数实现多源特征的特征拼接，得到融合特征向量。
步骤708，将融合特征向量和道路损伤类别标签输入至分类预测网络中，通过分类预测网络对融合特征向量进行数据处理，得到分类预测结果。
在实施中，对分类预测网络进行训练过程中，终端将融合特征向量和道路损伤类别标签输入至分类预测网络中，通过分类预测网络对融合特征向量进行数据处理，输出表征道路损伤类别的分类预测结果，该分类预测结果可以为对应道路损伤类别的概率。
具体地，分类预测网络可以为多层感知器，多层感知器是一种具有多个隐藏层的前馈神经网络，它可以用于监督学习任务，在分类任务中，MLP可以通过训练来学习将输入的训练数据样本映射到预定义的类别标签。在本申请训练过程中多层感知器除最后一层分类层的激活函数使用softmax激活函数之外，其余各层激活函数选用Relu激活函数，通过激活函数计算每个输入的训练数据属于不同道路损伤类别的概率。
可选的，还可以选择Adam方法进行分类预测网络的训练，通过该Adam方法可以自适应调整梯度下降过程中的学习率，避免道路损伤检测模型在模型训练过程中的局部收敛。
步骤710，根据分类预测结果、道路损伤类别标签以及预设损失函数，确定道路损伤检测模型的损失结果，直至损失结果满足预设模型损失条件，确定道路损伤检测模型训练完成。
在实施中，终端根据分类预测结果、道路损伤类别标签以及预设损失函数，确定道路损伤检测模型的损失结果。进而，终端基于损失结果与预设的模型损失条件，确定道路损伤检测模型是否训练完成。
具体地，道路损伤检测模型的最终的损失函数可以为交叉熵损失函数，计算公式如下：
其中M为分类总数，c为不同的分类类别(道路损伤类别)，i表示不同样本，pic为训练数据i属于分类类别c的预测概率，yic本身只有0与1共两种取值，当训练数据i真实标注分类为c时为1，其余情况均为0。
预设模型损失条件可以为小于或者等于预设模型损失阈值。若模型损失结果未满足预设的模型损失条件，则重复执行上述步骤702至710，直至损失结果满足预设模型损失条件的情况下，确定道路损伤检测模型训练完成。
本实施例中，通过包含多维训练数据的训练数据样本对道路损伤检测模型进行模型训练，得到训练完成的道路损伤检测模型，通过该训练完成的道路损伤检测模型，可以实现基于多维检测数据的道路损伤检测。
在一个实施例中，如图8所示，给出一种应用于混凝土路面的道路损伤检测方法的示例，具体包括：
步骤801，获取预设检测周期内待检测道路的附加属性特征数据集。
步骤802，获取预设检测周期内待检测道路的加速度数据集。
步骤803，根据递归神经网络对加速度数据集进行特征提取，得到加速度特征。
步骤804，将加速度特征和附加属性特征数据集中的附加属性特征进行特征拼接，得到融合特征向量。
步骤805，将融合特征向量输入至预设的分类预测网络中，得到混凝土路面的道路损伤结果。
其中，如图8所示，步骤801和步骤802的执行顺序可以是同步的。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的道路损伤检测方法的道路损伤检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个道路损伤检测装置实施例中的具体限定可以参见上文中对于道路损伤检测方法的限定，在此不再赘述。
在一个实施例中，如图9所示，提供了一种道路损伤检测装置900，包括：获取模块、特征提取模块、拼接模块和检测判别模块，其中：
获取模块901，用于获取预设检测周期内待检测道路的加速度数据集和附加属性特征数据集；加速度数据集通过设置在待检测道路内部的植入式传感器采集车辆荷载产生的振动加速度信号得到。
特征提取模块902，用于根据递归神经网络对加速度数据集进行特征提取，得到加速度特征。
拼接模块903，用于将加速度特征和附加属性特征数据集中的附加属性特征进行特征拼接，得到融合特征向量。
检测判别模块904，用于将融合特征向量输入至预设的分类预测网络中，得到待检测道路的道路损伤结果。
在其中一个实施例中，植入式传感器为预先设置在待检测道路内部的振动加速度传感器，获取模块，具体用于基于预设的采样频率和信号长度，采集预设检测周期内车辆经过待检测道路的检测区域时各振动加速度传感器采集到的振动加速度信号；振动加速度信号由经过待检测道路的车辆产生的路面板响应生成；
对各振动加速度信号进行数据预处理，并基于同一时刻采集到的振动加速度信号，构建加速度向量；
基于各加速度向量，得到加速度数据集。
在其中一个实施例中，获取模块901，具体用于获取待检测道路的属性特征数据、预设检测周期内经过待检测道路的各车辆的属性特征数据以及预设检测周期内植入式传感器的内部监测环境数据；
对待检测道路的属性特征数据、各车辆的属性特征数据以及植入式传感器的内部监测环境数据进行数据清洗和归一化处理，得到附加属性特征数据集。
在其中一个实施例中，递归神经网络的隐藏层中包含多个隐藏层单元，特征提取模块902，具体用于将加速度数据集输入至预先训练的递归神经网络中，通过递归神经网络的隐藏层中包含的多个隐藏层单元对加速度数据集中的加速度向量进行特征提取，得到加速度特征。
在其中一个实施例中，该装置900还包括：
确定模块，用于基于道路损伤结果，在道路损伤结果与道路管理策略的对应关系中，确定目标道路管理策略；
指示模块，用于基于目标道路管理策略，指示对待检测道路进行维护管理。
在其中一个实施例中，该装置900还包括：
训练获取模块，用于获取训练数据样本；训练数据样本包含训练加速度数据集、附加属性特征数据集以及道路损伤类别标签；
特征提取模块，用于将训练加速度数据集输入至递归神经网络中，对训练加速度数据集进行特征提取，得到加速度特征；
拼接模块，用于将加速度特征和附加属性特征数据集中的附加属性特征进行特征拼接，得到融合特征向量；
检测判别模块，用于将融合特征向量和道路损伤类别标签输入至分类预测网络中，通过分类预测网络对融合特征向量进行数据处理，得到分类预测结果；
训练判别模块，用于根据分类预测结果、道路损伤类别标签以及预设损失函数，确定道路损伤检测模型的损失结果，直至损失结果满足预设模型损失条件，确定道路损伤检测模型训练完成。
上述道路损伤检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种道路损伤检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取预设检测周期内待检测道路的加速度数据集和附加属性特征数据集；所述加速度数据集通过设置在待检测道路内部的植入式传感器采集车辆荷载产生的振动加速度信号得到；
根据递归神经网络对所述加速度数据集进行特征提取，得到加速度特征；
将所述加速度特征和所述附加属性特征数据集中的附加属性特征进行特征拼接，得到融合特征向量；
将所述融合特征向量输入至预设的分类预测网络中，得到所述待检测道路的道路损伤结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于预设的采样频率和信号长度，采集预设检测周期内车辆经过所述待检测道路的检测区域时各振动加速度传感器采集到的振动加速度信号；所述振动加速度信号由经过所述待检测道路的车辆产生的路面板响应生成；
对各所述振动加速度信号进行数据预处理，并基于同一时刻采集到的振动加速度信号，构建加速度向量；
基于各所述加速度向量，得到加速度数据集。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取待检测道路的属性特征数据、预设检测周期内经过所述待检测道路的各车辆的属性特征数据以及所述预设检测周期内植入式传感器的内部监测环境数据；
对所述待检测道路的属性特征数据、所述各车辆的属性特征数据以及所述植入式传感器的内部监测环境数据进行数据清洗和归一化处理，得到附加属性特征数据集。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将所述加速度数据集输入至预先训练的递归神经网络中，通过所述递归神经网络的隐藏层中包含的多个隐藏层单元对所述加速度数据集中的加速度向量进行特征提取，得到加速度特征。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于所述道路损伤结果，在道路损伤结果与道路管理策略的对应关系中，确定目标道路管理策略；
基于所述目标道路管理策略，指示对所述待检测道路进行维护管理。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取训练数据样本；所述训练数据样本包含训练加速度数据集、附加属性特征数据集以及道路损伤类别标签；
将所述训练加速度数据集输入至递归神经网络中，对所述训练加速度数据集进行特征提取，得到加速度特征；
将所述加速度特征和所述附加属性特征数据集中的附加属性特征进行特征拼接，得到融合特征向量；
将所述融合特征向量和所述道路损伤类别标签输入至分类预测网络中，通过所述分类预测网络对所述融合特征向量进行数据处理，得到分类预测结果；
根据所述分类预测结果、所述道路损伤类别标签以及预设损失函数，确定所述道路损伤检测模型的损失结果，直至所述损失结果满足预设模型损失条件，确定所述道路损伤检测模型训练完成。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种道路损伤检测方法，其特征在于，所述方法包括：
获取预设检测周期内待检测道路的加速度数据集和附加属性特征数据集；所述加速度数据集通过设置在待检测道路内部的植入式传感器采集车辆荷载产生的振动加速度信号得到；所述植入式传感器为预先设置在待检测道路内部的振动加速度传感器；所述附加属性特征数据集包括待检测道路的属性特征数据、车辆的属性特征数据以及植入式传感器的内部监测环境数据；
根据递归神经网络对所述加速度数据集进行特征提取，得到加速度特征；
将所述加速度特征和所述附加属性特征数据集中的附加属性特征进行特征拼接，得到融合特征向量；
将所述融合特征向量输入至预设的分类预测网络中，得到所述待检测道路的道路损伤结果；
所述获取预设检测周期内待检测道路的加速度数据集，包括：
基于预设的采样频率和信号长度，采集预设检测周期内车辆经过所述待检测道路的检测区域时各振动加速度传感器采集到的振动加速度信号；所述振动加速度信号由经过所述待检测道路的车辆产生的路面板响应生成；
对各所述振动加速度信号进行数据预处理，并基于同一时刻采集到的振动加速度信号，构建加速度向量；
基于各所述加速度向量，得到所述加速度数据集。
2.根据权利要求1所述的方法，其特征在于，所述获取预设检测周期内待检测道路的附加属性特征数据集，包括：
获取待检测道路的属性特征数据、预设检测周期内经过所述待检测道路的各车辆的属性特征数据以及所述预设检测周期内植入式传感器的内部监测环境数据；
对所述待检测道路的属性特征数据、所述各车辆的属性特征数据以及所述植入式传感器的内部监测环境数据进行数据清洗和归一化处理，得到附加属性特征数据集。
3.根据权利要求1所述的方法，其特征在于，所述递归神经网络的隐藏层中包含多个隐藏层单元，所述根据递归神经网络对所述加速度数据集进行特征提取，得到加速度特征，包括：
将所述加速度数据集输入至预先训练的递归神经网络中，通过所述递归神经网络的隐藏层中包含的多个隐藏层单元对所述加速度数据集中的加速度向量进行特征提取，得到加速度特征。
4.根据权利要求1所述的方法，其特征在于，所述将所述融合特征向量输入至预设的分类预测网络中，得到所述待检测道路的道路损伤结果之后，所述方法还包括：
基于所述道路损伤结果，在道路损伤结果与道路管理策略的对应关系中，确定目标道路管理策略；
基于所述目标道路管理策略，指示对所述待检测道路进行维护管理。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取训练数据样本；所述训练数据样本包含训练加速度数据集、附加属性特征数据集以及道路损伤类别标签；
将所述训练加速度数据集输入至递归神经网络中，对所述训练加速度数据集进行特征提取，得到加速度特征；
将所述加速度特征和所述附加属性特征数据集中的附加属性特征进行特征拼接，得到融合特征向量；
将所述融合特征向量和所述道路损伤类别标签输入至分类预测网络中，通过所述分类预测网络对所述融合特征向量进行数据处理，得到分类预测结果；
根据所述分类预测结果、所述道路损伤类别标签以及预设损失函数，确定所述道路损伤检测模型的损失结果，直至所述损失结果满足预设模型损失条件，确定所述道路损伤检测模型训练完成。
6.根据权利要求1所述的方法，其特征在于，所述递归神经网络为长短期记忆递归神经网络、多层递归神经网络、双向循环神经网络中的至少一种。
7.一种道路损伤检测装置，其特征在于，所述装置包括：
获取模块，用于获取预设检测周期内待检测道路的加速度数据集和附加属性特征数据集；所述加速度数据集通过设置在待检测道路内部的植入式传感器采集车辆荷载产生的振动加速度信号得到；所述植入式传感器为预先设置在待检测道路内部的振动加速度传感器；所述附加属性特征数据集包括待检测道路的属性特征数据、车辆的属性特征数据以及植入式传感器的内部监测环境数据；
特征提取模块，用于根据递归神经网络对所述加速度数据集进行特征提取，得到加速度特征；
拼接模块，用于将所述加速度特征和所述附加属性特征数据集中的附加属性特征进行特征拼接，得到融合特征向量；
检测判别模块，用于将所述融合特征向量输入至预设的分类预测网络中，得到所述待检测道路的道路损伤结果；
所述获取模块，具体用于基于预设的采样频率和信号长度，采集预设检测周期内车辆经过所述待检测道路的检测区域时各振动加速度传感器采集到的振动加速度信号；所述振动加速度信号由经过所述待检测道路的车辆产生的路面板响应生成；
对各所述振动加速度信号进行数据预处理，并基于同一时刻采集到的振动加速度信号，构建加速度向量；
基于各所述加速度向量，得到所述加速度数据集。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202310745521.9A 2023-06-21 2023-06-21 道路损伤检测方法、装置、计算机设备、存储介质 Active CN116881783B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310745521.9A CN116881783B (zh) 2023-06-21 2023-06-21 道路损伤检测方法、装置、计算机设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310745521.9A CN116881783B (zh) 2023-06-21 2023-06-21 道路损伤检测方法、装置、计算机设备、存储介质

Publications (2)

Publication Number Publication Date
CN116881783A CN116881783A (zh) 2023-10-13
CN116881783B true CN116881783B (zh) 2024-04-09

Family

ID=88261323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310745521.9A Active CN116881783B (zh) 2023-06-21 2023-06-21 道路损伤检测方法、装置、计算机设备、存储介质

Country Status (1)

Country Link
CN (1) CN116881783B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117370897B (zh) * 2023-12-04 2024-02-09 四川正路建设工程检测咨询有限公司 道路健康状态检测方法、电子设备和计算机可读介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109142524A (zh) * 2018-08-14 2019-01-04 唐智科技湖南发展有限公司 一种轨道损伤检测方法、装置及设备
CN111610191A (zh) * 2020-04-20 2020-09-01 武汉理工大学 一种道路检测与修复系统
CN111976389A (zh) * 2020-08-03 2020-11-24 清华大学 轮胎磨损程度辨识方法及装置
CN113705412A (zh) * 2021-08-23 2021-11-26 中国铁道科学研究院集团有限公司 基于深度学习的多源数据融合的轨道状态检测方法及装置
CN113866455A (zh) * 2021-09-30 2021-12-31 中铁桥隧技术有限公司 基于深度学习的桥梁加速度监测数据异常检测方法、系统和装置
CN114359877A (zh) * 2022-03-22 2022-04-15 北京理工大学 基于融合特征的无人履带车辆道路类型识别方法和系统
CN114858214A (zh) * 2022-04-27 2022-08-05 中徽建技术有限公司 一种城市道路性能监测系统
CN115544763A (zh) * 2022-09-30 2022-12-30 华南理工大学 一种路面平整度预测方法、系统及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102210806B1 (ko) * 2018-10-02 2021-02-01 한림대학교 산학협력단 위 내시경 이미지의 딥러닝을 이용하여 위 병변을 진단하는 장치 및 방법

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109142524A (zh) * 2018-08-14 2019-01-04 唐智科技湖南发展有限公司 一种轨道损伤检测方法、装置及设备
CN111610191A (zh) * 2020-04-20 2020-09-01 武汉理工大学 一种道路检测与修复系统
CN111976389A (zh) * 2020-08-03 2020-11-24 清华大学 轮胎磨损程度辨识方法及装置
CN113705412A (zh) * 2021-08-23 2021-11-26 中国铁道科学研究院集团有限公司 基于深度学习的多源数据融合的轨道状态检测方法及装置
CN113866455A (zh) * 2021-09-30 2021-12-31 中铁桥隧技术有限公司 基于深度学习的桥梁加速度监测数据异常检测方法、系统和装置
CN114359877A (zh) * 2022-03-22 2022-04-15 北京理工大学 基于融合特征的无人履带车辆道路类型识别方法和系统
CN114858214A (zh) * 2022-04-27 2022-08-05 中徽建技术有限公司 一种城市道路性能监测系统
CN115544763A (zh) * 2022-09-30 2022-12-30 华南理工大学 一种路面平整度预测方法、系统及介质

Also Published As

Publication number Publication date
CN116881783A (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
Salehi et al. Emerging artificial intelligence methods in structural engineering
Lei et al. Lost data reconstruction for structural health monitoring using deep convolutional generative adversarial networks
Tang et al. Convolutional neural network‐based data anomaly detection method using multiple information for structural health monitoring
Varona et al. A deep learning approach to automatic road surface monitoring and pothole detection
Bao et al. Computer vision and deep learning–based data anomaly detection method for structural health monitoring
Cremona et al. Structural health monitoring as a big-data problem
Koesdwiady et al. Improving traffic flow prediction with weather information in connected cars: A deep learning approach
Yu et al. A COMPARISON OF THE PERFORMANCE OF ANN AND SVM FOR THE PREDICTION OF TRAFFIC ACCIDENT DURATION.
CN116881783B (zh) 道路损伤检测方法、装置、计算机设备、存储介质
Sony et al. Multiclass damage identification in a full-scale bridge using optimally tuned one-dimensional convolutional neural network
CN114664091A (zh) 一种基于节假日流量预测算法的预警方法及系统
Mohamadi et al. Fusion and visualization of bridge deck nondestructive evaluation data via machine learning
Ye et al. A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring
Entezami et al. Condition assessment of civil structures for structural health monitoring using supervised learning classification methods
Kamranfar et al. Pavement distress recognition via wavelet-based clustering of smartphone accelerometer data
Hoang et al. Computer vision based asphalt pavement segregation detection using image texture analysis integrated with extreme gradient boosting machine and deep convolutional neural networks
Anaissi et al. Multi-objective variational autoencoder: an application for smart infrastructure maintenance
Liu et al. Cognitive cloud framework for waste dumping analysis using deep learning vision computing in healthy environment
CN114863170A (zh) 一种基于深度学习的新能源车电池自燃预警方法及装置
Ferjani et al. How to get best predictions for road monitoring using machine learning techniques
Pamuncak et al. Deep learning for bridge load capacity estimation in post-disaster and-conflict zones
Gharehbaghi et al. A novel approach for deterioration and damage identification in building structures based on Stockwell-Transform and deep convolutional neural network
Yessoufou et al. Classification and regression-based convolutional neural network and long short-term memory configuration for bridge damage identification using long-term monitoring vibration data
Li Structural damage localization using probabilistic neural networks
Ciaburro Time series data analysis using deep learning methods for smart cities monitoring

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