路面缺陷检测模型建立方法、路面缺陷检测方法及系统与流程

1.本发明涉及路面检测技术领域，具体而言，涉及一种路面缺陷检测模型建立方法、路面缺陷检测方法及系统。


背景技术：

2.常见的路面缺陷包括沥青裂缝、龟裂、混凝土面板裂缝、车辙、坑槽、沉陷等，这些缺陷很容易引起交通事故。为了便于及时对路面缺陷进行处理，需要及时检测路面缺陷，当前常用的路面缺陷检测方法包括基于计算机视觉的检测方法和基于物理性质探测的方法。
3.基于计算机视觉的检测方法包括：对像素点特征分析的图像算法，如提取梯度边缘特征，对使用hog算子等提取出的直方图特征进行分析等；基于机器学习与特征提取的算法，通过特征提取算法提取出重要特征，再通过机器学习分类算法进行缺陷检测，如稀疏编码、字典学习等方法；基于深度学习的缺陷检测算法，主要基于各类检测与分割网络，如deeplab、mobile net等，通过卷积层对图像特征进行提取与分析，获得缺陷对应区域的边界框（boundingbox）或像素点集合等。
4.基于物理性质探测的方法包括：超声波缺陷探测、红外热图探伤法等。
5.由于路面交通情况复杂，路面上行人和行车较多，在采集路面图像时镜头容易受到遮挡，会严重影响基于计算机视觉的分析方法的检测精度。并且，基于计算机视觉的分析方法与基于物理性质的探测方法均容易受到路面上的水渍、污渍和车轮痕迹等特征所影响，造成误判。


技术实现要素：

6.本发明解决的问题是如何提高路面缺陷检测的精度。
7.为解决上述问题，本发明提供一种路面缺陷检测模型建立方法、路面缺陷检测方法及系统。
8.第一方面，本发明提供了一种路面缺陷检测模型建立方法，包括：获取标定路段上各个位置的路面缺陷，以及测试车行驶在所述标定路段上时在各个位置上的上下抖动参数；建立基于机器学习的待训练模型，以所述上下抖动参数为训练集、对应的所述路面缺陷为测试集训练所述待训练模型，获得路面缺陷检测模型，其中，所述路面缺陷检测模型包括级联的lasso模型和线性svm模型。
9.可选地，所述测试车上安装有相机和用于检测所述测试车的上下抖动幅度的振幅传感器，所述获取测试车行驶在标定路段上时在各个位置上的上下抖动参数包括：获取所述测试车行驶在所述标定路段上时所述相机拍摄的路面视频，以及所述振幅传感器检测的所述测试车在所述标定路段的各个位置上的第一上下抖动幅度；对所述路面视频进行处理，获得所述测试车在所述标定路段的各个位置上的第二上下抖动幅度；
对所述第一上下抖动幅度和所述第二上下抖动幅度进行加权平均，获得所述测试车在所述标定路段的各个位置上的上下抖动参数。
10.可选地，所述对所述路面视频进行处理，获得所述测试车在所述标定路段的各个位置上的第二上下抖动幅度包括：基于光流法，提取所述路面视频的第一帧画面中的至少一个角点，在所述路面视频中追踪各个所述角点，根据各个所述角点的位置变化值确定所述测试车在所述标定路段的各个位置上的所述第二上下抖动幅度。
11.可选地，所述测试车上安装有定位装置和惯性测量装置，所述测试车行驶在所述标定路段上时在各个位置上的上下抖动参数包括：获取所述定位装置采集的所述测试车在所述标定路段上所处的检测位置、所述惯性测量装置采集的所述测试车的运动数据，以及与所述检测位置处对应的所述上下抖动参数；根据所述运动数据修正所述检测位置，获得测试车的位置，所述测试车的位置与所述上下抖动参数一一对应。
12.可选地，所述以所述上下抖动参数为训练集、对应的所述路面缺陷为测试集训练所述待训练模型之前，包括：采用robustscaler算法对所述训练集和所述测试集中的数据进行预处理，获得预处理后的训练集和预处理后的测试集。
13.可选地，所述建立基于机器学习的待训练模型，以所述上下抖动参数为训练集、对应的所述路面缺陷为测试集训练所述待训练模型，获得路面缺陷检测模型包括：分别建立lasso模型和线性svm模型；基于交叉验证方法，采用所述训练集和所述测试集分别训练所述lasso模型和所述线性svm模型，获得训练后的lasso模型和训练后的线性svm模型；采用blending算法对所述训练后的lasso模型和所述训练后的线性svm模型进行集成，获得所述路面缺陷检测模型。
14.可选地，所述采用所述训练集和所述测试集分别训练所述lasso模型和所述线性svm模型包括：将所述训练集划分为两组数据，一组为子训练集，一组为验证集；采用所述子训练集分别训练所述lasso模型和所述线性svm模型，获得所述训练后的lasso模型和所述训练后的线性svm模型；采用所述训练后的lasso模型和所述训练后的线性svm模型分别预测所述验证集和所述测试集，获得第一预测集和第二预测集；建立分类器，采用所述第一预测集训练所述分类器，获得训练后的分类器；采用所述训练后的分类器预测所述第二预测集，获得所述训练后的lasso模型的第一权重和所述训练后的线性svm模型的第二权重。
15.可选地，所述采用blending算法对所述训练后的lasso模型和所述训练后的线性svm模型进行集成，获得所述路面缺陷检测模型包括：根据所述第一权重和所述第二权重融合所述训练后的所述lasso模型和所述训练后的线性svm模型，获得所述路面缺陷检测模型。
16.第二方面，本发明提供了一种路面缺陷检测方法，包括：获取测试车行驶在路面上时在各个位置的上下抖动参数；将所述上下抖动参数输入路面缺陷检测模型，输出各个位置的路面缺陷；其中，所述路面缺陷检测模型采用如上所述的路面缺陷检测模型建立方法建立。
17.第三方面，本发明提供了一种路面缺陷检测模型建立系统，包括：传感器，用于获取测试车行驶在标定路段上时在各个位置上的上下抖动参数；控制器，用于获取标定路段上各个位置的路面缺陷，建立基于机器学习的待训练模型，以所述上下抖动参数为训练集、对应的所述路面缺陷为测试集训练所述待训练模型，获得路面缺陷检测模型，其中，所述路面缺陷检测模型包括级联的lasso模型和线性svm模型。
18.第四方面，本发明提供了一种路面缺陷检测系统，包括：传感器，用于获取测试车行驶在路面上时在各个位置的上下抖动参数；控制器，用于将所述上下抖动参数输入路面缺陷检测模型，输出各个位置的路面缺陷；其中，所述路面缺陷检测模型采用如上所述的路面缺陷检测模型建立方法建立。
19.第四方面，本发明提供了一种电子设备，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如上所述的路面缺陷检测模型建立方法或如上所述的路面缺陷检测方法。
20.第五方面，本发明提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的路面缺陷检测模型建立方法或如上所述的路面缺陷检测方法。
21.本发明的路面缺陷检测模型建立方法、路面缺陷检测方法及系统的有益效果是：获取标定路段上各个位置的路面缺陷，可通过人工探测等方法进行检测，和测试车行驶在标定路段上时在各个位置的上下抖动参数，上下抖动参数可为测试车的车身的上下抖动幅度，每个位置的路面缺陷和该位置的上下抖动参数对应，以上下抖动参数为训练集、对应的路面缺陷为测试集训练基于机器学习的待训练模型，就可得到路面缺陷检测模型。路面缺陷检测模型反映了上下抖动参数和路面缺陷之间的联系，后续只需探测测试车的上下抖动参数并输入路面缺陷模型，就可迅速确定对应位置的路面缺陷。
22.本发明的技术方案采用测试车的上下抖动参数和路面缺陷建立路面缺陷检测模型，相较于现有技术，本发明不会受到水渍和污渍等噪声的干扰，能够大幅提高缺陷检测的精确性。并且，本申请基于测试车的上下抖动参数建立路面缺陷检测模型，上下抖动参数为一维信号，相较于基于计算机视觉的分析方法，本发明能够极大的减少建立模型和缺陷检测的计算量，提高缺陷检测的速度。
附图说明
23.图1为本发明实施例的路面缺陷检测场景的示意图；图2为本发明实施例的一种路面缺陷检测模型建立方法的流程示意图；图3为本发明另一实施例的一种路面缺陷检测模型建立方法的流程示意图；
图4为本发明实施例的一种路面缺陷检测方法的流程示意图；图5为本发明实施例的一种路面缺陷检测模型建立系统和路面缺陷检测系统的结构示意图。
24.附图标记说明：1
‑
相机；2
‑
振幅传感器；3
‑
定位装置；4
‑
控制器；5
‑
路网图；6、分段观测数据；7
‑
路面缺陷检测模型；8
‑
互联网；9
‑
服务器；10
‑
计算机。
具体实施方式
25.为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
26.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
27.如图1所示，本发明中测试车行驶在某一路段上时，通过测试车上安装的定位装置3实时检测测试车的位置，定位装置3可为gps（global positioning system，全球定位系统）定位装置3或北斗卫星导航系统等，并通过测试车上装的振幅传感器2检测测试车行驶在该路段各个位置上时的第一上下抖动幅度，振幅传感器2可为陀螺仪等，并通过测试车上安装的相机1拍摄路面视频。将该路段各个位置的第一上下抖动幅度和路面视频输入控制器4，控制器4对路面视频进行处理，确定测试车在各个位置的第二上下抖动幅度，对第一上下抖动幅度和第二上下抖动幅度进行加权平均，获得测试车在各个位置的上下抖动参数。将预先获得的该路段的路网图5输入控制器4，以预定时间间隔对上下抖动参数进行分段，获得多个分段观测数据6，每个分段观测数据6包括该时间段对应的所有上下抖动参数，将分段观测数据6输入路面缺陷检测模型7，输出检测结果，检测结果包括路面缺陷在路网图5中的位置，以及路面缺陷的类型等。可将检测结果通过互联网8输入到服务器9进行存储，使用时可通过计算机10等设备进行读取。
28.如图2和图3所示，本发明实施例提供的一种路面缺陷检测模型建立方法，包括：步骤s110，获取标定路段上各个位置的路面缺陷，以及测试车行驶在所述标定路段上时在各个位置上的上下抖动参数。
29.具体地，可预先通过人工探查的方法确定标定路段上的所有路面缺陷，记录路面缺陷的类型和路面缺陷在标定路段上的位置，路面却像包括裂纹、异物、沉降、车辙和坑槽等，测试车可为公交车等。
30.可选地，所述测试车上安装有相机1和用于检测所述测试车的上下抖动幅度的振幅传感器2，所述获取测试车行驶在标定路段上时在各个位置上的上下抖动参数包括：获取所述测试车行驶在所述标定路段上时所述相机1拍摄的路面视频，以及所述振幅传感器2检测的所述测试车在所述标定路段的各个位置上的第一上下抖动幅度。
31.具体地，相机1可采用高速摄像机，振幅传感器2可采用陀螺仪。
32.对所述路面视频进行处理，获得所述测试车在所述标定路段的各个位置上的第二上下抖动幅度。
33.可选地，所述对所述路面视频进行处理，获得所述测试车在所述标定路段的各个位置上的第二上下抖动幅度包括：基于光流法，提取所述路面视频的第一帧画面中的至少一个角点，在所述路面视频中追踪各个所述角点，根据各个所述角点的位置变化值确定所述测试车在所述标定路段的各个位置上的所述第二上下抖动幅度。
34.本可选的实施例中，首先在路面视频的第一帧画面中提取各个角点，确定角点的初始位置，然后在路面视频中追踪各个角点，在每一帧中分别确定各个角点的位置，对于任意一帧画面，根据该帧画面中角点的位置和角点的初始位置确定角点的位置变化值，确定每个角点的位置变化值，计算所有位置变化值进行处理，例如加权平均等方法，获得所有角点的平均位置变化值，该平均位置变化就是测试车在该帧画面对应的位置处的第二上下抖动幅度。
35.对所述第一上下抖动幅度和所述第二上下抖动幅度进行加权平均，获得所述测试车在所述标定路段的各个位置上的上下抖动参数。
36.本可选的实施例中，将第一上下抖动幅度和第二上下抖动幅度的时间戳对应，根据第一上下抖动幅度和第二上下抖动幅度的置信度情况进行加权平均。将相机1检测的上下抖动幅度和振幅传感器2采集的上下抖动幅度结合起来确定测试车的上下抖动参数，能够减小单一设备检测带来的误差，提高获取数据的精度。
37.可选地，所述测试车上安装有定位装置3和惯性测量装置，所述测试车行驶在所述标定路段上时在各个位置上的上下抖动参数包括：获取所述定位装置3采集的所述测试车在所述标定路段上所处的检测位置、所述惯性测量装置采集的所述测试车的运动数据，以及与所述检测位置对应的所述上下抖动参数；根据所述运动数据修正所述检测位置，获得测试车的位置，所述测试车的位置与所述上下抖动参数一一对应。
38.本可选的实施例中，定位装置3可采用gps（global positioning system，全球定位系统）定位装置3或北斗卫星导航系统等，运动数据包括测试车的三轴姿态角和加速度等，惯性测量装置是测量测试车三轴姿态角和加速度的装置，一般地，一个惯性测量装置包括三个单轴加速度计和三个单轴的陀螺仪。
39.由于gps等卫星定位信号在城市道路中易受到建筑物的遮挡造成较大的误差，因此采用惯性测量装置采集的运动数据来校正定位装置3确定的测试车的位置，能够提高定位的精度，降低误差。
40.步骤s120，建立基于机器学习的待训练模型，以所述上下抖动参数为训练集、对应的所述路面缺陷为测试集训练所述待训练模型，获得路面缺陷检测模型7，其中，所述路面缺陷检测模型7包括级联的lasso模型和线性svm模型。
41.可选地，所述以所述上下抖动参数为训练集、对应的所述路面缺陷为测试集训练所述待训练模型之前，包括：采用robustscaler算法对所述训练集和所述测试集中的数据进行预处理，获得预处理后的训练集和预处理后的测试集。
42.具体地，采用robustscaler方法对所述训练集和所述测试集中的数据进行标准
化。robustscaler方法是一个通用的数据标准化方法，主要用于排除异常点，其原理在于将数据集中的数据排序后平均分为四份，将数据缩小至四分位间距，四分位间距即第一个四分位数（25%）和第三个四分位数（75%）之间的距离。具体计算方法为：，其中，为标准化后的数据，是数据集中的任一数据，为数据集中的数据中值，即中位数，为四分位间距。
43.本可选的实施例中，当数据中包含许多异常值时，使用均值和方差缩放并不是一个好的选择，此时使用robust_scale以及robustscaler作为替代品，能够对数据的中心和范围使用更具有鲁棒性的估计。
44.可选地，所述建立基于机器学习的待训练模型，以所述上下抖动参数为训练集、对应的所述路面缺陷为测试集训练所述待训练模型，获得路面缺陷检测模型7包括：分别建立lasso模型和线性svm模型。
45.具体地，lasso（least absolute shrinkage and selection operator，套索算法）模型和线性svm（support vector machine,支持向量机）模型都是机器学习中的经典线性模型，lasso模型用于回归进行数据压缩最后进行预测，是一种压缩估计，通过构造一个惩罚函数得到一个较为精炼的模型，使得它压缩一些回归系数，即强制系数绝对值之和小于某个固定值，同时设定一些回归系数为零，保留了子集收缩的优点，是一种处理具有复共线性数据的有偏估计；svm模型用于分类，使用线性核的前提在于测试中的数据是线性可分的，通过线性核最终实现异常值和正常值的区分。
46.基于交叉验证方法，采用所述训练集和所述测试集分别训练所述lasso模型和所述线性svm模型，获得训练后的lasso模型和训练后的线性svm模型。
47.具体地，采用预处理后的训练集和预处理后的测试集分别训练lasso模型和线性svm模型。
48.以标定时间长度的对训练集和测试集进行分段，例如可以10s为单位对数据集中的数据进行分段，将分段的上下抖动参数和对应的路面缺陷输入lasso模型和线性svm模型，进行训练。
49.本可选的实施例中，lasso模型和线性svm模型均采用决定系数r2作为最终的决定系数，决定系数r2是一种线性回归决定系数，决定系数反应了因变数y的波动有多少百分比能被自变数x的波动所描述，即表征因变数y的变异中有多少百分比，可由控制的自变数x来解释。决定系数r2可以衡量模型预测能力，即真实值与预测的相关程度，模型预测的数据与真实数据越接近，r2越大越接近1。
50.现有技术的基于计算机视觉的分析方法中，对采集图进行分析，图像为三维信号，本发明以上下抖动参数为训练集训练得到路面缺陷检测模型7，上下抖动参数为一维振幅信号，相较于基于计算机视觉的分析方法，极大的减少了模型建立和采用模型确定路面缺陷的计算量，提高了模型的运行速度，训练模型过程中需求的样本数更少，能够更快收敛得到路面缺陷检测模型7。
51.可选地，所述采用所述训练集和所述测试集分别训练所述lasso模型和所述线性svm模型包括：将所述训练集划分为两组数据，一组为子训练集，一组为验证集；采用所述子训练集分别训练所述lasso模型和所述线性svm模型，获得所述训练后的lasso模型和所述训练后的线性svm模型；采用所述训练后的lasso模型和所述训练后的线性svm模型分别预测所述验证集和所述测试集，获得第一预测集和第二预测集；建立分类器，采用所述第一预测集训练所述分类器，获得训练后的分类器；采用所述训练后的分类器预测所述第二预测集，获得所述训练后的lasso模型的第一权重和所述训练后的线性svm模型的第二权重。
52.采用blending（模型融合）算法对所述训练后的lasso模型和所述训练后的线性svm模型进行集成，获得所述路面缺陷检测模型7。
53.可选地，所述采用blending算法对所述训练后的lasso模型和所述训练后的线性svm模型进行集成，获得所述路面缺陷检测模型7包括：根据所述第一权重和所述第二权重融合所述训练后的所述lasso模型和所述训练后的线性svm模型，获得所述路面缺陷检测模型7。
54.本实施例中，获取标定路段上各个位置的路面缺陷，可通过人工探测等方法进行检测，和测试车行驶在标定路段上时在各个位置的上下抖动参数，上下抖动参数可为测试车的车身的上下抖动幅度，每个位置的路面缺陷和该位置的上下抖动参数对应，以上下抖动参数为训练集、对应的路面缺陷为测试集训练基于机器学习的待训练模型，就可得到路面缺陷检测模型7。路面缺陷检测模型7反映了上下抖动参数和路面缺陷之间的联系，后续只需探测测试车的上下抖动参数并输入路面缺陷模型，就可迅速确定对应位置的路面缺陷。
55.本发明的技术方案采用测试车的上下抖动参数和路面缺陷建立路面缺陷检测模型7，相较于现有技术，本发明不会受到水渍和污渍等噪声的干扰，能够突出路面缺陷特征，能够大幅提高缺陷检测的精确性。并且，本申请基于测试车的上下抖动参数建立路面缺陷检测模型7，上下抖动参数为一维信号，相较于基于计算机视觉的分析方法，本发明能够极大的减少建立模型和缺陷检测的计算量，提高缺陷检测的速度。
56.如图4所示，本发明实施例提供的一种路面缺陷检测方法，包括：步骤s210，获取测试车行驶在路面上时在各个位置的上下抖动参数；步骤s220，将所述上下抖动参数输入路面缺陷检测模型7，输出各个位置的路面缺陷；其中，所述路面缺陷检测模型7采用如上所述的路面缺陷检测模型建立方法建立。
57.本实施例中，采用基于上下抖动参数和路面缺陷建立的路面缺陷检测模型7分析路面缺陷时，适用范围广，能够应用于其它各种路段中进行路面缺陷检测。
58.可选地，所述路面缺陷检测模型包括级联的lasso模型和线性svm模型。
59.本可选的实施例中，预先对lasso模型和线性svm模型进行训练，根据上下抖动参数确定对应路面各个位置的路面缺陷时，将上下抖动参数分别输入到lasso模型和线性svm模型中，分别得到lasso模型输出的第一预测值和线性svm模型输出的第二预测值，根据
lasso模型对应的第一权重和线性svm模型对应的第二权重对第一预测值和第二预测值进行加权平均，得到最终预测值，该最终预测值就是路面缺陷检测模型根据上下抖动参数输出的预测值。
60.如图5所示，本发明实施例提供的一种路面缺陷检测模型建立系统，包括：传感器，用于获取测试车行驶在标定路段上时在各个位置上的上下抖动参数。
61.具体地，传感器包括振幅传感器2和相机1或摄像头等，振幅传感器2用于检测测试车行驶在标定路段的各个位置上的第一上下抖动幅度，相机1或摄像头用于采集测试车行驶在标定路段上时的路面视频。
62.控制器4，用于获取所述标定路段上各个位置的路面缺陷，建立基于机器学习的待训练模型，以所述上下抖动参数为训练集、对应的所述路面缺陷为测试集训练所述待训练模型，获得路面缺陷检测模型7，其中，所述路面缺陷检测模型7包括级联的lasso模型和线性svm模型。
63.具体地，可采用控制器4对路面视频进行处理，获得测试车行驶在标定路段的各个位置上的第二上下抖动幅度，并对第一上下抖动幅度和第二上下抖动幅度进行加权平均，获得上下抖动参数。
64.如图5所示，本发明实施例提供的一种路面缺陷检测系统，包括：传感器，用于获取测试车行驶在路面上时在各个位置的上下抖动参数；控制器4，用于将所述上下抖动参数输入路面缺陷检测模型7，输出各个位置的路面缺陷；其中，所述路面缺陷检测模型7采用如上所述的路面缺陷检测模型建立方法建立。
65.本发明实施例提供的一种电子设备包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如上所述的路面缺陷检测模型建立方法或如上所述的路面缺陷检测方法。
66.本发明实施例提供的一种计算机可读存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的路面缺陷检测模型建立方法或如上所述的路面缺陷检测方法。
67.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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read
‑
only memory，rom)或随机存储记忆体(random access memory，ram)等。在本申请中，所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
68.虽然本发明公开披露如上，但本发明公开的保护范围并非仅限于此。本领域技术人员在不脱离本发明公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。