一种路基病害类型的智能识别方法与流程

1.本发明涉及图像处理技术领域，特别涉及一种路基病害类型的智能识别方法。


背景技术：

2.为保证道路使用者的安全，及时对道路进行养护与维修尤为重要。如今，如何预防危险性病害的发生，尤其是路基下方不易察觉的隐蔽性病害，做到高效、准确、无损的道路病害检测已经成为我国公路维修和养护管理的重要研究课题。
3.交通需求的不断增加，使得钻芯取样等封闭交通式的检测方法已经无法满足我国公路检测的需要，快速、高效、无损且能实现自动化或者半自动化的检测方法应运而生。探地雷达作为一种非侵入式、高效和高性能的技术，已广泛用于道路结构层厚度测量、缺陷检测等研究与工业应用。然而，目前大多数检测机构均基于探地雷达检测图进行肉眼判断，耗时久、效率低，且依赖于专业经验积累，易受主观因素影响。
4.信息化技术的兴起与改进使得探地雷达在道路检测方面的应用逐渐呈现出半自动化趋势。传统的机器学习方法特征提取过程较为复杂，且特征提取的准确性和有效性直接影响检测精度，需要进行大量实验。在机器学习基础上发展起来的深度学习基于卷积神经网络，能够自动提取特征并学习，实现端到端的智能识别。近年来，许多学者基于深度学习算法和探地雷达设备，对道路隐蔽性病害的自动化检测展开研究。
5.探地雷达与图像处理技术、深度学习算法的结合，能够减少对交通的阻碍和路面结构完整性的破坏，为实现快速、高效的路基病害检测与识别提供技术支撑，有广阔的前景。然而，在目前的研究中仍然存在一些障碍：(1)用于研究的雷达数据的数量有限，而基于深度学习的模型通常需要大量数据以获得更好的鲁棒性。(2)存在类不均衡现象，例如在某道路中，以土质疏松为主，极少出现空洞病害。针对此类问题，通常采用数据增强的方法，以扩充训练样本数量。传统的数据增强方法有平移、旋转、剪切等，但其扩充数量有限，且不足以有效解决类不均衡问题。


技术实现要素：

6.发明的目的在于提供一种路基病害类型的智能识别方法，解决了用于研究的雷达数据的数量有限，而基于深度学习的模型通常需要大量数据以获得更好的鲁棒性；以及存在类不均衡现象的问题。
7.生成对抗网络是一种无监督式模型，具有一定的优势，在各领域得到广泛应用。
8.本发明提出了一种路基病害类型的智能识别方法，所述智能识别方法包括以下步骤：
9.步骤一、原始图像处理：对原始图像冗余信息裁剪，然后对图像进行预处理，对预处理后的探地雷达数据划分为训练集、验证集和测试集；
10.步骤二、传统方法数据增强：将预处理后的训练集和验证集数据进行处理，使得数量扩大；
11.步骤三、生成对抗网络数据增强：采用wgan-gp生成对抗网络模型，所述wgan-gp生成对抗网络由生成器g和判别器d组成，所述wgan-gp生成对抗网络模型在wgan的基础上引入了梯度惩罚，通过设置一个额外的梯度惩罚项，来限制判别器d的梯度不超过预设常数，以使权重分布均匀；
12.更好的利用了神经网络的学习能力，本发明采用的wgan-gp生成对抗网络能够有效缓解梯度消失、模式崩溃等问题。
13.步骤四、智能分类：卷积神经网络分类模型采用resnet50进行微调，且训练时采用大型数据imagenet分类任务中预训练的权重。
14.本发明的进一步技术方案是：所述步骤三中采用的wgan-gp生成对抗网络由两部分组成，即生成器g和判别器d，两者互相独立，作为相互对抗的目标。
15.本发明的进一步技术方案是：生成器g用于生成与真实样本同分布的随机样本(也称做假样本)来欺骗判别器d；判别器d的任务是分辨输入的图片是真实数据还是虚假数据，如果判别器d判断正确，则调整生成器g的参数使其生成的假数据尽可能的逼真；如果判别器d判断错误，则调节判别器d以获得更好的鉴别能力，直到达到相对均衡状态。
16.本发明的进一步技术方案是：采用的wgan-gp生成对抗网络最终的目标函数如式(1)所示，
[0017][0018]
其中，x～pr为真实分布，为生成分布，为真实分布和生成分布中采样的样本。
[0019]
本发明的进一步技术方案是：生成对抗网络wgan-gp的生成器g与判别器d均由五层卷积组成，生成器g的输入为一个随机获取的100维向量，在经过不断的转置卷积后生成“虚假”的路基病害图片，随后和真实的数据一起输入判别器d，得到该图片预测为真/假图片的概率及预测结果，经过不断的迭代更新训练，生成大量高质量、多样性的探地雷达路基病害图片，在扩充数量的同时均衡各类样本，获得新的数据集用于后续的模型分类任务。
[0020]
本发明的进一步技术方案是：所述原始图像冗余信息裁剪为：对专业的地质雷达软件导出的路基剖面图中存在标尺、文字冗余的信息进行裁剪去除。为防止影响特征的学习。
[0021]
本发明的进一步技术方案是：所述图像进行预处理为：将裁剪后的每张路基剖面图片进行高斯滤波操作，然后针对性的采用中值滤波处理，最后采用伽马变换进行灰度修正并统一缩放至相同大小并灰度化。
[0022]
具体的，将裁剪后的每张gpr路基剖面图片进行高斯滤波操作，以抑制服从正太分布的噪声，然后针对类似于椒盐噪声的黑白相间的亮暗点采用中值滤波处理，最后采用伽马变换进行灰度修正并统一缩放至相同大小并灰度化。
[0023]
本发明的进一步技术方案是：按照8：1：1的比例，将预处理后的探地雷达数据划分为训练集、验证集和测试集。
[0024]
本发明的进一步技术方案是：运用python批量处理，将预处理后的训练集和验证集数据进行对比度调节，然后逐个左右翻转，使得数量扩大为原来的4倍。
[0025]
本发明的有益效果：本发明利用探地雷达无损检测设备获取的路基剖面图，通过
图像处理方法去除噪声并强化病害特征，经过传统方法和生成对抗网络数据增强，在扩充样本数量的同时有效均衡各类病害，提高数据质量和分类精度，最终实现路基隐蔽性病害类型的智能识别，有效减少人工成本和时间损耗，减轻专家负担；
[0026]
对基于探地雷达的路基病害进行数据增强和类型识别，使得病害特征相对更加明显，数据量得到提升，且各类样本得以均衡，精度有所提高；
[0027]
生成对抗网络wgan-gp经过不断的迭代更新训练，生成大量高质量、多样性的探地雷达路基病害图片，在扩充数量的同时均衡各类样本，能够有效缓解梯度消失、模式崩溃等问题。
附图说明
[0028]
图1为发明识别方法流程图；
[0029]
图2为探地雷达图像裁剪与预处理过程示意图；
[0030]
图3为探地雷达原始数据集中的四种路基病害图片；其中：(a)疏松；(b)裂缝；(c)管道；(d)空洞；
[0031]
图4为传统方法数据增强结果；
[0032]
图5为wgan-gp网络架构及训练过程示意图；
[0033]
图6为wgan-gp模型生成的新的探地雷达路基病害图片：其中：(a)疏松；(b)裂缝；(c)管道；(d)空洞；
[0034]
图7为卷积神经网络分类模型resnet50结构图。
具体实施方式
[0035]
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
[0036]
需要说明的是，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
[0037]
实施例一：
[0038]
本发明所使用的数据均为探地雷达无损检测设备从真实道路中采集的。一种路基病害类型的智能识别方法，如图1所示，具体实施步骤如下：
[0039]
(1)原始图像冗余信息裁剪
[0040]
首先采用专业的地质雷达分析软件对检测数据进行处理并导出，包括零偏去除、零点调节、数字滤波及增益调节。软件导出的路基剖面图中存在标尺、文字等冗余信息，为防止影响卷积神经网络对病害特征的学习，首先将其裁剪去除，如图2。
[0041]
(2)图像预处理
[0042]
第一步，将裁剪后的每张gpr路基剖面图片进行高斯滤波操作，以抑制服从正太分布的噪声，为防止路基雷达图谱过于模糊而影响病害特征识别与提取，将滤波器大小设置为9，标准差设置为0，即根据滤波器大小自动计算得到标准差。然后针对类似于椒盐噪声的黑白相间的亮暗点采用中值滤波处理，将滑动窗口大小设置为5
×
5，以防图片边缘受到污染而模糊。接着采用伽马变换进行灰度修正，伽马因子取0.8。最后用双线性插值法将路基病害图片统一缩放至150
×
150像素并灰度化。具体过程如图2。
[0043]
(3)数据集制作
[0044]
按9：1划分为训练集和测试集，并在训练过程中随机抽选训练集的1/9作为验证数据。即最终将预处理后的探地雷达数据划分为训练集、验证集和测试集，比例为8：1：1。探地雷达路基各类病害示意图见图3。
[0045]
(4)传统方法进行数据增强
[0046]
考虑到各类病害特征具有方向性，例如疏松呈不规则的层状线条，裂缝呈向上凸起的双曲线，因此旋转、上下镜像等方法不适用于此雷达数据的扩充。本发明首先对预处理后的训练集和验证集数据进行对比度调节，增强因子取1.5，然后逐个左右翻转，使得数量扩大为原来的4倍，如图4所示。
[0047]
(5)生成对抗网络数据增强
[0048]
生成对抗网络wgan-gp的生成器g与判别器d均由五层卷积组成。生成器g的输入为一个随机获取的100维向量，第一层进行卷积核大小为4
×
4、步长为1、个数为512的转置卷积操作。第二层的卷积核大小为8
×
8、步长为3、个数为256。后三层均进行卷积核尺寸为4
×
4、步长为2的转置卷积操作。其中，卷积核的个数分别为128、128、1。前四层的激活函数均为relu函数，第五层不使用激活函数。此时，生成器g的输出为生成的新的雷达病害图片，大小为150
×
150。
[0049]
将生成的“虚假”的路基病害图片与真实的数据一起输入判别器d，判别器d的前三层均进行卷积核尺寸为4
×
4、步长为2的卷积操作。其中，卷积核的个数分别为128、128、256。第四层的卷积核大小为8
×
8、步长为3、个数为512。前四层均以leakyrelu作为激活函数。第五层进行卷积核大小为4
×
4、步长为1、个数为1的卷积操作，且不使用激活函数。此时，经过不断的卷积，判别器d已经能够学习到病害特征，并表征在尺寸为1
×
1的特征图中，最终得到该图片预测为真/假图片的概率及预测结果。
[0050]
经过不断的迭代更新训练，生成大量高质量、多样性的探地雷达路基病害图片，在扩充数量的同时均衡各类样本，获得新的数据集用于后续的模型分类任务。wgan-gp的最终架构以及训练博弈过程如图5所示，生成的新的数据如图6。
[0051]
(6)resnet50智能分类
[0052]
卷积神经网络分类模型选择经典的resnet50并进行微调，由16个残差块构成，共49个卷积层和1个全连接层，如图7。在训练时，使用在大型数据imagenet分类任务中预训练的权重。
[0053]
本发明使用的relu、leakyrelu、sigmoid函数分别表示如下：
[0054]
[0055][0056][0057]
本发明可以利用探地雷达无损检测设备获取的路基剖面图，通过图像处理方法去除噪声并强化病害特征，经过传统方法和生成对抗网络数据增强，在扩充样本数量的同时有效均衡各类病害，提高数据质量和分类精度，最终实现路基隐蔽性病害类型的智能识别。此外，利用本发明可以有效减少人工成本和时间损耗，减轻专家负担。
[0058]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。