一种基于自适应互蒸馏的三维探地雷达道路病害分类方法和系统

本发明涉及交通病害检测领域，具体涉及一种基于自适应互蒸馏的三维探地雷达道路病害分类方法和系统。

背景技术：

1、随着道路交通的高速发展，道路运输基础设施已经是现代社会的重要组成部分。然而，受到使用寿命的延长和自然环境等多种因素的影响，道路损坏带来的相关安全风险和维护成本变得越来越大且不容忽视。因此，三维探地雷达，即3d-gpr技术越来越多地应用于基础道路设施的健康监测，特别是在道路检测、桥梁安全检查和机场跑道检查。为了保障道路车辆的安全运行以及延长道路的使用寿命，道路病害检测与识别技术起到了十分重要的作用，3d-gpr的非破坏性使其能够在不损害基础设施完整性的情况下有效检测路基病害。然而，对收集的3d-gpr数数的分析和解释极具挑战性，需要在该领域拥有丰富经验和领域知识的人类专家，导致效率和准确性低下，分析和解释的成本令人望而却步。

2、为了克服这些挑战，研究界试图利用最近的自动检测技术来分析3d-gpr数据，由于深度学习技术的快速发展，它们在各种下游任务中取得了显著的性能，优于传统的机器学习方法，在某些情况下甚至超过了人类的性能。因此，最近的研究旨在利用深度学习自动分析和预测3d-gpr数据，这可以提高维护效率并降低检测成本。根据不同类型的处理方法，3d-gpr设备可以产生不同形式的数据，包括一维、二维和三维形式的回波信号，分别命名为a扫描数据、b扫描数据、c扫描数据。a扫描数据中的信息有限，性能无法得到满足，b扫描数据仍存在局限性，很难使用简单的b扫描图像来识别道路病害。然而使用3d卷积神经网络来捕捉c扫描数据的信息时，计算复杂度很高，限制了可用范围，针对需专家分析的三维探地雷达多视图数据信息暂无好的解决方案。同时，多个深度学习模型间采用互蒸馏可以提升模型精度，但视图之间差距较大会导致深度学习算法模型中的分支性能差距过大，简单互蒸馏可能导致模型性能退化，难以获得稳定的雷达数据表示。因此，利用复杂的空间信息进行道路病害识别检测，不增加太多的计算复杂性同时保证模型的高准确率和高稳定性，是目前亟待解决的问题。

技术实现思路

1、本发明针对现有的技术通常依赖于gpr的传统a扫描、b扫描或c扫描数据，导致空间信息的不足或计算复杂度高的不足，提供一种基于自适应互蒸馏的三维探地雷达道路病害分类方法和系统。

2、本发明结合了特征提取器、自适应学习、知识互蒸馏和基于注意力的融合，这有助于路基病害的重要特征提取。值得强调的是，本发明使用知识互蒸馏来让不同模块的知识相互学习进步，有利于改善提取的特征；使用自适应学习技术来稳定模型训练，防止分支性能退化。本发明通过四大模块相互协作，在充分利用多视图雷达数据的同时保证了模型的高稳定性与低复杂性，实现了对道路病害的高精度自动分类。

3、为了实现上述技术目的，本发明的技术方案如下：

4、一种基于自适应互蒸馏的三维探地雷达道路病害分类方法，包括如下步骤：

5、步骤1：采用三维探地雷达并从c扫描数据中采样，将采集的多视图雷达图谱数据进行预处理并构建基于普通3d-gpr数据的多视图数据集；

6、步骤2：将自适应学习技术、相互蒸馏技术和基于注意力的融合技术共同用于构建深度神经网络结构，并将构建出的自适应互蒸馏模型用于所述数据集；

7、步骤3：将处理后的数据集输入到自适应互蒸馏模型中，对模型进行训练并调整参数；

8、步骤4：利用所述自适应互蒸馏深度神经网络所搭建的模型预测未知多视图图谱数据所属的病害类别。

9、优选地，步骤(1)中使用三维探地雷达采集的雷达图谱数据进行预处理且构建出多视图gpr数据集具体步骤如下：首先，将原始c扫描数据沿不同平面分割为主视图和俯视图，主视图包含行进深度方向的信息，而俯视图包含行进宽度方向的信息，均可以被视为b扫描图像。其次，标记每一例道路样本中包含的各视图病害特征类型并使用图像变换方法对视图数据进行处理从而凸显病害特征，图像变换方法为：随机垂直翻转和随机亮度变化等，并将图像大小调整为224×224像素；再次，依据类别数较多的视图数据将总体数据集划分为训练集、验证集与测试集，其比例为0.6:0.2:0.2；最后，对所述训练集进行数据增强，包括但不限于上采样、数据扩充、cutout、高斯模糊、高斯噪声等操作，通过扩充数据集可以提高网络鲁棒性以及识别准确率。

10、进一步说明，介绍提出的自适应互蒸馏深度学习网络框架的细节及构建步骤，由四个主要组件组成：(1)每个分支中的深度特征提取模块；(2)多视图融合模块；(3)多视图蒸馏模块；(4)自适应学习机制。这些组件包含以下技术细节：

11、每个分支中的深度特征提取模块，自适应互蒸馏模型中的每个cnn分支对应于一个视图，并用于从相应的视图中提取特征。值得注意的是，各特征提取器不进行参数共享。以下模块可以直接利用这些提取的特征。

12、将各视图特征图进行融合，融合方式包括但不限于拼接，直接相加，自学习带权融合，结合注意力机制的带权融合等。

13、在多视图特征提取模块后部署多视图蒸馏模块，该模块有助于特征的提取精炼，目的是进一步改进本发明提出的框架的特征学习。两个分支对应于两个视图和融合模块，可以在互蒸馏框架中相互学习和教学，尽管这些模块的输入不同，但它们共享来自真实病害标签的相同监督信号。这些来自不同模块的知识可以相互利用和传递，并相互改进。

14、在该框架中部署了自适应学习机制，可以自适应地控制分支是否训练，以稳定学习过程，防止每个分支的表现退化。该机制通过自适应地冻结表现较好的分支(又称教师)的参数并等待表现相对较差的分支(又称学生)的学习来缓解表现差距。

15、进一步说明，所述训练模型的过程如下：

16、将所述多视图雷达图谱数据集同时输入所述自适应互蒸馏模型，并且根据各视图上的病害特征判断病害类别与所述自适应互蒸馏模型预测结果计算损失函数，更新所述训练模型的参数。

17、本发明的第二个方面涉及一种基于自适应互蒸馏的三维探地雷达道路病害分类系统，包括：

18、多视图数据集构建模块，采用三维探地雷达并从c扫描数据中采样，将采集的雷达图谱数据进行预处理并构建基于3d-gpr数据的多视图数据集；

19、自适应互蒸馏模型构建模块，将特征提取技术、自适应学习技术、相互蒸馏技术和基于注意力的融合技术共同用于构建深度神经网络结构，并将构建出的自适应互蒸馏模型用于所述数据集；

20、自适应互蒸馏模型训练模块，将处理后的数据集输入到自适应互蒸馏模型中，对自适应互蒸馏模型进行训练并调整参数；

21、病害类别预测模块，利用所述自适应互蒸馏模型预测未知多视图图谱数据所属的病害类别。

22、本发明的第三个方面涉及一种基于自适应互蒸馏的三维探地雷达道路病害分类装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现本发明的基于自适应互蒸馏的三维探地雷达道路病害分类方法。

23、本发明的第四个方面涉及一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现本发明的基于自适应互蒸馏的三维探地雷达道路病害分类方法。

24、与现有技术相比较，本发明的有益效果如下：

25、1.发明了一种基于3d-gpr数据的路基病害检测任务的新方法，利用了原始3d-gpr的多视图数据，而不是传统的a扫描、b扫描或c扫描数据，在利用了多视图雷达图谱数据所包含的更多空间信息的基础上，降低了数据计算复杂度，融合各视图特征进行端到端的道路病害检测分类。

26、2.本发明构建了基于多视图数据的多分支自适应互蒸馏框架和传统道路病害的各视图分步检测方法相比，本发明对于各视图数据的利用更充分且准确率更高，能获得更稳健的探地雷达数据表示。

27、3.本发明进行了广泛的实验，以证明本发明提出的多分支自适应互蒸馏框架的有效性，它不仅优于现有的传统gpr基线，还包括最先进的多视角、多模态和基于知识提取的方法。