一种高速公路病害智能检测方法及系统与流程

本技术涉及但不限于图像处理、人工智能，尤其涉及一种高速公路病害智能检测方法及系统。

背景技术：

1、随着交通运输行业的快速发展，高速公路作为连接城市与城市之间的重要通道，其安全性和畅通性越来越受到人们的关注。然而，由于高速公路长期承受车辆荷载、自然环境侵蚀等多种因素的影响，路面病害问题日益突出。这些病害不仅影响行车舒适性和安全性，还可能对车辆造成损害，甚至引发交通事故。目前，高速公路病害检测主要依赖于人工巡检和传统的图像处理技术。人工巡检虽然能够直观地发现路面病害，但效率低下、劳动强度大，且易受主观因素影响。传统的图像处理技术虽然能够自动化地处理和分析图像数据，但在面对复杂多变的高速公路环境时，往往难以准确识别和标注病害信息。

2、因此，如何提高高速公路病害检测的准确性和效率，成为当前交通运输领域亟待解决的问题之一。针对这一问题，业界一直在探索新的技术和方法，以期能够实现对高速公路病害的快速、准确检测。其中，基于机器学习和计算机视觉的智能检测方法因其强大的数据处理能力和模式识别能力而备受关注。这些方法通过学习和分析大量的图像数据，能够自动提取出图像中的关键特征，进而实现对病害的准确识别和标注。然而，现有的智能检测方法在处理高速公路图像时仍存在一定的局限性。例如，一些方法可能过于依赖图像的某些特定特征，而忽略了其他有用的信息；另一些方法则可能缺乏对标注数据准确性的有效评估机制，导致检测结果的可靠性不高。因此，有必要进一步研究和改进现有的智能检测方法，以提高其在高速公路病害检测中的应用效果。

技术实现思路

1、有鉴于此，本技术实施例至少提供一种高速公路病害智能检测方法及系统。本技术实施例的技术方案是这样实现的：

2、一方面，本技术实施例提供一种高速公路病害智能检测方法，所述方法包括：

3、依据原始状态的第一高速公路图像的第一图像描述知识，确定病害标注状态的各个候选标注图像各自对应的第一可能性系数，任意一个候选标注图像对应的第一可能性系数表征所述第一高速公路图像被标注成所述任意一个候选标注图像的可能性系数；

4、获取与所述第一图像描述知识匹配的一个或多个目标知识二元组，任意一个目标知识二元组包括一个原始状态的第二高速公路图像的第二图像描述知识和所述一个第二高速公路图像对应的所述病害标注状态的参考标注图像；

5、确定所述一个或多个目标知识二元组的可靠系数以及共性度量系数，任意一个目标知识二元组的可靠系数用以评估所述任意一个目标知识二元组的标注准确度，所述任意一个目标知识二元组的共性度量系数表征所述任意一个目标知识二元组中的第二图像描述知识与所述第一图像描述知识的共性程度；

6、依据所述一个或多个目标知识二元组的可靠系数以及共性度量系数，确定所述一个或多个目标知识二元组中的各个参考标注图像各自对应的第二可能性系数，任意一个参考标注图像对应的第二可能性系数表征所述第一高速公路图像被标注成所述任意一个参考标注图像的可能性系数；

7、依据所述各个候选标注图像各自对应的第一可能性系数以及所述各个参考标注图像各自对应的第二可能性系数，确定所述第一高速公路图像对应的病害标注图像。

8、在一些实施例中，所述确定所述一个或多个目标知识二元组的可靠系数，包括：

9、针对所述一个或多个目标知识二元组中的任意一个目标知识二元组，依据所述任意一个目标知识二元组中的第二图像描述知识确定所述各个候选标注图像各自对应的第三可能性系数，任意一个候选标注图像对应的第三可能性系数表征所述任意一个目标知识二元组所对应的第二高速公路图像被标注成所述任意一个候选标注图像的可能性系数；

10、依据所述各个候选标注图像各自对应的第三可能性系数，确定所述第二高速公路图像被标注成所述任意一个目标知识二元组中的参考标注图像的可能性系数；

11、依据所述第二高速公路图像被标注成所述任意一个目标知识二元组中的参考标注图像的可能性系数，确定所述任意一个目标知识二元组的可靠系数。

12、在一些实施例中，所述依据所述第二高速公路图像被标注成所述任意一个目标知识二元组中的参考标注图像的可能性系数，确定所述任意一个目标知识二元组的可靠系数，包括：

13、依据所述各个候选标注图像各自对应的第一可能性系数，确定所述第一高速公路图像被标注成所述任意一个目标知识二元组中的参考标注图像的可能性系数；

14、依据所述第二高速公路图像被标注成所述任意一个目标知识二元组中的参考标注图像的可能性系数以及所述第一高速公路图像被标注成所述任意一个目标知识二元组中的参考标注图像的可能性系数，确定所述任意一个目标知识二元组的可靠系数。

15、在一些实施例中，所述依据所述一个或多个目标知识二元组的可靠系数以及共性度量系数，确定所述一个或多个目标知识二元组中的各个参考标注图像各自对应的第二可能性系数，包括：

16、针对所述各个参考标注图像中的任意一个参考标注图像，对第一知识二元组的共性度量系数进行归一化处理，得到归一化处理后的共性度量系数，所述第一知识二元组为所述一个或多个目标知识二元组中包括所述任意一个参考标注图像的知识二元组；

17、通过所述第一知识二元组的可靠系数对所述归一化处理后的共性度量系数进行调整，得到调整后的共性度量系数；

18、将与所述调整后的共性度量系数正向关联的可能性系数确定为所述任意一个参考标注图像对应的第二可能性系数。

19、在一些实施例中，所述对第一知识二元组的共性度量系数进行归一化处理，得到归一化处理后的共性度量系数，包括：

20、依据所述各个目标知识二元组的排序索引和/或所述各个目标知识二元组的共性度量系数，确定外部参变量；

21、其中，任意一个目标知识二元组的排序索引为在将所述各个目标知识二元组依据预设的排序策略得到的排序中，排序不处于所述任意一个目标知识二元组之后的各个目标知识二元组中的参考标注图像的数目；

22、将所述第一知识二元组的共性度量系数与所述外部参变量的比例确定为所述归一化处理后的共性度量系数。

23、在一些实施例中，所述依据所述各个候选标注图像各自对应的第一可能性系数以及所述各个参考标注图像各自对应的第二可能性系数，确定所述第一高速公路图像对应的病害标注图像，包括：

24、依据所述各个候选标注图像各自对应的第一可能性系数确定第一可能性系数集合；

25、依据所述各个参考标注图像各自对应的第二可能性系数确定第二可能性系数集合；

26、其中，所述第一可能性系数集合包括各个所述候选标注图像各自对应的第一可能性系数，所述第二可能性系数集合包括各个所述参考标注图像各自对应的第二可能性系数；

27、对所述第一可能性系数集合和所述第二可能性系数集合进行整合，得到整合可能性系数集合，所述整合可能性系数集合包括各个目标图像各自对应的标注可能性系数，所述各个目标图像包括所述各个候选标注图像和所述各个参考标注图像；

28、将所述各个目标图像中标注可能性系数最大的目标图像确定为所述病害标注图像。

29、在一些实施例中，所述对所述第一可能性系数集合和所述第二可能性系数集合进行整合，得到整合可能性系数集合，包括：

30、确定所述第一可能性系数集合在获取所述病害标注图像时的第一影响系数以及所述第二可能性系数集合在获取所述病害标注图像时的第二影响系数；

31、依据所述第一影响系数和所述第二影响系数，确定目标参变量；

32、依据所述目标参变量对所述第一影响系数进行调节，得到第一可能性系数集合的第一偏心系数；

33、依据所述目标参变量对所述第二影响系数进行调节，得到第二可能性系数集合的第二偏心系数；

34、依据所述第一可能性系数集合的第一偏心系数和所述第二可能性系数集合的第二偏心系数，对所述第一可能性系数集合和所述第二可能性系数集合进行整合，得到整合可能性系数集合。

35、在一些实施例中，所述依据原始状态的第一高速公路图像的第一图像描述知识，确定病害标注状态的各个候选标注图像各自对应的第一可能性系数，包括：通过目标图像病害标注网络依据原始状态的第一高速公路图像的第一图像描述知识，确定病害标注状态的各个候选标注图像各自对应的第一可能性系数；

36、所述获取与所述第一图像描述知识匹配的一个或多个目标知识二元组，包括：通过所述目标图像病害标注网络获取与所述第一图像描述知识匹配的一个或多个目标知识二元组；

37、所述确定所述一个或多个目标知识二元组的可靠系数以及共性度量系数，包括：通过所述目标图像病害标注网络确定所述一个或多个目标知识二元组的可靠系数以及共性度量系数；

38、所述依据所述一个或多个目标知识二元组的可靠系数以及共性度量系数，确定所述一个或多个目标知识二元组中的各个参考标注图像各自对应的第二可能性系数，包括：通过所述目标图像病害标注网络依据所述一个或多个目标知识二元组的可靠系数以及共性度量系数，确定所述一个或多个目标知识二元组中的各个参考标注图像各自对应的第二可能性系数；

39、所述依据所述各个候选标注图像各自对应的第一可能性系数以及所述各个参考标注图像各自对应的第二可能性系数，确定所述第一高速公路图像对应的病害标注图像，包括：通过所述目标图像病害标注网络依据所述各个候选标注图像各自对应的第一可能性系数以及所述各个参考标注图像各自对应的第二可能性系数，确定所述第一高速公路图像对应的病害标注图像。

40、在一些实施例中，所述方法通过目标图像病害标注网络执行，所述目标图像病害标注网络的调试过程包括以下步骤：

41、获取原始状态的第一高速公路图像学习样例、所述第一高速公路图像学习样例对应的病害标注状态的第一参考标注图像以及基础图像病害标注网络；

42、通过所述基础图像病害标注网络依据所述第一高速公路图像学习样例的第一图像学习样例描述知识确定病害标注状态的各个候选标注图像各自对应的第一样例可能性系数，任意一个候选标注图像对应的第一样例可能性系数表征所述第一高速公路图像学习样例被标注成所述任意一个候选标注图像的可能性系数；

43、获取与所述第一图像学习样例描述知识匹配的一个或多个样例知识二元组，任意一个样例知识二元组包括一个第二高速公路图像学习样例的第二图像学习样例描述知识和所述一个第二高速公路图像学习样例对应的所述病害标注状态的第二参考标注图像；

44、确定所述一个或多个样例知识二元组的可靠系数以及共性度量系数，任意一个样例知识二元组的可靠系数用以评估所述任意一个样例知识二元组的标注准确度，所述任意一个样例知识二元组的共性度量系数表征所述任意一个样例知识二元组中的第二图像学习样例描述知识与所述第一图像学习样例描述知识的共性程度；

45、依据所述一个或多个样例知识二元组的可靠系数以及共性度量系数，确定所述一个或多个样例知识二元组中的各个第二参考标注图像各自对应的第二样例可能性系数，任意一个第二参考标注图像对应的第二样例可能性系数表征所述第一高速公路图像学习样例被标注成所述任意一个第二参考标注图像的可能性系数；

46、依据所述各个候选标注图像各自对应的第一样例可能性系数以及所述各个第二参考标注图像各自对应的第二样例可能性系数，确定所述第一高速公路图像学习样例对应的推理病害标注图像；

47、依据所述推理病害标注图像和所述第一参考标注图像之间的损失，对所述基础图像病害标注网络进行调试，得到目标图像病害标注网络。

48、在一些实施例中，所述获取与所述第一图像学习样例描述知识匹配的一个或多个样例知识二元组，包括：

49、在知识二元组集合中确定与所述第一图像学习样例描述知识匹配的一个或多个初始知识二元组，任意一个初始知识二元组包括一个第二高速公路图像学习样例的第三图像学习样例描述知识和所述一个第二高速公路图像学习样例对应的第二参考标注图像；

50、基于扰动可能性系数对所述一个或多个初始知识二元组进行加噪，得到加噪后的知识二元组；

51、依据所述加噪后的知识二元组确定所述一个或多个样例知识二元组；

52、其中，所述扰动可能性系数基于所述基础图像病害标注网络对应的迭代轮次确定，所述扰动可能性系数与所述基础图像病害标注网络对应的迭代轮次的变化趋势相反。

53、在一些实施例中，所述扰动可能性系数包括第一扰动可能性系数，所述基于扰动可能性系数对所述一个或多个初始知识二元组进行加噪，得到加噪后的知识二元组，包括：

54、基于所述第一扰动可能性系数为各个初始知识二元组中的第三图像学习样例描述知识融入扰动知识，得到所述加噪后的知识二元组；

55、所述依据所述加噪后的知识二元组确定所述一个或多个样例知识二元组，包括：

56、将所述加噪后的知识二元组确定为所述一个或多个样例知识二元组；

57、或者；

58、所述扰动可能性系数包括第二扰动可能性系数，所述基于扰动可能性系数对所述一个或多个初始知识二元组进行加噪，得到加噪后的知识二元组，包括：

59、基于所述第二扰动可能性系数清洗掉所述一个或多个初始知识二元组中不符合相似性评估要求的初始知识二元组，得到加噪后的知识二元组；

60、所述依据所述加噪后的知识二元组确定所述一个或多个样例知识二元组，包括：

61、依据所述第一图像学习样例描述知识和所述第一参考标注图像构建对照知识二元组，所述对照知识二元组的数目与清洗掉的初始知识二元组的数目一致；

62、依据所述加噪后的知识二元组和所述对照知识二元组确定所述一个或多个样例知识二元组；

63、或者；

64、所述扰动可能性系数包括第一扰动可能性系数和第二扰动可能性系数，所述基于扰动可能性系数对一个或多个初始知识二元组进行加噪，得到加噪后的知识二元组，包括：

65、基于所述第一扰动可能性系数为各个初始知识二元组中的第三图像学习样例描述知识融入扰动知识，得到过渡知识二元组；

66、基于所述第二扰动可能性系数清洗掉过渡知识二元组中不符合相似性评估要求的知识二元组，得到加噪后的知识二元组；

67、所述依据所述加噪后的知识二元组确定所述一个或多个样例知识二元组，包括：

68、依据第一图像学习样例描述知识和第一参考标注图像构建对照知识二元组，对照知识二元组的数目与清洗掉的知识二元组的数目一致；

69、依据加噪后的知识二元组和对照知识二元组确定一个或多个样例知识二元组；

70、或者，所述扰动可能性系数包括第一扰动可能性系数和第二扰动可能性系数，所述基于扰动可能性系数对一个或多个初始知识二元组进行加噪，得到加噪后的知识二元组，包括：

71、基于第二扰动可能性系数清洗掉一个或多个初始知识二元组对中不符合相似性评估要求的初始知识二元组，得到过渡知识二元组；

72、基于第一扰动可能性系数为过渡知识二元组中的第三图像学习样例描述知识融入扰动知识，得到加噪后的知识二元组；

73、所述依据加噪后的知识二元组确定所述一个或多个样例知识二元组，包括：

74、依据第一图像学习样例描述知识和第一参考标注图像构建对照知识二元组，对照知识二元组的数目与清洗掉的知识二元组的数目一致；

75、依据加噪后的知识二元组和对照知识二元组确定一个或多个样例知识二元组。

76、另一方面，本技术提供一种检测系统，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以上所述方法中的步骤。

77、本技术至少具有的技术效果：本技术提供的技术方案中，在获取第二可能性系数时，不仅考虑目标知识二元组中的第二图像描述知识与第一图像描述知识的共性度量系数，还将目标知识二元组的可靠系数纳入考量，分析全面，帮助得到可靠的分析结果。此外，目标知识二元组的可靠系数用以评估目标知识二元组的标注准确度，通过将目标知识二元组的可靠系数纳入考量，使得第二可能性系数的准确性得到提升，以便提高高速公路图像病害检测的精度。

78、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本技术的技术方案。