[发明专利]一种基于深度学习的路面病变检测预警方法及系统

说明书

本发明提供一种基于深度学习的路面病变检测预警方法，包括：确定路面不同分段的不同时间段的参数；将各个分段路面不同时间段的参数分别输入到预先训练得到的双路深度神经网络模型，以检测各个分段路面参数对应的样本能量；基于POT模型以及各个分段路面参数对应的样本能量确定报警阈值；当某个分段路面的样本能量超过所述报警阈值时，认为该分段路面发生病变，将该分段路面设为一个报警点进行路面病变预警。本发明基于双路深度神经网络计算出输入路面样本数据的样本能量，样本能量值越大，说明该段路面早期病变、劣化的可能性越高；筛选报警阶段，使用了POT模型和延迟法进行两步式的筛选，在尽量提高召回率的同时不对精度造成过大的影响。

技术领域

本发明属于路面病变检测技术领域，更具体地，涉及一种基于深度学习的路面病变检测预警方法及系统。

背景技术

随着我国公路的迅猛发展、运输量，车流量逐年增加，沥青路面经常出现车辙、裂缝、松散、翻浆、水损害或沉陷等病害，严重影响了行车安全和公共安全，为保证路面管理工作的有效开展，必须对沥青路面进行检测。现阶段我国的公路病害检测方法主要采用点取样检测和多功能道路检测车检验。以钻芯取样为代表的点取样检测方法虽简单易行，但存在破坏路面结构完整性、检测结果代表性不佳及封闭交通时间过长等弊端。多功能道路检测车无法检测路面结构层内部存在大量的隐藏病害，例如反射裂缝、层间脱空、路面结构的不均匀沉降。这些病害具有较高的隐蔽性，无法通过常规的检测手段进行识别、定位和测量。

国内外用于路面结构病害检测的技术主要包括钻芯取样、光纤维技术、声波和超声波探伤技术、CT断层扫描技术以及探地雷达检测技术。从检测的准确性上讲，CT扫描技术的准确性最佳，但是CT扫描设备只能进行小范围扫描，检测全面性欠佳，且对人体造成伤害，设备造价较高，不利于技术的推广。相比CT扫描技术，超声波检测覆盖范围广，设备轻便且低廉。然而，超声波检测的准确性较差，很难准确反映路面病害的形态特征，且检测结果受环境条件影响较大。探地雷达技术在裂缝病害的检测中呈现出实时、多维、高精度的特点，其裂缝定位和裂缝深度的计算已经可以满足路面检测和维护的需求。然而，无论结构层隐含裂缝检测还是路表裂缝检测均采用了路面耦合型的探地雷达，这种雷达要求检测过程中与地面完全贴合，检测效率较低。

有不少传统机器学习算法可用于路面病害识别预警，包括K近邻算法(k-NearestNeighbor，kNN)、局部异常因子算法(Local Outlier Factor，LOF)，还有基于聚类的K-means算法、高斯混合模型(Gaussian Mixture Model，GMM)等、但随着路面检测参数越来越多，给劣化预警带来了新的挑战。维度跨度很大，从几维到上百维都有可能，参数之间的关联性较为复杂。传统的异常检测方法与劣化预警技术已不能很好的处理高维数据，存在维数灾难的问题。现有的一些路面病害检测方法主要利用卷积神经网络对探地雷达图像和摄像头拍摄的可见光图像进行识别，这对比较明显的病害识别有效，比传统的机器学习方法识别准确度提高许多，但是对于早期劣变和趋势预警方法存在不足。实际上对于沥青路面塌陷的早期劣化预警非常重要，可以避免重大交通事故，减少公共安全危害。

近年来，深度学习在各个领域都展现出了强大的能力，已有不少研究将深度学习运用到异常检测领域。为克服维数灾难问题，主流的方法便是使用自编码网络进行特征压缩，降维到低维空间中。之后有两种处理方法：第一种，根据自编码网络的重构误差直接筛选异常，因为自编码网络使用正常数据进行训练，所以对正常数据的重构误差较小，对异常数据的重构误差往往较大；第二种，对压缩后的特征再使用其他异常检测方法，如聚类分析等。这两类方法也有各自的不足。前者仅根据重构误差来识别异常数据，某些情况下异常数据的重构误差也可能很小，容易导致大量异常的漏报；后者的问题在于，自编码器进行特征压缩时不知道下一步要进行的聚类分析或其他异常检测任务，可能遗漏一些对于异常检测有用的关键信息。