[发明专利]一种基于深度学习的高速公路疏水管堵塞态势感知方法

说明书

本发明一种基于深度学习的高速公路疏水管堵塞态势感知方法，属于计算机视觉巡检技术领域；所要解决的技术问题为：提供一种基于深度学习的高速公路疏水管堵塞态势感知方法的改进；解决上述技术问题采用的技术方案为：通过在高速公路的定点区域设置CCD摄像机对疏水管表面的数据采集；将采集的数据发送至PC端按帧进行数据拆分，灰度处理，再将灰度处理后的图像进行翻转、缩放，形成图像集；利用卷积神经网络，将图像集中的图像进行淤泥特征提取，同时生成疏水管堵塞预测模型对疏水管是否拥堵进行判定，并将判定结果在PC端进行显示，当判定结果为拥堵时，将预警信息传输至高速公路路况管理系统，进行预警报警；本发明应用于高速公路疏水管堵塞判断。

技术领域

本发明一种基于深度学习的高速公路疏水管堵塞态势感知方法，属于基于深度学习的高速公路疏水管堵塞态势感知方法技术领域。

背景技术

我国高速公路建造成本最低每公里达3000-4000万，然现阶段，高速公路路面排水系统仍不健全，中央隔离带的排水设计不完善。一旦遭遇强降水天气，路面形成积水，导致产生车辆侧翻、制动距离增加等危险因素，其次经行车荷载的作用使得雨水通过中央隔离带渗入路面结构层出现水破坏现象，即路面结构产生坑洞、网裂、辙槽等，这将极大威胁人民生命财产的安全，以及阻碍国家运输经济的发展。

高速公路中央隔离带处的疏水管有助于快速地排除积水，但其会因各种原因引起管内泥沙淤积，导致排水性能降低。保持中央隔离带疏水管畅通是高速公路运维的重中之重，而有效地感知出疏水管堵塞状态仍是排水系统的难点之一。

现阶段我国高速公路中央隔离带疏水管的阻塞状态主要由专业人员定期负责检测，人为检测往往是耗时、低效、代价高昂的一种方法，因此借助计算机视觉手段作为支撑，可以提高巡检效率。卷积神经网络是人工智能深度学习领域中目标检测的一项杰出技术，可以快速自动识别出图像中的各个物体。因此，提出了一种基于深度学习的高速公路疏水管堵塞态势感知方法。

发明内容

本发明为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种基于深度学习的高速公路疏水管堵塞态势感知方法的改进。

为了解决上述技术问题，本发明采用的技术方案为：一种基于深度学习的高速公路疏水管堵塞态势感知方法，包括如下步骤：

步骤一：构建数据集：通过在多条高速公路的定点区域设置多个CCD摄像机进行疏水管表面的视频图像数据采集；

步骤二：将步骤一中采集的疏水管表面图像数据发送至PC端按帧进行数据拆分，并将拆分的RGB彩色图像进行灰度处理，再将灰度处理后的图像进行翻转、缩放，形成图像集；

步骤三：利用卷积神经网络，将步骤二形成的图像集中的图像进行淤泥特征提取，同时通过态势感知的预测机制生成疏水管堵塞预测模型；

步骤四：通过疏水管堵塞预测模型对疏水管是否拥堵进行判定，并将判定结果在PC端进行显示，当判定结果为拥堵时，将预警信息传输至高速公路路况管理系统，进行预警报警。

所述步骤三中利用卷积神经网络对图像进行淤泥特征提取的具体步骤为：

步骤3.1：将图像集的75％-80％用于训练卷积神经网络，将图像集的20％-25％用于验证卷积神经网络模型；

步骤3.2：将原始图像的二维特性通过增设表示该卷积核区域淤积程度的Z轴而形成三维机制，得到卷积神经网络三维机制；

步骤3.3：在三维机制的神经网络中采用MES损失函数用于对图像集淤泥特征提取进行训练，并通过将损失函数进行正则化防止过拟合；

其中，损失函数的计算公式为：LOSS＝(OUT-E_i)²，上式中E_i为期望输出，OUT为输出层神经元的输出；