[发明专利]基于卷积神经网络和卡尔曼滤波的道路损伤识别方法

摘要

本发明公开了基于卷积神经网络和卡尔曼滤波的道路损伤识别方法。在道路修复前，养路工人需要对路面情况进行调研，此项工程需要耗费巨大的人力、物力和财力。本发明的步骤如下：一、图像预处理。二、图像增强与卷积神经网络的训练。三、k＝1,2,…,m，依次执行步骤四至六。m为被测图像的数量。四、将第k张被测图像放大并调整为300×300的分辨率。五、将步骤五所得的第k张被测扩展图像输入步骤2训练所得的卷积神经网络中。六、将步骤五所得的权重初始值通过卡尔曼滤波算法进行优化。本发明采用前馈运算、随机梯度下降法、反馈运算、PCA降维和卡尔曼滤波等方法进行实时的参数更新，建立高准确率的卷积神经网络模型。

主权项

1.基于卷积神经网络和卡尔曼滤波的道路损伤识别方法，其特征在于：步骤1、对n张含有道路损伤的损伤图进行排序；第i张损伤图的分辨率为v_i×h_i，v_i为第i张损伤图上一行像素的个数；h_i为第i张损伤图上一列像素的个数，i＝1,2,…,n；第i张损伤图的损伤类别为z_i；步骤2、图像增强与卷积神经网络的训练；2.1、i＝1,2,…,n，依次执行步骤2.2至2.4；2.2、将步骤1所得第i张损伤图放大t_i倍；若h_i>v_i，则t_i＝300/h_i，并将第i张损伤图的左列像素以第i张损伤图的左侧边缘作为对称轴进行镜像对称，并将第i张损伤图的右行像素以第i张损伤图的右侧边缘作为对称轴进行镜像对称，得到分辨率为300×300的第i张一级扩展图；若h_i≤v_i，则t＝300/v_i，并将第i张损伤图的上行像素以第i张损伤图的上侧边缘作为对称轴进行镜像对称，并将第i张损伤图的下行像素以第i张损伤图的下侧边缘作为对称轴进行镜像对称，得到分辨率为300×300的第i张一级扩展图；2.3、将步骤2.2所得的第i张一级扩展图放大1.5倍，得到分辨率为450×450的第i张二级扩展图；将第i张一级扩展图放大2倍，得到分辨率为600×600的第i张三级扩展图；2.4、用步骤2.2所得的第i张一级扩展图复制出第i张四级扩展图、第i张五级扩展图、第i张六级扩展图、第i张七级扩展图；并将第i张四级扩展图、第i张五级扩展图、第i张六级扩展图、第i张七级扩展图分别调整为0.8倍、0.9倍、1.1倍和1.2倍；2.5、将第i张一级扩展图、第i张二级扩展图、第i张三级扩展图、第i张四级扩展图、第i张五级扩展图、第i张六级扩展图和第i张七级扩展图导入卷积神经网络进行训练；步骤3、k＝1,2,…,m，依次执行步骤4至6；m为被测图像的数量；步骤4、将分辨率为v′_k×h′_k的第k张被测图像放大t′_k倍；若h′_k<v′_k，则t′_k＝300/v′_k，并将被测图像的左列像素以被测图像的左侧边缘作为对称轴进行镜像对称，并将被测图像的右行像素以被测图像的右侧边缘作为对称轴进行镜像对称，得到分辨率为300×300的第k张被测扩展图像；步骤5、将步骤4所得的第k张被测扩展图像输入步骤2训练所得的卷积神经网络中；卷积神经网络输出中获取被测图片的特征信息矩阵H_k和权重矩阵w_k；步骤6、将步骤5所得的权重初始值w_k通过卡尔曼滤波算法进行优化；6.1、计算权重预测值的表达式如式(1)所示：式(1)中，I为两行两列的单位矩阵；6.2、计算权重预测值的协方差矩阵P_k′如式(2)所示：P_k′＝I′·P_k·I′^T+Q   (2)式(2)中，Q为过程噪声，其值为0.00003；I′^T为单位矩阵I′的转置；I′为c行c列的单位矩阵；P_k为c行c列，且主对角线上所有元素均为0.001，其余元素均为零的矩阵；c为全连接层输出节点个数；6.3、计算第k个最优增益阵K_k如式(3)所示：式(3)中，为矩阵H_k的转置；R为观测噪声，其值为0.005；6.4、计算第k个权重更新矩阵w′_k如式(4)所示：式(4)中，R为观测噪声，其值为0.005；步骤七、根据第k个权重更新矩阵w′_k计算M矩阵式(5)所示；M＝[H_k·w′_k]^T   (5)式(5)中，[H_k·w′_k]^T为矩阵[H_k·w′_k]的转置。