[0031] 式中:
[0032] k1目标关联系数;
[0033] θ0为含有目标时,矩阵A中的最小值,低于此值,则无目标;
[0034] max(max(A))为均值矩阵中的最大值;
[0035] 步骤S53,根据更新后的均值矩阵A,按照以下公式获得目标有无的判断条件T,当T=1,则表示有目标,当T=0,则表示没有目标;
[0036]
[0037] 步骤6,增量式随机生成图谱,进行合适对比度图谱的选取:
[0038] 当图片含有目标后,进行初始化判断:
[0039] 步骤S61,若Flag=0,则表示为第一次生成随机图谱样本集,即初始化样本集阶段,不进入后续选取判断,设置Flag=1,然后额外增加5%·N张图片作为样随机图谱数据集的本,样本中图片的总数为N=(1+5%)N,返回到步骤2;
[0040] 步骤S62,若Flag≠0,则表示非初始化阶段,设置一个图片相关系数,选择与平均矩阵A最大相关系数的图片,即为合适对比度的图谱;
[0041] 相关系数Ri定义为:
[0042]
[0043] 式中:Ri为第i张图谱对应的矩阵Ai与均值矩阵A的相关系数;m为高度方向上的坐标值;n为宽度方向上的坐标值;μA为均值矩阵A的总均值;μAi为矩阵Ai的总均值;
[0044] 选取过程的终止条件为:
[0045] STOP=abs(F1-F1pre)<0.01&&F1>0.8;
[0046]
[0047]
[0048]
[0049] 式中:F1为深度学习的评价指标;F1Pre为上一次深度学习的评价指标,初始时为0;TP为真实的目标区域;FP为错误识别的真值,代表未识别的真值,错误判断为负值或背景;
FN为错误识别的负值,即把背景当成目标;
[0050] 当终止条件不满足时,将该次计算的指标F1付给变量F1Pre,然后返回步骤S61,增大样本集,重新进行选取;
[0051] 当终止条件满足时,系统将输出合适对比度的图谱。
[0052] 本发明还具有如下技术特征:
[0053] 步骤二,图片分辨率调整:
[0054] 损害的初始图谱数据集定义为ID数据集,将ID数据集直接缩放到224×224,定义为BD数据集;
[0055] 将损害的初始图谱数据集的分辨率直接缩放到224×224,获得BD数据集;
[0056] 步骤三,将数据集输入到识别模型:
[0057] 将步骤二获得的BD数据集输入到识别模型,经过识别模型运算后,执行步骤四;
[0058] 所述的识别模型的图片输入分辨率大小为224×224,图片输出分辨率大小为224×224;
[0059] 所述的识别模型为混合式深度学习模型,所述的混合式深度学习模型由两部分构成,特征提取采用ResNet50,目标检测采用YOLO V2
框架;
[0060] 步骤四,输出水损害结果:
[0061] 对步骤三的识别模型的输出结果进行后处理,所述的后处理步骤为:
[0062] 步骤S41,判断输出结果中的图谱的候选框BBoxes数量,如果候选框BBoxes数量>1,则进行步骤S42,否则直接输出结果;
[0063] 步骤S42:判断候选框BBoxes是否有重叠,若有重叠,则进行步骤S43,否则直接输出结果;
[0064] 步骤S43:判断重叠候选框对应的标签名是否相同,若相同,则合并的候选框对应的标签名不变;若不同,则表明同时含有水损害和桥接缝两类标签名,标签名输出为桥接缝Joint;
[0065] 步骤S44:合并候选框,将相交的候选框x和y方向取最小值,w和h取最大值,合并的候选框坐标为[xmin,ymin,wmax,hmax];
[0066] 步骤S45:输出结果,在识别模型的输出结果中,将输出图片分辨率调整至等于所述的损害的初始图谱数据集的图片分辨率,输出结果为带目标的标签名及目标对应的候选框位置BBoxes(x,y,w,h)的图谱。
[0067] 本发明还具有如下技术特征:
[0068] 步骤S11中,所述的现场数据采集过程中,
采样参数要求采样间距<15cm,天线频率>1.6GHz,
采样频率为天线主频的10~20倍。
[0069] 步骤S12中,所述的预处理过程为采用直流漂移校正
算法、地面校正算法、背景扣除算法、
带通滤波算法和进行滑动平均算法进行预处理。
[0070] 步骤S12中,设定GPR图谱的对比度为1.2~1.6。
[0071] 所述的损害的初始图谱数据集的图片分辨率为1090×300。
[0072] 所述的设定的对比度取值范围为0.5~1.8。
[0073] 所述的N=100。
[0074] 本发明与现有技术相比,具有如下技术效果:
[0075] (Ⅰ)本发明解决了现有GPR数据分析中依赖于人工经验筛选图谱的问题,并有效结合了图谱检测模型(如深度模型),可实现每一处GPR数据的图谱自动选取和识别,真正实现了基于GPR目标检测的自动化和智能化工作。
[0076] (Ⅱ)本发明突破了现有GPR领域自动检测中集中在双曲线特征目标的检测,实现了具有复杂目标体特征下沥青路面水损害缺陷的自动检测,可为沥青路面精准预养护和水损害缺陷的自动定位提供依据。
[0077] (Ⅲ)由于本发明考虑了图片分辨率缩放的影响,并利用混合式模型进行水损害缺陷的自动检测,解决了现有水损害缺陷依靠专家经验识别存在费时费力、人为因素的影响。
[0078] (Ⅳ)本发明的训练样本集均来自现场试验数据,样本具有广泛的代表性,解决了现有GPR领域研究用FDTD仿真软件合成数据集存在样本不具有代表性的问题,并突破了GPR领域自动识别仅集中在双曲线特征自动检测的局限。
[0079] (Ⅴ)由于本发明提供的方法可实现水损害缺陷的自动检测和精准定位,因此可以为后期基于无人巡检车的自动检测提供识别模型,实现缺陷区域的定期检测和巡检,进一步实现精准养护和智能养护。
[0080] (Ⅵ)基于粒子滤波的思想,读取待检测的GPR数据,随机生成不同对比度的GPR图谱,以此结果构建随机数据集。将生成的图谱输入给识别模型,并基于全局统计结果设定一个
阀值,基于此来寻找合适的图谱,比较前后两次寻找到的合适图谱的一致性作为搜寻判断条件。若不满足停止条件,继续增大随机样本图谱。这种搜寻将包括所有可能的对比度的图谱,可快速有效寻找到的合适B-scan图谱,解决了合适雷达图谱自动选取的问题,为GPR图谱自动识别奠定
基础。
[0081] (Ⅶ)本发明的识别算法与深度学习模型(或者图像分类模型)相结合,可有效、快速、自动寻找出合适的B-scan图谱,实现基于GPR图谱的自动识别和检测,同时提高识别
精度。
[0082] (Ⅷ)本发明通过实验验证,所提出方法和基于YOLO的水损害检测模型,实现了从GPR原始数据生成合适的GPR图谱,然后完成水损害缺陷的自动检测,提高了沥青路面水损害检测的智能性。
附图说明
[0083] 图1是基于GPR的水损害缺陷检测方法
流程图。
[0084] 图2是水损害缺陷数据集典型图谱特征。
[0085] 图3是识别模型结果的后处理流程图。
[0086] 图4是混合式模型在不同分辨率数据集下的指标对比图。
[0087] 图5是混合式模型下的水损害检测结果图。
[0088] 图6是采用ACF算法的检测结果图。
[0089] 图7是采用Cifar10模型的检测结果图。
[0090] 图8是不同对比度对应图谱图。
[0091] 图9是合适对比度的GPR雷达图谱识别算法。
[0092] 图10是相关系数随采样样本数的变化规律。
[0093] 图11是深度模型相关指标随采样样本数的变化规律。
[0094] 图12优选图谱与随机数据集总体检测的heatmap图。
[0095] 图13是优选结果与均值A的heatmap图。
[0096] 图14是正常路面与随机数据集总体检测的heatmap图。
[0097] 图15是测试数据集的随机样本数分布规律。
[0098] 图16是所提算法(IRS)与随机样本(RS)在水损害测试集的对比结果。
[0099] 图17是所提算法(IRS)与随机样本(RS)增加正常路面的对比结果。
[0100] 图中各个标号的含义为:1-1为合适对比度对应的图谱,1-2.为过小对比度对应的图谱,1-3为过大对比度对应的图谱,1-4为合适对比度对应GPR图谱中真实的水损害缺陷范围。
[0101] 以下结合
实施例对本发明的具体内容作进一步详细解释说明。
具体实施方式
[0102] 对比度(plot scale)对GPR图谱的影响原因:采用GPR设置进行沥青路面调查获得雷达数据,对雷达数据进行后处理以增加目标体与背景的差异,然后将处理后的雷达数据转换为GPR图谱。图8是不同对比度对应的GPR图谱,其中1-1对应合适对比度的雷达图谱,1-4是该处GPR数据中检测到的水损害缺陷范围。1-2为过小对比度对应的雷达图谱,但1-4所对应区域的缺陷特征在1-2图谱上未被突出,不易被GPR专家或模型识别;1-3为过大对比度对应雷达图谱,除了1-4对应区域显示为水损害缺陷外,其余正路区域也为高亮区域,会被误判为缺陷区域。从图8分析可知,合适对比度对GPR图谱目标识别非常重要。
[0103] 以下给出本发明的具体实施例,需要说明的是本发明并不局限于以下具体实施例,凡在本
申请技术方案基础上做的等同变换均落入本发明的保护范围。
[0104] 实施例1:
[0105] 本实施例给出一种沥青路面水损害检测方法,如图1至图3所示,按照以下步骤进行:
[0106] 步骤一,通过GPR路面调查,获取水损害图谱数据集:
[0107] 步骤S11,GPR路面调查、数据采集:采用GPR系统对沥青路面进行现场数据采集,现场数据采集过程中,确定路面出现唧浆或泛白的损害区域;
[0108] 步骤S11中,所述的现场数据采集过程中,采样参数要求采样间距<15cm,天线频率>1.6GHz,采样频率为天线主频的10~20倍。
[0109] 这些标记将在GPR图谱上方以小正方形出现,如图2中雷达图谱的标记“□”,其下方对应的是水损害缺陷区域,这些标记对应的GPR图谱作为水损害的真值,用于确定水损害缺陷的特征;
[0110] 步骤S12,获取损害的初始图谱数据集:将损害区域对应的GPR数据进行预处理后,设定GPR图谱的对比度并按照长度为5~6m截取GPR图谱,构建具有水损害、桥接缝和正常路面的损害的初始图谱数据集,并对各自特征进行标记;
[0111] 所述的损害的初始图谱数据集的图片分辨率为1090×300;
[0112] 步骤S12中,所述的预处理过程为采用直流漂移校正算法、地面校正算法、背景扣除算法、带通滤波算法和进行滑动平均算法进行预处理。
[0113] 步骤S12中,设定GPR图谱的对比度为1.2~1.6,本实施例优选1.4。
[0114] 图2是水损害缺陷数据集典型图谱,左侧是现场照片,右侧是对应的GPR图谱,标签中Moisture为水损害,Joint为桥接缝。
[0115] 获取水损害的图谱数据集的过程:GPR天线经过水损害区域时,会在数据采集软件中打一个标记,通过大量的实例调查,确定了水损害的主要特征:
[0116] 1)在沥青层中存在连续或者不连续高亮区域;
[0117] 2)图谱区域宽高比Width/Height不定,与水损害的严重程度呈正相关。
[0118] 图2中最下方图谱为桥接缝图谱,其特征是从路面往下呈现连续高亮区域,与水损害高亮区域主要区别在于:
[0119] 1)该特征从路表面往下呈现高亮,两侧会有双曲线特征;
[0120] 2)高亮区域特征连续且从表面到下方的深度Depth≥0.1m;
[0121] 3)图谱区域宽高比Width/Height<4且面积Area>10000pixel2。
[0122] 步骤二,图片分辨率调整:
[0123] 研究发现,不同分辨率图谱在识别模型中的准确度不同,图片分辨率直接影响模型识别效果;
[0124] 损害的初始图谱数据集定义为ID数据集,将ID数据集直接缩放到224×224,定义为BD数据集;
[0125] 将损害的初始图谱数据集的分辨率直接缩放到224×224,获得BD数据集;
[0126] 步骤三,将数据集输入到识别模型:
[0127] 将步骤二获得的BD数据集输入到识别模型,经过识别模型运算后,执行步骤四;
[0128] 所述的识别模型的图片输入分辨率大小为224×224,图片输出分辨率大小为224×224;
[0129] 所述的识别模型为混合式深度学习模型,所述的混合式深度学习模型由两部分构成,特征提取采用ResNet50,目标检测采用YOLO V2框架;
[0130] 所述的ResNet50和YOLO V2框架均为已知的深度学习模型。
[0131] 所述的特征提取由4阶段构成,实现16倍降采样,将输入的224×224转为14×14×1024,为后续YOLO检测提供CNN原始数据;
[0132] 所述的YOLO v2框架中,提供目标检测和候选框,YOLO Class Conv设置栅格Grid=14×14,Anchor boxes=6。YOLO Transform设置的loss function为mse。
[0133] 所述的混合式深度学习模型采用步骤二中获得的图谱分为训练集和测试集,分配比例为70%和30%,具体的模型训练方法为:利用TL方法对设计好的混合式深度学习模型进行训练。模型的loss function采用MSE方法,Anchor boxes数量是按照K-means方法对根据样本集水损害和桥接缝的Height/Width的分类获得。
[0134] 所述的混合式深度学习模型采用F1,Recall和Precision等3个指标来衡量模型的性能。
[0135] 步骤四,输出水损害结果:
[0136] 识别模型给出的结果存在相互重叠的现象,包括:
[0137] 1)一个较长的水损害缺陷,会出现多个预测结果且相互重叠;
[0138] 2)部分桥接缝,除判断为多个结果,还被误判为水损害;
[0139] 为此,图3是针对图谱带有坐标轴的后处理流程图,具体的:
[0140] 对步骤三的识别模型的输出结果进行后处理,所述的后处理步骤为:
[0141] 步骤S41,判断输出结果中的图谱的候选框BBoxes数量,如果候选框BBoxes数量>1,则进行步骤S42,否则直接输出结果;
[0142] 步骤S42:判断候选框BBoxes是否有重叠,若有重叠,则进行步骤S43,否则直接输出结果;
[0143] 步骤S43:判断重叠候选框对应的标签名是否相同,若相同,则合并的候选框对应的标签名不变;若不同,则表明同时含有水损害和桥接缝两类标签名,标签名输出为桥接缝Joint;
[0144] 步骤S44:合并候选框,将相交的候选框x和y方向取最小值,w和h取最大值,合并的候选框坐标为[xmin,ymin,wmax,hmax];
[0145] 步骤S45:输出结果,在识别模型的输出结果中,将输出图片分辨率调整至等于所述的损害的初始图谱数据集的图片分辨率,输出结果为带目标的标签名及目标对应的候选框位置BBoxes(x,y,w,h)的图谱。
[0146] 对比例1:
[0147] 本对比例给出一种沥青路面水损害检测方法,该方法的其它步骤与实施例1相同,区别仅仅在于步骤二不同以及步骤三中输入的图谱不同。
[0148] 步骤二,图片分辨率调整:
[0149] 损害的初始图谱数据集定义为ID数据集,将ID数据集按照224×224尺寸进行裁剪,将裁剪后的图谱包含水损害和桥接缝的图谱构建的图谱定义为SD数据集;
[0150] 将损害的初始图谱数据集按照224×224尺寸进行裁剪,获得SD数据集。
[0151] 对比例2:
[0152] 本对比例给出一种用于水损害检测的沥青路面水损害检测方法,该方法的其它步骤与实施例1相同,区别仅仅在于步骤二不同以及步骤三中输入的图谱不同。
[0153] 步骤二,图片分辨率调整:
[0154] 损害的初始图谱数据集定义为ID数据集,将ID数据集按照224×224尺寸进行裁剪,将裁剪后的图谱包含水损害和桥接缝的图谱构建的图谱定义为SD数据集,将BD数据集和SD数据集混合构建的图谱定义为MD数据集;
[0155] 将损害的初始图谱数据集的分辨率调整,获得MD数据集。
[0156] 对实施例1、对比例1和对比例2进行对比分析,按照所提算法,构建了原始图谱数据集1431张图谱,按照算法分别构建BD,SD和MD数据集。图4是训练模型的结果,由图可知,所提出的混合式深度模型在各数据集训练的网络在测试集上均有较好的结果,表明所提的混合式深度模型可行。其中,BD数据集上训练的模型最优,模型识别精度为F1=91.97%,Recall=94.53%,以及Precision=91.00%。为此本发明选择训练模型为BD模型,优选分辨率缩放方法为直接将原始图谱进行等比例缩放。
[0157] 对比例3:
[0158] 本对比例给出一种沥青路面水损害检测方法,该方法采用ACF(Aggregate Channel Features)算法对沥青路面水损害进行检测。
[0159] 对比例4:
[0160] 本对比例给出一种沥青路面水损害检测方法,该方法采用Cifar10模型对沥青路面水损害进行检测。
[0161] 对实施例1、对比例3和对比例4进行对比分析,图5至图7是所提深度模型与ACF(Aggregate Channel Features)和Cifar10的对比结果,图中Ground Truth为水损害的真值。通过对比发现,对比的两种方法均存在冗余
检测区域或大量漏检区域,对比结果进一步验证了所提方法的准确性。
[0162] 实施例2:
[0163] 本实施例给出一种用于水损害检测的探地雷达图谱自适应选取方法,如图9所示,该方法根据探地雷达图谱的对比度来自适应选取探地雷达图谱,该方法按照以下步骤进行:
[0164] 步骤1,读取预处理后的GPR数据:
[0165] 对GPR数据进行预处理后,在设定的对比度取值范围内,随机生成不同对比度的雷达图谱,构建初始随机图谱数据集,所述的初始随机图谱数据集的大小为N张图片,初始随机图谱数据集用于判断是否含有目标;
[0166] 所述的GPR数据的获取方法为:采用GPR系统对沥青路面进行现场数据采集,现场数据采集过程中,确定路面出现唧浆或泛白的损害区域,获取损害区域对应的GPR数据。
[0167] 所述的现场数据采集过程中,采样参数要求采样间距<15cm,天线频率>1.6GHz,采样频率为天线主频的10~20倍。
[0168] 所述的预处理过程为采用直流漂移校正算法、地面校正算法、背景扣除算法、带通滤波算法和进行滑动平均算法进行预处理。
[0169] 所述的设定的对比度取值范围为0.5~1.8。
[0170] 所述的N=100。
[0171] 步骤2,图片分辨率调整:
[0172] 研究发现,不同分辨率图谱在识别模型中的准确度不同,图片分辨率直接影响模型识别效果;
[0173] 初始随机图谱数据集定义为RID数据集,将RID数据集直接缩放到224×224,定义为RBD数据集;
[0174] 将水损害初始图谱数据集的分辨率直接缩放到224×224,获得RBD数据集;
[0175] 步骤3,将数据集输入到识别模型:
[0176] 将步骤二获得的RBD数据集输入到识别模型,经过识别模型运算后,执行步骤四;
[0177] 所述的识别模型的图片输入分辨率大小为224×224,图片输出分辨率大小为224×224;
[0178] 所述的识别模型为混合式深度学习模型,所述的混合式深度学习模型由两部分构成,特征提取采用ResNet50,目标检测采用YOLO V2框架;
[0179] 所述的ResNet50和YOLO V2框架均为已知的深度学习模型。
[0180] 所述的特征提取由4阶段构成,实现16倍降采样,将输入的224×224转为14×14×1024,为后续YOLO检测提供CNN原始数据;
[0181] 所述的YOLO v2框架中,提供目标检测和候选框,YOLO Class Conv设置栅格Grid=14×14,Anchor boxes=6。YOLO Transform设置的loss function为mse。
[0182] 所述的混合式深度学习模型采用步骤二中获得的图谱分为训练集和测试集,分配比例为70%和30%,具体的模型训练方法为:利用TL方法对设计好的混合式深度学习模型进行训练。模型的loss function采用MSE方法,Anchor boxes数量是按照K-means方法对根据样本集水损害和桥接缝的Height/Width的分类获得。
[0183] 所述的混合式深度学习模型采用F1,Recall和Precision等3个指标来衡量模型的性能。
[0184] 步骤4,输出水损害结果:
[0185] 步骤四,输出水损害结果:
[0186] 对步骤三的识别模型的输出结果进行后处理,所述的后处理步骤为:
[0187] 步骤S41,判断输出结果中的图谱的候选框BBoxes数量,如果候选框BBoxes数量>1,则进行步骤S42,否则直接输出结果;
[0188] 步骤S42:判断候选框BBoxes是否有重叠,若有重叠,则进行步骤S43,否则直接输出结果;
[0189] 步骤S43:判断重叠候选框对应的标签名是否相同,若相同,则合并的候选框对应的标签名不变;若不同,则表明同时含有水损害和桥接缝两类标签名,标签名输出为桥接缝Joint;
[0190] 步骤S44:合并候选框,将相交的候选框x和y方向取最小值,w和h取最大值,合并的候选框坐标为[xmin,ymin,wmax,hmax];
[0191] 步骤S45:输出结果,在识别模型的输出结果中,将输出图片分辨率调整至等于所述的损害的初始图谱数据集的图片分辨率,输出结果为带目标的标签名及目标对应的候选框位置BBoxes(x,y,w,h)的图谱;
[0192] 步骤5,利用初始随机图谱数据集,进行检测目标的有无判断:
[0193] 步骤S51,将步骤四的输出结果转为图片上像素点对应的矩阵Ai,Ai定义为:
[0194]
[0195] 式中:H0为识别模型输出图谱的图片高度;W0为识别模型输出图谱的图片宽度;
[0196] 将RID数据集中的N张图片对应的矩阵Ai进行求和,并求其均值,获得均值矩阵A,A定义为:
[0197] 步骤S52,由于对比度的范围是优选过的,目标与背景的差异比较大,若被测GPR数据中含有目标,那么大部分图谱的输出结果中应该包括了该目标区域,则均值矩阵A在该区域的值大;若被测GPR数据中没有目标,则只有少数不恰当的对比度对应图谱有目标,则均值矩阵A在该区域的值小。
[0198] 设定k1=0.8,θ0=0.5,对均值矩阵A进行按照以下公式进行更新,获得更新后的均值矩阵A;
[0199] A(A
[0200] 式中:
[0201] k1目标关联系数,用于调整均值最大值,以实现不同目标的判断;
[0202] θ0为含有目标时,矩阵A中的最小值,低于此值,则无目标;
[0203] max(max(A))为均值矩阵中的最大值;
[0204] 步骤S53,根据更新后的均值矩阵A,按照以下公式获得目标有无的判断条件T,当T=1,则表示有目标,当T=0,则表示没有目标;
[0205]
[0206] 步骤6,增量式随机生成图谱,进行合适对比度图谱的选取:
[0207] 当图片含有目标后,进行初始化判断:
[0208] 步骤S61,若Flag=0,则表示为第一次生成随机图谱样本集,即初始化样本集阶段,不进入后续选取判断,设置Flag=1,然后额外增加5%·N张图片作为样随机图谱数据集的本,样本中图片的总数为N=(1+5%)N,返回到步骤2;
[0209] 步骤S62,若Flag≠0,则表示非初始化阶段,设置一个图片相关系数,选择与平均矩阵A最大相关系数的图片,即为合适对比度的图谱;
[0210] 相关系数Ri定义为:
[0211]
[0212] 式中:Ri为第i张图谱对应的矩阵Ai与均值矩阵A的相关系数;m为高度方向上的坐标值;n为宽度方向上的坐标值;μA为均值矩阵A的总均值;μAi为矩阵Ai的总均值;
[0213] 选取过程的终止条件为:
[0214] STOP=abs(F1-F1pre)<0.01&&F1>0.8;
[0215]
[0216]
[0217]
[0218] 式中:F1为深度学习的评价指标;F1Pre为上一次深度学习的评价指标,初始时为0;TP为真实的目标区域;FP为错误识别的真值,代表未识别的真值,错误判断为负值或背景;
FN为错误识别的负值,即把背景当成目标;
[0219] 当终止条件不满足时,将该次计算的指标F1付给变量F1Pre,然后返回步骤S61,增大样本集,重新进行选取;
[0220] 当终止条件满足时,系统将输出合适对比度的图谱。
[0221] 效果测试对比:
[0222] 采用人工构建的水损害图谱数据集,利用YOLO检测框架和transfer learning训练出深度学习模型,结合图9中的算法进行识别。GPR数据与图8中的数据一致。为了观测所提方法各指标随随机样本数的变化规律,图9中的初始样本集N=20,对比度取值范围0.6~1.8,更新矩阵A中的参数k1=0.8,θ0=0.5,实际应用时N=100.
[0223] 图10是相关系数随采样样本数的变化规律,图中Referenced F1为F1指标,其余两条曲线为优选图谱与均值A以及真值(Ground Truth)的相关系数,从图可知,随着样本数的增加,相关系数Ri均在增加,并且稳定在一个固定值,不随样本数增大而增加,表明所提算法已寻找到优选的GPR图谱。
[0224] 图11是深度模型相关指标随采样样本数的变化规律,F1,Precision和Recall均为深度模型评价指标,同样在找到优选结果后,各指标稳定,表明已找到合适的图谱。
[0225] 图12是160个随机样本集下优选图谱与随机数据集总体检测的heatmap,可知在103.5m对应的区域,160张图片均在此处有水损害(目标)结果,与真值(图8中1-4)区域一致,并且3大指标结果大于0.93,表明优选的图谱与真值很接近,验证算法的正确性。
[0226] 图13是优选结果与均值A的heatmap图(即将随机图谱集中所有检测结果进行累积,并通过
颜色体现累加结果大小),由于均值A在更新过程中将A矩阵中最大值×0.8以下的结果全部取出,且是平均值,通过对比检测结果与Ground Truth可知,二者吻合度很高,进一步验证所提算法的正确性。
[0227] 图14是正常路面与随机数据集总体检测的heatmap图,由于初始化样本数大小为100,而此图中最大值只有28(即0.28),小于θ0=0.5的
阈值,该测试数据被分类为正常路面,与实际情况一致。
[0228] 图15是测试数据集的随机样本数分布规律,通过所提算法对31个样本(11个正常路面,20个为水损害样本)进行测试,结果表明所提算法可有效将11个正常路面分类,其所用样本数为100;而水损害区域所需要的随机样本主要集中在200-300之间。由于路面中95%为正常路面,因此该算法可有效节约计算开支。
[0229] 为进一步说明所提方法(增量式采样法,记为IRS)的有效性,对比随机选取法(RS)的结果,图16是针对有水损害的数据集(20个)的对比结果,图17增加了11个正常路面的的结果。从结果可知所提IRS方法能有效识别缺陷,且精度较高。
[0230] 通过实验表明,所提的增量式采样方法与深度模型联合使用,可有效从GPR原始数据中选取合适对比度的雷达图谱,为GPR的自动应用提供一种有效的方法。
[0231] 所提方法虽然是在水损害缺陷识别进行了验证,但该方法不限定于此案例,利用该方法进行其他雷达图谱中国目标体识别也在本发明保护范围内。
[0232] 实施例3:
[0233] 本实施例给出一种基于图谱灰度自适应选取的沥青路面水损害检测方法,如图1至图17所示,该方法与实施例1的沥青路面水损害检测方法基本相同,区别仅仅在于步骤S12中,将“设定GPR图谱的对比度并按照长度为5~6m截取GPR图谱”替换为“选取合适对比度的GPR图谱并按照长度为5~6m截取GPR图谱”。
[0234] 所述的合适对比度的GPR图谱的选取采用的方法为探地雷达图谱自适应选取方法;
[0235] 所述的探地雷达图谱自适应选取方法采用实施例2中所述的用于水损害检测的沥青路面水损害检测方法相同。
[0236] 实施例1和实施例2中所述的识别模型与相同;实施例1和实施例2中所述的后处理步骤相同。