申请/专利权人：湖南大学;广西玉柴新能源汽车有限公司

申请日：2022-05-05

公开（公告）日：2024-06-28

公开（公告）号：CN114863122B

主分类号：G06V10/40

分类号：G06V10/40;G06V10/80;G06V10/82;G06N3/0464;G06N3/09;G06N3/096

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2022.08.23#实质审查的生效;2022.08.05#公开

摘要：本发明属于路面病害检测领域，具体涉及一种基于人工智能的智能化高精度路面病害识别方法，包括：提供一个路面病害识别模型，路面病害识别模型将输入的路面病害图片与输出的路面病害类型对应；路面病害特征生成时，基于路面病害图片多层级地提取路面病害特征，第一层级基于原路面病害图片提取路面病害特征，其后的每一层级皆基于上一层级提取路面病害特征；将排列在前的，除第一层级以外的层级所提取到的路面病害特征作为低层特征；与排列在前的层级相对应，将排列在后的层级所提取到的路面病害特征作为高层特征；与路面病害识别模型输出的所述路面病害类型所对应的路面病害特征即为低层特征和高层特征融合后生成的特征。本识别模型精度效率高。

主权项：1.一种基于人工智能的智能化高精度路面病害识别方法，其特征在于，包括以下步骤：提供一个路面病害识别模型，所述路面病害识别模型将输入的路面病害图片与输出的路面病害类型对应；其中，所述路面病害识别模型基于图片上的路面病害对象生成相应的路面病害特征，由所述路面病害特征与输出的路面病害类型对应；路面病害特征生成时，基于路面病害图片多层级地提取路面病害特征，第一层级基于原路面病害图片提取路面病害特征，其后的每一层级皆基于上一层级提取路面病害特征；将排列在前的，除第一层级以外的层级所提取到的路面病害特征作为低层特征；与排列在前的层级相对应，将排列在后的层级所提取到的路面病害特征作为高层特征；与路面病害识别模型输出的所述路面病害类型所对应的路面病害特征即为低层特征和高层特征融合后生成的特征；除第一层级以外的每一层级提取出的特征皆处理为具有路面病害对象轮廓的路面病害特征图，而最后一层级的路面病害特征图经过候选窗口框选出路面病害对象主体所在具体位置，并生成具有路面病害对象主体的候选框路面病害特征图；候选框路面病害特征图的路面病害对象主体分别与除第一层级以外的每一层级处理出的路面病害特征图中的路面病害对象轮廓相融合，以生成相应的融合特征图；除第一层级以外的每一层级处理出的融合特征图组合成相应的一组特征图组合特征，每一组特征图组合特征与所述路面病害识别模型要输出的路面病害类型对应，所述一组特征图组合特征的特征图数与除第一层级以外的层级数相等；所述模型的构建方式如下：将另一源域中预训练网络模型的主干特征提取网络，作为路面病害识别目标域的FasterRCNN网络模型的多层级的特征提取网络；其中，预训练网络模型选择为VGG16、VGG19、VGG96、ResNet32、ResNet48、ResNet101、ResNet152卷积网络之中的一种；其中，主干特征提取网络最后一层卷积层连接一个RPN模型，用于RPN模型生成候选窗口以框选出路面病害对象主体所在具体位置；其中，主干特征提取网络除第一层以外的每层卷积层都连接一个NAM模块，用于重生成路面病害对象轮廓所需的通道权重和像素值权重；构建全连接层，一组特征图组合特征转换为特征向量后，经所述全连接层与所述路面病害类型对应；所述路面病害识别模型的训练方式如下：构建一个包括路面病害图片与对应的路面病害标签的数据集；设置源域中预训练网络模型的主干特征提取网络的超参数；构建一个多任务损失函数，包括全连接层阶段的类别损失losscl，以及RPN阶段的边框位置损失losslc和目标与背景损失lossob；其公式如1.5、1.6所示：Lossall＝losscl+losslc+lossob1.5其中Lossall为真实数据与预测数据之间的偏差； 其式1.6中k表示预测得分大小，而T0表示置信分数，lossobk表示当前是否为检测目标；结果得到函数值为1则表示边框中包含目标；函数值为0时，表示边框中不包括目标；根据所构建的数据集及源域中预训练网络模型和多任务损失函数，基于迁移学习算法，训练所述路面病害识别模型，在训练过程中，保留下全连接层阶段确定出的具体的路面病害类别和保留下RPN阶段最佳的边框区域；所述主干特征提取网络中的第一层卷积核，提取原路面病害图片上的特征之前，采用NMS算法删减路面病害对象候选框，具体步骤如下：将路面病害对象上的多个候选框按各自置信值大小排序；并计算置信值最高的候选框与其余待处理候选框之间的重叠率，并设置一个重叠率阈值T；重叠率不在所设置阈值范围内的待处理候选框，采用高斯加权算法重生成待处理候选框置信值；并按重生成的置信值排列候选框，并设置重生成置信值阈值，以剔除得分低于置信值阈值的待处理候选框；公式如下： si为待处理候选框的置信值，M为当前置信值最高候选框，bi是待处理候选框；iou是置信值最高候选框与待处理候选框之间的重叠率，bi和M的iou越大，表示bi的重生成的置信值越低。

全文数据：

权利要求：

百度查询： 湖南大学;广西玉柴新能源汽车有限公司 一种基于人工智能的智能化高精度路面病害识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD