详情

原文传递一种道路缺陷产生原因预测方法

专利名称：	一种道路缺陷产生原因预测方法
摘要：	本发明公开了一种道路缺陷产生原因预测方法，涉及道路工程领域，包括收集道路缺陷历史图像，区分出基础道路缺陷，构建包含图像、描述及可能产生原因的缺陷原因数据库。基于此数据库，训练一个混合机器学习模型，包括处理图像的卷积神经网络子模型和处理语义的自然语言处理子模型。在需要预测新的道路缺陷产生原因时，新缺陷的图像和描述作为两个子模型的输入，输出的预测结果经融合得到最终结果。本发明填补了现有技术中对道路缺陷原因识别的空白。
专利类型：	发明专利
国家地区组织代码：	浙江;33
申请人：	新唐信通(浙江)科技有限公司
发明人：	刘君;李静林;李永
专利状态：	有效
申请日期：	2023-08-08T00:00:00+0800
发布日期：	2023-11-03T00:00:00+0800
申请号：	CN202310987521.X
公开号：	CN116994013A
代理机构：	北京君有知识产权代理事务所(普通合伙)
代理人：	焦丽雅
分类号：	G06V10/762;G06V10/80;G06T7/00;G06V10/774;G06V10/82;G06N3/0464;G06V10/44;G;G06;G06V;G06T;G06N;G06V10;G06T7;G06N3;G06V10/762;G06V10/80;G06T7/00;G06V10/774;G06V10/82;G06N3/0464;G06V10/44
申请人地址：	311215 浙江省杭州市萧山区宁围街道悦盛国际中心3层330室
主权项：	1.一种道路缺陷产生原因预测方法，其特征在于，包括如下步骤： S1：获取道路缺陷的历史图像； S2：从历史图像中区分出所有基础道路缺陷； S3：构建缺陷原因数据库，所述缺陷原因数据库中包含一系列基础道路缺陷的图像、每个基础道路缺陷的相关描述，以及对应于每个基础道路缺陷的一个或多个可能的产生原因； S4：基于上述缺陷原因数据库训练一个混合机器学习模型，该模型包括：一个用于处理图像数据的卷积神经网络子模型，用于输入基础道路缺陷图像；一个用于处理语义数据的自然语言处理子模型，用于输入基础道路缺陷图像的相关描述；上述两个子模型的训练目标标签均为基础道路缺陷的一个或多个可能的产生原因； S5：当需要预测一个道路缺陷的产生原因时，将该道路缺陷图像采用S2中相同的方法区分出一种或多种待预测的基础道路缺陷，并对每种待预测的基础道路缺陷作相关描述；将待预测的基础道路缺陷图像输入至S4中的卷积神经网络子模型，将待预测基础道路缺陷对应的相关描述输入至S4中的自然语言处理子模型，两个子模型分别输出对应的缺陷原因预测结果； S6：基于预定的策略，将S5中两个子模型分别输出的对应的预测结果进行融合得到融合缺陷原因预测结果。 2.根据权利要求1所述道路缺陷产生原因预测方法，其特征在于，所述基础道路缺陷的相关描述包括以下一种或多种：缺陷所处路段类型、所处地点、缺陷发现时的时间、缺陷发现时的气候、缺陷周围的环境情况、缺陷所处路段的车辆及车流情况、缺陷所处路段的施工情况。 3.根据权利要求1所述道路缺陷产生原因预测方法，其特征在于，所述自然语言处理子模型采用BERT模型。 4.根据权利要求1所述道路缺陷产生原因预测方法，其特征在于，S2中具体包括如下步骤： S21：对于历史图像，采用图像分割技术，以轮廓和边缘为基础，将各个缺陷从背景和其他相邻缺陷中分割出来，得到一系列缺陷单元图像； S22：对于分割后的缺陷单元图像，采用图像聚类算法，基于图像的形状、尺寸特征，对缺陷单元图像进行聚类，使得形状、尺寸相似的缺陷单元图像在同一类中，每一类代表一种基础道路缺陷。 5.根据权利要求4所述道路缺陷产生原因预测方法，其特征在于，所述图像分割技术采用全卷积网络或U-Net模型。 6.根据权利要求4所述道路缺陷产生原因预测方法，其特征在于，所述图像聚类算法采用K-Means聚类算法或谱聚类算法。 7.根据权利要求1所述道路缺陷产生原因预测方法，其特征在于，S6中所述策略为基于规则的融合，其中，当两个子模型的输出结果完全一致时，直接采用这个结果；当两个子模型的输出结果不一致时，同时将两个子模型输出的结果相加作为融合缺陷原因预测结果，或选择信任度更高的子模型输出的结果作为融合缺陷原因预测结果。 8.根据权利要求7所述道路缺陷产生原因预测方法，其特征在于，所述信任度更高指的是，若两个子模型对应的模型在训练时，位于验证集上进行验证的准确率更高，则对应的信任度更高。
所属类别：	发明专利