详情

原文传递基于AlexNet模型的道路地下病害智能识别方法

专利名称：	基于AlexNet模型的道路地下病害智能识别方法
摘要：	本发明公开了一种基于AlexNet模型的道路地下病害智能识别方法，包括：S1、采集三维探地雷达图像数据并进行预处理，获得两个维度方向的雷达图谱，即C‑scan图谱和B‑scan图谱；S2、对不同目标体所对应的雷达图谱进行分类，获得不同目标体对应的雷达图谱数据集；S3、将各雷达图谱数据集的C‑scan图谱和B‑scan图谱加上类别标签；S4、构建基于AlexNet深度网络的级联模型；S5、将待预测数据输入模型，输出预测结果。本发明构建基于AlexNet深度网络的级联模型，将待预测数据输入深度学习模型可得到准确预测结果，提高检测准确度、检测效率，可高精度、高准确率对道路地下病害体进行智能识别。
专利类型：	发明专利
国家地区组织代码：	广东;44
申请人：	广东省建筑科学研究院集团股份有限公司
发明人：	孙晖;张舸;李健;付志军;吴迪;郝勇奇
专利状态：	有效
申请日期：	2022-09-29T00:00:00+0800
发布日期：	2023-01-13T00:00:00+0800
申请号：	CN202211198919.7
公开号：	CN115601642A
代理机构：	广州知友专利商标代理有限公司
代理人：	李海波;侯莉
分类号：	G06V20/10;G06V10/82;G06V10/764;G06N3/04;G06N3/08;G;G06;G06V;G06N;G06V20;G06V10;G06N3;G06V20/10;G06V10/82;G06V10/764;G06N3/04;G06N3/08
申请人地址：	510500 广东省广州市天河区先烈东路121号建科院新办公楼8楼
主权项：	1.一种基于AlexNet模型的道路地下病害智能识别方法，其特征在于包括以下步骤： S1、采集三维探地雷达图像数据并进行预处理，获得两个维度方向的雷达图谱，即C-scan图谱和B-scan图谱； S2、对不同目标体所对应的雷达图谱进行分类，获得不同目标体对应的雷达图谱数据集； S3、将各雷达图谱数据集的C-scan图谱和B-scan图谱加上类别标签； S4、构建基于AlexNet深度网络的级联模型：将加上了类别标签的C-scan图谱作为训练样本输入第一级神经网络，并根据该神经网络各层参数进行训练，输出预测值，通过不断减小该预测值与真实值的误差来更新第一级神经网络的各层参数，最终得到训练完成的第一级神经网络；将加上了类别标签的C-scan图谱和B-scan图谱作为训练样本输入第二级神经网络，并根据该神经网络各层参数进行训练，输出预测值，通过不断减小该预测值与真实值的误差更新第二级神经网络的各层参数，最终得到训练完成的第二级神经网络； S5、将待预测数据的C-scan图谱输入训练完成的第一级神经网络初筛病害，若无病害，输出健康预测结果；若有病害，则将待预测数据的C-scan图谱和B-scan图谱沿其长度方向拼接后输入训练完成的第二级神经网络判定病害类型并输出预测结果。 2.根据权利要求1所述的基于AlexNet模型的道路地下病害智能识别方法，其特征在于：在所述步骤S4中，所述第一级神经网络和第二级神经网络均包含卷积层、池化层和全连接层，其中，卷积运算公式：式中：对训练样本Sij进行卷积得到对应位置的输出Si'j'，i代表第i道回波，j代表回波第j个点；wnm代表卷积滤波器第n行第m列参数；所述池化层对邻域内特征点求平均值；利用reLu激活函数：f(x)＝max(0,x)公式⑵ 第一级神经网络和第二级神经网络的底层是全连接层，所述全连接层采用全连接输出，即对M-1层输出的矩阵每个元素进行加权求和，其中为第M-1层输出的尺寸，xi的下标用于标识同一训练样本的不同分类结果所对应的概率，knm为第M层的输出层第n行第m列的参数，enm为M-1层输出矩阵的第n行第m列的元素，将得到的同一训练样本在第M层的分类概率矩阵即[x1x2 x3...xp]T，其中p表示每个训练样本需要种类的数量。 3.根据权利要求2所述的基于AlexNet模型的道路地下病害智能识别方法，其特征在于：所述目标体是脱空或空洞、疏松、管道、井盖和健康。 4.根据权利要求3所述的基于AlexNet模型的道路地下病害智能识别方法，其特征在于：在所述步骤S3中，取宽度为W1的矩形窗，以C-san图谱中的目标体为中心进行滑窗处理，对C-san图谱中的目标体加上类别标签；取宽度为W2的矩形窗，以B-san图谱中的目标体为中心进行滑窗处理，对B-san图谱中的目标体加上类别标签。 5.根据权利要求4所述的基于AlexNet模型的道路地下病害智能识别方法，其特征在于：在所述步骤S3中，对C-san图谱和B-san图谱的目标体加上类别标签后，再确定训练集、测试集和验证集，其中，所述训练集中的训练样本输入神经网络进行训练。