[发明专利]一种基于人工智能的智能化高精度路面病害识别方法

权利要求书

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。

2.根据权利要求1所述智能化高精度路面病害识别方法，其特征在于，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像主体所在具体位置，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。

3.根据权利要求2所述智能化高精度路面病害识别方法，其特征在于，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Faster RCNN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。

4.根据权利要求3所述智能化高精度路面病害识别方法，其特征在于，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loss_cl，以及RPN阶段的边框位置损失loss_lc和目标与背景损失loss_ob；

其公式如(1.5)、(1.6)所示：

Loss_all＝loss_cl+loss_lc+loss_ob (1.5)

其中Loss_all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，loss_ob(k)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。