道路病害识别方法、装置、电子设备及存储介质

技术领域

本发明涉及人工智能领域，尤其涉及一种道路病害识别方法、装置、电子设备及存储介质。

背景技术

道路CT是对道路进行扫描，通过扫描图像进行道路病害识别，从而得到道路内部病害情况的一种方式，由于扫描图中的值为CT值，CT值受扫描设备的精度影响，CT扫描图的分辨率较低，在图像识别中，待识别图像的分辨率越低，则识别的准确率越低，因此，低分辨率的CT扫描图会使得道路病害识别准确率下降。

发明内容

本发明实施例提供一种道路病害识别方法，旨在解决现有技术中低分辨率的CT扫描图会使得道路病害识别准确率下降的问题。通过对道路内部的CT扫描图进行超分辨率处理，提高CT扫描图的分辨率，将提高了分辨率CT扫描图作为待识别图像来进行图像识别，得到道路内部的道路病害识别结果，由于利用了高分辨率的待识别图像来进行图像识别，提高了图像识别的准确率。

第一方面，本发明实施例提供一种道路病害识别方法，所述方法包括：

获取道路内部的CT扫描图；

对所述CT扫描图进行超分辨率处理，得到待识别图像，所述待识别图像的分辨率大于所述CT扫描图的分辨率；

基于所述待识别图像对所述道路内部的病害进行图像识别，得到所述道路内部的道路病害识别结果。

可选的，所述对所述CT扫描图进行超分辨率处理，得到待识别图像，包括：

对所述CT扫描图进行预处理，得到预处理图像；

通过训练好的超分辨率模型对所述预处理图像进行超分辨率处理，得到待识别图像。

可选的，在所述通过训练好的超分辨率模型对所述预处理图像进行超分辨率处理，得到待识别图像之前，所述方法还包括：

获取第一数据集以及待训练模型，所述第一数据集包括第一样本图像以及鉴别图像，其中，所述第一样本图像为所述鉴别图像的低分辨率图像，所述待训练模型包括生成网络以及鉴别网络；

将所述第一样本图像输入到生成网络中，得到生成图像，并通过鉴别网络对所述生成图像与所述鉴别图像进行鉴别，得到鉴别结果；

根据所述鉴别结果对生成网络以及鉴别网络进行参数调整，迭代参数调整过程，直到迭代次数达到预设次数时，停止训练，得到训练好的生成网络；

基于所述训练好的生成网络，确定超分辨率模型。

可选的，所述基于所述待识别图像对所述道路内部的病害进行图像识别，得到所述道路内部的道路病害识别结果，包括：

对所述待识别图像进行图像分割，得到分割实例；

对所述分割实例进行图像识别，得到所述道路内部的道路病害识别结果。

可选的，所述对所述分割实例进行图像识别，得到所述道路内部的道路病害识别结果，包括：

对所述待识别图像中的所述分割实例进行掩膜，得到所述待识别图像的掩膜图像；

将所述掩膜图像与所述待识别图像进行通道拼接，得到拼接图像；

将所述拼接图像输入到训练好的图像识别模型中进行识别处理，得到所述道路内部的道路病害识别结果。

可选的，在所述将所述拼接图像输入到训练好的图像识别模型中进行识别处理，得到所述道路内部的道路病害识别结果之前，所述方法还包括：

获取第二数据集以及待训练识别模型，所述第二数据集包括第二样本图像以及与所述第二样本图像对应的分类标签，所述第二样本图像为原始样本图像与对应掩膜图像的拼接图像，所述原始样本图像为已知道路病害类型的CT扫描图；

通过所述第二数据集对所述待训练识别模型进行训练，得到训练好的识别模型。

可选的，所述通过所述第二数据集对所述待训练识别模型进行训练，得到训练好的识别模型，包括：

将所述第二样本图像输入到所述待训练识别模型中进行处理，得到样本识别结果；

计算所述样本识别结果与所述类别标签之间的误差损失；

以最小化所述误差损失为优化目标，对所述待训练识别模型进行参数调整；

对所述参数调整过程进行迭代，直到迭代次数达到预设次数或所述待训练识别模型在最小化误差损失处收敛，则停止训练，得到训练好的识别模型。

第二方面，本发明实施例提供一种道路病害识别装置，所述装置包括：

第一获取模块，用于获取道路内部的CT扫描图；

处理模块，用于对所述CT扫描图进行超分辨率处理，得到待识别图像，所述待识别图像的分辨率大于所述CT扫描图的分辨率；

识别模块，用于基于所述待识别图像对所述道路内部的病害进行图像识别，得到所述道路内部的道路病害识别结果。

第三方面，本发明实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例提供的道路病害识别方法中的步骤。

第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现发明实施例提供的道路病害识别方法中的步骤。

本发明实施例中，获取道路内部的CT扫描图；对所述CT扫描图进行超分辨率处理，得到待识别图像，所述待识别图像的分辨率大于所述CT扫描图的分辨率；基于所述待识别图像对所述道路内部的病害进行图像识别，得到所述道路内部的道路病害识别结果。通过对道路内部的CT扫描图进行超分辨率处理，提高CT扫描图的分辨率，将提高了分辨率CT扫描图作为待识别图像来进行图像识别，得到道路内部的道路病害识别结果，由于利用了高分辨率的待识别图像来进行图像识别，提高了图像识别的准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种道路病害识别方法的流程图；

图2是本发明实施例提供的一种道路病害识别装置的结构示意图；

图3是本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参见图1，图1是本发明实施例提供的一种道路病害识别方法的流程图，如图1所示，该道路病害识别方法包括以下步骤：

101、获取道路内部的CT扫描图。

在本发明实施例中，上述道路为目标路段，道路内部的CT扫描图为目标路段的CT扫描图。上述CT扫描图可以通过道路扫描设备在执行道路扫描任务时对目标路段进行扫描得到，道路扫描设备可以是道路扫描车，道路扫描车包括牵引车和设置在牵引车上的扫描装置，扫描装置内部设置有探地雷达和阵列式传感器，通过设置牵引车牵引的扫描装置，可以实现道路的移动式病害扫描，较为方便，通过设置阵列式传感器和探地雷达集成安装，可以实现扫描装置所覆盖的路面全方位的扫描，便于发现损伤。

上述道路扫描任务可以是理解为在指定时间内对指定区域的道路进行扫描，上述道路扫描任务可以由相关道路管理部门进行制定，并发送到道路扫描设备中进行执行。在道路扫描设备执行道路扫描任务对目标路段进行扫描时，可以得到目标路段的CT扫描图。

102、对CT扫描图进行超分辨率处理，得到待识别图像。

在本发明实施例中，上述待识别图像的分辨率大于CT扫描图的分辨率；需要说明的是，CT扫描图的图像分辨率较低，不利于道路病害的识别。

需要说明的是，超分辨率(Super-Resolution)，简称超分(SR)。是指利用光学及其相关光学知识，根据已知图像信息恢复图像细节和其他数据信息的过程，简单来说就是增大图像的分辨率。

上述超分辨率处理可以是基于插值的超分辨率处理方式或可以是基于深度学习的超分辨率处理方式。基于插值的超分辨率处理方式可以是最近邻插值、双线性插值和双三次插值等，插值类型的超分辨率处理方式具有处理速度快的优点，因此，可以用插值类型的超分辨率处理方式对透光图进行第一超分辨率处理。基于深度学习的超分辨率处理方式可以是基于卷积神经网络的SR方法、基于残差网络(residual network,ResNet)的SR方法和基于生成对抗网络(generative adversarial networks,GAN)的SR方法。

103、基于待识别图像对道路内部的病害进行图像识别，得到道路内部的道路病害识别结果。

在本发明实施例中，上述待识别图像的分辨率得到提高，可以直接采用待识别图像对道路内部的病害进行图像识别，上述道路病害识别结果包括道路病害类型以及道路病害严重程度。

上述道路病害主要包括沥青路面对应的道路病害、水泥路面对应的道路病害以及沿线设施对应的道路病害，其中，沥青路面对应的道路病害的类型可以包括坑槽、龟裂、块裂、裂缝(横向裂缝、纵向裂缝、不规则斜线裂缝)、沉陷、车辙、路框差、杂物、积水等；水泥路面对应的道路病害的类型可以包括面板破碎、坑洞、板角断裂、线裂等；沿线设施对应的道路病害的类型可以包括护栏损坏、路框差、井盖破损等。

在得到待识别图像后，可以通过目标检测算法对滤波后的扫描图进行道路病害检测，得到道路内部的道路病害识别结果。

在得到道路内部的道路病害识别结果后，若道路病害识别结果为无道路病害，则不做任何处理。若道路病害识别结果为有道路病害，则根据道路病害识别结果确定道路病害类型以及道路病害严重程度。将道路病害类型以及道路病害严重程度发送到相关道路管理部门，以使相关道路管理部门及时对道路病害进行应对。

本发明实施例中，获取道路内部的CT扫描图；对所述CT扫描图进行超分辨率处理，得到待识别图像，所述待识别图像的分辨率大于所述CT扫描图的分辨率；基于所述待识别图像对所述道路内部的病害进行图像识别，得到所述道路内部的道路病害识别结果。通过对道路内部的CT扫描图进行超分辨率处理，提高CT扫描图的分辨率，将提高了分辨率CT扫描图作为待识别图像来进行图像识别，得到道路内部的道路病害识别结果，由于利用了高分辨率的待识别图像来进行图像识别，提高了图像识别的准确率。

可选的，在对CT扫描图进行超分辨率处理，得到待识别图像的步骤中，可以对CT扫描图进行预处理，得到预处理图像；通过训练好的超分辨率模型对预处理图像进行超分辨率处理，得到待识别图像。

在本发明实施例中，上述预处理可以是去噪处理、裁剪处理、缩放处理等预处理方式。通过对CT扫描图进行预处理，可以得到便于处理的预处理图像。

上述超分辨率模型可以是SRResNet生成网络，通过将低分辨率的图像输入到SRResNet生成网络进行处理，输出得到高分辨率的图像。

具体的，在得到预处理图像后，将预处理图像输入到SRResNet生成网络进行处理，得到高分辨率的待识别图像。通过SRResNet生成网络，可以将预处理图像生成分辨率更高的待识别图像。可以理解的是，上述待识别图像中图像的尺寸分辨率得到提高，因此，生成图像序列中图像的尺寸分辨率大于CT扫描图的尺寸分辨率。

可选的，在通过训练好的超分辨率模型对预处理图像进行超分辨率处理，得到待识别图像的步骤之前，还可以获取第一数据集以及待训练模型，第一数据集包括第一样本图像以及鉴别图像，其中，第一样本图像为鉴别图像的低分辨率图像，待训练模型包括生成网络以及鉴别网络；将第一样本图像输入到生成网络中，得到生成图像，并通过鉴别网络对生成图像与鉴别图像进行鉴别，得到鉴别结果；根据鉴别结果对生成网络以及鉴别网络进行参数调整，迭代参数调整过程，直到迭代次数达到预设次数时，停止训练，得到训练好的生成网络；基于训练好的生成网络，确定超分辨率模型。

在本发明实施例中，第一样本图像为鉴别图像的低分辨率图像，第一样本图像可以通过鉴别图像进行分辨率缩放进行得到。上述待训练模型可以是生成式对抗模型，生成式对抗模型包括生成网络和鉴别网络。具体的，上述生成式对抗模型可以是基于SRGAN网络的生成式对抗模型，SRResNet是SRGAN网络的生成网络，鉴别网络用于区分真实的图像和通过SRResNet还原出来的图像。SRGAN网络的最终目标就是要让鉴别网络无法区分真实的图像和SRResNet还原的图像。

具体的，将第一样本图像输入到生成网络，得到高分辨率的生成图像，将生成图像输入到鉴别网络中与鉴别图像进行鉴别，若鉴别结果为真，则说明鉴别网络鉴别错误，可以对鉴别网络进行参数调整，直到鉴别网络的鉴别结果为假。若鉴别结果为假，则说明生成网络生成的生成图像不够真，可以对生成网络进行参数调整，直到鉴别网络的鉴别结果为真。迭代上述对抗过程，当迭代次数达到预设次数后，停止迭代，得到训练好的生成网络。鉴别网络只用于训练过程，实际中并不使用。将训练好的生成网络确定为超分辨率模型。

可选的，在基于待识别图像对道路内部的病害进行图像识别，得到道路内部的道路病害识别结果的步骤中，可以对待识别图像进行图像分割，得到分割实例；对分割实例进行图像识别，得到道路内部的道路病害识别结果。

在本发明实施例中，上述分割实例为道路病害区域，在得到待识别图像后，可以确定待识别图像中道路病害区域的几何中心点，将几何中心点作为种子点进行区域生长，将种子点作为生长起点，然后将种子点周围所有的像素点，按照像素值误差在预设范围内的生长规则进行生长合并，直到没有能满足生长点的像素为止，得到分割实例。

在一种可能的实施例中，对待识别图像进行灰度化，得到待识别图像的灰度图，通过均值迭代分割，计算出一个灰度阈值，通过精确度阈值来将待识别图像划分为道路病害区域和背景区域，将道路病害区域作为分割实例。

在得到分割实例区域后，对分割实例进行图像识别，具体的，可以通过支持向量机对分割实例进行分类，得到分割实例的分类结果，分割实例的分类结果包括道路病害类型以及道路病害严重程度。根据分割实例的分类结果确定道路内部的道路病害识别结果。

可选的，在对分割实例进行图像识别，得到道路内部的道路病害识别结果的步骤中，可以对待识别图像中的分割实例进行掩膜，得到待识别图像的掩膜图像；将掩膜图像与待识别图像进行通道拼接，得到拼接图像；将拼接图像输入到训练好的图像识别模型中进行识别处理，得到道路内部的道路病害识别结果。

在本发明实施例中，将待识别图像中的分割实例进行掩膜处理，将分割实例通过一个掩膜值来进行表示。掩膜完成后，得到待识别图像对应的掩膜图像。上述掩膜处理可以是将分割实例进行赋值，使得分割实例通过一个值来进行表示，由于掩膜图像中分割实例的像素值为同一个值，因此在掩膜图像处理时可以不考虑道路病害对应的具体像素值，训练好的图像识别模型可以在道路病害不完整时，利用分割实例的掩膜来来作为辅助信息。

具体的，将掩膜图像与滤波后的扫描图进行通道拼接，得到拼接图像，拼接图像的通道数为掩膜图像的通道数与扫描图的通道数之和。

可选的，在将拼接图像输入到训练好的图像识别模型中进行识别处理，得到道路内部的道路病害识别结果的步骤之前，还可以获取第二数据集以及待训练识别模型，第二数据集包括第二样本图像以及与第二样本图像对应的分类标签，第二样本图像为原始样本图像与对应掩膜图像的拼接图像，原始样本图像为已知道路病害类型的CT扫描图；通过第二数据集对所述待训练识别模型进行训练，得到训练好的识别模型。

在本发明实施例中，可以获取第二数据集以及待训练识别模型，第二数据集包括与拼接图像通过具有相同处理方法进行处理所得到的第二样本图像以及与第二样本图像对应的分类标签，上述分类标签包括类别标签和严重程度标签；通过第二数据集对待训练识别模型进行有监督训练，得到训练好的识别模型。

上述第二样本图像为各种已有道路病害情况的扫描图经过预处理、超分辨率处理、图像分割处理、掩膜处理、拼接处理后得到的拼接图像，可以通过人工标注的方式对第二样本图像进行标注，得到第二样本图像对应的类别标签和严重程度标签，每个第二样本图像对应一个类别标签与一个严重程度标签。上述待训练识别模型可以根据YOLO系列、ResNet系列、VggNet系列、MobileNet系列等网络构建得到。

可选的，在通过第二数据集对待训练识别模型进行训练，得到训练好的识别模型的步骤中，可以将第二样本图像输入到待训练识别模型中进行处理，得到样本识别结果；计算样本识别结果与类别标签之间的误差损失；以最小化误差损失为优化目标，对待训练识别模型进行参数调整；对参数调整过程进行迭代，直到迭代次数达到预设次数或待训练识别模型在最小化误差损失处收敛，则停止训练，得到训练好的识别模型。

在本发明实施例中，上述类别标签包括类别标签以及严重程度标签，上述误差损失为基于类别损失和严重程度损失的总误差损失，上述总误差损失包括第一误差损失和第二误差损失，第一误差损失为类别损失，第二误差损失为严重程度损失。

在训练过程中，将第二样本图像输入到待训练识别模型，通过待训练识别模型输出样本识别结果，样本识别结果包括类别预测结果以及严重程度预测结果，计算类别预测结果与类别标签之间的第一误差损失，计算严重程度预测结果与严重程度标签之间的第二误差损失，根据第一误差损失和第二误差损失之和作为总误差损失，以最小化总误差损失为优化目标，采用反向传播的方式对待训练识别模型进行参数调整，迭代上述参数调整过程，直到迭代次数达到预设次数或待训练识别模型在最小总误差损失处收敛时，停止训练，得到训练好的识别模型。

在得到训练好的识别模型后，将拼接图像输入到训练好的识别模型中进行处理，输出得到道路内部的道路病害识别结果。道路病害识别结果包括道路病害类型以及道路病害严重程度。

需要说明的是，本发明实施例提供的道路病害识别方法可以应用于可以进行道路病害识别方法的智能摄像头、智能手机、电脑、服务器等设备。

可选的，请参见图2，图2是本发明实施例提供的一种道路病害识别装置的结构示意图，如图2所示，所述装置包括：

第一获取模块201，用于获取道路内部的CT扫描图；

处理模块202，用于对所述CT扫描图进行超分辨率处理，得到待识别图像，所述待识别图像的分辨率大于所述CT扫描图的分辨率；

识别模块203，用于基于所述待识别图像对所述道路内部的病害进行图像识别，得到所述道路内部的道路病害识别结果。

可选的，所述处理模块202，包括：

第一处理子模块，用于对所述CT扫描图进行预处理，得到预处理图像；

第二处理子模块，用于通过训练好的超分辨率模型对所述预处理图像进行超分辨率处理，得到待识别图像。

可选的，所述装置还包括：

第二获取模块，用于获取第一数据集以及待训练模型，所述第一数据集包括第一样本图像以及鉴别图像，其中，所述第一样本图像为所述鉴别图像的低分辨率图像，所述待训练模型包括生成网络以及鉴别网络；

鉴别模块，用于所述第一样本图像输入到生成网络中，得到生成图像，并通过鉴别网络对所述生成图像与所述鉴别图像进行鉴别，得到鉴别结果；

调整模块，用于根据所述鉴别结果对生成网络以及鉴别网络进行参数调整，迭代参数调整过程，直到迭代次数达到预设次数时，停止训练，得到训练好的生成网络；

确定模块，用于基于所述训练好的生成网络，确定超分辨率模型。

可选的，所述识别模块203，包括：

分割子模块，用于对所述待识别图像进行图像分割，得到分割实例；

识别子模块，用于对所述分割实例进行图像识别，得到所述道路内部的道路病害识别结果。

可选的，所述识别子模块，包括：

掩膜单元，用于对所述待识别图像中的所述分割实例进行掩膜，得到所述待识别图像的掩膜图像；

拼接单元，用于将所述掩膜图像与所述待识别图像进行通道拼接，得到拼接图像；

处理单元，用于将所述拼接图像输入到训练好的图像识别模型中进行识别处理，得到所述道路内部的道路病害识别结果。

可选的，所述装置还包括：

第三获取模块，用于获取第二数据集以及待训练识别模型，所述第二数据集包括第二样本图像以及与所述第二样本图像对应的分类标签，所述第二样本图像为原始样本图像与对应掩膜图像的拼接图像，所述原始样本图像为已知道路病害类型的CT扫描图；

训练模块，用于通过所述第二数据集对所述待训练识别模型进行训练，得到训练好的识别模型。

可选的，所述训练模块，包括：

第三处理子模块，用于将所述第二样本图像输入到所述待训练识别模型中进行处理，得到样本识别结果；

计算子模块，用于计算所述样本识别结果与所述类别标签之间的误差损失；

调整子模块，用于以最小化所述误差损失为优化目标，对所述待训练识别模型进行参数调整；

迭代子模块，用于对所述参数调整过程进行迭代，直到迭代次数达到预设次数或所述待训练识别模型在最小化误差损失处收敛，则停止训练，得到训练好的识别模型。

需要说明的是，本发明实施例提供的道路病害识别装置可以应用于可以进行道路病害识别方法的智能摄像头、智能手机、电脑、服务器等设备。

本发明实施例提供的道路病害识别装置能够实现上述方法实施例中道路病害识别方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。

参见图3，图3是本发明实施例提供的一种电子设备的结构示意图，如图3所示，包括：存储器302、处理器301及存储在所述存储器302上并可在所述处理器301上运行的道路病害识别方法的计算机程序，其中：

处理器301用于调用存储器302存储的计算机程序，执行如下步骤：

获取道路内部的CT扫描图；

对所述CT扫描图进行超分辨率处理，得到待识别图像，所述待识别图像的分辨率大于所述CT扫描图的分辨率；

基于所述待识别图像对所述道路内部的病害进行图像识别，得到所述道路内部的道路病害识别结果。

可选的，处理器301执行的所述对所述CT扫描图进行超分辨率处理，得到待识别图像，包括：

对所述CT扫描图进行预处理，得到预处理图像；

通过训练好的超分辨率模型对所述预处理图像进行超分辨率处理，得到待识别图像。

可选的，在所述通过训练好的超分辨率模型对所述预处理图像进行超分辨率处理，得到待识别图像之前，处理器301执行的所述方法还包括：

获取第一数据集以及待训练模型，所述第一数据集包括第一样本图像以及鉴别图像，其中，所述第一样本图像为所述鉴别图像的低分辨率图像，所述待训练模型包括生成网络以及鉴别网络；

将所述第一样本图像输入到生成网络中，得到生成图像，并通过鉴别网络对所述生成图像与所述鉴别图像进行鉴别，得到鉴别结果；

根据所述鉴别结果对生成网络以及鉴别网络进行参数调整，迭代参数调整过程，直到迭代次数达到预设次数时，停止训练，得到训练好的生成网络；

基于所述训练好的生成网络，确定超分辨率模型。

可选的，处理器301执行的所述基于所述待识别图像对所述道路内部的病害进行图像识别，得到所述道路内部的道路病害识别结果，包括：

对所述待识别图像进行图像分割，得到分割实例；

对所述分割实例进行图像识别，得到所述道路内部的道路病害识别结果。

可选的，处理器301执行的所述对所述分割实例进行图像识别，得到所述道路内部的道路病害识别结果，包括：

对所述待识别图像中的所述分割实例进行掩膜，得到所述待识别图像的掩膜图像；

将所述掩膜图像与所述待识别图像进行通道拼接，得到拼接图像；

将所述拼接图像输入到训练好的图像识别模型中进行识别处理，得到所述道路内部的道路病害识别结果。

可选的，在所述将所述拼接图像输入到训练好的图像识别模型中进行识别处理，得到所述道路内部的道路病害识别结果之前，处理器301执行的所述方法还包括：

获取第二数据集以及待训练识别模型，所述第二数据集包括第二样本图像以及与所述第二样本图像对应的分类标签，所述第二样本图像为原始样本图像与对应掩膜图像的拼接图像，所述原始样本图像为已知道路病害类型的CT扫描图；

通过所述第二数据集对所述待训练识别模型进行训练，得到训练好的识别模型。

可选的，处理器301执行的所述通过所述第二数据集对所述待训练识别模型进行训练，得到训练好的识别模型，包括：

将所述第二样本图像输入到所述待训练识别模型中进行处理，得到样本识别结果；

计算所述样本识别结果与所述类别标签之间的误差损失；

以最小化所述误差损失为优化目标，对所述待训练识别模型进行参数调整；

对所述参数调整过程进行迭代，直到迭代次数达到预设次数或所述待训练识别模型在最小化误差损失处收敛，则停止训练，得到训练好的识别模型体。

本发明实施例提供的电子设备能够实现上述方法实施例中道路病害识别方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的道路病害识别方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Nenory，RON)或随机存取存储器(Randon AccessNenory，简称RAN)等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。