一种基于胶囊网络的高速公路路面病害识别算法

技术领域

本发明涉及路面病害识别技术领域，具体涉及一种基于胶囊网络的高速公路路面病害识别算法。

背景技术

高速路面病害是指高速公路路面在使用一段时间后出现的损坏现象,通常包括路面坑洼、裂缝、沉降、路面积水等。这些病害会对高速公路的行车安全造成严重影响,需要及时进行修复。

为了预防高速路面病害的发生,需要采取一系列措施主要加强路面养护管理:定期对高速公路路面进行养护,包括清理路面积雪、更换磨损的路面材料、修补裂缝等。

胶囊网络为高效识别分类提供了良好的途径，它具有胶囊单元，可增强模型的信息表达能力，使用的训练数据更少，准确率更高。同时，胶囊网络的两层向量之间的更新采用动态路由算法，能够避免图像精确位置信息的丢失。

但现有的高速公路在进行识别时主要通过路面识别车在实地行驶后进行识别当前的路面信息的状态，来进行识别路面的病害，但在实际的识别过程中存在识别不及时的问题因此本发明提供一种具有及时性的识别方式的基于胶囊网络的高速公路路面病害识别算法。

发明内容

鉴于上述现有存在的问题，提出了本发明。

因此，本发明目的是提供一种基于胶囊网络的高速公路路面病害识别算法，解决了上述的问题。

为了实现上述目的，本发明提供如下技术方案：

一种基于胶囊网络的高速公路路面病害识别算法，包括数据库预处理，胶囊网络模型，识别算法三大模块，其中的数据库预处理包括以下内容：

S1、数据库预处理在进行模型的建立中，首先要进行模型数据库的搭建，在进行搭建时，通过将高速公路的路面病害种类进行划分，再根据划分后的结果进行路面病害的原始数据的建立，在建立中通过进行拍摄各种数据的图片信息转化为初级图片数据集，同时采用探地雷达获取与其对应的信息转化为初级内部图片集；

S2、在初级图片数据集以及初级内部图片集建立完成后，此时需要进行数据预处理，再进行数据的预处理，在进行预处理时，通过将相同病害的高相似图片进行删减，在进行删减中会还会进行初级内部图片集进行判定，在进行图片的数据进行删减前，会将初级图片数据集进行栅格化处理，在进行栅格化处理时，按照图片的尺寸大小进行划分，计算机将每张初级图片数据集中的图片按照3×3的比例进行栅格化，高相似度的划分算法如下：初级图片数据集相似度判定算法

进一步的，所述胶囊网络模型包括以下内容：

SS1、通过将每个精细内部图片集以及精细图片数据集转化为输入大小为28×28的规格，同时通过将其按照大小为9的卷积核进行生成256个通道的特征图，同时设置步长为1，并将热鲁作为激活函数，使其输出的大小为256×20×20的特征图作为第一卷积层，进行胶囊化，通过将其转化为卷积核且大小设定为9×9同时设置步长为2，通道数为256后通过主胶囊层后将其转化为32个胶囊层，同时每个胶囊层限定为6×6个胶囊组成，从而总共输出32×6×6个胶囊单元，同时将胶囊单元向量限定为8，其中主胶囊的输出为；

SS2、通过将主胶囊层经过动态路由算法将其输出为10的数字胶囊，同时控制每层中均含有10个胶囊层，从而转化为10×10的矩阵序列，通过这样的矩阵系列，来进行测定后期的识别对象的图片的角度位置发生变化后胶囊单元进行向量也会发生对应变化至此完成编码；

SS3、解码器则是通过将得到的矩阵序列经过三个全连接层处理，在进行处理时需要经过神经元处理，神经元进行处理时，分为512、1024以及784三个神经元个数进行的计算，在通过512以及1024在处理后均通过热鲁激活函数，而最后一个的全连接层784则采用sigmoid函数，从而完成解码。

进一步的，所述识别算法包括以下内容：

步骤一、在胶囊网络模型中包含通过动态路由算法，算法内容如下：

其中u

步骤二、在通过将s

进一步的，在得到概率的概率会进行判定路面病害的种类，根据病害的种类会进行预测病害路面的内部实际的病害面积情况，实际的病害会根据实际的胶囊网络判断的路面病害种类，利用识别出的病害种类图片信息，将识别出的病害形状进行与数据库中存储的精细内部图片集以及精细图片数据集进行比对，在进行比对时通过进行放大缩小操作将其对比的数据形状进行大小比例变换，确保相同后进行识别判断病害深度时，利用预测的路面病害信息进行预测实际的路面病害深度。

进一步的，通过高速路上的监控摄像头进行辅助识别，在进行识别时的数据在路面无车时，会将路面信息上传到云端数据，从而通过胶囊网络进行识别出路面病害后，此时安排维修人员进行实地识别，在进行实地识别时，施工人员会实地的路面信息进行识别，在进行识别后，将实际的探测深度形状，进行上传到胶囊网络中的精细内部图片集，从而进行学习，方便后期进行识别路面病害以及预测路面的病害深度。

进一步的，所述路面病害包括有裂纹、车辙、坑槽、沉陷、推移以及拥包。

在上述技术方案中，本发明提供的技术效果和优点：

1、本发明通过数据库预处理，会进行二次判定相似度来进行数据库的预筛选，从而其数据进行细节化处理同时增大数据的详细数据，从而得到精细内部图片集以及精细图片数据集。

2、本发明通过高速路上的监控摄像头进行辅助识别，在进行识别时的数据在路面无车时，会将路面信息上传到云端数据，从而通过胶囊网络进行识别出路面病害后，此时安排维修人员进行实地识别，在进行实地识别时，施工人员会实地的路面信息进行识别，在进行识别后，将实际的探测深度形状，进行上传到胶囊网络中的精细内部图片集，从而进行学习，方便后期进行识别路面病害以及预测路面的病害深度，通过这样随着使用后，持续的增加新的路面病害深度，随着在进行实际的使用过程中，会增加路面情况的实际数据组数据，通过实际场景的实际测量结果进行佐证，来确保增加新的实际数据组，以此来使得后期预测路面病害的准确度得到提高。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本发明的路面裂缝示意图；

图2为本发明的路面坑槽示意图；

图3为本发明的识别的流程示意图。

具体实施方式

为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图对本发明作进一步的详细介绍。

本发明实施例公开一种基于胶囊网络的高速公路路面病害识别算法。

本发明提供了如图1-3所示的一种基于胶囊网络的高速公路路面病害识别算法，包括数据库预处理，胶囊网络模型，识别算法三大模块，其中的数据库预处理包括以下内容：

S1、数据库预处理在进行模型的建立中，首先要进行模型数据库的搭建，在进行搭建时，通过将高速公路的路面病害种类进行划分，再根据划分后的结果进行路面病害的原始数据的建立，在建立中通过进行拍摄各种数据的图片信息转化为初级图片数据集，同时采用探地雷达获取与其对应的信息转化为初级内部图片集，利用得到的路面病害深度信息来为后期的预测做准备，通过准备的内部病害深度信息来为后期的检测做准备每当后期检测实际的路面病害时，进行匹配，在确定了病害的类型后，通过对病害类型进行分类后，得到该实际病害处的病害类型，进一步的进行检测病害的形状，在确定病害形状后，会与数据库中的相似的病害形状下的病害深度进行预测匹配，从而进行模拟预估病害深度；

S2、在初级图片数据集以及初级内部图片集建立完成后，此时需要进行数据预处理，再进行数据的预处理，在进行预处理时，通过将相同病害的高相似图片进行删减，在进行删减中会还会进行初级内部图片集进行判定，在进行图片的数据进行删减前，会将初级图片数据集进行栅格化处理，在进行栅格化处理时，按照图片的尺寸大小进行划分，计算机将每张初级图片数据集中的图片按照3×3的比例进行栅格化，高相似度的划分算法如下：初级图片数据集相似度判定算法

其中，胶囊网络模型包括以下内容：

SS1、通过将每个精细内部图片集以及精细图片数据集转化为输入大小为28×28的规格，同时通过将其按照大小为9的卷积核进行生成256个通道的特征图，同时设置步长为1，并将热鲁作为激活函数，使其输出的大小为256×20×20的特征图作为第一卷积层，进行胶囊化，通过将其转化为卷积核且大小设定为9×9同时设置步长为2，通道数为256后通过主胶囊层后将其转化为32个胶囊层，同时每个胶囊层限定为6×6个胶囊组成，从而总共输出32×6×6个胶囊单元，同时将胶囊单元向量限定为8，其中主胶囊的输出为；

SS2、通过将主胶囊层经过动态路由算法将其输出为10的数字胶囊，同时控制每层中均含有10个胶囊层，从而转化为10×10的矩阵序列，通过这样的矩阵系列，来进行测定后期的识别对象的图片的角度位置发生变化后胶囊单元进行向量也会发生对应变化至此完成编码；

SS3、解码器则是通过将得到的矩阵序列经过三个全连接层处理，在进行处理时需要经过神经元处理，神经元进行处理时，分为512、1024以及784三个神经元个数进行的计算，在通过512以及1024在处理后均通过热鲁激活函数，而最后一个的全连接层784则采用sigmoid函数，从而完成解码。

其中，识别算法包括以下内容：

步骤一、在胶囊网络模型中包含通过动态路由算法，算法内容如下：

其中u

步骤二、在通过将s

其中，在得到概率的概率会进行判定路面病害的种类，根据病害的种类会进行预测病害路面的内部实际的病害面积情况，实际的病害会根据实际的胶囊网络判断的路面病害种类，利用识别出的病害种类图片信息，将识别出的病害形状进行与数据库中存储的精细内部图片集以及精细图片数据集进行比对，在进行比对时通过进行放大缩小操作将其对比的数据形状进行大小比例变换，确保相同后进行识别判断病害深度时，利用预测的路面病害信息进行预测实际的路面病害深度，在进行识别路面病害后能够进行预测病害的深度。

其中，通过高速路上的监控摄像头进行辅助识别，在进行识别时的数据在路面无车时，会将路面信息上传到云端数据，从而通过胶囊网络进行识别出路面病害后，此时安排维修人员进行实地识别，在进行实地识别时，施工人员会实地的路面信息进行识别，在进行识别后，将实际的探测深度形状，进行上传到胶囊网络中的精细内部图片集，从而进行学习，方便后期进行识别路面病害以及预测路面的病害深度，通过这样随着使用后，持续的增加新的路面病害深度，随着在进行实际的使用过程中，会增加路面情况的实际数据组数据，通过实际场景的实际测量结果进行佐证，来确保增加新的实际数据组，以此来使得后期预测路面病害的准确度得到提高。

其中，路面病害包括有裂纹即路面开裂、车辙即在行车载荷重复作用下，路面产生积累永久性的带状凹槽、坑槽即路面产生了小坑、沉陷即路面产生了大坑、推移即产生了沥青偏移导致的拥包推移。

以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。