本發(fā)明屬于路面病害檢測(cè)，具體涉及一種路面剝落狀態(tài)評(píng)價(jià)方法、電子設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、路面剝落是指由于各種原因?qū)е碌牡缆繁砻娌牧系拿撀洹⑺榱鸦蚍纸猬F(xiàn)象。常見的原因包括材料老化、交通負(fù)載壓力、不適宜的氣候條件、施工質(zhì)量不佳、維護(hù)不當(dāng)?shù)纫蛩?。路面剝落不僅限于表面，還可能影響到道路的結(jié)構(gòu)層，從而減少路面的整體承載能力和使用壽命。

2、路面剝落的發(fā)生對(duì)路面使用和交通安全造成了直接和嚴(yán)重的影響。首先，剝落導(dǎo)致的不平路面會(huì)減少駕駛的舒適性，增加行車難度。車輛在行經(jīng)受損路面時(shí)，會(huì)增加震動(dòng)和噪音，長(zhǎng)期受影響的車輛面臨更頻繁的維護(hù)和修理需求。路面剝落會(huì)導(dǎo)致駕駛者為避開損壞區(qū)域而突然變道，增加了交通事故的風(fēng)險(xiǎn)。此外，路面的不平整可能影響車輛的行駛效率，增加油耗和排放，對(duì)環(huán)境造成額外負(fù)擔(dān)。

3、研究路面剝落狀態(tài)評(píng)價(jià)方法對(duì)于道路維護(hù)和管理具有重要意義。通過(guò)有效的評(píng)價(jià)方法，可以及時(shí)發(fā)現(xiàn)并修復(fù)路面損害，防止損害擴(kuò)大成更嚴(yán)重的結(jié)構(gòu)性問題，從而大大降低道路全生命周期的維護(hù)成本。

4、專利號(hào)為202211109405.x、發(fā)明名稱為“基于深度圖像識(shí)別的路面隱性剝落點(diǎn)檢測(cè)方法及系統(tǒng)”的發(fā)明專利，介紹了一個(gè)基于深度圖像識(shí)別的系統(tǒng)，用于檢測(cè)路面的隱性剝落點(diǎn)。該方法先在濕潤(rùn)環(huán)境下采集路面圖像，預(yù)處理以去除噪聲，然后標(biāo)記隱性剝落點(diǎn)。接著，利用深度學(xué)習(xí)框架訓(xùn)練檢測(cè)模型，并用該模型識(shí)別新的圖像中的剝落點(diǎn)。此技術(shù)旨在提高道路使用壽命和減少維護(hù)成本，提供高效智能的道路養(yǎng)護(hù)管理。但是缺乏路面剝落狀態(tài)評(píng)價(jià)方法的研究，將導(dǎo)致無(wú)法及時(shí)發(fā)現(xiàn)和修復(fù)路面損壞，進(jìn)而加劇道路的進(jìn)一步破壞，減少道路的使用壽命。這不僅增加了道路維護(hù)的成本，還可能因路面質(zhì)量問題導(dǎo)致交通事故和駕駛不便，影響交通安全和效率。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明要解決的問題是為了及時(shí)發(fā)現(xiàn)和修復(fù)路面損壞，提出一種路面剝落狀態(tài)評(píng)價(jià)方法、電子設(shè)備及存儲(chǔ)介質(zhì)。

2、為實(shí)現(xiàn)上述目的，本發(fā)明通過(guò)以下技術(shù)方案實(shí)現(xiàn)：

3、一種路面剝落狀態(tài)評(píng)價(jià)方法，包括如下步驟：

4、s1.?采用高清相機(jī)采集路面圖像；

5、s2.?對(duì)步驟s1采集的路面圖像，挑選出路面剝落以及橫向裂縫、龜裂、車轍的圖像，進(jìn)行人工標(biāo)注，構(gòu)建用于路面剝落識(shí)別的數(shù)學(xué)模型的數(shù)據(jù)集；

6、s3.?構(gòu)建用于路面剝落識(shí)別的數(shù)學(xué)模型，包括基礎(chǔ)模型和強(qiáng)化模型；

7、s4.?構(gòu)建用于路面剝落識(shí)別的數(shù)學(xué)模型中基礎(chǔ)模型和強(qiáng)化模型的輸出層損失函數(shù)；

8、s5.?構(gòu)建用于路面剝落識(shí)別的數(shù)學(xué)模型中基礎(chǔ)模型和強(qiáng)化模型的層間損失函數(shù)；

9、s6.?利用步驟s2得到的數(shù)據(jù)集對(duì)用于路面剝落識(shí)別的數(shù)學(xué)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的用于路面剝落識(shí)別的數(shù)學(xué)模型；

10、s7.?基于步驟s6得到的訓(xùn)練好的用于路面剝落識(shí)別的數(shù)學(xué)模型進(jìn)行數(shù)字孿生建模，得到用于路面剝落識(shí)別的數(shù)字孿生模型；

11、s8.?基于步驟s7得到的用于路面剝落識(shí)別的數(shù)字孿生模型，針對(duì)剝落區(qū)域幾何特性、幾何特征變化速度、材料與結(jié)構(gòu)特性、荷載特性、環(huán)境條件、維護(hù)和歷史記錄、剩余服務(wù)壽命指標(biāo)，進(jìn)行路面剝落狀態(tài)評(píng)價(jià)。

12、進(jìn)一步，步驟s2的具體實(shí)現(xiàn)方法包括如下步驟：

13、s2.1.?從路面圖像中，人工挑選出全部包含剝落以及橫向裂縫、龜裂、車轍的圖像；

14、s2.2.?通過(guò)人工標(biāo)注的方法，在步驟s1.1挑選的路面圖像中框選出剝落區(qū)域及其它三種病害，并將剝落標(biāo)識(shí)為spalling，其它三種病害中橫向裂縫、龜裂、車轍依次標(biāo)記為other1、other2、other3，構(gòu)建用于路面剝落識(shí)別的數(shù)學(xué)模型的數(shù)據(jù)集；

15、s2.3.?將用于路面剝落識(shí)別的數(shù)學(xué)模型的數(shù)據(jù)集按照數(shù)量比8:2的比例，劃分為訓(xùn)練集和測(cè)試集。

16、進(jìn)一步的，步驟s3的具體實(shí)現(xiàn)方法包括如下步驟：

17、s3.1.?構(gòu)建基礎(chǔ)模型，基礎(chǔ)模型a由1個(gè)輸入層、5個(gè)卷積層、5個(gè)激活層、4個(gè)池化層、1個(gè)全局平均池化層、1個(gè)輸出層構(gòu)成；

18、s3.2.?構(gòu)建強(qiáng)化模型，強(qiáng)化模型b由1個(gè)輸入層、10個(gè)卷積層、10個(gè)激活層、5個(gè)池化層、1個(gè)全局平均池化層、1個(gè)輸出層構(gòu)成。

19、進(jìn)一步的，步驟s4的具體實(shí)現(xiàn)方法包括如下步驟：

20、s4.1.?構(gòu)建基礎(chǔ)模型a的損失函數(shù)并進(jìn)行基礎(chǔ)模型a的訓(xùn)練；

21、s4.1.1.?基礎(chǔ)模型a的損失函數(shù)的計(jì)算公式為：

22、；

23、其中，為基礎(chǔ)模型a的損失函數(shù)，為基礎(chǔ)模型a中數(shù)據(jù)樣本總數(shù)，為第個(gè)樣本的真實(shí)標(biāo)簽，為基礎(chǔ)模型a預(yù)測(cè)第個(gè)樣本為類別1的概率；

24、將步驟s2得到的訓(xùn)練集輸入到基礎(chǔ)模型a中，通過(guò)誤差反向傳播算法，計(jì)算神經(jīng)網(wǎng)絡(luò)單元的權(quán)重和偏置，完成基礎(chǔ)模型a的訓(xùn)練，得到訓(xùn)練完畢的基礎(chǔ)模型a；

25、s4.1.2.?基礎(chǔ)模型a對(duì)應(yīng)的4個(gè)輸出單元的節(jié)點(diǎn)輸出值為，將4個(gè)輸出單元的節(jié)點(diǎn)輸出值進(jìn)行初始轉(zhuǎn)換，得到輸出值對(duì)應(yīng)的概率值的計(jì)算公式為：

26、；

27、然后將4個(gè)輸出單元的節(jié)點(diǎn)輸出值進(jìn)一步優(yōu)化轉(zhuǎn)換，得到輸出值對(duì)應(yīng)的增強(qiáng)概率值的計(jì)算公式為：

28、；

29、其中， g為增強(qiáng)系數(shù)，然后對(duì)每個(gè)節(jié)點(diǎn)對(duì)應(yīng)的實(shí)際病害標(biāo)注為；

30、s4.1.3.?采用以及步驟s2得到的訓(xùn)練集，結(jié)合誤差鏈?zhǔn)角髮?dǎo)法則，訓(xùn)練基礎(chǔ)模型a，訓(xùn)練完畢后，得到基礎(chǔ)模型a對(duì)應(yīng)的4類病害的輸出值，依次記為；

31、s4.2.?構(gòu)建強(qiáng)化模型b的損失函數(shù)并進(jìn)行強(qiáng)化模型b的訓(xùn)練；

32、s4.2.1.?將步驟s2得到的訓(xùn)練集輸入到強(qiáng)化模型b中，通過(guò)誤差反向傳播算法，計(jì)算神經(jīng)網(wǎng)絡(luò)單元的權(quán)重和偏置，完成強(qiáng)化模型b的訓(xùn)練，得到訓(xùn)練完畢的強(qiáng)化模型b；

33、強(qiáng)化模型b的損失函數(shù)的計(jì)算公式為：

34、；

35、其中，為強(qiáng)化模型b的損失函數(shù)；為強(qiáng)化模型b中數(shù)據(jù)樣本總數(shù)；為第個(gè)樣本的真實(shí)標(biāo)簽，為強(qiáng)化模型b預(yù)測(cè)第個(gè)樣本為類別1的概率；

36、s4.2.2.?強(qiáng)化模型b對(duì)應(yīng)的4個(gè)輸出單元的節(jié)點(diǎn)輸出值為 b1、 b2、 b3、 b4，將4個(gè)輸出單元的節(jié)點(diǎn)輸出值進(jìn)行初始轉(zhuǎn)換，得到輸出值對(duì)應(yīng)的概率值的計(jì)算公式為：

37、；

38、然后將4個(gè)輸出單元的節(jié)點(diǎn)輸出值進(jìn)一步優(yōu)化轉(zhuǎn)換，得到輸出值對(duì)應(yīng)的增強(qiáng)概率值的計(jì)算公式為：

39、；

40、s4.2.3.?采用以及步驟s2得到的訓(xùn)練集，結(jié)合誤差鏈?zhǔn)角髮?dǎo)法則，訓(xùn)練強(qiáng)化模型b，訓(xùn)練完畢后，得到強(qiáng)化模型b對(duì)應(yīng)的病害輸出值為，輸出層的4個(gè)節(jié)點(diǎn)中，每個(gè)節(jié)點(diǎn)對(duì)應(yīng)的實(shí)際病害標(biāo)注為，；

41、s4.3.?構(gòu)建基礎(chǔ)模型和強(qiáng)化模型的輸出層損失函數(shù)；

42、基于和，構(gòu)建強(qiáng)化模型b到基礎(chǔ)模型a輸出層之間的損失函數(shù)，計(jì)算公式為：

43、；

44、基于和，構(gòu)建輸出值對(duì)應(yīng)的概率值的基礎(chǔ)模型a的損失函數(shù)，計(jì)算公式為：

45、；

46、基于和，建立基礎(chǔ)模型和強(qiáng)化模型的輸出層損失函數(shù)，計(jì)算公式為：

47、；

48、其中，為的權(quán)重系數(shù)，為的權(quán)重系數(shù)。

49、進(jìn)一步的，步驟s5的具體實(shí)現(xiàn)方法包括如下步驟：

50、s5.1.?假設(shè)具有小模型 a和大模型 b，建立小模型 a中的第二、三、四層以及輸出層，分別與大模型 b中的第四、六、十層以及輸出層建立聯(lián)系；

51、s5.2.?對(duì)于小模型中的第二層和大模型 b中的第四層建立關(guān)系，小模型 a第二層輸出記為，對(duì)應(yīng)的寬度×長(zhǎng)度×通道數(shù)的尺寸為；大模型 b第四層輸出記為，對(duì)應(yīng)的寬度×長(zhǎng)度×通道數(shù)的尺寸為；

52、進(jìn)行尺寸比較，當(dāng)時(shí)，在小模型第二層輸出中，添加卷積操作，卷積核尺寸為1×1，卷積核數(shù)量為，得到輸出為，此時(shí)，對(duì)應(yīng)的各通道輸出值為，為通道編號(hào)，對(duì)應(yīng)的各通道輸出值為；

53、建立基于時(shí)的小模型的第二層與大模型的第四層間的損失函數(shù)，計(jì)算公式為：

54、；

55、當(dāng)時(shí)，在大模型 b第四層輸出中，添加卷積操作，卷積核尺寸為1×1，卷積核數(shù)量為，得到輸出為；此時(shí)，對(duì)應(yīng)的各通道輸出值為：，對(duì)應(yīng)的各通道輸出值為；

56、建立時(shí)的小模型的第二層與大模型的第四層間的損失函數(shù)，計(jì)算公式為：

57、；

58、s5.3.?對(duì)于小模型中的第三層和大模型中的第六層建立關(guān)系，得到小模型第三層與大模型第六層間的損失函數(shù)；

59、s5.4.?對(duì)于小模型中的第四層和大模型中的第十層建立關(guān)系，得到小模型第四層與大模型第十層間的損失函數(shù)；

60、s5.5.?當(dāng)小模型為基礎(chǔ)模型a時(shí)，小模型中的第二、三、四層分別為基礎(chǔ)模型a的池化層1的輸出、池化層2的輸出、池化層4的輸出；當(dāng)大模型為強(qiáng)化模型b時(shí)，大模型中的第四、六、十層分別為強(qiáng)化模型b的池化層2的輸出、池化層3的輸出、池化層5的輸出。

61、進(jìn)一步的，步驟s6的具體實(shí)現(xiàn)方法包括如下步驟：

62、s6.1.?基于強(qiáng)化模型b到基礎(chǔ)模型a的輸出層之間的損失函數(shù)和層間損失函數(shù)，定義兩個(gè)模型間的總損失函數(shù)，計(jì)算公式為：

63、；

64、其中，為對(duì)應(yīng)的權(quán)重系數(shù)，為對(duì)應(yīng)的權(quán)重系數(shù)，為對(duì)應(yīng)的權(quán)重系數(shù)；

65、s6.2.?利用步驟s2得到的數(shù)據(jù)集基于鏈?zhǔn)角髮?dǎo)法則，通過(guò)誤差反向傳播方式，對(duì)強(qiáng)化模型b、基礎(chǔ)模型a進(jìn)行訓(xùn)練，當(dāng)總體損失函數(shù)為最小時(shí)，對(duì)應(yīng)模型參數(shù)為最優(yōu)，得到訓(xùn)練后的基礎(chǔ)模型a為訓(xùn)練好的用于路面剝落識(shí)別的數(shù)學(xué)模型。

66、進(jìn)一步的，步驟s7的具體實(shí)現(xiàn)方法包括如下步驟：

67、s7.1.?將步驟s6得到的訓(xùn)練好的用于路面剝落識(shí)別的數(shù)學(xué)模型導(dǎo)出為用于獨(dú)立服務(wù)的部署文件，包括pt文件、pth文件、json文件、txt文件中的一種；

68、s7.2.?構(gòu)建道路信息模型；

69、s7.2.1.?收集道路的位置、長(zhǎng)度、寬度、布局的信息；

70、s7.2.2.?將步驟s7.2.1得到的數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)庫(kù)中，并構(gòu)建道路的基礎(chǔ)三維模型，所述道路的基礎(chǔ)三維模型包括道路的幾何信息；

71、s7.2.3.?在步驟s7.2.2的基礎(chǔ)上，在道路的基礎(chǔ)三維模型中添加材料屬性、設(shè)計(jì)規(guī)范、歷史維護(hù)數(shù)據(jù)，得到道路信息模型；

72、s7.2.4.?將道路信息模型導(dǎo)出為被web應(yīng)用支持的格式文件，包括json文件、js文件中的一種；

73、s7.3.?在數(shù)字孿生平臺(tái)中，導(dǎo)入步驟s7.1得到的訓(xùn)練好的用于路面剝落識(shí)別的數(shù)學(xué)模型的部署文件，導(dǎo)入步驟s7.2得到的道路信息模型格式文件；

74、s7.4.?采用python構(gòu)建圖像數(shù)據(jù)與訓(xùn)練好的用于路面剝落識(shí)別的數(shù)學(xué)模型之間的api接口，用于進(jìn)行車轍智能識(shí)別；采用python構(gòu)建訓(xùn)練好的用于路面剝落識(shí)別的數(shù)學(xué)模型與道路信息模型之間的api接口，完成用于路面剝落識(shí)別的數(shù)字孿生模型的構(gòu)建。

75、進(jìn)一步的，步驟s8的具體實(shí)現(xiàn)方法包括如下步驟：

76、s8.1.?設(shè)置剝落區(qū)域幾何特性、幾何特征變化速度、材料與結(jié)構(gòu)特性、荷載特性、環(huán)境條件、維護(hù)和歷史記錄、剩余服務(wù)壽命為路面剝落狀態(tài)評(píng)價(jià)指標(biāo)；

77、s8.2.?采用高清相機(jī)采集nr條道路的路面圖像數(shù)據(jù)，將每條道路的路面圖像數(shù)據(jù)傳輸至步驟s7構(gòu)建的用于路面剝落識(shí)別的數(shù)字孿生模型的數(shù)字孿生平臺(tái)中，對(duì)路面圖像中的剝落區(qū)域進(jìn)行智能識(shí)別，并挑選出包含路面剝落的圖像；

78、s8.3.?對(duì)步驟s8.2得到的包含路面剝落的圖像采用專家評(píng)分法進(jìn)行打分，對(duì)每個(gè)步驟s8.1設(shè)置的評(píng)價(jià)指標(biāo)相對(duì)于其他評(píng)價(jià)指標(biāo)的比重進(jìn)行打分，得到第個(gè)評(píng)價(jià)指標(biāo)相對(duì)于第個(gè)評(píng)價(jià)指標(biāo)的比重專家得分；

79、s8.4.?基于步驟s3得到的全部評(píng)價(jià)指標(biāo)的比重專家得分，建立道路的評(píng)價(jià)矩陣，計(jì)算公式為：

80、；

81、其中，幾何特性、幾何特征變化速度、材料與結(jié)構(gòu)特性、荷載特性、環(huán)境條件、維護(hù)和歷史記錄、剩余服務(wù)壽命分別為1、2、3、4、5、6、7；

82、s8.5.?基于道路的評(píng)價(jià)矩陣，計(jì)算道路的評(píng)價(jià)矩陣的權(quán)重向量，計(jì)算公式為：

83、；

84、然后計(jì)算道路的評(píng)價(jià)矩陣的最大特征向量，計(jì)算公式為：

85、；

86、然后計(jì)算道路的評(píng)價(jià)矩陣的最大特征向量對(duì)應(yīng)的最大特征值，計(jì)算公式為：

87、；

88、其中，表示最大特征向量中全部元素的總和，表示權(quán)重向量中全部元素的總和；

89、s8.6.?計(jì)算全部nr條道路對(duì)應(yīng)的最大特征值，將全部最大特征值進(jìn)行從大到小的順序排序，最大特征值越大，表明對(duì)應(yīng)道路中的剝落嚴(yán)重程度越大，得到對(duì)不同道路中剝落程度的量化評(píng)價(jià)結(jié)果；

90、s8.7.?基于最大特征值進(jìn)行數(shù)據(jù)一致性分析，設(shè)置一致性指標(biāo)為 cs，計(jì)算公式為：

91、；

92、設(shè)置一致性比例為 csb，計(jì)算公式為：

93、；

94、其中， ri為一致性指標(biāo)，通過(guò)查詢《隨機(jī)一致性指標(biāo)ri值表》得到；

95、通過(guò)建立一致性比例 csb與0.1的關(guān)系，判斷7個(gè)因素的相對(duì)相互關(guān)系的一致性：

96、當(dāng)時(shí)，表明一致性可接受；

97、當(dāng)時(shí)，表明一致性不可接受，此時(shí)，返回步驟s8.4重新調(diào)整評(píng)價(jià)矩陣。

98、一種電子設(shè)備，包括存儲(chǔ)器和處理器，存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述的處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)所述的一種路面剝落狀態(tài)評(píng)價(jià)方法的步驟。

99、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)所述的一種路面剝落狀態(tài)評(píng)價(jià)方法。

100、本發(fā)明的有益效果：

101、本發(fā)明所述的一種路面剝落狀態(tài)評(píng)價(jià)方法，構(gòu)建了一種新的神經(jīng)網(wǎng)絡(luò)模型，模型考慮了基礎(chǔ)模型與強(qiáng)化模型輸出層損失函數(shù)以及層間損失函數(shù)，形成一種基于數(shù)字孿生的路面剝落識(shí)別方法，實(shí)現(xiàn)路面剝落的快速識(shí)別。該方法融合了小模型的輕量化特點(diǎn)，以及大模型準(zhǔn)確的特點(diǎn)，通過(guò)建立小模型與大模型輸出層損失函數(shù)以及層間損失函數(shù)，完成了面向路面剝落快速、準(zhǔn)確識(shí)別的輕量化模型。該模型的輕量化水平最高，可方便部署于邊緣設(shè)備等端部設(shè)備中，實(shí)現(xiàn)路面剝落的快速、準(zhǔn)確識(shí)別。

102、本發(fā)明所述的一種路面剝落狀態(tài)評(píng)價(jià)方法，提出一種道路數(shù)字孿生模型構(gòu)建與路面剝落更新方法，實(shí)現(xiàn)數(shù)字孿生模型的構(gòu)建與剝落區(qū)域的準(zhǔn)確更新。

103、本發(fā)明所述的一種路面剝落狀態(tài)評(píng)價(jià)方法，提出一種基于數(shù)字孿生的路面剝落狀態(tài)評(píng)價(jià)方法，可以準(zhǔn)確量化評(píng)估路面的損害程度和剝落情況，能夠及時(shí)發(fā)現(xiàn)問題，優(yōu)化維修資源分配，改善路面狀況可以提高駕駛舒適性和通行效率。