CN114821316B 一种三维探地雷达裂缝病害识别方法及系统 （广州肖宁道路工程技术研究事务所有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114821316B(45)授权公告日2025.01.10

(21)申请号202210436380.8

(22)申请日2022.04.25

(65)同一申请的已公布的文献号申请公布号CN114821316A

(43)申请公布日2022.07.29

(73)专利权人广州肖宁道路工程技术研究事务所有限公司

地址528222广东省广州市天河区五山路

371号之一主楼1908单元

GO6N3/04(2023.01)

GO6N3/08(2023.01)

GO6V10/774(2022.01)

GO6V10/764(2022.01)

(56)对比文件

CN111597932A,2020.08.28CN113191391A,2021.07.30CN114359130A,2022.04.15

审查员胡锐先

(72)发明人黄志勇唐嘉明李伟雄陈搏

罗传熙刘嘉俊陈紫情邓芳琴

(74)专利代理机构北京高沃律师事务所11569专利代理师刘芳

(51)Int.CI.

GO6V20/10(2022.01)权利要求书4页说明书13页附图5页

(54)发明名称

一种三维探地雷达裂缝病害识别方法及系

统

(57)摘要

CN114821316B本发明提供一种三维探地雷达裂缝病害识别方法及系统，属于道路病害检测领域，识别方法包括：获取训练样本集；训练样本集包括多张道路样本图像及各道路样本图像中各像素的标签信息；标签信息包括0和1;0表示对应的像素不是裂缝，1表示对应的像素是裂缝；基于空间注意力机制、VGG16及Unet神经网络，构建裂缝Unet神经网络；根据训练样本集，对裂缝Unet神经网络进行训练，得到裂缝识别模型；通过三维探地雷达扫描待识别道路，得到待识别道路图像；根据待识别道路图像，基于裂缝识别模型，根据待识别道路图像，确定待识别道路中的裂缝。通过对

CN114821316B

SI

SI

基于空间注意力机制、

获取训练样本集

根据训练样本集，对裂缝Une神经网络进行训练，得到裂缝识别模型

根据待识别道路图像，基于裂缝识别模型，根据待识别道路图像，确定待识别道路中的裂缝

通过三维探地雷达扫描待识别道路，得到待识别道路图像

VGG16及Unet神经网络，

构建裂缝Unet神经网络

CN114821316B权利要求书1/4页

2

1.一种三维探地雷达裂缝病害识别方法，其特征在于，所述三维探地雷达裂缝病害识别方法包括：

获取训练样本集；所述训练样本集包括多张道路样本图像及各道路样本图像中各像素的标签信息；所述标签信息包括0和1;0表示对应的像素不是裂缝，1表示对应的像素是裂缝；

基于空间注意力机制、VGG16及Unet神经网络，构建裂缝Unet神经网络；所述裂缝Unet神经网络包括编码子网络及解码子网络；所述编码子网络与所述解码子网络连接；

所述编码子网络包括依次连接的第一编码层、第一最大池化层、第二编码层、第二最大池化层、第三编码层、第三最大池化层、第四编码层、第四最大池化层及第五编码层；所述第一编码层、所述第二编码层、所述第三编码层、所述第四编码层及所述第五编码层还与所述解码子网络连接；

所述解码子网络包括依次连接的第一上采样层、第一解码层、第二上采样层、第二解码层、第三上采样层、第三解码层、第四上采样层及第四解码层；所述第一编码层与所述第四解码层跳跃连接；所述第二编码层与所述第三解码层跳跃连接；所述第三编码层与所述第二解码层跳跃连接；所述第四编码层与所述第一解码层跳跃连接；所述第五编码层与所述第一上采样层连接；

所述第一编码层包括依次连接的第一卷积-特征选择模块及第一并行多向注意力机制模块；所述第一并行多向注意力机制模块还与所述第一最大池化层及所述解码子网络连

接；

所述第二编码层包括依次连接的第二卷积-特征选择模块及第二并行多向注意力机制模块；所述第二卷积-特征选择模块还与所述第一最大池化层连接，所述第二并行多向注意力机制模块还与所述第二最大池化层及所述第三解码层连接；

所述第三编码层包括依次连接的第三卷积-特征选择模块、第