基于人工智能的道路病害识别方法及系统与流程

本发明属于人工智能，具体的说是基于人工智能的道路病害识别方法及系统。

背景技术：

1、随着交通道路高速建设，同时大量的道路会经历超载、自然环境的影响，会出现裂缝、坑洞等病害，为了保障车辆安全行驶及道路的使用寿命，后期的道路养护至关重要，需要投入大量的人力、物力对道路巡查。目前主要采用人工巡检方式，即巡检人员驾驶路政养护巡查车对所管辖道路的路面进行肉眼观测，遇到病害情况，巡检人员需要下车用手持终端拍照上报，但是巡检人员在车上长期观测易疲劳，容易疏漏，且下车拍照存在交通隐患，影响交通正常运行。此外业界也投入少量专业的巡检车辆，装配有高精度差分定位模块、三维激光扫描雷达、工控电脑进行路面数据采集和分析，但是这种设备成本较高，市场上的专用车辆在几十到上百万，主要应用于道路大、中、小修前的道路检测，难以普及到日常养护巡检。

2、如公开号为cn117422669a的中国专利申请公开了一种基于人工智能视觉识别的道路病害检测方法，包括：步骤一：采用图像模块对道路进行拍照，并获取原始图像，并融合定位信息的多目标跟踪算法；步骤二：通过计算模块对采集的原始图像进行图像预处理；步骤三：继续对图像进行语义分割，通过语义分割算法切分路面和非路面区域，区分车辆、行人、非机动车的动态要素，对图像中的物体进行基于像素级别的分割，为下一步目标检测提供干净的输入图片数据；本技术方案的方法，方便部署到便携式巡检仪中，极大提高自动化检测的普及性；利用现有低成本且成熟的硬件环境方便部署，同时利用gps信息去掉重复目标，极大简化了目标跟踪算法，有效提高了计算效率。

3、以上现有技术均存在以下问题：1）未考虑多视角和多尺度数据；2）缺乏持续学习和更新机制；3）泛化能力低。

技术实现思路

1、针对现有技术的不足，本发明提出了基于人工智能的道路病害识别方法及系统，通过移动巡检车或无人机收集道路图像和视频数据，利用rds系统自主动态标注道路病害目标；选择多尺度特征融合和注意力机制模型作为基础模型，并通过知识蒸馏技术结合vit大模型进行训练；通过细分病害数据集和引入自适应权重分配机制，提升模型的识别性能；将训练好的模型部署到巡检车或固定摄像头的数据处理系统中，并通过在线更新和性能监测机制确保系统的稳定运行，实现了高效、准确、实时的道路病害识别。

2、为实现上述目的，本发明提供如下技术方案：

3、基于人工智能的道路病害识别方法，包括：

4、步骤s1：通过移动巡检车或无人机对道路进行拍摄，收集多视角、多尺度的道路图像和视频数据，并进行预处理，基于rds系统，使用边界框或关键帧对拍摄的图像和视频中的道路病害目标进行自主动态标注，获得道路病害数据；

5、步骤s2：选择多尺度特征融合和注意力机制模型作为基础模型，选择vit大模型作为教师模型，通过训练vit大模型得到软标签，并使用软标签对基础模型进行知识蒸馏训练，引入自适应权重分配机制，根据道路病害数据类别，自动调整从vit大模型到基础模型的知识转移策略；

6、步骤s3：根据病害类型和严重程度对道路病害数据集进行细分，形成多个子类，对每个子类采用分层细化方式训练知识转移策略，将细分后的道路病害数据子集输入到基础模型中进行训练，根据训练结果优化基础模型参数，并对优化后的基础模型进行评估；

7、步骤s4：将训练好的基础模型部署到巡检车或固定摄像头的数据处理系统中，进行实时道路病害和交通事故识别，并将识别结果与道路管理系统、交通管理系统进行集成和运行，部署在线模型更新机制和性能衰减监测机制，定期进行维护和更新。

8、具体地，所述步骤s2的具体步骤包括：

9、s2.1：明确任务需求，选择结合了多尺度特征融合和注意力机制的模型作为基础模型，选择vit大模型作为教师模型；

10、s2.2：使用道路病害数据集训练vit大模型，通过前向传播计算损失函数的值，并使用反向传播算法计算损失函数对vit大模型参数的梯度，同时，根据梯度使用优化器更新vit大模型参数，直到达到预设的迭代次数，获得训练后的vit大模型参数和预测结果，并将预测结果作为软标签；

11、s2.3：根据道路病害数据的不同类别，设计自适应权重分配机制，动态调整从vit大模型到基础模型的知识转移权重；

12、s2.4：使用道路病害数据、软标签、真实标签和自适应权重分配机制训练基础模型，并记录预测结果。

13、具体地，所述s2.2中损失函数的公式为：

14、

15、其中，l表示总损失，表示动态平衡参数，表示动态温度参数，表示第i个道路病害数据类别权重向量，表示vit大模型对第i个道路病害数据类别的软标签，表示正数，表示基础模型对第i个道路病害数据类别的预测概率，表示真实标签的one-hot编码，表示带有类别重要性权重向量的知识蒸馏损失，t表示当前迭代次数。

16、具体地，所述步骤s3的具体步骤包括：

17、s3.1：对道路病害数据进行视觉检查，结合病害分类标准，确定病害的类型，根据不同类型的病害，制定对应的评估指标，并根据评估指标对病害的严重程度进行分级，根据病害的类型将道路病害数据细分为多个子类，并在每个子类中进一步按严重程度细分；

18、s3.2：针对每个细分后的子类，制定知识转移策略，并使用vit大模型作为教师模型对子类数据进行预测，生成软标签；

19、s3.3：使用分层策略对子类数据进行排序和分组，将细分后的道路病害数据子集输入到基础模型中并逐层使用软标签进行训练；

20、s3.4：根据训练结果，使用梯度下降法优化算法调整基础模型的参数，并使用独立的测试集对优化后的基础模型进行评估。

21、具体地，所述s3.1中对病害的严重程度进行分级的标准包括：

22、

23、其中，s表示病害的严重程度得分，表示第j个道路病害评估指标的权重，表示第j个道路病害评估指标的得分，且，表示第j个道路病害评估指标的位置参数，表示第j个道路病害发生或检测的时间，表示第j个道路病害面积，取为衡量单位，表示第j个道路病害深度，取为衡量单位，表示位置参数系数，表示时间参数系数，表示面积参数系数，表示深度参数系数，n表示道路病害评估指标的数量；

24、若，则严重程度为轻微；

25、若，则严重程度为中等；

26、若，则严重程度为严重。

27、具体地，所述道路病害评估指标得分判别条件为：

28、

29、其中，表示病害位于城区道路中心，表示病害位于城区道路边缘，表示病害位于郊区道路中心，表示病害位于郊区道路边缘，表示病害时间处于冬季雨季，表示病害时间处于冬季晴天，表示病害时间处于夏季雨季，表示病害时间处于夏季晴天，p表示道路病害评估指标的位置，t表示道路病害发生或检测的时间，d表示道路病害深度，m表示道路病害面积。

30、基于人工智能的道路病害识别系统，包括：数据处理模块、模型训练模块、知识转移模块、报警模块；

31、所述数据处理模块，用于接收和预处理从道路巡检车、无人机设备收集来的原始道路数据，包括图像和视频；

32、所述模型训练模块，用于基于深度学习方法，利用标注好的道路病害数据训练识别模型，识别出不同类型的道路病害；

33、所述知识转移模块，用于利用预训练的大模型通过知识蒸馏方法优化基础模型；

34、所述报警模块，用于将训练好的基础模型部署到实际运行环境，输入实时道路图像和视频数据，若识别出道路病害，立即触发报警机制。

35、具体地，所述知识转移模块包括：数据细分单元、分层训练单元、异常检测单元；

36、所述数据细分单元，用于将道路病害数据集细分为特定类别或特征的数据子集，进行针对性的学习；

37、所述分层训练单元，用于采用分层训练策略，先训练基础特征，再逐步过渡到复杂病害识别；

38、所述异常检测单元，用于通过分析训练过程中的数据和模型行为，识别并剔除异常样本或噪声。

39、具体地，一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现基于人工智能的道路病害识别方法的步骤。

40、具体地，一种计算机可读存储介质，其上存储有计算机指令，当计算机指令运行时执行基于人工智能的道路病害识别方法的步骤。

41、与现有技术相比，本发明的有益效果是：

42、1.本发明提出基于人工智能的道路病害识别系统，并进行了架构、运行步骤和流程上的优化改进，系统具备流程简单，投资运行费用低廉，生产工作成本低的优点。

43、2.本发明提出基于人工智能的道路病害识别方法，通过移动巡检车或无人机进行拍摄，收集到道路的多视角、多尺度图像和视频数据，能够更全面地识别和理解道路病害，识别道路病害的细微差别；基于rds系统的自主动态标注功能能够自动地对图像和视频中的道路病害目标进行标注，提高了数据处理的效率和准确性，减少了人工参与，降低了成本；选择多尺度特征融合和注意力机制模型作为基础模型，并通过知识蒸馏训练结合vit大模型，能够快速而准确地训练出高效的基础模型，在充分利用教师模型的强大能力的同时保持基础模型的轻量级和高效性。

44、3.本发明提出基于人工智能的道路病害识别方法，根据病害类型和严重程度对道路病害数据集进行细分，形成多个子类，并采用分层细化方式训练知识转移策略，这种细分训练方式能够确保模型对不同类型和严重程度的道路病害都具有较高的识别准确率；部署在线模型更新机制和性能衰减监测机制，能够定期对模型进行维护和更新，确保模型始终保持最佳状态。

技术特征：

1.基于人工智能的道路病害识别方法，其特征在于，包括：

2.如权利要求1所述的基于人工智能的道路病害识别方法，其特征在于，所述步骤s2的具体步骤包括：

3.如权利要求2所述的基于人工智能的道路病害识别方法，其特征在于，所述s2.2中损失函数的公式为：

4.如权利要求3所述的基于人工智能的道路病害识别方法，其特征在于，所述步骤s3的具体步骤包括：

5.如权利要求4所述的基于人工智能的道路病害识别方法，其特征在于，所述s3.1中对病害的严重程度进行分级的标准包括：

6.如权利要求5所述的基于人工智能的道路病害识别方法，其特征在于，所述道路病害评估指标得分判别条件为：

7.基于人工智能的道路病害识别系统，其用于实现权利要求1-6中任一项所述的基于人工智能的道路病害识别方法，其特征在于，包括：数据处理模块、模型训练模块、知识转移模块、报警模块；

8.如权利要求7所述的基于人工智能的道路病害识别系统，其特征在于，所述知识转移模块包括：数据细分单元、分层训练单元、异常检测单元；

9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-6任一项所述的基于人工智能的道路病害识别方法的步骤。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机指令，当计算机指令运行时执行权利要求1-6任一项所述的基于人工智能的道路病害识别方法的步骤。

技术总结
本发明公开了基于人工智能的道路病害识别方法及系统，属于人工智能技术领域，其具体包括：通过移动巡检车或无人机收集道路图像和视频数据，利用RDS系统自主动态标注道路病害目标；选择多尺度特征融合和注意力机制模型作为基础模型，并通过知识蒸馏技术结合ViT大模型进行训练；通过细分病害数据集和引入自适应权重分配机制，提升模型的识别性能；将训练好的模型部署到巡检车或固定摄像头的数据处理系统中，并通过在线更新和性能监测机制确保系统的稳定运行，实现了高效、准确、实时的道路病害识别。

技术研发人员：胡亮,贾伟,戴成杰
受保护的技术使用者：南京先维信息技术有限公司
技术研发日：
技术公布日：2024/9/23