1.结合PVT和U-Net深度学习的道路缺陷检测方法,其特征在于:具体包括有以下步骤:(1)、获取原始探地雷达数据集,然后进行数据的预处理,构建标准化的探地雷达图像数据集;
(2)、构建结合PVT和U-Net的深度学习网络;
(3)、构建添加符号距离函数的损失函数,基于损失函数、采用深度学习网络对探地雷达图像数据集中的训练集进行训练,得到训练好的深度学习网络;
所述的添加符号距离函数的损失函数的具体见下式(10):式(10),
式(11)中,
(4)、采用训练好的深度学习网络对探地雷达图像数据集中的测试集进行检测,提取到道路缺陷特征。
2.根据权利要求1所述的结合PVT和U-Net深度学习的道路缺陷检测方法,其特征在于:所述的数据的预处理包括对原始道路雷达图像中的探地雷达数据进行带通滤波、去背景噪声、图像增益和零偏矫正处理;
S11、带通滤波的处理公式见式(1):
式(1)中,
S12、去背景噪声的处理公式见式(2):
式(2)中,
S13、图像增益的处理公式见式(3):
式(3)中,
S14、进行零偏矫正,零时点选取位置为原始道路雷达图像中直达波的起跳点。
3.根据权利要求1所述的结合PVT和U-Net深度学习的道路缺陷检测方法,其特征在于:所述的结合PVT和U-Net的深度学习网络包括有PVT编码模型和U-Net解码模型,PVT编码模型生成多尺度特征图,U-Net解码模型用于道路缺陷和背景的精确分类,从而提取到道路缺陷特征。
4.根据权利要求3所述的结合PVT和U-Net深度学习的道路缺陷检测方法,其特征在于:所述的PVT编码模型有四个Stage,每个Stage均包括Patch Embeddings模块、PositionEmbedding模块和Transformer Encoder模块,其中,Transformer Encoder模块具有多个编码器层,每个编码器层均是由注意力层和前馈层组成,PVT编码模型生成多尺度特征图的具体步骤为:S21、Patch Embeddings模块将道路雷达图像分割成固定大小的patch,每个patch的分辨率为S22、Position Embedding模块用来获取向量序列中每个patch的位置信息,得到位置嵌入向量,位置嵌入向量的计算公式见式(4):式(4)中,
S23、Transformer Encoder模块包括有多个编码器层,每个编码器层均是由空间缩减注意力层SRA和前馈层Feed Forward组成;
S231、SRA的输入包括有查询
式(5)和式(6)中,
查询
SRA首先将查询
式(7)中,
S232: 前馈层Feed Forward包含两个全连接层和一个ReLU激活函数,其中第一个全连接层将输入特征展平为一维向量,第二个全连接层将其映射回原始的特征维度, FeedForward的处理过程见下式(8):式(8)中,
5.根据权利要求4所述的结合PVT和U-Net深度学习的道路缺陷检测方法,其特征在于:所述的U-Net解码模型是采用上采样加卷积的方式进行解码,具体的处理过程见下式(9):式(9)中,
U-Net解码模型最后通过一个1×1卷积层将解码特征图的通道数压缩到与标签图像相同的通道数。