1.一种基于探地雷达和深度学习的道路坍塌隐患智能识别方法,其特征在于:包括以下步骤;
S1,构造数据集;
从不同道路场景下获取探地雷达图像,对每张探地雷达图像中的坍塌隐患区域及类别进行标注,将带标注的探地雷达图像作为训练样本,所有训练样本构成数据集;
S2,构造一改进的Faster R-CNN网络;
选取一Faster R-CNN网络,包括特征提取网络、区域提议网络、兴趣区域池化层和检测网络;
所述特征提取网络包括ResNet-50、双重融合特征金字塔和垂直方向逐通道一维卷积单元;
所述ResNet-50用于输入训练样本,输出四个不同尺度的特征图C所述双重融合特征金字塔用于生成第二融合特征图,包括Sa1~Sa6;
Sa1,先将C
Sa2,根据下式生成到第i层级第一融合特征图F式中,
Sa3,将
Sa4,用SENet网络得到I中各通道权重,构成权重向量V;
Sa5,将I按Sa3的反向操作,拆分为四张拆分图RSa6,根据公式
所述垂直方向逐通道一维卷积单元用于分别对P所述Y
S3,用数据集训练改进的Faster R-CNN网络至收敛,得到道路坍塌隐患智能识别模型;
S4,获取待识别的探地雷达图像,送入道路坍塌隐患智能识别模型中,对坍塌隐患区域进行预测。
2.根据权利要求1所述的基于探地雷达和深度学习的道路坍塌隐患智能识别方法,其特征在于:双重融合特征金字塔中,用1×1的卷积层对C
3.根据权利要求1所述的基于探地雷达和深度学习的道路坍塌隐患智能识别方法,其特征在于:Sa3中,加权图I根据下式得到;
式中,
Sa5中,将I按Sa3的反向操作,拆分为四张拆分图R
4.根据权利要求1所述的基于探地雷达和深度学习的道路坍塌隐患智能识别方法,其特征在于:所述兴趣区域池化层为ROI Align层。
5.根据权利要求1所述的基于探地雷达和深度学习的道路坍塌隐患智能识别方法,其特征在于:所述垂直方向逐通道一维卷积单元具体按以下步骤操作;
Sb1,从P
Sb2,将P
Sb3,对Z
式中,
Sb4,根据下式生成Z
式中,
6.根据权利要求5所述的基于探地雷达和深度学习的道路坍塌隐患智能识别方法,其特征在于:Sb2中,Z式中,
7.根据权利要求1所述的基于探地雷达和深度学习的道路坍塌隐患智能识别方法,其特征在于:S3训练时,损失函数包括分类损失和回归损失,所述分类损失为交叉熵损失,回归损失为Smooth L1损失。
8.根据权利要求1所述的基于探地雷达和深度学习的道路坍塌隐患智能识别方法,其特征在于:所述C
9.根据权利要求1所述的基于探地雷达和深度学习的道路坍塌隐患智能识别方法,其特征在于:坍塌隐患区域的类别包括脱空、空洞和疏松体。