一种沥青路面深度病害一体化智能车载探测系统及方法

1.本发明属于沥青路面病害检测技术领域，具体涉及一种沥青路面深度病害一体化智能车载探测系统及方法。


背景技术：

2.沥青路面深度病害是发生于路面结构内部并在外部环境和车辆荷载作用下不断发展演化的裂缝、松散和层间脱空等病害，是降低沥青路面使用性能的重要内因。开展沥青路面深度病害类型识别与定位是病害防治的前提，目前主要采用钻芯取样等方法，但受检测范围小、破坏路面结构和结果精度低等因素影响，其应用范围受到一定限制。
3.以探地雷达为代表的新型物探技术具有快速、无损、精确、定量等优点，随着沥青路面深度病害问题凸显，部分学者验证了基于探地雷达采集深度病害信息的可行性并分析了雷达图像的波形特征。虽然基于探地雷达的沥青路面深度病害探测取得了一定进展，但受硬件条件和算法性能等因素限制，还存在以下不足：沥青路面深度病害雷达图像包含的病害类型、位置和破坏程度等信息无法通过肉眼直接获取，需借助图像识别方法进行判读，但传统的图像识别方法存在时间成本高、病害信息易错漏等缺点。已有沥青路面深度病害探测设备功能单一、自动化程度低，需多种设备配合使用且不同设备在价格、适用性和结果精度等方面的性能不均衡，能够综合实现病害信息快速采集、病害类型识别与定位、病害信息实时查询与调用等多种功能的一体化智能探测系统还未出现。


技术实现要素：

4.本发明的目的在于提供一种沥青路面深度病害一体化智能车载探测系统及方法，具有操作简便易行、过程快速连续、结果精确定量等优点，避免了钻芯取样等传统方法对路面结构的破坏和造成的交通堵塞。
5.为实现上述目的，本发明提供了一种沥青路面深度病害一体化智能车载探测系统，包括硬件系统、软件系统、gis展示与应用系统；所述硬件系统包括车载探地雷达模块、采样点定位模块、数据上传模块；所述软件系统包括深度病害类型识别与定位模块；所述gis展示与应用系统包括数字化地图模块、业务系统模块。
6.优选的，所述深度病害类型识别与定位模块分别基于改进的googlenet、改进的yolov5进行沥青路面深度病害类型识别与定位。
7.优选的，所述基于改进googlenet的沥青路面深度病害类型识别针对模型对样本数据集的适用性，将googlenet原有的9个inception模块减少为6个并去掉原有的2个辅助分类器。
8.优选的，所述基于改进googlenet的沥青路面深度病害类型识别采用训练样本对所述改进的googlenet进行训练，采用验证样本对训练好的模型进行验证，直至正确率大于90％为止，选定改进googlenet的结构形式和模型参数。
9.优选的，所述基于改进yolov5的沥青路面深度病害定位采用k-means++聚类算法
选取最优锚点，在neck部分融入结合空间和通道的convolutional blockattention module混合注意力模块，采用ciou_loss对损失函数进行改进。
10.优选的，所述采用ciou_loss对损失函数进行改进，其同时考虑了预测框a和目标框b的重叠面积、中心点距离、长宽比，其数学表达式如下，
[0011][0012][0013]
其中，α是权重参数，v用于测量纵横比的相似性，计算公式分别如下，
[0014][0015][0016]
其中，w
gt
表示目标框的宽，h
gt
表示目标框的高，w表示预测框宽，h表示预测框的高。
[0017]
优选的，基于改进yolov5的沥青路面深度病害定位采用训练样本对所述改进的yolov5进行训练，采用验证样本对训练好的模型进行验证，直至正确率大于90％为止，选定改进yolov5的结构形式和模型参数。
[0018]
一种沥青路面深度病害一体化智能车载探测方法，包括以下步骤：
[0019]
s1、调查目标路段的沥青路面结构类型，采用对比正演模拟结果和探地雷达实测图像的方法确定适用于该路面结构的探地雷达中心频率、最大探测深度、水平分辨率、扫描速率、天线类型和极化方式、采样率和采样时窗的参数；
[0020]
s2、将选定型号和参数的探地雷达以及采样点定位模块和数据上传模块安装于检测车，探地雷达的长度方向与检测车长度方向垂直；
[0021]
s3、采用检测车对目标路段进行扫描，记录各采样点的雷达图像、gps坐标和桩号并使雷达图像、gps坐标和桩号一一对应；
[0022]
s4、数据上传模块对沥青路面雷达图像及其定位信息进行压缩，并将压缩文件通过无线网络实时上传至软件系统；
[0023]
s5、人工检查雷达图像中的异常点，根据异常点的gps坐标和桩号进行现场踏勘并明确其病害类型和位置，分别踏勘裂缝、松散和层间脱空病害各处，对病害类型进行人工独热编码并对病害位置进行边界锚框人工标注；
[0024]
s6、分别采用明亮变换、清晰度变换和颜色变换对裂缝、松散和层间脱空病害的雷达图像和随机选取的无病害雷达图像进行增强处理；
[0025]
s7、将雷达图像随机分为训练样本和验证样本，训练样本占70％，验证样本占30％；
[0026]
s8、构建改进的googlenet，采用训练样本对模型进行训练，采用验证样本对训练好的模型进行验证，直至正确率大于90％为止，选定改进googlenet的网络结构和模型参数；
[0027]
s9、构建改进的yolov5，采用训练样本对模型进行训练，采用验证样本对训练好的模型进行验证，直至正确率大于90％为止，选定改进yolov5的网络结构和模型参数；
[0028]
s10、以训练好的改进googlenet和改进yolov5为理论基础，基于双gpu并行模式在python语言环境下针对探地雷达平台进行二次开发，构建深度病害类型识别与定位模块；
[0029]
s11、采用硬件系统对除目标路段的部分进行扫描，将获取的雷达图像、gps坐标和桩号进行压缩并将压缩文件实时传输至软件系统；
[0030]
s12、采用深度病害类型识别与定位模块对雷达图像进行处理，明确深度病害类型和位置；
[0031]
s13、构建目标路段的深度病害数字化地图，实现深度病害属性信息和空间信息的图查功能；
[0032]
s14、计算目标路段的深度病害指数，将目标路段的深度病害数字化地图和深度病害指数上传至与系统相连的管养业务系统、检测业务系统和地图导航系统。
[0033]
因此，本发明采用上述一种沥青路面深度病害一体化智能车载探测系统及方法，可以实现沥青路面深度病害信息快速采集、病害类型识别与定位、病害信息实时查询与调用等多种功能，其中，硬件系统集成了时间域脉冲式探地雷达和gps接收机等先进设备并在两者间采用脉冲信号触发设计。软件系统采用了双gpu并行计算、人机交互设计、标准模板库和多线程模式等先进技术。此外，本发明具有操作简便易行、过程快速连续、结果精确定量等优点，避免了钻芯取样等传统方法对路面结构的破坏和造成的交通堵塞，不产生环境污染和建筑材料浪费，并且在设备价格、探测范围和结果精度等方面的性能较为均衡，可以满足快速增长的路面深度病害检测市场需求，产业化前景广阔。
[0034]
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0035]
图1为本发明的组成框架图；
[0036]
图2为本发明实施例的改进inception模块网络结构图；
[0037]
图3为本发明实施例的全连接层与dropout层原理简图；
[0038]
图4为本发明实施例的改进googlenet网络结构；
[0039]
图5为本发明实施例的k-means聚类流程示例；
[0040]
图6为本发明实施例的卷积注意力模块；
[0041]
图7为本发明实施例的neck部分添加cbam模块。
具体实施方式
[0042]
以下通过附图和实施例对本发明的技术方案作进一步说明。
[0043]
除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
[0044]
实施例一
[0045]
一种沥青路面深度病害一体化智能车载探测系统，包括硬件系统、软件系统、gis展示与应用系统。硬件系统包括车载探地雷达模块、采样点定位模块、数据上传模块。
[0046]
车载探地雷达模块将探地雷达搭载于检测车，进行沥青路面雷达图像快速采集，
选用时间域脉冲式探地雷达，将探地雷达搭载于检测车前轮中心位置(检测车为小型客车，车况良好，行驶速度为0～50km/h)，并使探地雷达的长度方向与检测车长度方向垂直，探地雷达核心构件包括发射天线与脉冲源、接收天线与取样单元、a/d转换集成电路(低频放大器)和同步时钟发生器(慢谐波发生器)等。适用于特定沥青路面结构的探地雷达参数选取：调查目标路段的路面结构类型，基于正演模拟软件gprmax 2d建立该路面结构的雷达图像仿真模型。采用车辙板构建该路面结构的足尺模型，通过对比足尺模型的探地雷达实测图像和正演模拟结果，确定适用于该路面结构的探地雷达中心频率、最大探测深度、水平分辨率、扫描速率、天线类型和极化方式、采样率和采样时窗等参数。
[0047]
采样点定位模块建立采样点gps坐标数据库和桩号数据库，并将定位信息写入雷达图像的存储数据中，其中，gps坐标通过gps接收机采集，桩号信息通过探地雷达的里程编码器采集。在探测开始前进行gps坐标打点和里程打点，即人工输入目标路段起点的gps坐标和桩号，为保证雷达图像与gps坐标、桩号一一对应，检测车每行驶100m采用探地雷达里程编码器的脉冲信号触发gps接收机并记录相应的gps坐标和桩号，两次触发间的gps坐标和桩号通过线性内插得到，定位精度在3m以内。
[0048]
数据上传模块将沥青路面雷达图像及其定位信息进行压缩，并将压缩文件通过无线网络实时上传至软件系统，无线网络采用常规的3g/4g/5g网络。
[0049]
软件系统包括深度病害类型识别与定位模块，深度病害类型识别与定位模块分别基于改进的googlenet和改进的yolov5进行沥青路面深度病害类型识别与定位。
[0050]
基于改进googlenet的沥青路面深度病害类型识别针对模型对样本数据集的适用性，将googlenet原有的9个inception模块减少为6个并去掉原有的2个辅助分类器，如图2所示。使用3个3
×
3卷积核替换模型中的7
×
7卷积核，并使用两个3
×
3卷积核替代inception模块中的5
×
5卷积核。在所有卷积层后加入批量归一化层(batchnormalization，bn)，采用平均池化层代替全连接层并加入dropout层，如图3所示。激活函数采用relu(rectified linearunit)与leaky relu组合的方式，即在普通卷积核后进行relu操作，在所有inception模块4个分支中的卷积核后进行leaky relu操作。优化器采用综合性能较好的adam，损失函数采用交叉熵函数。改进的googlenet网络结构如图4所示。
[0051]
基于改进yolov5的沥青路面深度病害定位采用k-means++聚类算法选取最优锚点(anchors)，在neck部分融入结合了空间和通道的convolutional blockattention module(cbam)混合注意力模块，采用ciou_loss对损失函数进行改进。
[0052]
采用k-means++聚类算法选取最优锚点(anchors)，锚框改进是基于k-means改进的k-means++聚类算法选取最优锚点，其中，k-means聚类流程如图5所示，其具体聚类步骤为：
[0053]
①
对于图5中(a)的蓝色点，随机设定3个初始聚类中心点，图中以
“★”
表示；
[0054]
②
图5中(b)为将所有蓝色点分别划分到距离这个点最近的聚类中心
“★”
所代表的类中，最终形成3个类，分别以红色、蓝色、黑色表示；
[0055]
③
图5中(c)
“★”
为划分完成后每个类计算出的平均中心点，即新聚类中心点；
[0056]
④
采用欧氏距离(euclidean distance)作为距离度量，找到与每个点最近的聚类中心点；
[0057]
⑤
重复步骤
③
、
④
，直到聚类中心点位置不再改变，即为最终聚类结果。
[0058]
k-means++算法改进了新聚类中心点的选取方法，k-means++算法为k-means算法提供了k个初始聚类中心，具体规则为距离当前已有的聚类中心越远，被选作新聚类中心点的概率越大，k-means++算法聚类具体流程如下：
[0059]
①
在所有数据点集合中随机选择一个点作为初始聚类中心；
[0060]
②
计算每个数据点与最近的聚类中心之间的距离d；
[0061]
③
按照d越大，被选取为新的聚类中心点的概率越大的原则，选取新的聚类中心点；
[0062]
④
重复步骤
②
、
③
，直到选择了k个聚类中心点；
[0063]
⑤
以选取的k个聚类中心点作为初始聚类中心，继续运行k-means算法进行聚类。
[0064]
在neck部分融入结合了空间和通道的convolutional block attention module(cbam)混合注意力模块；其中，卷积注意力模块(convolutional block attention module，cbam)是目前常用的混合注意力模块，其结构如图6所示。cbam由cam和sam组成，它可以增强特征图中重要的空间及通道特征，并且能够集成到任何卷积神经网络架构中进行端到端的训练。
[0065]
如图7所示，本实施例在yolov5网络结构的每个特征融合之后(即“add”、“concat”结构之后)以及prediction部分卷积层之前，按照先通道再空间的顺序将cbam注意力模块添加至yolov5网络结构的neck部分的相应位置。
[0066]
采用ciou_loss对损失函数进行改进。基于提高锚框的定位精度替换原有giou_loss作为yolov5目标检测模型的回归损失函数，替换原有的giou_loss作为yolov5目标检测模型的回归损失函数。ciou_loss损失函数同时考虑了预测框a和目标框b的重叠面积、中心点距离、长宽比，其数学表达式如下，
[0067][0068][0069]
其中，α是权重参数，v用于测量纵横比的相似性，计算公式分别如下，
[0070][0071][0072]
其中，w
gt
表示目标框的宽，h
gt
表示目标框的高，w表示预测框宽，h表示预测框的高。
[0073]
深度病害类型识别与定位模块以训练好的改进googlenet和改进yolov5为理论基础，基于双gpu并行模式在python语言环境下针对探地雷达平台进行二次开发，充分利用标准模板库并引入多线程技术以降低开发难度，构建深度病害类型识别与定位模块。
[0074]
gis展示与应用系统包括数字化地图模块、业务系统模块。数字化地图模块根据目标路段深度病害的属性信息和空间信息，分别通过postgresql和geodatabase数据库融合
目标路段深度病害属性信息(病害类型、位置)和空间信息(gps坐标、桩号)，以arcgis engine为开发平台搭载postgresql和geodatabase并以geodatabase为用户界面构建目标路段深度病害数字化地图，实现病害信息的实时查询与调用。
[0075]
业务系统模块可以计算目标路段的深度病害指数，计算目标路段的深度病害指数ks＝(k1+k2+k3)/m，其中，k1、k2、k3分别为目标路段裂缝、松散和层间脱空病害的数量，m为目标路段里程。业务系统模块与管养业务系统(道路管理部门使用)、检测业务系统(道路检测部门使用)和地图导航系统(导航服务提供商使用)相连接。可为道路管理部门、道路检测部门和导航服务提供商提供直接、定量的依据。
[0076]
一种沥青路面深度病害一体化智能车载探测方法，包括以下步骤：
[0077]
s1、调查目标路段的沥青路面结构类型，采用对比正演模拟结果和探地雷达实测图像的方法确定适用于该路面结构的探地雷达中心频率、最大探测深度、水平分辨率、扫描速率、天线类型和极化方式、采样率和采样时窗等参数。
[0078]
s2、将选定型号和参数的探地雷达以及采样点定位模块和数据上传模块安装于检测车，使探地雷达的长度方向与检测车长度方向垂直。
[0079]
s3、采用检测车对目标路段进行扫描，记录各采样点的雷达图像、gps坐标和桩号并使雷达图像、gps坐标和桩号一一对应。
[0080]
s4、数据上传模块对沥青路面雷达图像及其定位信息进行压缩，并将压缩文件通过无线网络实时上传至软件系统。
[0081]
s5、人工检查雷达图像中的异常点，根据异常点的gps坐标和桩号进行现场踏勘并明确其病害类型和位置，分别踏勘裂缝、松散和层间脱空病害各50处，对病害类型进行人工独热编码并对病害位置进行边界锚框人工标注。
[0082]
s6、分别采用明亮变换、清晰度变换和颜色变换对裂缝、松散和层间脱空病害的1500幅雷达图像和随机选取的1500幅无病害雷达图像进行增强处理，共计获得12000幅雷达图像。
[0083]
s7、将雷达图像随机分为训练样本和验证样本2类，其中，训练样本占70％(8400幅)，验证样本占30％(3600幅)。
[0084]
s8、构建改进的googlenet，采用训练样本对模型进行训练，采用验证样本对训练好的模型进行验证，直至正确率大于90％为止，选定改进googlenet的网络结构和模型参数。
[0085]
s9、构建改进的yolov5，采用训练样本对模型进行训练，采用验证样本对训练好的模型进行验证，直至正确率大于90％为止，选定改进yolov5的网络结构和模型参数。
[0086]
s10、以训练好的改进googlenet和改进yolov5为理论基础，基于双gpu并行模式在python语言环境下针对探地雷达平台进行二次开发，构建深度病害类型识别与定位模块。
[0087]
s11、采用硬件系统对目标路段的其他部分进行扫描，将获取的雷达图像、gps坐标和桩号进行压缩并将压缩文件实时传输至软件系统。
[0088]
s12、采用深度病害类型识别与定位模块对雷达图像进行处理，明确深度病害类型和位置。
[0089]
s13、构建目标路段的深度病害数字化地图，实现深度病害属性信息(病害类型、位置)和空间信息(gps坐标、桩号)的图查功能。
[0090]
s14、计算目标路段的深度病害指数，将目标路段的深度病害数字化地图和深度病害指数上传至与系统相连的管养业务系统、检测业务系统和地图导航系统；为道路管理部门、道路检测部门和导航服务提供商提供直接、定量的依据。
[0091]
实施例二
[0092]
选取g309淄博段为目标路段，基于一体化智能车载探测系统开展沥青路面深度病害智能探测，具体实施步骤为：
[0093]
s1、通过现场调研和资料收集明确了目标路段的沥青路面结构，即由上至下共59cm，分别为细粒式沥青玛蹄脂碎石(sma-13)4cm、中粒式沥青混凝土(ac-20)6cm、粗粒式沥青混凝土(ac-25)7cm、水泥稳定碎石20cm和水泥稳定砂砾22cm。采用车辙板构建了该路面结构的足尺模型并基于正演模拟软件gprmax 2d建立了该路面结构的雷达图像仿真模型。
[0094]
s2、选用yl-gpr时间域脉冲式探地雷达扫描车辙板足尺模型，采用对比雷达图像仿真模型和车辙板足尺模型的探地雷达实测图像的方法选定探地雷达参数，当两者匹配程度最高时，即为最优参数组合。探地雷达参数包括中心频率、最大探测深度、水平分辨率、扫描速率、天线类型和极化方式、采样率和采样时窗8项，其中，中心频率可选100mhz、300mhz、500mhz、1.0ghz和2.0ghz，最大探测深度可选0.5m、1.0m、2.0m、3.0m、4.0m和5.0m，水平分辨率可选100扫描线/s、150扫描线/s、200扫描线/s、250扫描线/s、300扫描线/s、350扫描线/s和400扫描线/s，扫描速率可选30km/h、45km/h、60km/h、75km/h、90km/h和120km/h，天线类型可选空气耦合式和地面耦合式，极化方式可选平行宽边耦合、垂直宽边耦合、平行短边耦合和垂直短边耦合，采样率可选2倍中心频率、4倍中心频率、6倍中心频率、8倍中心频率和10倍中心频率，采样时窗可选30ns、40ns、50ns、60ns、70ns和80ns。通过对比，选定了最优探地雷达参数组合：中心频率为300mhz，最大探测深度为3.0m，水平分辨率为250扫描线/s，扫描速率为45km/h，天线类型为空气耦合式，极化方式为垂直宽边耦合，采样率为6倍中心频率，采样时窗为60ns。
[0095]
s3、将选定上述参数的探地雷达搭载于检测车前轮中心位置(检测车车况良好)并使探地雷达的长度方向与检测车长度方向垂直，此外，将cr101毫米级gps接收机安装于检测车并将gps接收机与探地雷达相连。
[0096]
s4、采用检测车对15km目标路段进行单通道扫描，共耗时约20min，每隔20m采集一次gps坐标和桩号，获得被扫描路段连续15km的雷达图像以及750组gps坐标和桩号，并将gps坐标和桩号写入雷达图像的存储数据中，其中，gps坐标通过gps接收机采集，桩号通过探地雷达的里程编码器采集。在探测开始前进行gps坐标打点和里程打点，即人工输入目标路段起点的gps坐标和桩号，其中gps坐标为[n36.687512
°
，e117.952654
°
]，桩号为k37+049，为保证雷达图像与gps坐标、桩号一一对应，检测车每行驶100m采用探地雷达里程编码器的脉冲信号触发gps接收机并记录相应的gps坐标和桩号，两次触发间的4组gps坐标和桩号通过线性内插得到，定位精度在3m以内。
[0097]
s5、数据上传模块将上述沥青路面雷达图像及其定位信息进行压缩，并将压缩文件通过无线网络实时上传至软件系统，无线网络采用常规的4g网络。
[0098]
s6、通过人工检查雷达图像共发现异常点3740处，根据异常点的gps坐标和桩号进行现场踏勘并明确其病害类型和位置，分别踏勘裂缝、松散和层间脱空病害各500处，对病
害类型进行人工独热编码，即裂缝病害标注为[1，0，0]，松散病害标注为[0，1，0]，层间脱空病害标注为[0，0，1]，对病害位置进行边界锚框人工标注，边界锚框采用红色矩形双线边框。
[0099]
s7、分别采用明亮变换、清晰度变换和颜色变换对裂缝、松散和层间脱空病害的1500幅雷达图像和随机选取的1500幅无病害雷达图像进行增强处理，共计获得12000幅雷达图像；将雷达图像随机分为训练样本和验证样本2类，其中，训练样本占70％(8400幅)，验证样本占30％(3600幅)。
[0100]
s8、如图4所示，构建改进googlenet，采用训练样本对模型进行训练，采用验证样本对训练好的模型进行验证，直至正确率大于90％为止，选定改进googlenet的网络结构和模型参数，其中，模型训练耗时26494s，模型验证耗时9053s。
[0101]
s9、如图7所示，构建改进yolov5，采用训练样本对模型进行训练，采用验证样本对训练好的模型进行验证，直至正确率大于90％为止，选定改进yolov5的网络结构和模型参数，其中，模型训练耗时37926s，模型验证耗时12643s。
[0102]
s10、以训练好的改进googlenet和改进yolov5为理论基础，基于双gpu并行模式在python语言环境下针对探地雷达平台进行二次开发，构建深度病害类型识别与定位模块。
[0103]
s11、采用硬件系统对目标路段剩余的92.140km进行扫描，共耗时约123min，每隔20m采集一次gps坐标和桩号，获得被扫描路段连续92.140km的雷达图像以及4608组gps坐标和桩号，将获取的雷达图像、gps坐标和桩号进行压缩并将压缩文件实时传输至软件系统并进行解压。
[0104]
s12、采用深度病害类型识别与定位模块对雷达图像进行处理，共探测出深度病害19520处(裂缝8720处、松散7490处、层间脱空3310处)，其中，规模最大的裂缝病害长约27.97m，规模最大的松散病害厚约37.54cm、长约9.65m，规模最大的层间脱空病害厚约25.82cm、长约4.12m。
[0105]
s13、采用数字化地图模块构建目标路段的深度病害数字化地图，实现深度病害属性信息(病害类型、位置)和空间信息(gps坐标、桩号)的图查功能；采用业务系统模块计算目标路段的深度病害指数ks＝21.185。
[0106]
s14、将目标路段深度病害数字化地图和深度病害指数传输至与系统相连的管养业务系统、检测业务系统和地图导航系统，为道路管理部门、道路检测部门和导航服务提供商提供直接、定量的依据。例如：道路管理人员可对比同一路段不同时段的沥青路面深度病害探测结果，快速判断该路段的健康状况变化趋势并对病害路段进行排查，合理分析病害原因，制定合理的养护计划和养护方案，实现道路的精细化管养；导航服务提供商可综合考虑里程、交通量和沥青路面深度病害探测结果等因素合理规划路线，或者将深度病害指数与导航地图相结合，用不同颜色表示不同路段的深度病害严重程度，让用户自主选择路线。
[0107]
因此，本发明采用上述一种沥青路面深度病害一体化智能车载探测系统及方法，操作简便易行、过程快速连续、结果精确定量，避免了钻芯取样等传统方法对路面结构的破坏和造成的交通堵塞，不会产生环境污染和建筑材料浪费，并且在设备价格、探测范围和结果精度等方面的性能较为均衡，可以满足快速增长的沥青路面深度病害检测市场需求，产业化前景广阔。
[0108]
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，
尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

技术特征：
1.一种沥青路面深度病害一体化智能车载探测系统，其特征在于：包括硬件系统、软件系统、gis展示与应用系统；所述硬件系统包括车载探地雷达模块、采样点定位模块、数据上传模块；所述软件系统包括深度病害类型识别与定位模块；所述gis展示与应用系统包括数字化地图模块、业务系统模块。2.根据权利要求1所述的一种沥青路面深度病害一体化智能车载探测系统，其特征在于：所述深度病害类型识别与定位模块分别基于改进的googlenet、改进的yolov5进行沥青路面深度病害类型识别与定位。3.根据权利要求2所述的一种沥青路面深度病害一体化智能车载探测系统，其特征在于：所述基于改进googlenet的沥青路面深度病害类型识别针对模型对样本数据集的适用性，将googlenet原有的9个inception模块减少为6个并去掉原有的2个辅助分类器。4.根据权利要求2所述的一种沥青路面深度病害一体化智能车载探测系统，其特征在于：所述基于改进googlenet的沥青路面深度病害类型识别采用训练样本对所述改进的googlenet进行训练，采用验证样本对训练好的模型进行验证，直至正确率大于90％为止，选定改进googlenet的结构形式和模型参数。5.根据权利要求2所述的一种沥青路面深度病害一体化智能车载探测系统，其特征在于：所述基于改进yolov5的沥青路面深度病害定位采用k-means++聚类算法选取最优锚点，在neck部分融入结合空间和通道的convolutional blockattention module混合注意力模块，采用ciou_loss对损失函数进行改进。6.根据权利要求5所述的一种沥青路面深度病害一体化智能车载探测系统，其特征在于：所述采用ciou_loss对损失函数进行改进，其同时考虑预测框a和目标框b的重叠面积、中心点距离、长宽比，其数学表达式如下，中心点距离、长宽比，其数学表达式如下，其中，α是权重参数，v用于测量纵横比的相似性，计算公式分别如下，其中，α是权重参数，v用于测量纵横比的相似性，计算公式分别如下，其中，w
gt
表示目标框的宽，h
gt
表示目标框的高，w表示预测框宽，h表示预测框的高。7.根据权利要求2所述的一种沥青路面深度病害一体化智能车载探测系统，其特征在于：基于改进yolov5的沥青路面深度病害定位采用训练样本对所述改进的yolov5进行训练，采用验证样本对训练好的模型进行验证，直至正确率大于90％为止，选定改进yolov5的结构形式和模型参数。8.一种沥青路面深度病害一体化智能车载探测方法，其特征在于，包括以下步骤：s1、调查目标路段的沥青路面结构类型，采用对比正演模拟结果和探地雷达实测图像
的方法确定适用于该路面结构的探地雷达中心频率、最大探测深度、水平分辨率、扫描速率、天线类型和极化方式、采样率和采样时窗的参数；s2、将选定型号和参数的探地雷达以及采样点定位模块和数据上传模块安装于检测车，探地雷达的长度方向与检测车长度方向垂直；s3、采用检测车对目标路段进行扫描，记录各采样点的雷达图像、gps坐标和桩号并使雷达图像、gps坐标和桩号一一对应；s4、数据上传模块对沥青路面雷达图像及其定位信息进行压缩，并将压缩文件通过无线网络实时上传至软件系统；s5、人工检查雷达图像中的异常点，根据异常点的gps坐标和桩号进行现场踏勘并明确其病害类型和位置，分别踏勘裂缝、松散和层间脱空病害各处，对病害类型进行人工独热编码并对病害位置进行边界锚框人工标注；s6、分别采用明亮变换、清晰度变换和颜色变换对裂缝、松散和层间脱空病害的雷达图像和随机选取的无病害雷达图像进行增强处理；s7、将雷达图像随机分为训练样本和验证样本，训练样本占70％，验证样本占30％；s8、构建改进的googlenet，采用训练样本对模型进行训练，采用验证样本对训练好的模型进行验证，直至正确率大于90％为止，选定改进googlenet的网络结构和模型参数；s9、构建改进的yolov5，采用训练样本对模型进行训练，采用验证样本对训练好的模型进行验证，直至正确率大于90％为止，选定改进yolov5的网络结构和模型参数；s10、以训练好的改进googlenet和改进yolov5为理论基础，基于双gpu并行模式在python语言环境下针对探地雷达平台进行二次开发，构建深度病害类型识别与定位模块；s11、采用硬件系统对除目标路段的部分进行扫描，将获取的雷达图像、gps坐标和桩号进行压缩并将压缩文件实时传输至软件系统；s12、采用深度病害类型识别与定位模块对雷达图像进行处理，明确深度病害类型和位置；s13、构建目标路段的深度病害数字化地图，实现深度病害属性信息和空间信息的图查功能；s14、计算目标路段的深度病害指数，将目标路段的深度病害数字化地图和深度病害指数上传至与系统相连的管养业务系统、检测业务系统和地图导航系统。

技术总结
本发明公开了一种沥青路面深度病害一体化智能车载探测系统及方法，包括硬件系统、软件系统、GIS展示与应用系统；所述硬件系统包括车载探地雷达模块、采样点定位模块、数据上传模块；所述软件系统包括深度病害类型识别与定位模块；所述GIS展示与应用系统包括数字化地图模块、业务系统模块。本发明采用上述一种沥青路面深度病害一体化智能车载探测系统及方法，操作简便易行、过程快速连续、结果精确定量，避免了钻芯取样等传统方法对路面结构的破坏和造成的交通堵塞，不会产生环境污染和建筑材料浪费，并且在设备价格、探测范围和结果精度等方面的性能较为均衡，可以满足快速增长的沥青路面深度病害检测市场需求，产业化前景广阔。阔。阔。


技术研发人员：尹超 李仲波 刘新良 唐港庭 谭子永 李树枫 张溪轩
受保护的技术使用者：山东理工大学
技术研发日：2023.05.16
技术公布日：2023/8/13