1.基于卷积神经网络和卡尔曼滤波的道路损伤识别方法,其特征在于:步骤1、对n张含有道路损伤的损伤图进行排序;第i张损伤图的分辨率为vi×hi,vi为第i张损伤图上一行像素的个数;hi为第i张损伤图上一列像素的个数,i=1,2,…,n;第i张损伤图的损伤类别为zi;
步骤2、图像增强与卷积神经网络的训练;
2.1、i=1,2,…,n,依次执行步骤2.2至2.4;
2.2、将步骤1所得第i张损伤图放大ti倍;
若hi>vi,则ti=300/hi,并将第i张损伤图的左 列像素以第i张损伤图的左侧边缘作为对称轴进行镜像对称,并将第i张损伤图的右 行像素以第i张损伤图的右侧边缘作为对称轴进行镜像对称,得到分辨率为300×300的第i张一级扩展图;
若hi≤vi,则t=300/vi,并将第i张损伤图的上 行像素以第i张损伤图的上侧边缘作为对称轴进行镜像对称,并将第i张损伤图的下 行像素以第i张损伤图的下侧边缘作为对称轴进行镜像对称,得到分辨率为300×300的第i张一级扩展图;
2.3、将步骤2.2所得的第i张一级扩展图放大1.5倍,得到分辨率为450×450的第i张二级扩展图;将第i张一级扩展图放大2倍,得到分辨率为600×600的第i张三级扩展图;
2.4、用步骤2.2所得的第i张一级扩展图复制出第i张四级扩展图、第i张五级扩展图、第i张六级扩展图、第i张七级扩展图;并将第i张四级扩展图、第i张五级扩展图、第i张六级扩展图、第i张七级扩展图分别调整为0.8倍、0.9倍、1.1倍和1.2倍;
2.5、将第i张一级扩展图、第i张二级扩展图、第i张三级扩展图、第i张四级扩展图、第i张五级扩展图、第i张六级扩展图和第i张七级扩展图导入卷积神经网络进行训练;
步骤3、k=1,2,…,m,依次执行步骤4至6;m为被测图像的数量;
步骤4、将分辨率为v′k×h′k的第k张被测图像放大t′k倍;若h′k
步骤5、将步骤4所得的第k张被测扩展图像输入步骤2训练所得的卷积神经网络中;卷积神经网络输出中获取被测图片的特征信息矩阵Hk和权重矩阵wk;
步骤6、将步骤5所得的权重初始值wk通过卡尔曼滤波算法进行优化;
6.1、计算权重预测值 的表达式如式(1)所示:式(1)中,I为两行两列的单位矩阵;
6.2、计算权重预测值 的协方差矩阵Pk′如式(2)所示:T
Pk′=I′·Pk·I′+Q (2)
T
式(2)中,Q为过程噪声,其值为0.00003;I′为单位矩阵I′的转置;I′为c行c列的单位矩阵;Pk为c行c列,且主对角线上所有元素均为0.001,其余元素均为零的矩阵;c为全连接层输出节点个数;
6.3、计算第k个最优增益阵Kk如式(3)所示:式(3)中, 为矩阵Hk的转置;R为观测噪声,其值为0.005;
6.4、计算第k个权重更新矩阵w′k如式(4)所示:式(4)中,R为观测噪声,其值为0.005;
步骤七、根据第k个权重更新矩阵w′k计算M矩阵式(5)所示;
T
M=[Hk·w′k] (5)
T
式(5)中,[Hk·w′k]为矩阵[Hk·w′k]的转置。
2.根据权利要求1所述的基于卷积神经网络和卡尔曼滤波的道路损伤识别方法,其特征在于:所述的卷积神经网络采用VGG16。
3.根据权利要求1所述的基于卷积神经网络和卡尔曼滤波的道路损伤识别方法,其特征在于:步骤5执行后,对权重矩阵wk通过主成分分析算法进行降维。
4.根据权利要求1所述的基于卷积神经网络和卡尔曼滤波的道路损伤识别方法,其特征在于:所述的全连接层输出节点个数c等于4096。