基于自适应课程学习的探地雷达道路隐伏病害检测增强

来源：中国血液净化杂志2024年第12期北京时间：

作者：李亦舜, 杜豫川, 刘成龙, 岳光华, 李峰

单位：1. 同济大学　道路与交通工程教育部重点实验室，上海　201804","2. 北京航空航天大学　交通科学与工程学院，北京　100191

摘要：<p>深度学习与探地雷达影像的结合用于检测道路中的隐伏病害已成为当前研究的热点领域。然而受限于样本真值获取难度大，小样本条件下提升隐伏病害检测的精度面临着挑战。为此提出一种自适应课程学习模型框架，旨在增强隐伏病害的检测精度。该框架遵循由易到难的渐进式训练策略，能够动态评估样本数据的难易程度，并自适应地调整数据的训练顺序。首先构建一个教师-学生自适应课程学习框架，通过交替搜索优化教师网络的样本难易评估机制和学生网络的病害检测性能。引入了软边界约束的损失函数，根据检测模型的预测误差动态评估样本的难易程度，并利用加权损失的反向传播实现样本训练顺序的自适应调度。为了适应不同规模与类型的检测模型，采用了EfficientNet系列网络构建特征提取模块。基于实际工程数据，构建了一个包含反射裂缝、松散和空洞3类道路隐伏病害的数据集，共1 857例样本。试验设计了自适应课程学习、随机训练、指定顺序和指定逆序4种策略，并在YOLOv9和DETR两种病害检测算法中进行了验证。结果表明：从简单的数据样本开始训练，逐步增加样本的难度，可以有效加速模型的收敛并提高检测精度。与其余3类方法相比，所提出的自适应课程学习框架提升了隐伏病害检测精度分别达6.21%、4.01%、10.64%。通过对各样本难度评估的对比发现：城市道路场景的病害检测难度较大，但不同病害类型之间的难易程度无显著差异。该研究为道路隐伏病害的检测提供了一种新的技术途径，有助于提高检测的准确性和效率。</p>

关键词：路面工程,隐伏病害,探地雷达,病害检测,课程学习,深度学习