一种路面病害维修成本预测方法及系统，该方法包括：步骤S1：获取交通路面图像数据集，利用语义分析，构建用于网络模型训练和测试的训练集和测试集，对训练集和测试集中的图像进行预处理；步骤S2：构建RDAACN模型；步骤S3：在训练集上对所述RDAACN模型进行训练；步骤S4：在测试集上对训练完成的RDAACN模型进行测试，输出测试结果；步骤S5：根据RDAACN模型对路面图像中路面病害像素级精度的提取结果，计算路面病害区域的面积；步骤S6：根据计算得到的路面病害区域的面积来预测路面病害的维修成本。该系统用来实施上述方法。本发明具有原理简单、智能化程度高、能够提高预测效率和精确性等优点。
1.一种路面病害维修成本预测方法，其特征在于，包括：
步骤S1：获取交通路面图像数据集，先利用语义分析，构建用于网络模型训练和测试的训练集和测试集，并且对训练集和测试集中的图像进行预处理；
步骤S2：构建RDAACN模型，所述RDAACN模型具有编码器结构和解码器结构；其中，所述编码器结构用于提取交通路面图像的特征，所述解码器用于根据编码器提取的交通路面图像的特征来输出对图像的分割结果；所述步骤S2中，构建的残差密集非对称空洞卷积网络RDAACN模型，所述RDAACN模型包括编码器和解码器；所述RDAACN模型的编码器具有四个按先后顺序连接的残差密集非对称空洞卷积块RDAACB；
步骤S3：在训练集上对所述RDAACN模型进行训练；
步骤S4：保存训练完成的RDAACN模型，在测试集上对训练完成的RDAACN模型进行测试，输出测试结果，以像素级精度地提取交通路面图像中的路面病害；
步骤S5：根据RDAACN模型对交通路面图像中路面病害像素级精度的提取结果，计算路面病害区域的面积；
步骤S6：根据计算得到的路面病害区域的面积来预测路面病害的维修成本；
（a）原始特征图输入到一个卷积核数量为Ne/2、扩张率d为3、激活函数使用修正线性单元ReLU的1×3空洞卷积层，1×3空洞卷积层的输出特征图输入到一个卷积核数量为Ne/2、扩张率d为3、激活函数使用ReLU的3×1空洞卷积层，3×1空洞卷积层的输出特征图输入到一个卷积核数量为Ne/2、扩张率d为6、激活函数使用ReLU的3×3空洞卷积层；
（b） 3×1空洞卷积层和3×3空洞卷积层的输出特征图以通道合并的方式进行特征融合，融合后得到的特征图输入到一个卷积核数量为Ne、激活函数使用Sigmoid的1×1卷积层，1×1卷积层的输出特征图再与特征融合得到的特征图相乘；
（c）原始特征图输入到一个卷积核数量为Ne、激活函数使用ReLU的3×3卷积层，3×3卷积层的输出特征图与（b）中相乘得到的特征图相加；
（d）相加得到的特征图输入到一个池化窗口为2×2、池化窗口的步长Sp为2的最大池化层中，将特征图的尺寸缩小为原始特征图的0.5倍，得到RDAACB的输出特征图。
2.根据权利要求1所述的路面病害维修成本预测方法，其特征在于，所述步骤S1中，所述交通路面图像数据集采用通过沥青路面损坏数据集GAPs处理得到的GAPs384数据集。
3.根据权利要求2所述的路面病害维修成本预测方法，其特征在于，所述GAPs384数据集中每个图像中每个像素点表示1.2mm×1.2mm；将图像裁剪至宽度为528像素、高度为432像素。
4.根据权利要求1所述的路面病害维修成本预测方法，其特征在于，所述RDAACN模型中采用非对称的卷积核，输入RDAACB的特征图经过3×3卷积层处理后使用残差连接的方式加入RDAACB模型中。
5.根据权利要求4所述的路面病害维修成本预测方法，其特征在于，所述RDAACB模型中RDAACB1至RDAACB4中卷积层、空洞卷积层和池化层的连接结构相同，但是卷积核数量不同。
6.根据权利要求1所述的路面病害维修成本预测方法，其特征在于，所述RDAACN的解码器用于根据编码器提取的交通路面图像的特征来输出对图像的分割结果，其流程包括步骤为：步骤S10：RDAACB4输出的特征图输入到一个卷积核数量为512、激活函数使用ReLU的3×3卷积层，并使用双线性插值对3×3卷积层的输出特征图进行4倍上采样，将其尺寸扩大4倍；
步骤S20：第一次4倍上采样输出的特征图输入到一个卷积核数量为64、激活函数使用ReLU的3×3卷积层，卷积层的输出特征图与RDAACB2的输出特征图相加，再使用双线性插值对相加得到的特征图进行4倍上采样，将其尺寸扩大4倍；
步骤S30：第二次4倍上采样输出的特征图输入到一个卷积核数量为32、激活函数使用ReLU的3×3卷积层，3×3卷积层的输出再输入到一个卷积核数量为2的1×1卷积层，得到RDAACN输出的分割交通路面图像的结果。
7.根据权利要求1‑3中任意一项所述的路面病害维修成本预测方法，其特征在于，所述步骤S5中，计算路面病害区域面积的方法，其流程包括：步骤S501：根据RDAACN模型分割交通路面图像的结果，来计算一幅交通路面图像中具有的RDAACN模型预测属于路面病害这一类别的像素数量M；
步骤S502：获得交通路面图像中每一个像素点对应的实际物理面积L；
步骤S503：计算一幅交通路面图像中路面病害区域的面积K，其计算公式如下：
8.一种基于路面病害维修成本预测系统，其特征在于，包括：
图像数据获取单元，用来先利用语义分析，构建用于网络模型训练和测试的训练集和测试集，并且对训练集和测试集中的图像进行预处理；
训练单元，用来构建RDAACN模型，所述RDAACN模型具有编码器结构和解码器结构；其中，所述编码器结构用于提取交通路面图像的特征，所述解码器用于根据编码器提取的交通路面图像的特征来输出对图像的分割结果；在训练集上对所述RDAACN模型进行训练；
测试单元，用来保存训练完成的RDAACN模型，在测试集上对训练完成的RDAACN模型进行测试，输出测试结果，以像素级精度地提取交通路面图像中的路面病害；
SVM模型生成单元，用来根据RDAACN模型对交通路面图像中路面病害像素级精度的提取结果，计算路面病害区域的面积；
预测单元，用来根据改进U‑Net模型对测试集交通路面图像中路面病害像素级精度的提取结果，使用训练完成的SVM模型预测路面病害的维修成本；
输出单元，用来根据计算得到的路面病害区域的面积来输出路面病害的维修成本；
所述RDAACN模型为残差密集非对称空洞卷积网络RDAACN模型，所述RDAACN模型包括编码器和解码器；所述RDAACN模型的编码器具有四个按先后顺序连接的残差密集非对称空洞卷积块RDAACB；所述RDAACB模型的结构包括：（a）原始特征图输入到一个卷积核数量为Ne/2、扩张率d为3、激活函数使用修正线性单元ReLU的1×3空洞卷积层，1×3空洞卷积层的输出特征图输入到一个卷积核数量为Ne/2、扩张率d为3、激活函数使用ReLU的3×1空洞卷积层，3×1空洞卷积层的输出特征图输入到一个卷积核数量为Ne/2、扩张率d为6、激活函数使用ReLU的3×3空洞卷积层；
（b） 3×1空洞卷积层和3×3空洞卷积层的输出特征图以通道合并的方式进行特征融合，融合后得到的特征图输入到一个卷积核数量为Ne、激活函数使用Sigmoid的1×1卷积层，1×1卷积层的输出特征图再与特征融合得到的特征图相乘；
（c）原始特征图输入到一个卷积核数量为Ne、激活函数使用ReLU的3×3卷积层，3×3卷积层的输出特征图与（b）中相乘得到的特征图相加；
（d）相加得到的特征图输入到一个池化窗口为2×2、池化窗口的步长Sp为2的最大池化层中，将特征图的尺寸缩小为原始特征图的0.5倍，得到RDAACB的输出特征图。
一种路面病害维修成本预测方法及系统
技术领域
[0001] 本发明主要涉及到路面病害智能监控技术领域，特指一种路面病害维修成本预测方法及系统。
背景技术
[0002] 公路运输灵活、便捷，国家公路交通体系的不断完善，推动了经济高速发展，然而其对路面运营养护的需求也在不断增加。路面会因为使用时间增加、气候影响、使用和保养方式不当等因素产生横向裂痕、纵向裂痕、龟裂等病害，如果不及时维修路面病害，其将会影响公路运输的使用性能和安全性能。因此，快速准确地提取路面病害，对提高公路运输的可靠性是非常重要的。
[0003] 尤其是对于智慧城市而言，更加倡导并力求通过技术手段在城市规划、设计、建设、管理与运营等领域中，通过物联网、云计算、大数据、空间地理信息集成等智能计算技术的应用，使得城市管理、教育、医疗、房地产、交通运输、公用事业和公众安全等城市组成的关键基础设施组件和服务更互联、高效和智能，从而为市民提供更美好的生活和工作服务、为企业创造更有利的商业发展环境、为政府赋能更高效的运营与管理机制。
[0004] 使用人工提取路面病害的方法耗时长，并且其结果容易受到主观经验影响。基于传统特征的图像分割方法，根据算法提取的阈值特征、相似度特征、区域边缘特征等特征分割交通路面图像来提取路面病害，但是，该方法通常需要先验信息，对于具有复杂背景的交通路面图像分割精度一般，因此，使用该方法提取路面病害存在局限性。基于深度学习的语义分割方法，根据深度学习网络模型提取交通路面图像的特征，对图像中每个像素点进行类别预测，以分割交通路面图像，来对图像中的路面病害进行像素级精度的提取。
[0005] 近年来，基于深度学习的语义分割方法发展迅速，Long等人提出的全卷积网络（Fully Convolutional Networks，FCN）、Ronneberger等人提出的U‑Net、Badrinarayanan等人提出的SegNet相继取得了优良的性能。然而，现有方法存在模型参数量大、计算复杂的问题。
[0006] 例如，中国专利申请“路面病害检测模型训练方法、装置和计算机设备”（CN112966665A），在该技术方案中包括：获取多个路面图像；检测所述多个路面图像中的病害图像；所述病害图像为存在病害的路面图像；所述病害图像为多个；根据所述病害对所述病害图像进行标注，并根据标注内容生成所述病害图像的掩膜图像；根据所述病害图像和所述病害图像的掩膜图像，得到所述路面病害检测模型的训练数据集；基于所述训练数据集对所述路面病害检测模型进行训练，得到训练后路面病害检测模型；所述训练后路面病害检测模型用于对待检测路面图像进行路面病害检测。采用本方法能够准确识别待检测路面图像中的所有路面病害。
[0007] 但是现有的所有智能化图像识别方式均存在效率比较低、识别精度比较低等问题，无法实现真正的无人化、智能化、可靠的识别。因此需要提出一种方法，通过对交通路面图像语义分割得到的结果来计算路面病害区域的面积，并根据路面病害区域的面积预测路面病害的维修成本。
发明内容
[0008] 本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种原理简单、智能化程度高、能够提高预测效率和精确性的路面病害维修成本预测方法及系统。
[0009] 为解决上述技术问题，本发明采用以下技术方案：
[0010] 一种路面病害维修成本预测方法，其包括：
[0011] 步骤S1：获取交通路面图像数据集，先利用语义分析，构建用于网络模型训练和测试的训练集和测试集，并且对训练集和测试集中的图像进行预处理；
[0012] 步骤S2：构建RDAACN模型，所述RDAACN模型具有编码器结构和解码器结构；其中，所述编码器结构用于提取交通路面图像的特征，所述解码器用于根据编码器提取的交通路面图像的特征来输出对图像的分割结果；
[0013] 步骤S3：在训练集上对所述RDAACN模型进行训练；
[0014] 步骤S4：保存训练完成的RDAACN模型，在测试集上对训练完成的RDAACN模型进行测试，输出测试结果，以像素级精度地提取交通路面图像中的路面病害；
[0015] 步骤S5：根据RDAACN模型对交通路面图像中路面病害像素级精度的提取结果，计算路面病害区域的面积；
[0016] 步骤S6：根据计算得到的路面病害区域的面积来预测路面病害的维修成本。
[0017] 作为本发明方法的进一步改进：所述步骤S1中，所述交通路面图像数据集采用通过沥青路面损坏数据集GAPs处理得到的GAPs384数据集。
[0018] 作为本发明方法的进一步改进：所述GAPs384数据集中每个图像中每个像素点表示1.2mm×1.2mm；将图像裁剪至宽度为528像素、高度为432像素。
[0019] 作为本发明方法的进一步改进：所述步骤S2中，构建的残差密集非对称空洞卷积网络RDAACN模型，所述RDAACN模型包括编码器和解码器；所述RDAACN模型的编码器具有四个按先后顺序连接的残差密集非对称空洞卷积块RDAACB。
[0020] 作为本发明方法的进一步改进：所述RDAACN模型中采用非对称的卷积核，输入RDAACB的特征图经过3×3卷积层处理后使用残差连接的方式加入RDAACB模型中。
[0021] 作为本发明方法的进一步改进：所述RDAACB模型中RDAACB1至RDAACB4中卷积层、空洞卷积层和池化层的连接结构相同，但是卷积核数量不同。
[0022] 作为本发明方法的进一步改进：所述RDAACB模型的结构包括：
[0023] （a）原始特征图输入到一个卷积核数量为Ne/2、扩张率d为3、激活函数使用修正线性单元ReLU的1×3空洞卷积层，1×3空洞卷积层的输出特征图输入到一个卷积核数量为Ne/2、扩张率d为3、激活函数使用ReLU的3×1空洞卷积层，3×1空洞卷积层的输出特征图输入到一个卷积核数量为Ne/2、扩张率d为6、激活函数使用ReLU的3×3空洞卷积层；
[0024] （b）3×1空洞卷积层和3×3空洞卷积层的输出特征图以通道合并的方式进行特征融合，融合后得到的特征图输入到一个卷积核数量为Ne、激活函数使用Sigmoid的1×1卷积层，1×1卷积层的输出特征图再与特征融合得到的特征图相乘；
[0025] （c）原始特征图输入到一个卷积核数量为Ne、激活函数使用ReLU的3×3卷积层，3×3卷积层的输出特征图与（b）中相乘得到的特征图相加；
[0026] （d）相加得到的特征图输入到一个池化窗口为2×2、池化窗口的步长Sp为2的最大池化层中，将特征图的尺寸缩小为原始特征图的0.5倍，得到RDAACB的输出特征图；
[0027] 作为本发明方法的进一步改进：所述RDAACN的解码器用于根据编码器提取的交通路面图像的特征来输出对图像的分割结果，其流程包括步骤为：
[0028] 步骤S10：RDAACB4输出的特征图输入到一个卷积核数量为512、激活函数使用ReLU的3×3卷积层，并使用双线性插值对3×3卷积层的输出特征图进行4倍上采样，将其尺寸扩大4倍；
[0029] 步骤S20：第一次4倍上采样输出的特征图输入到一个卷积核数量为64、激活函数使用ReLU的3×3卷积层，卷积层的输出特征图与RDAACB2的输出特征图相加，再使用双线性插值对相加得到的特征图进行4倍上采样，将其尺寸扩大4倍；
[0030] 步骤S30：第二次4倍上采样输出的特征图输入到一个卷积核数量为32、激活函数使用ReLU的3×3卷积层，3×3卷积层的输出再输入到一个卷积核数量为2的1×1卷积层，得到RDAACN输出的分割交通路面图像的结果。
[0031] 作为本发明方法的进一步改进：所述步骤S5中，计算路面病害区域面积的方法，其流程包括：
[0032] 步骤S501：根据RDAACN模型分割交通路面图像的结果，来计算一幅交通路面图像中具有的RDAACN模型预测属于路面病害这一类别的像素数量M；
[0033] 步骤S502：获得交通路面图像中每一个像素点对应的实际物理面积L；
[0034] 步骤S503：计算一幅交通路面图像中路面病害区域的面积K，其计算公式如下：
[0035] 。
[0036] 本发明进一步提供一种基于语义分割的路面病害维修成本预测系统，其包括：
[0037] 图像数据获取单元，用来先利用语义分析，构建用于网络模型训练和测试的训练集和测试集，并且对训练集和测试集中的图像进行预处理；
[0038] 训练单元，用来构建RDAACN模型，所述RDAACN模型具有编码器结构和解码器结构；其中，所述编码器结构用于提取交通路面图像的特征，所述解码器用于根据编码器提取的交通路面图像的特征来输出对图像的分割结果；在训练集上对所述RDAACN模型进行训练；
[0039] 测试单元，用来保存训练完成的RDAACN模型，在测试集上对训练完成的RDAACN模型进行测试，输出测试结果，以像素级精度地提取交通路面图像中的路面病害；
[0040] SVM模型生成单元，用来根据RDAACN模型对交通路面图像中路面病害像素级精度的提取结果，计算路面病害区域的面积；
[0041] 预测单元，用来根据改进U‑Net模型对测试集交通路面图像中路面病害像素级精度的提取结果，使用训练完成的SVM模型预测路面病害的维修成本；
[0042] 输出单元，用来根据计算得到的路面病害区域的面积来输出路面病害的维修成本。
[0043] 与现有技术相比，本发明的优点就在于：
[0044] 本发明的路面病害维修成本预测方法及系统，原理简单、智能化程度高、能够提高预测效率和精确性，本发明先使用语义分割对交通路面图像中的路面病害进行像素级精度的提取，来计算路面病害区域的面积，并根据路面病害区域的面积预测路面病害的维修成本，可以应用于交通路面图像处理领域。本发明创新性的采用了RDAACN模型，在RDAACN模型中构建的RDAACB具有密集的空洞卷积，获得的感受野大，像素采样密集，同时还使用了非对称的卷积核来降低参数量，并且RDAACB能够保留输入特征图的信息；RDAACN的解码器根据RDAACB提取的图像特征来输出对图像中路面病害像素级精度的提取结果，从而计算路面病害区域的面积，并根据路面病害区域的面积预测维修路面病害的成本。
附图说明
[0045] 图1是本发明方法在具体实例中的流程示意图。
[0046] 图2是本发明在具体应用实例中RDAACN模型的结构原理示意图。
[0047] 图3是本发明提出的RDAACB的结构原理示意图。
具体实施方式
[0048] 以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
[0049] 如图1所示，本发明的一种路面病害维修成本预测方法，为基于语义分割和RDAACN模型的路面病害维修成本预测方法，其流程包括：
[0050] 步骤S1：获取交通路面图像数据集，先利用语义分析，构建用于网络模型训练和测试的训练集和测试集，并且对训练集和测试集中的图像进行预处理；
[0051] 步骤S2：构建RDAACN模型，所述RDAACN模型具有编码器结构和解码器结构；其中，所述编码器结构用于提取交通路面图像的特征，所述解码器用于根据编码器提取的交通路面图像的特征来输出对图像的分割结果；
[0052] 步骤S3：在训练集上对所述RDAACN模型进行训练；
[0053] 步骤S4：保存训练完成的RDAACN模型，在测试集上对训练完成的RDAACN模型进行测试，输出测试结果，以像素级精度地提取交通路面图像中的路面病害；
[0054] 步骤S5：根据RDAACN模型对交通路面图像中路面病害像素级精度的提取结果，计算路面病害区域的面积；
[0055] 步骤S6：根据计算得到的路面病害区域的面积来预测路面病害的维修成本。
[0056] 在具体应用实例中，所述步骤S1中，所述交通路面图像数据集根据实际需要可以采用通过沥青路面损坏数据集（German Asphalt Pavement Distress，GAPs）处理得到的GAPs384数据集。
[0057] 进一步，所述GAPs384数据集中具有509幅路面病害图像和相应的图像标注。作为优选的实施例，为了提高识别的精度和效果，本发明的每个图像中每个像素点表示1.2mm×1.2mm。
[0058] 作为优选实施例，为进行RDAACN模型的训练和测试，本发明选取GAPs384数据集中的470幅图像作为训练集，39幅图像作为测试集。进一步，为了提高网络模型对图像的下采样和上采样效率和精确性，本发明还将图像裁剪至宽度为528像素、高度为432像素。
[0059] 在具体应用实例中，所述步骤S2中，本发明进一步构建的残差密集非对称空洞卷积网络（Residual DenseAsymmetric Atrous Convolution Network，RDAACN），其结构如图2所示。在本发明中，所述RDAACN模型包括编码器和解码器。所述RDAACN模型的编码器具有四个按先后顺序连接的残差密集非对称空洞卷积块（Residual DenseAsymmetric Atrous Convolution Block，RDAACB）；通过这个设计，所述RDAACB模型中具有密集的空洞卷积，其获得的感受野大，像素采样密集。
[0060] 进一步，同时本发明还使用非对称的卷积核来降低参数量，并且为保留空洞卷积忽略的图像特征，输入RDAACB的特征图经过3×3卷积层处理后使用残差连接的方式加入RDAACB模型中。
[0061] 进一步，作为优选实例，为了提高识别的精确性和处理效率，本发明中RDAACB1至RDAACB4中卷积层、空洞卷积层和池化层的连接结构相同，但是卷积核数量不同。
[0062] 进一步，作为优选方案，如图3所示，所述RDAACB的结构包括：
[0063] （a）原始特征图输入到一个卷积核数量为Ne/2、扩张率d为3、激活函数使用修正线性单元（Rectified Linear Unit，ReLU）的1×3空洞卷积层，1×3空洞卷积层的输出特征图输入到一个卷积核数量为Ne/2、扩张率d为3、激活函数使用ReLU的3×1空洞卷积层，3×1空洞卷积层的输出特征图输入到一个卷积核数量为Ne/2、扩张率d为6、激活函数使用ReLU的3×3空洞卷积层；
[0064] （b）3×1空洞卷积层和3×3空洞卷积层的输出特征图以通道合并的方式进行特征融合，融合后得到的特征图输入到一个卷积核数量为Ne、激活函数使用Sigmoid的1×1卷积层，1×1卷积层的输出特征图再与特征融合得到的特征图相乘；
[0065] （c）原始特征图输入到一个卷积核数量为Ne、激活函数使用ReLU的3×3卷积层，3×3卷积层的输出特征图与（b）中相乘得到的特征图相加；
[0066] （d）相加得到的特征图输入到一个池化窗口为2×2、池化窗口的步长Sp为2的最大池化层中，将特征图的尺寸缩小为原始特征图的0.5倍，得到RDAACB的输出特征图；
[0067] 进一步，在RDAACB中，Ne表示图2中设置的RDAACB1至RDAACB4的不同参数。
[0068] 进一步，在本发明中，RDAACN的解码器用于根据编码器提取的交通路面图像的特征来输出对图像的分割结果，其流程包括步骤为：
[0069] 步骤S10：RDAACB4输出的特征图输入到一个卷积核数量为512、激活函数使用ReLU的3×3卷积层，并使用双线性插值对3×3卷积层的输出特征图进行4倍上采样，将其尺寸扩大4倍；
[0070] 步骤S20：第一次4倍上采样输出的特征图输入到一个卷积核数量为64、激活函数使用ReLU的3×3卷积层，卷积层的输出特征图与RDAACB2的输出特征图相加，再使用双线性插值对相加得到的特征图进行4倍上采样，将其尺寸扩大4倍；
[0071] 步骤S30：第二次4倍上采样输出的特征图输入到一个卷积核数量为32、激活函数使用ReLU的3×3卷积层，3×3卷积层的输出再输入到一个卷积核数量为2的1×1卷积层，得到RDAACN输出的分割交通路面图像的结果。
[0072] 在具体应用实例中，所述步骤S3中，对RDAACN模型进行训练时，优化器使用Adam，学习率设置为0.001，批量大小设置为5，在训练集上训练100轮。
[0073] 在具体应用实例中，所述步骤S3中，对RDAACN模型进行训练时，损失函数L使用交叉熵损失函数LCE和noise‑robust Dice损失函数LNR‑Dice，其计算公式如下：
[0074]
[0075] 式中，设置为0.8，N表示交通路面图像中像素点的数量， 表示图像中第 个像素点对应标注的值， 表示RDAACN模型对图像中第 个像素点的预测通过Softmax函数后的值。
[0076] 在具体应用实例中，所述步骤S5中，计算路面病害区域面积的方法，其流程包括：
[0077] 步骤S501：根据RDAACN模型分割交通路面图像的结果，来计算一幅交通路面图像中具有的RDAACN模型预测属于路面病害这一类别的像素数量M；
[0078] 步骤S502：获得交通路面图像中每一个像素点对应的实际物理面积L；
[0079] 步骤S503：计算一幅交通路面图像中路面病害区域的面积K，其计算公式如下：
[0080] ；
[0081] 在具体应用实例中，所述步骤S6中，预测路面病害维修成本的流程包括：
[0082] 步骤S601：获得路面维修成本相关系数，分别为材料系数T1、路龄系数T2、人工成本系数T3和气候系数T4；
[0083] 步骤S602：根据计算得到的路面病害区域的面积和路面维修成本相关系数，预测路面病害的维修成本P，其计算公式如下：
[0084] 。
[0085] 本发明进一步提供一种基于语义分割的路面病害维修成本预测系统，用来实施上述本发明的方法，其包括：
[0086] 图像数据获取单元，用来先利用语义分析，构建用于网络模型训练和测试的训练集和测试集，并且对训练集和测试集中的图像进行预处理；
[0087] 训练单元，用来构建RDAACN模型，所述RDAACN模型具有编码器结构和解码器结构；其中，所述编码器结构用于提取交通路面图像的特征，所述解码器用于根据编码器提取的交通路面图像的特征来输出对图像的分割结果；在训练集上对所述RDAACN模型进行训练；
[0088] 测试单元，用来保存训练完成的RDAACN模型，在测试集上对训练完成的RDAACN模型进行测试，输出测试结果，以像素级精度地提取交通路面图像中的路面病害；
[0089] SVM模型生成单元，用来根据RDAACN模型对交通路面图像中路面病害像素级精度的提取结果，计算路面病害区域的面积；
[0090] 预测单元，用来根据改进U‑Net模型对测试集交通路面图像中路面病害像素级精度的提取结果，使用训练完成的SVM模型预测路面病害的维修成本；
[0091] 输出单元，用来根据计算得到的路面病害区域的面积来输出路面病害的维修成本。
[0092] 本领域内的技术人员应明白，本申请的上述实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质（包括但不限于磁盘存储器、CD‑ROM、光学存储器等）上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
[0093] 以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
