CN118037738B - 一种沥青路面灌缝胶黏结性能检测方法及设备 - Google Patents

Abstract

本申请提供一种沥青路面灌缝胶黏结性能检测方法及设备，以目标性能检测环境的检测对比素材集合中的匹配图像为前提生成再训练图像集合，通过再训练图像集合对基石特征表示网络在目标性能检测环境进行针对性细节优化，令获得的目标特征表示网络的特征表示性能与对应的目标性能检测环境更加匹配，使得基于目标特征表示网络得到的图像特征表示与目标性能检测环境的环境影响的关联性更强，增加灌缝胶检测的精确性。

Description

一种沥青路面灌缝胶黏结性能检测方法及设备

技术领域

本申请涉及数据处理领域，具体而言，涉及一种沥青路面灌缝胶黏结性能检测方法及设备。

背景技术

沥青路面作为现代道路交通的主要组成部分，其维护与修复工作至关重要。灌缝胶作为一种常用的路面裂缝修补材料，其黏结性能直接影响到修补效果和使用寿命。因此，开发一种准确、高效的沥青路面灌缝胶黏结性能检测方法，对于提升路面维护质量和延长路面使用寿命具有重要意义。然而，现有的灌缝胶黏结性能检测方法往往受到多种环境因素的影响，如温度、湿度、路面材料等，导致检测结果的准确性和稳定性难以保证。此外，传统的检测方法通常基于人工操作和主观判断，不仅效率低下，而且容易受到人为误差的干扰。因此，提供一种能高效准确智能化检测沥青路面灌缝胶黏结性能的方法是亟待解决的技术问题。

发明内容

本发明的目的在于提供一种沥青路面灌缝胶黏结性能检测方法及设备。本申请实施例是这样实现的：

第一方面，本申请实施例提供了一种沥青路面灌缝胶黏结性能检测方法，所述方法包括：获取目标性能检测环境的检测对比素材集合，并对所述检测对比素材集合进行图像分块操作，得到p个素材图像子集；其中，p≥1，所述检测对比素材集合中的检测对比素材为对沥青路面灌缝胶测试时拍摄得到的对比图像；通过图像构建网络分别为每一所述素材图像子集生成匹配图像集合；每一所述素材图像子集分别对应一个匹配图像集合，每一所述匹配图像集合包括多个匹配图像，每一所述匹配图像集合包括的各个匹配图像的关联检测图像都可以从对应的素材图像子集中获得；依据所述p个素材图像子集和生成获得的p个匹配图像集合，生成再训练图像集合；通过所述再训练图像集合对基石特征表示网络进行精细化调节操作，得到目标特征表示网络；所述目标特征表示网络用于在所述目标性能检测环境中为检测图像进行特征表示。

作为一种实施方式，所述对所述检测对比素材集合进行图像分块操作，得到p个素材图像子集，包括：解析所述检测对比素材集合的素材组成分布；所述素材组成分布包括灌缝胶黏结状态语义分布和/或灌缝胶黏结检测维度表现形式分布；依据所述检测对比素材集合的素材组成分布确定图像分块方式；所述图像分块方式包括表现形式分块方式和/或状态分块方式；依据确定的图像分块方式对所述检测对比素材集合进行图像分块操作，得到p个素材图像子集；其中，任意一所述素材图像子集对应一个图像素材分类，所述p个素材图像子集分别对应的图像素材分类之间彼此不关联。

作为一种实施方式，所述依据确定的图像分块方式对所述检测对比素材集合进行图像分块操作，得到p个素材图像子集，包括：获取所述检测对比素材集合中的对比图像；对所述检测对比素材集合中的对比图像进行图像优化，得到图像优化后的对比图像集合；依据确定的图像分块方式，对所述图像优化后的对比图像集合进行图像分块操作，得到p个素材图像子集。

作为一种实施方式，素材图像子集x为所述p个素材图像子集中的任意一个，其中，1≤x≤p；通过图像构建网络为所述素材图像子集x生成匹配图像集合，包括：通过图像构建网络对所述素材图像子集x进行匹配图像构建，得到多个候选匹配图像；通过所述图像构建网络对所述多个候选匹配图像进行匹配图像验证，得到所述多个候选匹配图像分别对应的匹配图像验证结果；所述匹配图像验证结果用于指示对应候选匹配图像可否匹配上所述素材图像子集x中的对比图像；依据所述多个候选匹配图像和各个所述候选匹配图像分别对应的匹配图像验证结果，为所述素材图像子集x生成对应的匹配图像集合。

作为一种实施方式，所述依据所述多个候选匹配图像和各个所述候选匹配图像分别对应的匹配图像验证结果，为所述素材图像子集x生成对应的匹配图像集合，包括：依据每一所述候选匹配图像分别对应的匹配图像验证结果，在所述多个候选匹配图像中确定s个候选匹配图像；其中，s≥1；通过所述图像构建网络对所述s个候选匹配图像进行图像加噪操作，得到所述s个候选匹配图像分别对应的加噪匹配图像；依据所述s个候选匹配图像和所述s个候选匹配图像分别对应的加噪匹配图像，生成所述素材图像子集x对应的匹配图像集合。

作为一种实施方式，所述依据所述p个素材图像子集和生成获得的p个匹配图像集合，生成再训练图像集合，包括：在所述p个素材图像子集和所述p个匹配图像集合中获取对照图像；其中，所述对照图像为任意一素材图像子集中的匹配图像，或者为任意一匹配图像集合中的任意一匹配图像；为所述对照图像生成积极图像和消极图像；所述对照图像的积极图像是对所述对照图像进行图像加噪操作得到的；如果所述对照图像为第一素材图像子集中的匹配图像，则所述对照图像的消极图像为第二素材图像子集中的匹配图像，所述第一素材图像子集和所述第二素材图像子集为所述p个素材图像子集中的随机两个素材图像子集；如果所述对照图像为第一匹配图像集合中的匹配图像，则所述对照图像的消极图像为第二匹配图像集合中的匹配图像，所述第一匹配图像集合和所述第二匹配图像集合为所述p个匹配图像集合中的随机两个匹配图像集合；将所述对照图像、所述对照图像的积极图像和所述对照图像的消极图像一起确定为再训练图像集合中的一个调试学习样例加入到所述再训练图像集合中；所述通过所述再训练图像集合对基石特征表示网络进行精细化调节操作，得到目标特征表示网络，包括：获取所述再训练图像集合，所述再训练图像集合包括多个调试学习样例，每一所述调试学习样例包括对照图像以及所述对照图像的积极图像和消极图像；通过基石特征表示网络分别提取每一所述调试学习样例中的各个图像的图像特征表示；沿着缩小对照图像的图像特征表示与其积极图像的图像特征表示之间的差异，以及扩大对照图像的图像特征表示与其消极图像的图像特征表示之间的差异的方向，生成所述基石特征表示网络的训练误差；依据所述基石特征表示网络的训练误差，对所述基石特征表示网络进行精细化调节操作，得到目标特征表示网络。

作为一种实施方式，所述依据所述p个素材图像子集和生成获得的p个匹配图像集合，生成再训练图像集合，包括：从第三匹配图像集合中获取对照匹配图像；所述第三匹配图像集合是所述p个匹配图像集合中的任意一个，所述对照匹配图像为所述第三匹配图像集合中的任意一匹配图像；根据所述第三匹配图像集合对应的素材图像子集，得到所述对照匹配图像的关联检测图像标记；将所述对照匹配图像和所述对照匹配图像的关联检测图像标记一起确定为再训练图像集合中的一个调试学习样例加入到所述再训练图像集合中；所述通过所述再训练图像集合对基石特征表示网络进行精细化调节操作，得到目标特征表示网络，包括：获取所述再训练图像集合，所述再训练图像集合包括多个调试学习样例，每一所述调试学习样例包括对照匹配图像和所述对照匹配图像的关联检测图像标记；通过基石特征表示网络对每一所述调试学习样例中的对照匹配图像进行标记推理处理，得到每一所述调试学习样例中的对照匹配图像的推理标记；沿着缩小所述对照匹配图像的推理标记和所述对照匹配图像的关联检测图像标记之间的差异的方向，生成所述基石特征表示网络的训练误差；依据所述基石特征表示网络的训练误差，对所述基石特征表示网络进行精细化调节操作，得到目标特征表示网络。

作为一种实施方式，所述方法还包括：获取所述目标性能检测环境中的错误图像集合，所述错误图像集合包括匹配结果异常的第一灌缝胶检测图像；依据所述错误图像集合迭代所述再训练图像集合；其中，所述依据所述错误图像集合迭代所述再训练图像集合包括：将所述第一灌缝胶检测图像、所述第一灌缝胶检测图像的积极图像和所述第一灌缝胶检测图像的消极图像一起确定为所述再训练图像集合中的一个调试学习样例加入到所述再训练图像集合中；和/或，

将所述第一灌缝胶检测图像和所述第一灌缝胶检测图像的关联检测图像标记一起确定为所述再训练图像集合中的一个调试学习样例加入到所述再训练图像集合中。

作为一种实施方式，所述检测对比素材集合包括所述p个素材图像子集分别对应的检索映射关系；所述方法还包括：通过所述目标特征表示网络对每一所述素材图像子集进行处理，得到每一所述素材图像子集的图像特征表示；将每一所述素材图像子集的图像特征表示及每一所述素材图像子集对应的检索映射关系关联保存到特征表示集合；在所述目标性能检测环境中，获取拟分析的第二灌缝胶检测图像；通过所述目标特征表示网络对所述第二灌缝胶检测图像进行处理，得到所述第二灌缝胶检测图像的图像特征表示；依据所述第二灌缝胶检测图像的图像特征表示在所述特征表示集合中确定相似素材图像子集对应的检索映射关系；所述相似素材图像子集的图像特征表示与所述第二灌缝胶检测图像的图像特征表示满足共性评估条件；依据所述相似素材图像子集对应的检索映射关系，在所述检测对比素材集合中获取所述相似素材图像子集，并依据获取的相似素材图像子集，确定所述第二灌缝胶检测图像的检测分析结果；其中，所述依据所述第二灌缝胶检测图像的图像特征表示在所述特征表示集合中确定相似素材图像子集对应的检索映射关系，包括：依据预设共性评估机制，在所述特征表示集合中确定与所述第二灌缝胶检测图像的图像特征表示满足共性评估条件的图像特征表示；将所述满足共性评估条件的图像特征表示关联的检索映射关系确定为相似素材图像子集对应的检索映射关系。

另一方面，本申请提供一种沥青路面灌缝胶黏结性能检测设备，包括： 一个或多个处理器；存储器；一个或多个计算机程序；其中一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个计算机程序被所述处理器执行时，实现如上所述的方法。

本申请的有益效果至少包含：本申请提供的沥青路面灌缝胶黏结性能检测方法及设备，获取目标性能检测环境的检测对比素材集合，对检测对比素材集合进行图像分块操作，得到p个素材图像子集；通过图像构建网络分别为每一素材图像子集生成匹配图像集合；每一素材图像子集分别对应一个匹配图像集合，每一匹配图像集合包括多个匹配图像，每一匹配图像集合包括的各个匹配图像的关联检测图像都可以从对应的素材图像子集中获得。基于此，生成的每一个匹配图像集合涉及的图像素材分类，以及和其对应的素材图像子集对应的图像素材分类相同。依据p个素材图像子集和生成获得的p个匹配图像集合，生成再训练图像集合；通过再训练图像集合对基石特征表示网络进行精细化调节操作，得到目标特征表示网络，目标特征表示网络用于在目标性能检测环境中为检测图像进行特征表示。那么，本申请以目标性能检测环境的检测对比素材集合中的匹配图像为前提生成再训练图像集合，通过再训练图像集合对基石特征表示网络在目标性能检测环境进行针对性细节优化，令获得的目标特征表示网络的特征表示性能与对应的目标性能检测环境更加匹配，使得基于目标特征表示网络得到的图像特征表示与目标性能检测环境的环境影响的关联性更强，增加灌缝胶检测的精确性。

附图说明

图1是本申请提供的一种沥青路面灌缝胶黏结性能检测方法的流程图。

图2是提供的一种沥青路面灌缝胶黏结性能检测设备的组成示意图。

具体实施方式

本申请实施例中沥青路面灌缝胶黏结性能检测方法的执行主体为沥青路面灌缝胶黏结性能检测设备，其具体可以是但不限于服务器、个人电脑、笔记本电脑、平板电脑、智能手机等计算机设备。如果是服务器，那么包括但不限于单个网络服务器、多个网络服务器组成的服务器组或于云计算的由大量计算机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中，沥青路面灌缝胶黏结性能检测设备可单独运行来实现本申请，也可接入网络并通过与网络中的其他沥青路面灌缝胶黏结性能检测设备的交互操作来实现本申请。其中，沥青路面灌缝胶黏结性能检测设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。

本申请实施例提供了一种沥青路面灌缝胶黏结性能检测方法，如图1所示，该方法包括：

步骤S10：获取目标性能检测环境的检测对比素材集合，并对检测对比素材集合进行图像分块操作，得到p个素材图像子集；其中，p≥1，检测对比素材集合中的检测对比素材为对沥青路面灌缝胶测试时拍摄得到的对比图像。

下面对步骤S10中涉及的技术术语进行解释：

目标性能检测环境：指特定的、需要对其进行灌缝胶黏结性能检测的环境条件。这可能包括不同的温度、湿度、路面材料特性等因素。举例来说，目标性能检测环境可以是高温下的沥青路面，也可以是低温且潮湿的环境下的路面状况。

检测对比素材集合：即一组用于性能检测的对比图像数据。这些图像包含了在不同条件或不同时间点拍摄的灌缝胶与沥青路面的黏结状态，以便进行后续的分析和比较。比如，检测对比素材集合可能包括在刚施工完成、施工后一个月、施工后一年等不同时间点拍摄的灌缝胶状态图像。

图像分块操作：指的是对多张图像进行分组，以形成多个子集。每个子集包含多张图像，这些图像可能具有相似的特性或来自相似的环境条件。这种分组有助于后续处理中对图像进行更有效和针对性的分析。例如，根据拍摄条件（如温度、湿度）对图像进行分组，使得每个子集中的图像都在相似的环境条件下拍摄。

素材图像子集：经过图像分块操作（即分组）后得到的每个图像子集称为素材图像子集。每个子集包含一组具有相似特性或相同环境条件的图像。这些子集在后续的模型训练和性能检测中将作为独立的数据单元进行处理。例如，如果根据温度将图像分为高温、中温和低温三个子集，则每个子集都将包含在该温度条件下拍摄的灌缝胶与沥青路面的黏结状态图像。

对比图像：是在进行灌缝胶性能检测时拍摄的具有代表性的图像，展示了灌缝胶在不同条件下的表现，包括成功的黏结案例以及可能出现的缺陷或不足。这些图像用作后续性能检测的参考标准，帮助评估灌缝胶在实际应用中的性能。例如，一组对比图像可能包含了灌缝胶在不同温度、湿度和负载条件下的黏结情况。

步骤S10包括获取检测对比素材集合和进行图像分块操作。

首先，计算机设备需要获取目标性能检测环境的检测对比素材集合。这些检测对比素材是在对沥青路面灌缝胶进行测试时拍摄得到的对比图像。这些图像具有代表性，通常包含灌缝胶在不同条件下的表现，如温度、湿度、负载等变化时的性能。对比图像可能展示了灌缝胶的成功应用案例，也可能包含了缺陷或不足的情况，这些都被用作后续性能检测的参考标准。

举个例子，检测对比素材集合可能包含了一系列在不同温度下拍摄的灌缝胶与沥青路面的黏结情况图像。这些图像展示了在不同温度条件下，灌缝胶的黏结性能如何变化，以及是否出现了开裂、剥离等缺陷。接下来，计算机设备需要对获取到的检测对比素材集合进行图像分块操作。图像分块是将一幅较大的图像分割成多个较小的图像块的过程。在这个技术方案中，图像分块操作的目的是为了更好地处理和分析图像中的细节信息。通过分块，可以将复杂的图像问题简化为更小、更易于处理的子问题。

具体来说，计算机设备会将检测对比素材集合分割成p个素材图像子集。这里的p是一个大于或等于1的整数，表示分块后得到的图像子集的数量。每个素材图像子集都包含了原始图像中的一部分信息，这些信息在后续的模型训练和性能检测中将发挥重要作用。

例如，如果原始图像是一幅展示了灌缝胶与沥青路面黏结情况的图像，那么通过图像分块操作，可以得到多个包含不同黏结情况细节的素材图像子集。这些子集可能分别包含了灌缝胶与路面紧密黏结、部分剥离、完全剥离等不同情况的图像块。

总的来说，步骤S10通过获取和处理与目标性能检测环境相关的检测对比素材集合，为后续的模型训练和性能检测提供了必要的数据基础。同时，图像分块操作也有助于更好地提取和分析图像中的关键信息，提高后续处理的准确性和效率。

步骤S20：通过图像构建网络分别为每一素材图像子集生成匹配图像集合；每一素材图像子集分别对应一个匹配图像集合，每一匹配图像集合包括多个匹配图像，每一匹配图像集合包括的各个匹配图像的关联检测图像都可以从对应的素材图像子集中获得。

步骤S20中，图像构建网络是一种使用深度学习技术构建的网络模型，它能够学习并生成与原始图像相似或具有某种特定变化的新图像。这种网络可能基于生成对抗网络（GAN）或类似的架构，能够生成具有高度真实感的图像。

匹配图像集合是通过图像构建网络为每一个素材图像子集生成的一组新图像。这些新图像在视觉上与原始的素材图像子集相似，但可能包含了一些变化或差异。举例来说，如果有一个素材图像子集包含了10张灌缝胶在不同角度下的图像，那么通过图像构建网络处理后，可以生成一个新的匹配图像集合，其中包含了10张与原始图像相似但角度略有变化的灌缝胶图像。

匹配图像是指由图像构建网络生成的、与原始素材图像子集中的图像相似的新图像。这些图像可以用于后续的机器学习模型训练或性能检测。举例来说，如果原始图像是一张灌缝胶的正面照片，那么生成的匹配图像可能是一张灌缝胶的侧面照片或稍有不同的正面照片。

关联检测图像是指与匹配图像相对应的灌封胶检测结果的图像。它展示了灌封胶在特定条件下的实际检测效果或性能表现。这些图像与匹配图像相关联，可以用于评估机器学习模型在灌封胶检测任务上的性能。举例来说，如果匹配图像是一张灌缝胶的正面照片，那么关联检测图像可能就是这张灌缝胶照片对应的实际检测结果图像，如显示灌缝胶与路面黏结情况的图像。

步骤S20涉及到使用图像构建网络为每一素材图像子集生成相应的匹配图像集合。具体来说，计算机设备利用图像构建网络对每一个素材图像子集进行处理。图像构建网络可以是一种深度学习算法或神经网络，它能够通过学习图像的特征和模式，生成与原始图像相似或具有特定变化的新图像。这种网络可能采用生成对抗网络（GAN）的架构，由生成器和判别器两部分组成，通过相互对抗训练来提高生成图像的质量和多样性。以生成对抗网络为例，生成器的任务是根据输入的随机噪声或条件信息（如类别标签、图像特征等）生成新的图像，而判别器的任务则是区分生成的图像和真实的图像。通过反复迭代训练，生成器逐渐学会生成与真实图像相似且符合特定条件的新图像。

在步骤S20中，计算机设备将每个素材图像子集作为输入，通过图像构建网络生成多个匹配图像。这些匹配图像在视觉上与原始图像相似，但可能包含了一些微小的变化或差异，如光照条件、视角变化、噪声干扰等。这些变化有助于模型在后续的训练中更好地泛化到各种实际情况。

每个素材图像子集都会对应生成一个匹配图像集合，这个集合中包含了多个由图像构建网络生成的匹配图像。这些匹配图像与原始图像具有关联性，因为它们是从相同的素材图像子集中衍生出来的。同时，每个匹配图像集合中的图像也都与对应的关联检测图像相关联，这些关联检测图像可以从相同的素材图像子集中获得。举例来说，如果有一个素材图像子集包含了10张在不同光照条件下拍摄的灌缝胶与沥青路面的黏结情况图像，那么通过图像构建网络处理这个子集后，可以生成一个新的匹配图像集合，其中包含了10张与原始图像相似但光照条件有所变化的匹配图像。这些匹配图像可以用于后续的模型训练，帮助模型更好地适应不同光照条件下的灌缝胶性能检测任务。

步骤S30：依据p个素材图像子集和生成获得的p个匹配图像集合，生成再训练图像集合。

步骤S30涉及到利用已有的素材图像子集和通过图像构建网络生成的匹配图像集合来创建一个再训练图像集合。

具体来说，计算机设备接收p个素材图像子集和相对应的p个匹配图像集合作为输入。这些素材图像子集和匹配图像集合共同构成了一个丰富多样的图像数据源。其中，素材图像子集包含了原始的检测对比图像数据，而匹配图像集合则是由图像构建网络生成的新图像数据，它们与原始图像在视觉上相似但可能包含了一些变化或差异。在生成再训练图像集合时，计算机设备将这p个素材图像子集和p个匹配图像集合进行合并和整合。这个过程可能涉及到对图像的预处理、标准化和增强等操作，以确保生成的再训练图像集合具有高质量和一致性。

举例来说，如果有一个素材图像子集包含了10张在不同光照条件下拍摄的灌缝胶与沥青路面的黏结情况图像，而对应的匹配图像集合则包含了10张与原始图像相似但光照条件有所变化的匹配图像。在生成再训练图像集合时，计算机设备会将这20张图像（10张原始图像+10张匹配图像）进行合并，形成一个包含20张图像的再训练图像集合。这个再训练图像集合可以用于后续的机器学习模型训练，帮助模型更好地学习和识别不同光照条件下的灌缝胶与沥青路面的黏结情况。

值得注意的是，在生成再训练图像集合时，还可以对图像进行特征提取、向量化表示和标签标注等操作，以便模型能够从中学习到有用的信息和模式。例如，可以使用卷积神经网络（CNN）对图像进行特征提取和分类，其中输入层接收原始图像数据，卷积层和池化层负责提取图像的特征，全连接层和输出层则负责将提取到的特征映射到具体的类别标签上。

步骤S30通过合并和整合素材图像子集和匹配图像集合来生成再训练图像集合，为后续的机器学习模型训练提供了丰富多样的图像数据源。这个过程涉及到对图像的预处理、标准化和增强等操作，以确保生成的再训练图像集合具有高质量和一致性。同时，还需要考虑如何将这些图像数据输入到模型中进行训练，包括特征提取、向量化表示和标签标注等操作。

步骤S40：通过再训练图像集合对基石特征表示网络进行精细化调节操作，得到目标特征表示网络；目标特征表示网络用于在目标性能检测环境中为检测图像进行特征表示。

步骤S40使用再训练图像集合对预训练模型进行精细化调节，以得到适用于特定任务的目标特征表示网络。这一过程通常被称为微调（fine-tuning），在机器学习和深度学习中广泛应用。具体来说，计算机设备加载一个预训练的基石特征表示网络。这个预训练模型通常是在大量通用数据集上训练得到的，已经具备了一定的特征提取和表示能力。然而，由于本申请任务是在特定的目标性能检测环境中对检测图像进行特征表示，因此预训练模型可能无法直接满足需求。这时，就需要使用再训练图像集合对预训练模型进行微调。

微调的过程中，计算机设备固定预训练模型的部分层（通常是前几层，这些层负责提取通用的低级特征），然后解冻剩余层（通常是高层，这些层负责提取与特定任务相关的高级特征）。接下来，使用再训练图像集合作为输入数据，通过反向传播算法和梯度下降优化算法来更新解冻层的权重参数，使得模型能够更好地适应目标性能检测环境中的图像特征。

经过微调后，得到的模型就是目标特征表示网络。这个网络已经针对目标性能检测环境中的图像特征进行了优化，可以更有效地提取和表示这些特征。后续，当输入新的检测图像时，目标特征表示网络就能够为其生成高质量的特征表示，从而支持后续的图像分析和处理任务。

举例来说，假设任务是检测灌缝胶在不同温度下的黏结性能。首先，可以从公开数据集中获取一个预训练的图像分类模型（如ResNet、VGG等）作为基石特征表示网络。然后，使用步骤S30中生成的再训练图像集合（包含了不同温度下灌缝胶的图像）对这个预训练模型进行微调。在微调过程中，可以固定模型的前几层，只解冻最后几层或添加一些新的层进行训练。通过反向传播和梯度下降算法，可以更新模型的权重参数，使得模型能够更好地识别和表示不同温度下灌缝胶的特征。最终得到的模型就是目标特征表示网络，它可以用于在目标性能检测环境中为新的检测图像进行特征表示。

对新的检测图像进行特征表示后，即可根据得到的特征表示在预设的对比库中确定相似度最大的对比图像，将对比图像对应的灌封胶检测结果作为新的检测图像对应的灌封胶检测结果。

上述步骤S10~S40，通过步骤S10获取目标性能检测环境的检测对比素材集合，并对这些素材进行图像分块操作，得到多个素材图像子集。这样的处理方式可以有效地利用图像资源，使得后续的图像处理和分析更加精准和高效。同时，检测对比素材的选择具有代表性，能够涵盖不同情况下沥青路面灌缝胶测试时的对比图像，从而提高了后续图像匹配的准确性和泛化能力。

其次，步骤S20通过图像构建网络为每一素材图像子集生成匹配图像集合。这一过程可以充分利用图像构建网络的学习能力，生成与原始素材图像子集相似但具有差异性的匹配图像，从而增加了图像数据的多样性和丰富性。这有助于提升后续机器学习模型的训练效果和性能表现。

再次，步骤S30依据素材图像子集和匹配图像集合生成再训练图像集合。这一过程可以将原始图像数据和生成图像数据有效地结合起来，形成一个更大规模、更具多样性的图像数据集。这样的数据集可以为后续的机器学习模型提供更丰富的学习资源，有助于提高模型的泛化能力和鲁棒性。

最后，步骤S40通过再训练图像集合对基石特征表示网络进行精细化调节操作，得到目标特征表示网络。这一过程可以使得预训练模型更好地适应目标性能检测环境中的图像特征，从而提高模型在该环境中的特征表示能力和性能表现。同时，由于微调过程中保留了预训练模型的部分结构和参数，因此可以在一定程度上减少模型的训练时间和计算成本。

综上所述，通过图像分块、图像生成、图像集合合并和模型微调等一系列操作，实现了对沥青路面灌缝胶测试图像的精准处理和分析，提高了机器学习模型在目标性能检测环境中的性能和准确性。同时，该方案还具有较强的灵活性和可扩展性，可以应用于不同的图像检测和分析任务中。本申请实施例以目标性能检测环境的检测对比素材集合中的匹配图像为前提生成再训练图像集合，通过再训练图像集合对基石特征表示网络在目标性能检测环境进行针对性细节优化，令获得的目标特征表示网络的特征表示性能与对应的目标性能检测环境更加匹配，使得基于目标特征表示网络得到的图像特征表示与目标性能检测环境的环境影响的关联性更强，增加灌缝胶检测的精确性。

作为一种实施方式，步骤S10中，对检测对比素材集合进行图像分块操作，得到p个素材图像子集，具体可以包括：

步骤S11：解析检测对比素材集合的素材组成分布；素材组成分布包括灌缝胶黏结状态语义分布和/或灌缝胶黏结检测维度表现形式分布；

步骤S12：依据检测对比素材集合的素材组成分布确定图像分块方式；图像分块方式包括表现形式分块方式和/或状态分块方式；

步骤S13：依据确定的图像分块方式对检测对比素材集合进行图像分块操作，得到p个素材图像子集；

其中，任意一素材图像子集对应一个图像素材分类，p个素材图像子集分别对应的图像素材分类之间彼此不关联。

具体地，在步骤S11中，计算机设备首先解析检测对比素材集合的素材组成分布。这个组成分布可以包括灌缝胶的黏结状态语义分布，例如灌缝胶与沥青路面的黏结是否紧密、是否存在脱落或开裂等状态；同时，也可以包括灌缝胶黏结检测维度的表现形式分布，如不同光照条件下、不同拍摄角度下灌缝胶的黏结情况呈现出的不同特征。这一步的目的是为了对素材集合中的图像进行一个全面的了解，为后续的分块操作提供依据。

步骤S12中，根据步骤S11解析得到的素材组成分布，计算机设备会确定相应的图像分块方式。这里的分块方式可以包括表现形式分块方式和状态分块方式。表现形式分块方式是指根据灌缝胶黏结检测维度的不同表现形式进行分块，例如将不同光照条件下的图像分为不同的块；状态分块方式则是根据灌缝胶的黏结状态语义进行分块，如将黏结紧密和黏结不紧密的图像分别分为不同的块。

步骤S13中，计算机设备依据步骤S12确定的图像分块方式对检测对比素材集合进行实际的图像分块操作。通过这一步的操作，原始的检测对比素材集合会被划分为p个素材图像子集。每个素材图像子集都对应一个特定的图像素材分类，这些分类之间彼此不关联，即每个子集所包含的图像在素材组成分布上具有相对的一致性和独立性。

举例来说，假设检测对比素材集合中包含了100张灌缝胶与沥青路面的黏结情况图像。经过步骤S11的解析，发现这些图像中有一半是在晴天拍摄的，另一半是在阴天拍摄的；同时，还有一半的图像显示灌缝胶与路面黏结紧密，另一半则显示存在脱落现象。那么，在步骤S12中，计算机设备可以确定一种图像分块方式，即同时按照光照条件和黏结状态进行分块。最后，在步骤S13中，这100张图像会被划分为四个素材图像子集：晴天且黏结紧密的、晴天且存在脱落的、阴天且黏结紧密的、以及阴天且存在脱落的。每个子集都包含了25张具有相似特征的图像。

作为一种实施方式，步骤S13，依据确定的图像分块方式对检测对比素材集合进行图像分块操作，得到p个素材图像子集，具体可以包括：

步骤S131：获取检测对比素材集合中的对比图像；

步骤S132：对检测对比素材集合中的对比图像进行图像优化，得到图像优化后的对比图像集合；

步骤S133：依据确定的图像分块方式，对图像优化后的对比图像集合进行图像分块操作，得到p个素材图像子集。

具体地，步骤S131中，计算机设备首先获取检测对比素材集合中的对比图像。这些对比图像是后续图像分块操作的基础，它们通常是在不同的测试条件下对沥青路面灌缝胶进行拍摄得到的，具有代表性，能够用作对比匹配。

步骤S132中，计算机设备对获取到的对比图像进行图像优化处理，这个过程也可以被看作是一种预处理。优化的目的主要是为了提升图像的质量，去除一些无价值的信息，以便于后续的图像分析和处理。例如，计算机设备可以删除一些清晰度不足的图像，因为这些图像无法提供足够的信息来支持后续的图像分块和特征提取操作。经过优化处理后，计算机设备会得到一个图像质量更高的对比图像集合。步骤S133中，计算机设备依据在步骤S12中确定的图像分块方式，对图像优化后的对比图像集合进行实际的图像分块操作。这个过程中，计算机设备会根据图像分块方式所定义的规则，将对比图像集合划分为多个素材图像子集。每个素材图像子集都包含了一组具有相似特征的图像，这些特征可能是根据灌缝胶的黏结状态、检测维度表现形式等因素来定义的。通过这样的分块操作，计算机设备可以将复杂的图像集合简化为多个更易于处理的图像子集，为后续的特征提取和模型训练提供了便利。

举例来说，如果图像分块方式是根据灌缝胶的黏结状态来定义的，那么计算机设备可以将对比图像集合划分为“黏结紧密”和“黏结不紧密”两个素材图像子集。每个子集中的图像都具有相似的黏结状态特征，可以用于训练机器学习模型来识别灌缝胶的黏结状态。如果图像分块方式是根据检测维度表现形式来定义的，那么计算机设备可以将对比图像集合划分为“晴天拍摄”和“阴天拍摄”两个素材图像子集，每个子集中的图像都具有相似的光照条件特征，可以用于训练机器学习模型来识别不同光照条件下的灌缝胶表现。

作为一种实施方式，素材图像子集x为p个素材图像子集中的任意一个，其中，1≤x≤p；那么步骤S20中，通过图像构建网络为素材图像子集x生成匹配图像集合，可以包括以下步骤：

步骤S21：通过图像构建网络对素材图像子集x进行匹配图像构建，得到多个候选匹配图像；

步骤S22：通过图像构建网络对多个候选匹配图像进行匹配图像验证，得到多个候选匹配图像分别对应的匹配图像验证结果；匹配图像验证结果用于指示对应候选匹配图像可否匹配上素材图像子集x中的对比图像；

步骤S23：依据多个候选匹配图像和各个候选匹配图像分别对应的匹配图像验证结果，为素材图像子集x生成对应的匹配图像集合。

具体地，在步骤S21中，计算机设备首先通过图像构建网络对素材图像子集x进行处理，以构建多个候选匹配图像。能够根据输入的图像集合生成具有相似特征但略有差异的新图像。通过这样的网络，计算机设备能够创造出与素材图像子集x中图像在风格、结构或内容上相似的多个候选匹配图像。

步骤S21在实施过程中，计算机设备利用图像构建网络对素材图像子集x进行深度处理，以构建出多个候选匹配图像。这里的图像构建网络是一种专门设计用于图像生成和处理的机器学习模型，它可以是生成对抗网络（GAN）、变分自编码器（VAE）或其他类型的深度学习网络。

具体来说，当计算机设备接收到素材图像子集x后，它会将这些图像输入到图像构建网络中。网络会根据学习到的图像特征和分布规律，生成与输入图像在视觉特征上相似但又不完全相同的候选匹配图像。这些候选匹配图像在内容、结构或风格上与原始图像保持一致性，但同时又引入了新的变化，从而增加了数据的多样性和泛化能力。

以生成对抗网络（GAN）为例，它通常由生成器和判别器两个部分组成。生成器的任务是生成新的图像，而判别器的任务则是判断生成的图像是否真实。在训练过程中，生成器和判别器会相互对抗并不断优化，最终生成器能够生成出与真实图像非常相似的候选匹配图像。

在这个过程中，计算机设备会根据预设的参数和算法对网络进行训练和调整，以确保生成的候选匹配图像在质量和多样性上达到最佳状态。这些参数和算法可能包括学习率、批次大小、优化器类型等，它们会根据具体的任务需求和数据特性进行选择和调整。

最终，通过图像构建网络的处理，计算机设备能够得到多个与素材图像子集x中的图像相匹配的候选匹配图像。这些候选匹配图像不仅可以用于后续的训练和测试过程，还可以为相关领域的研究和应用提供更多的数据支持和参考。

进入步骤S22，计算机设备再利用图像构建网络对这些候选匹配图像进行验证。这个验证过程例如包括与原始图像的相似性比较、图像内容的逻辑一致性检查等，目的是确认这些候选匹配图像是否能够与素材图像子集x中的对比图像相匹配。验证结果会以某种形式输出，比如一个置信度分数或者一个二元的匹配/不匹配标签，来指示每个候选匹配图像的可用性。

步骤S22确保了所生成的候选匹配图像不仅与原始素材图像子集x在视觉上相似，而且在内容和结构上也具备相应的匹配性。在实施这一步时，计算机设备首先调用图像构建网络中负责验证的模块或子网络。这可以是一个已经训练好的分类器、回归模型或者是其他类型的机器学习模型，专门用于对生成的图像进行评估和比较。

具体来说，验证过程可以包括提取候选匹配图像和素材图像子集x中的图像的特征向量。这些特征向量是图像内容的高级表示，它们可以捕捉到图像的关键信息，如形状、纹理、颜色分布等。计算机设备会利用图像构建网络中的特定层来提取这些特征，例如卷积神经网络（CNN）中的卷积层、池化层和全连接层。

提取特征向量后，计算机设备将对这些向量进行比较和分析，例如计算候选匹配图像的特征向量与素材图像子集x中图像的特征向量之间的相似度或距离度量（如欧氏距离、余弦相似度等）。这些度量提供了候选匹配图像与原始图像之间相似程度的量化指标。基于这些相似度或距离度量，计算机设备为每个候选匹配图像生成一个匹配图像验证结果。这个结果可能是一个分数、概率值或者二元标签（如“匹配”或“不匹配”），用于指示候选匹配图像与素材图像子集x中的对比图像之间的匹配程度。

例如，如果计算得出的相似度分数高于预设的阈值，那么该候选匹配图像就可能被认为是与对比图像相匹配的。相反，如果相似度分数低于阈值，那么它就被视为不匹配的图像。这些匹配图像验证结果为后续的图像集合生成提供了重要依据，确保最终生成的匹配图像集合具有高质量和准确性。

最后，在步骤S23中，计算机设备根据候选匹配图像以及它们的验证结果来为素材图像子集x生成对应的匹配图像集合。这个集合将包含那些经过验证确认可以与素材图像子集x中的对比图像相匹配的候选匹配图像。这个匹配图像集合将用于后续的训练或测试过程，以提高模型的性能和对新数据的泛化能力。

步骤S23中，计算机设备综合考虑多个候选匹配图像以及它们各自的匹配图像验证结果，以确保所生成的匹配图像集合既具有代表性，又能够准确地反映出与素材图像子集x中图像相匹配的特征。首先，计算机设备回顾在步骤S22中得到的所有候选匹配图像的验证结果。这些结果已经指示了哪些候选匹配图像与素材图像子集x中的对比图像具有较高的相似性和匹配度。基于这些信息，计算机设备可以对候选匹配图像进行筛选，排除那些验证结果不佳或与对比图像差异较大的图像。接下来，计算机设备从筛选后的候选匹配图像中选择出最佳的匹配图像。这个选择过程可能基于多种因素，如验证结果的分数、图像质量的评估、以及与对比图像在特征空间中的距离等。计算机设备可以利用复杂的算法或模型来综合这些因素，以确保所选出的匹配图像在各个方面都达到最优。

最后，计算机设备将选出的最佳匹配图像组合成一个匹配图像集合，这个集合中的图像不仅在视觉上与素材图像子集x中的对比图像相似，而且在内容和结构上也具有高度的匹配性。这个匹配图像集合可以用于后续的训练、测试或实际应用场景，为相关领域的研究和实践提供有力的数据支持。

举个例子来说，如果素材图像子集x包含了一组特定角度拍摄的灌缝胶黏结情况的图像，那么在步骤S23中，计算机设备可以选择那些在同一角度下拍摄、且具有相似黏结状态的候选匹配图像来生成匹配图像集合。这样一来，这个集合就能够准确地反映出在特定拍摄条件下灌缝胶的黏结情况，为相关研究和应用提供有力的数据基础。

举个例子，如果素材图像子集x包含了一组在特定光照条件下拍摄的灌缝胶黏结情况的图像，那么图像构建网络可以生成一些在不同光照条件下的相似图像作为候选匹配图像。然后，通过验证这些候选匹配图像与原始图像在光照、黏结状态等方面的相似性，计算机设备可以挑选出那些最符合要求的图像加入到匹配图像集合中。这样一来，匹配图像集合就能够为模型提供更加丰富和多样的训练数据，有助于提升模型对光照变化等因素的鲁棒性。

其中，作为一种实施方式，步骤S23，依据多个候选匹配图像和各个候选匹配图像分别对应的匹配图像验证结果，为素材图像子集x生成对应的匹配图像集合，具体可以包括：

步骤S231：依据每一候选匹配图像分别对应的匹配图像验证结果，在多个候选匹配图像中确定s个候选匹配图像；其中，s≥1；

步骤S232：通过图像构建网络对s个候选匹配图像进行图像加噪操作，得到s个候选匹配图像分别对应的加噪匹配图像；

步骤S233：依据s个候选匹配图像和s个候选匹配图像分别对应的加噪匹配图像，生成素材图像子集x对应的匹配图像集合。

具体地，在步骤S231中，计算机设备根据每个候选匹配图像所对应的匹配图像验证结果来进行筛选。这些验证结果是步骤S22中得出的，它们指示了每个候选匹配图像与素材图像子集x中的对比图像的匹配程度。计算机设备可以设定一个或多个筛选标准，例如匹配度阈值，来从多个候选匹配图像中确定出s个符合条件的候选匹配图像。这里的s是一个大于等于1的整数，它表示经过筛选后保留的候选匹配图像的数量。这些被选中的候选匹配图像在内容和结构上与对比图像具有较高的相似性和匹配度。

接下来，进入步骤S232，计算机设备利用图像构建网络对筛选出的s个候选匹配图像进行图像加噪操作。图像加噪是一种常用的数据增强技术，通过在图像中引入适量的噪声来增加数据的多样性和泛化能力。这里的噪声可以是随机生成的像素值变化、模拟的光照变化、或者是其他类型的图像变换。图像构建网络会根据预设的噪声类型和强度，对s个候选匹配图像进行加噪处理，生成它们分别对应的加噪匹配图像。这些加噪匹配图像在保持原始图像主要特征的同时，引入了新的变化和挑战，有助于提高后续模型的鲁棒性和泛化能力。

最后，在步骤S233中，计算机设备根据筛选出的s个候选匹配图像以及它们对应的加噪匹配图像来生成素材图像子集x对应的匹配图像集合。这个集合包含了原始的高质量匹配图像和经过加噪处理的多样化匹配图像，共同构成了一个丰富而全面的数据集。这个匹配图像集合可以用于训练机器学习模型、测试算法性能或者支持其他相关的图像处理和分析任务。通过结合原始图像和加噪图像，匹配图像集合能够更好地模拟真实世界中的复杂情况和变化，从而提升相关应用的准确性和可靠性。

作为一种实施方式，步骤S30，依据p个素材图像子集和生成获得的p个匹配图像集合，生成再训练图像集合，具体可以包括：

步骤S31：在p个素材图像子集和p个匹配图像集合中获取对照图像；其中，对照图像为任意一素材图像子集中的匹配图像，或者为任意一匹配图像集合中的任意一匹配图像；

步骤S32：为对照图像生成积极图像和消极图像；对照图像的积极图像是对对照图像进行图像加噪操作得到的；如果对照图像为第一素材图像子集中的匹配图像，则对照图像的消极图像为第二素材图像子集中的匹配图像，第一素材图像子集和第二素材图像子集为p个素材图像子集中的随机两个素材图像子集；如果对照图像为第一匹配图像集合中的匹配图像，则对照图像的消极图像为第二匹配图像集合中的匹配图像，第一匹配图像集合和第二匹配图像集合为p个匹配图像集合中的随机两个匹配图像集合；

步骤S33：将对照图像、对照图像的积极图像和对照图像的消极图像一起确定为再训练图像集合中的一个调试学习样例加入到再训练图像集合中。

具体地，在步骤S31中，计算机设备从p个素材图像子集和p个匹配图像集合中选取对照图像。这里的对照图像可以是任意一素材图像子集中的匹配图像，或者是任意一匹配图像集合中的任意一个匹配图像。选取对照图像的目的是为了建立一个基准，用于后续的积极图像和消极图像的生成。例如，如果素材图像子集包含不同角度拍摄的物体图像，那么对照图像可以是其中一个特定角度的图像。

步骤S31中，计算机设备根据预设的规则或算法，在p个素材图像子集和p个匹配图像集合中进行选择。具体来说，计算机设备可以随机或按照某种顺序遍历这些子集和集合。对于每一个素材图像子集或匹配图像集合，计算机设备会查看其中的图像，并根据一定的标准或条件来选择对照图像。这个标准可以是图像的清晰度、代表性、与其他图像的差异性等。

例如，在一个具体的实施方式中，计算机设备可以首先选择清晰度较高的图像作为对照图像。遍历每个素材图像子集和匹配图像集合，计算其中每个图像的清晰度指标（如对比度、锐度等），然后选择清晰度最高的图像作为该集合的对照图像。另一种可能的实施方式是，计算机设备选择在每个集合中最具代表性的图像作为对照图像。这可以通过计算图像与集合中其他图像的平均差异度来实现。差异度可以基于像素值、特征向量或深度学习模型提取的特征来计算。计算机设备会选择差异度最小的图像作为对照图像，因为它最能代表该集合的整体特性。

需要注意的是，对照图像的选择并不局限于上述方法，还可以根据具体的应用场景和需求来设计更复杂的选择策略。无论采用何种方法，计算机设备最终会在p个素材图像子集和p个匹配图像集合中分别选取出一定数量的对照图像，用于后续的积极图像和消极图像的生成。

通过步骤S31的操作，计算机设备确保所选取的对照图像具有高质量和代表性，从而为后续的图像处理和机器学习任务提供可靠的数据基础。

接下来，进入步骤S32，计算机设备为对照图像生成积极图像和消极图像。积极图像是对对照图像进行图像加噪操作得到的。图像加噪是一种数据增强技术，通过在图像中引入适量的噪声来增加模型的泛化能力。这里的噪声可以是随机生成的像素值变化、模拟的光照变化等。消极图像的生成则依赖于对照图像所属的集合。如果对照图像来自某个素材图像子集，那么消极图像将从另一个随机选择的素材图像子集中选取；如果对照图像来自某个匹配图像集合，那么消极图像将从另一个随机选择的匹配图像集合中选取。消极图像在内容上与对照图像存在明显的差异，用于训练模型区分不同类别的能力。

步骤S32是生成再训练图像集合过程中的一个重要环节，它涉及到为对照图像生成积极图像（正样本）和消极图像（负样本）。这一步骤的目的是为了通过引入噪声和对比不同集合中的图像，来增强模型的泛化能力和区分能力。

首先，计算机设备会对选定的对照图像进行图像加噪操作，以生成积极图像。图像加噪是一种常用的数据增强技术，它通过在图像中添加适量的噪声来模拟真实世界中的各种变化和挑战。这些噪声可以是随机生成的像素值变化、模拟的光照变化、或者是其他类型的图像变换。加噪操作的具体实现方式可以根据需要选择，例如可以使用高斯噪声、椒盐噪声等常见的噪声模型。通过加噪操作，积极图像在保持与对照图像相似的基础上，引入了一定的变化，有助于模型学习到更加鲁棒的特征表示。其次，计算机设备根据对照图像所属的集合来生成消极图像。如果对照图像来自某个素材图像子集，那么消极图像将从另一个随机选择的素材图像子集中选取。这里的关键是确保消极图像与对照图像在内容上存在明显的差异，以便模型能够学习到区分不同类别的能力。同样地，如果对照图像来自某个匹配图像集合，那么消极图像将从另一个随机选择的匹配图像集合中选取。这种跨集合的选择方式有助于模型学习到更加泛化的特征表示，提高其对不同数据分布的适应能力。需要注意的是，在生成消极图像时，计算机设备需要确保所选择的图像与对照图像在语义上是不相关的。这可以通过计算图像之间的相似度或距离来实现，例如使用特征向量之间的欧氏距离或余弦相似度等指标。只有当相似度低于某个阈值时，才将所选图像作为消极图像加入到再训练图像集合中。

通过步骤S32的操作，计算机设备能够生成包含积极图像和消极图像的调试学习样例（即训练样本），这些样例将为后续的机器学习任务提供丰富且多样化的数据支持。同时，这种生成方式也有助于模型学习到更加鲁棒和泛化的特征表示，提高其在实际应用中的性能表现。

最后，在步骤S33中，计算机设备将对照图像、对照图像的积极图像和对照图像的消极图像一起确定为一个调试学习样例（即训练样本），并将其加入到再训练图像集合中。这样，每个调试学习样例都包含了一个基准图像（对照图像）、一个与基准图像相似但带有噪声的图像（积极图像）以及一个与基准图像明显不同的图像（消极图像）。这样的结构有助于模型学习区分不同类别的图像，并提高其对噪声和变化的鲁棒性。再训练图像集合的构建为后续的机器学习任务提供了丰富且多样化的数据支持。

步骤S33中，计算机设备首先确保对照图像、积极图像和消极图像都已经按照之前步骤的要求正确生成。对照图像是原始选择的基准图像，积极图像是通过对照图像加噪得到的相似但有所变化的图像，而消极图像则是与对照图像在内容上存在明显差异的图像。接下来，计算机设备将这三张图像组合成一个调试学习样例。这个样例包含了一个基准图像（对照图像），一个与基准图像相似但带有噪声的图像（积极图像），以及一个与基准图像明显不同的图像（消极图像）。这样的结构有助于模型在训练过程中学习到区分不同类别图像的能力，并提高其对噪声和变化的鲁棒性。最后，计算机设备会将这个调试学习样例加入到再训练图像集合中。再训练图像集合是由多个这样的调试学习样例组成的，用于后续的机器学习任务。通过不断地向集合中添加新的样例，可以构建一个丰富且多样化的数据集，从而提升模型的训练效果和泛化能力。

需要注意的是，在步骤S33中，计算机设备会确保每个调试学习样例都是完整且有效的。如果某个图像在生成过程中出现问题或不符合要求，那么整个样例都将被视为无效并被丢弃。同时，为了提高数据集的质量，还可以对加入到再训练图像集合中的样例进行进一步的筛选和清洗操作，以去除低质量或重复的图像。

步骤S33确保了每个调试学习样例的完整性和有效性，并为后续的机器学习任务提供了高质量的数据支持。

基于此，步骤S40，通过再训练图像集合对基石特征表示网络进行精细化调节操作，得到目标特征表示网络，具体可以包括：

步骤S41：获取再训练图像集合，再训练图像集合包括多个调试学习样例，每一调试学习样例包括对照图像以及对照图像的积极图像和消极图像；

步骤S42：通过基石特征表示网络分别提取每一调试学习样例中的各个图像的图像特征表示；

步骤S43：沿着缩小对照图像的图像特征表示与其积极图像的图像特征表示之间的差异，以及扩大对照图像的图像特征表示与其消极图像的图像特征表示之间的差异的方向，生成基石特征表示网络的训练误差；

步骤S44：依据基石特征表示网络的训练误差，对基石特征表示网络进行精细化调节操作，得到目标特征表示网络。

具体地，步骤S41中，计算机设备获取之前步骤中生成的再训练图像集合。这个集合包含了多个调试学习样例，每个样例由对照图像、对照图像的积极图像和消极图像组成。这些图像已经按照特定的规则生成，用于对基石特征表示网络进行进一步的训练。步骤S41中，计算机设备访问存储有再训练图像集合的数据存储位置，并加载这些数据到内存中，以供后续的训练过程使用。

再训练图像集合是一个由多个调试学习样例组成的集合。每个调试学习样例都包含了一个对照图像，以及与之对应的积极图像和消极图像。这些图像在之前的步骤中已经被生成并标记好，用于训练模型学习如何区分不同类别的图像。

对照图像是原始选择的基准图像，它代表了某一类别的典型特征。积极图像是对照图像经过加噪处理后的版本，它在保持与对照图像相似的基础上引入了一定的变化，用于模拟实际场景中可能出现的各种变化和挑战。消极图像则是与对照图像在内容上存在明显差异的图像，它代表了与对照图像不同类别的图像。

通过获取这样的再训练图像集合，我们可以为模型提供丰富且多样化的训练数据，从而帮助模型学习到更加鲁棒和泛化的特征表示。在后续的步骤中，模型将使用这些数据进行训练，不断调整其参数以最小化训练误差，最终得到一个能够准确识别不同类别图像的目标特征表示网络。

接下来，计算机设备使用基石特征表示网络来分别提取每个调试学习样例中的各个图像的图像特征表示。基石特征表示网络是一个预先训练好的神经网络，它能够将输入图像转换为一系列特征向量，这些特征向量捕捉了图像的关键信息，如边缘、纹理和形状等。通过这个过程，每个图像都会被转换为一个高维的特征向量，用于后续的训练过程。步骤S42使用预先训练好的基石特征表示网络来从每个调试学习样例中提取图像的特征表示。基石特征表示网络是一个深度学习模型，它已经被训练成可以有效地从输入图像中提取有用的特征信息。

在这个步骤中，计算机设备会逐一处理再训练图像集合中的每个调试学习样例。对于每个样例中的对照图像、积极图像和消极图像，基石特征表示网络会分别进行前向传播计算，将这些图像转换为特征向量。这些特征向量是高维空间中的点，它们捕捉了图像中的关键视觉信息，如边缘、纹理、形状和颜色等。

具体来说，基石特征表示网络可能是一个卷积神经网络（CNN），它包含多个卷积层、池化层和全连接层。当图像通过网络时，每个层都会对其进行一系列的数学运算和变换，最终输出一个特征向量。这个特征向量是对输入图像的一种抽象表示，它包含了用于区分不同图像的关键信息。

在步骤S42中，计算机设备会将这些特征向量保存在内存中，以供后续的训练步骤使用。这些特征向量将用于计算训练误差，并指导基石特征表示网络进行精细化调节操作，以得到目标特征表示网络。

步骤S43中，计算机设备根据提取的图像特征表示来计算基石特征表示网络的训练误差。训练误差是通过比较对照图像与其积极图像和消极图像在特征空间中的距离来生成的。具体来说，计算机会沿着缩小对照图像与其积极图像之间的差异，以及扩大对照图像与其消极图像之间的差异的方向来生成训练误差。这意味着，如果对照图像与其积极图像在特征空间中的距离过大，或者与其消极图像的距离过小，都会产生较大的训练误差。

为了实现这一目标，可以使用对比损失函数（如三元组损失函数）来计算训练误差。这种损失函数会鼓励网络将相似的图像（即对照图像和积极图像）映射到相近的特征表示，而将不相似的图像（即对照图像和消极图像）映射到远离的特征表示。通过这种方式，网络能够学习到更加有效的特征表示，从而提高其在各种任务上的性能。

在这个过程中，计算机设备根据对照图像、积极图像和消极图像的特征表示来计算损失函数，从而生成训练误差。具体来说，利用在步骤S42中提取出的图像特征表示，计算对照图像与其积极图像在特征空间中的距离，以及对照图像与其消极图像在特征空间中的距离。理想情况下，对照图像与其积极图像应该非常相似，因此它们在特征空间中的距离应该尽可能小；而对照图像与其消极图像则应该具有显著差异，因此它们在特征空间中的距离应该尽可能大。

为了实现这一目标，计算机会采用特定的损失函数来计算训练误差。损失函数是衡量模型预测结果与真实结果之间差异的一种指标。在这个场景中，损失函数可能会设计成鼓励缩小对照图像与积极图像之间的差异，同时扩大对照图像与消极图像之间的差异。例如，可以使用对比损失函数（Contrastive Loss）或三元组损失函数（Triplet Loss）来实现这一目标。

以三元组损失函数为例，它接受三个输入：一个锚点（在这里是对照图像的特征表示）、一个正样本（积极图像的特征表示）和一个负样本（消极图像的特征表示）。三元组损失函数的目的是确保锚点与正样本在特征空间中的距离小于锚点与负样本的距离，并且这个距离差超过一个预设的阈值。如果模型不能满足这个条件，就会产生训练误差。

通过计算这样的训练误差，我们可以了解模型在当前状态下的性能如何，并据此对网络进行精细化调节，以优化其性能并减少预测错误。这个过程通常会涉及到使用梯度下降等优化算法来更新网络的权重参数，以便最小化训练误差并提升模型的泛化能力。

最后，计算机设备会根据计算出的训练误差对基石特征表示网络进行精细化调节操作。这个过程通常涉及使用梯度下降等优化算法来更新网络的权重参数，以最小化训练误差。通过多次迭代这个过程，网络会逐渐学习到如何更好地提取图像的特征表示，从而得到目标特征表示网络。这个目标网络在保持对原始任务性能的同时，还能够更好地适应新的数据分布和变化。

精细化调节的目的是优化网络的参数，使得模型在后续的任务中能够更好地提取和表示图像的特征。在这个过程中，计算机设备利用优化算法，如随机梯度下降（SGD）、Adam或RMSprop等，来迭代地更新基石特征表示网络的权重和偏置参数。这些优化算法会根据训练误差计算出的梯度信息来调整网络参数，以最小化训练误差。具体来说，首先计算训练误差关于网络参数的梯度。梯度是一个向量，它指示了网络参数应该如何调整以减小训练误差。然后，计算机会根据这些梯度信息来更新网络参数，通常是通过将参数沿着梯度的反方向移动一小步来实现。

这个过程会迭代进行多次，直到训练误差收敛到一个较小的值，或者达到预设的最大迭代次数。在每次迭代中，计算机都会使用新的网络参数重新计算训练误差，并据此更新参数。

通过精细化调节操作，基石特征表示网络会逐渐学习到如何更好地提取和表示图像的特征，从而得到目标特征表示网络。这个目标网络在保持对原始任务性能的同时，还能够更好地适应新的数据分布和变化，为后续的任务提供更为准确和鲁棒的特征表示。

需要注意的是，精细化调节过程中可能会涉及到一些超参数的调整，如学习率、批量大小等。这些超参数会影响优化算法的性能和收敛速度，因此需要根据实际情况进行选择和调整。

作为另一种实施方式，步骤S30，依据p个素材图像子集和生成获得的p个匹配图像集合，生成再训练图像集合，具体可以包括：

步骤S30a：从第三匹配图像集合中获取对照匹配图像；第三匹配图像集合是p个匹配图像集合中的任意一个，对照匹配图像为第三匹配图像集合中的任意一匹配图像；

步骤S30b：根据第三匹配图像集合对应的素材图像子集，得到对照匹配图像的关联检测图像标记；

步骤S30c：将对照匹配图像和对照匹配图像的关联检测图像标记一起确定为再训练图像集合中的一个调试学习样例加入到再训练图像集合中。

在上述另一种实施方式中，步骤S30a中，计算机设备从第三匹配图像集合中选择一个对照匹配图像。第三匹配图像集合是p个匹配图像集合中的任意一个，这意味着在整个过程中，计算机会依次或随机地处理每个匹配图像集合。对照匹配图像是第三匹配图像集合中的一个代表性图像，它可以是集合中的任意一个匹配图像。这个选择过程可以是随机的，也可以是基于某种特定准则的，如选择质量最高、特征最明显的图像作为对照匹配图像。

步骤S30a中，计算机设备根据预设的规则或算法，从众多的匹配图像中挑选出一个具有代表性的图像作为对照匹配图像。具体来说，第三匹配图像集合是p个匹配图像集合中的任意一个。这意味着在整个处理流程中，计算机会依次或随机地处理每个匹配图像集合，确保每个集合中的图像都有机会被选中作为对照匹配图像。这种处理方式有助于保证再训练图像集合的多样性和全面性。

对照匹配图像是第三匹配图像集合中的一个匹配图像。它可以是集合中的任意一个图像，但通常会被选择为具有代表性或典型性的图像。代表性图像的选择可以基于多种准则，如图像质量、特征明显程度、与素材图像子集中其他图像的相似性等。通过选择这样的对照匹配图像，我们可以确保再训练图像集合中包含的图像都是具有一定代表性和学习价值的。

需要注意的是，对照匹配图像的选择过程并不是随意的，而是需要遵循一定的规则或算法。这些规则或算法可以根据具体的应用场景和需求进行定制和优化。例如，在某些情况下，我们可能会更倾向于选择质量较高或特征较明显的图像作为对照匹配图像；而在其他情况下，我们可能会更注重图像与素材图像子集中其他图像的相似性。

通过从第三匹配图像集合中获取对照匹配图像，为构建再训练图像集合提供了基础。这个过程确保了再训练图像集合中包含的图像都是具有代表性的，并且能够为后续的机器学习模型训练提供有效的学习样本。

在确定了对照匹配图像之后，步骤S30b，计算机设备根据第三匹配图像集合对应的素材图像子集来获取对照匹配图像的关联检测图像标记。这里的关联检测图像标记是指与对照匹配图像相关联的、在素材图像子集中具有相似或相关特征的图像标记。这些标记可能是通过之前的图像检测、识别或分类任务得到的，它们提供了关于图像内容的重要信息，如对象的位置、类别、属性等。通过获取这些关联检测图像标记，计算机能够了解对照匹配图像与哪些其他图像具有相似性或关联性。

步骤S30b核心任务是根据第三匹配图像集合对应的素材图像子集，获取对照匹配图像的关联检测图像标记。这个过程中，计算机设备需要分析和理解素材图像子集与匹配图像集合之间的关系，并从中提取出与对照匹配图像相关联的标记信息。具体来说，关联检测图像标记是指与对照匹配图像相关联的、在素材图像子集中具有相似或相关特征的标记信息。这些标记信息可以是图像中的特定对象、区域、纹理、颜色等特征的标识，或者是通过图像检测和识别算法得到的对象类别、属性等信息的标签。这些标记信息对于后续的机器学习模型训练至关重要，因为它们提供了图像内容的丰富上下文信息，有助于模型更好地理解和识别图像中的关键元素。

在步骤S30b中，计算机设备会利用图像处理和机器学习算法来分析素材图像子集和匹配图像集合之间的关系。首先，计算机会对素材图像子集进行特征提取和分析，识别出其中的关键特征和对象。然后，将这些特征与匹配图像集合中的图像进行比对和匹配，找到与对照匹配图像相关联的相似或相关特征。最后，计算机会根据这些关联特征生成对应的关联检测图像标记。

通过这个过程，步骤S30b能够有效地从素材图像子集中提取出与对照匹配图像相关联的标记信息，为后续的机器学习模型训练提供有力的支持。这些标记信息不仅能够帮助模型更好地理解图像内容，还能够提高模型的训练效率和准确性。

最后，步骤S30c，计算机设备将对照匹配图像和它的关联检测图像标记一起作为一个调试学习样例加入到再训练图像集合中。这个过程会重复进行，直到从每个匹配图像集合中都选取了足够数量的对照匹配图像并生成了相应的调试学习样例。这样构建的再训练图像集合不仅包含了多样化的图像数据，还通过关联检测图像标记提供了丰富的上下文信息，有助于提升后续机器学习模型的训练效果和泛化能力。

步骤S30c涉及到将对照匹配图像及其关联检测图像标记整合为一个调试学习样例，并将其加入到再训练图像集合中。这个过程确保了再训练图像集合不仅包含多样化的图像数据，还融入了与这些图像相关联的重要标记信息，从而提升了后续机器学习模型的训练效果。

具体来说，计算机设备在执行步骤S30c时，首先将步骤S30a中选取的对照匹配图像与步骤S30b中获取的关联检测图像标记进行配对。这种配对是基于图像内容与标记信息之间的对应关系，确保每个对照匹配图像都能够与其相关的标记信息准确匹配。配对完成后，计算机设备将这个对照匹配图像及其关联检测图像标记作为一个整体，即一个调试学习样例，加入到再训练图像集合中。这个过程是通过将图像数据和标记信息以特定的数据结构（如数组、列表或对象等）进行封装和存储来实现的。每个调试学习样例都包含了图像数据和与之相关的标记信息，为后续的机器学习模型提供了完整且准确的学习样本。

需要注意的是，步骤S30c中的“调试学习样例”是指用于调试和优化机器学习模型的学习样本。这些样本在模型训练过程中起着至关重要的作用，因为它们不仅提供了模型需要学习的数据分布和模式，还通过关联检测图像标记提供了额外的监督信息，帮助模型更好地理解和识别图像中的关键元素。

需要注意的是，以上步骤中的第三匹配图像集合是一个泛指，实际上在处理过程中会遍历所有的p个匹配图像集合。同时，对照匹配图像的选择和关联检测图像标记的获取都需要依赖具体的算法和模型来实现，这些算法和模型的选择取决于具体的应用场景和数据特性。

通过这种方式构建的再训练图像集合可以更加有效地用于机器学习模型的训练和优化过程。模型可以通过学习这些具有关联性和多样性的图像数据来提升其对于复杂场景和多变数据的处理能力。

基于此，步骤S40，通过再训练图像集合对基石特征表示网络进行精细化调节操作，得到目标特征表示网络，具体可以包括：

步骤S40a：获取再训练图像集合，再训练图像集合包括多个调试学习样例，每一调试学习样例包括对照匹配图像和对照匹配图像的关联检测图像标记；

步骤S40b：通过基石特征表示网络对每一调试学习样例中的对照匹配图像进行标记推理处理，得到每一调试学习样例中的对照匹配图像的推理标记；

步骤S40c：沿着缩小对照匹配图像的推理标记和对照匹配图像的关联检测图像标记之间的差异的方向，生成基石特征表示网络的训练误差；

步骤S40d：依据基石特征表示网络的训练误差，对基石特征表示网络进行精细化调节操作，得到目标特征表示网络。

基于前述步骤S30a~S30c构建的再训练图像集合，步骤S40详细描述了如何通过该集合对基石特征表示网络进行精细化调节操作，以得到目标特征表示网络。

步骤S40a中，计算机设备首先获取再训练图像集合。这个集合是通过之前的步骤S30a~S30c精心构建的，包含了多个调试学习样例。每个调试学习样例都包括一个对照匹配图像和该图像的关联检测图像标记。这些标记提供了关于图像内容的重要信息，如对象的位置、类别等，是后续训练过程中不可或缺的部分。

步骤S40a获取的再训练图像集合，这个集合包含了多个调试学习样例。在沥青路面灌封胶黏结性能检测的场景中，每个调试学习样例的对照匹配图像将是沥青路面的图像，这些图像捕捉了灌封胶在不同条件下的黏结情况。关联检测图像标记则提供了关于灌封胶与沥青路面之间黏结性能的关键信息。

对照匹配图像可能包括灌封胶在不同温度、湿度、交通负载等条件下的表现。这些图像将通过高分辨率摄像机或其他成像设备获取，以确保细节清晰可见。图像的选择将基于它们对提升模型性能的潜在贡献，可能包括那些展示了灌封胶与沥青路面之间黏结强度变化、界面剥离或裂缝形成的图像。

关联检测图像标记将提供关于图像中灌封胶与沥青路面之间黏结性能的具体信息。这些标记可能包括界面剥离的长度、宽度和深度，裂缝的数量、长度和宽度，以及其他相关指标。这些标记将通过专业的图像处理和分析软件生成，并与对照匹配图像相关联，以便在训练过程中为模型提供监督信息。

在步骤S40a中，计算机设备需要访问存储***，从中检索并加载再训练图像集合。这个过程可能涉及读取存储在硬盘、网络存储或其他介质上的图像文件，以及解析文件以提取图像数据和关联的检测标记。加载到内存中的图像和标记数据将用于后续的训练步骤，其中基石特征表示网络将使用这些数据进行调试和优化，以提高其对沥青路面灌封胶黏结性能的识别能力。举例子来说，再训练图像集合中包含了一张对照匹配图像，该图像展示了一个经过灌封的沥青路面区域。图像中清晰可见灌封胶与沥青路面之间的界面剥离现象。对应的关联检测图像标记提供了剥离区域的详细尺寸和位置信息。在步骤S40a中，计算机设备需要加载这张图像及其相关的标记数据，以便在后续的训练过程中使用这些信息来优化模型的性能。

步骤S40b中，计算机设备使用基石特征表示网络对每个调试学习样例中的对照匹配图像进行标记推理处理。这个过程涉及到将图像输入到网络中，并通过网络的前向传播计算得到图像的推理标记。推理标记是网络对图像内容的预测或解释，它们与关联检测图像标记之间的匹配程度将决定网络训练的准确性和效果。

具体地说，计算机设备将每一张对照匹配图像输入到基石特征表示网络中。这个网络之前已经通过一定的训练具备了对图像特征进行提取和表示的能力。在网络中，图像会经过一系列的卷积层、池化层和全连接层等处理，逐渐从原始的像素信息转化为更加抽象和高级的特征表示。这个过程中，基石特征表示网络根据之前学习的知识和模式，对输入的图像进行各种复杂的数学运算和变换，从而提取出图像中的关键信息。这些信息可能包括边缘、纹理、形状等低层次特征，也可能包括对象、场景等高层次特征，具体取决于网络的结构和训练目标。

最终，基石特征表示网络输出一个或多个推理标记。这些推理标记是网络对图像内容的预测或解释，它们反映了网络对图像中目标对象、属性或关系的识别和理解程度。推理标记的形式可以根据具体任务而定，例如在分类任务中可能是类别标签，在检测任务中可能是边界框和类别标签的组合。

在沥青路面灌封胶黏结性能检测的场景中，推理标记可能包括灌封胶与沥青路面之间黏结强度的等级、界面剥离或裂缝的存在与否以及它们的尺寸和位置等信息。这些信息对于评估灌封胶的性能和确定是否需要维护或修复至关重要。

举个例子来说，假设有一张对照匹配图像展示了一个经过灌封的沥青路面区域，其中包含了不同程度的界面剥离现象。当这张图像被输入到基石特征表示网络中时，网络会对其进行一系列的特征提取和处理操作。最终，网络可能会输出一个推理标记数组，其中每个元素都对应着图像中一个特定区域的剥离程度等级。这些等级可以用数值表示，如0表示无剥离，1表示轻度剥离，2表示中度剥离，3表示重度剥离等。通过这样的标记推理处理，我们可以更加准确地了解灌封胶与沥青路面之间的黏结性能状况，并为后续的性能评估和决策提供支持。

步骤S40c中，在得到推理标记后，计算机设备需要计算这些推理标记与关联检测图像标记之间的差异。差异的大小反映了网络当前性能与理想性能之间的差距。为了缩小这个差距，计算机会沿着减小差异的方向生成基石特征表示网络的训练误差（即损失）。这个训练误差是网络训练过程中的关键指标，它指导着网络参数的更新方向。

具体来说，计算机设备首先计算每一调试学习样例中对照匹配图像的推理标记与关联检测图像标记之间的差异。这种差异可以通过各种度量方式来量化，例如均方误差、交叉熵损失等，具体取决于任务的性质和标记的类型。

在沥青路面灌封胶黏结性能检测的场景中，推理标记可能包括界面剥离的长度、宽度、深度等数值信息，而关联检测图像标记则是这些数值的真实值。差异计算可能涉及将推理标记与关联检测图像标记进行逐元素的比较，并计算它们之间的差值或相对误差。

例如，如果推理标记预测某个区域的剥离长度为10厘米，而关联检测图像标记显示实际剥离长度为12厘米，那么差异可能就是这2厘米的差值或其相对误差。这种差异反映了网络在预测剥离长度方面的不足，需要通过网络训练来减小。一旦计算出了所有调试学习样例的差异，计算机设备会将这些差异聚合起来，形成一个总体的训练误差。这个误差是一个标量值，它衡量了网络在当前状态下的整体性能。误差的大小反映了网络预测与真实情况之间的偏离程度，是网络优化过程中需要最小化的目标。

为了最小化训练误差，计算机设备会利用梯度下降等优化算法来更新网络的权重参数。这个过程涉及到计算误差相对于网络参数的梯度，并按照梯度的反方向来更新参数。通过多次迭代这个过程，网络会逐渐学习到从输入图像到正确标记的映射关系，从而提高其对新数据的预测能力。

通过计算推理标记与关联检测图像标记之间的差异来生成训练误差，为基石特征表示网络的后续训练提供了指导和依据。这个过程是机器学习模型优化中的关键环节，它帮助模型不断逼近真实世界的复杂模式，提升其在各种任务中的性能表现。

步骤S40d中，计算机设备根据基石特征表示网络的训练误差对其进行精细化调节操作。这个过程通常涉及到使用优化算法（如梯度下降法）来更新网络的权重和偏置等参数，以减小训练误差并提高网络的性能。通过多次迭代训练，基石特征表示网络逐渐演变为目标特征表示网络，这个网络在保持原有特征提取能力的基础上，更加适应当前的再训练图像集合，从而提高了对类似图像的识别和处理能力。

具体来说，计算机设备首先计算训练误差相对于网络权重参数的梯度。这个梯度是一个向量，它指示了权重参数应该如何调整以减小训练误差。梯度的计算涉及到对损失函数进行求导，这是一个复杂而关键的过程，它要求损失函数是可微分的，以便能够计算出任意点的梯度。在得到梯度后，计算机设备会按照梯度的反方向来更新网络的权重参数。这个过程通常使用梯度下降算法或其变种来实现，如随机梯度下降、动量梯度下降等。更新权重参数的目的是使网络在下一次前向传播时能够产生更准确的输出，从而减小训练误差。

通过多次迭代上述过程，即计算梯度、更新权重参数、再次进行前向传播和计算训练误差，基石特征表示网络会逐渐收敛到一个性能更优的状态。在这个过程中，网络会逐渐学习到从输入图像到正确标记的复杂映射关系，提取出更加有效和鲁棒的特征表示。最终，当训练误差达到一个预设的阈值或迭代次数达到上限时，计算机设备会停止训练，并将此时的基石特征表示网络保存为目标特征表示网络。这个目标特征表示网络是优化后的模型，它具备了对新数据进行准确预测的能力，可以用于后续的沥青路面灌封胶黏结性能检测任务。

需要注意的是，在实际应用中，为了防止过拟合和提高模型的泛化能力，可以采用一些正则化技术来约束模型的复杂度，如L1正则化、L2正则化、Dropout等。这些技术可以有效地减少模型的参数数量或降低模型的复杂度，从而提高其在未知数据上的性能表现。

通过计算训练误差并对其进行反向传播来精细化调节基石特征表示网络，最终得到性能更优的目标特征表示网络。这个过程是机器学习模型训练中的核心环节之一，它帮助模型从数据中学习到有用的知识和模式，为后续的预测和决策提供了有力的支持。

需要注意的是，以上步骤中的基石特征表示网络和目标特征表示网络都是指用于图像特征提取的神经网络模型。基石特征表示网络是初始的网络模型，而目标特征表示网络是经过精细化调节后得到的优化模型。这两个网络在结构和功能上相似，但目标特征表示网络在性能上更优。

此外，在实际应用中，步骤S40中的各个子步骤可能会根据具体的算法和模型实现有所不同。例如，推理标记的生成方式、训练误差的计算方法以及网络的精细化调节策略等都可能因应用场景和需求的不同而有所调整。但无论如何调整，这些步骤的核心目标都是一致的，即通过优化网络参数来提高图像识别的准确性和效率。

基于上述实施例，本申请实施例提供的方法还可以包括以下步骤：

步骤S50：获取目标性能检测环境中的错误图像集合，错误图像集合包括匹配结果异常的第一灌缝胶检测图像；

步骤S60：依据错误图像集合迭代再训练图像集合；

其中，依据错误图像集合迭代再训练图像集合包括：

步骤S60a：将第一灌缝胶检测图像、第一灌缝胶检测图像的积极图像和第一灌缝胶检测图像的消极图像一起确定为再训练图像集合中的一个调试学习样例加入到再训练图像集合中；

和/或，

步骤S60b：将第一灌缝胶检测图像和第一灌缝胶检测图像的关联检测图像标记一起确定为再训练图像集合中的一个调试学习样例加入到再训练图像集合中。

步骤S50中，计算机设备从目标性能检测环境中收集错误图像集合。这个集合包括了匹配结果异常的第一灌缝胶检测图像。这些图像可能是由于各种原因（如光照条件不佳、图像模糊、灌缝胶形态异常等）导致自动检测***无法正确识别或分析的图像。举例来说，如果在一个沥青路面灌缝胶性能检测***中，某些灌缝胶的图像因为反光或阴影而使得自动检测***无法准确判断其性能，这些图像就会被归类为错误图像集合中的一部分。

步骤S60的目的是利用收集到的错误图像集合来改进和优化现有的图像识别模型。具体来说，这个过程包括两个可选的子步骤：

步骤S60a中，计算机设备将每个错误图像（即第一灌缝胶检测图像）与其对应的积极图像和消极图像一起作为一个调试学习样例加入到再训练图像集合中。积极图像是指那些与错误图像相似但能够被正确识别的图像，而消极图像则是指那些与错误图像不相似的图像。

例如，如果一个错误图像是因为反光而无法识别，那么一个积极图像可能就是一个没有反光的相似灌缝胶图像，而消极图像则可能是一个完全不同的对象（如路面裂缝）的图像。通过这种方式，模型可以学习到更多关于如何区分不同图像特征的信息，从而提高其在未来遇到类似情况时的识别能力。

步骤S60b中，计算机设备将每个错误图像与其对应的关联检测图像标记一起作为一个调试学习样例加入到再训练图像集合中。关联检测图像标记提供了关于图像中目标对象（如灌缝胶）的真实信息，这些信息可以用于指导模型的学习过程。例如，如果一个错误图像是因为模糊而无法准确识别灌缝胶的形状，那么关联检测图像标记就可能提供了这个灌缝胶的真实形状信息。在训练过程中，模型会尝试调整其参数以更好地匹配这些真实形状信息，从而提高其在未来遇到类似模糊图像时的识别准确性。

通过结合这两个子步骤（即步骤S60a和步骤S60b），计算机设备可以利用错误图像集合中的信息来全面优化和改进现有的图像识别模型，从而提高其在各种复杂环境下的性能表现。

作为一种实施方式，检测对比素材集合包括p个素材图像子集分别对应的检索映射关系，那么，基于此，本申请实施例提供的方法还包括以下步骤：

步骤S1：通过目标特征表示网络对每一素材图像子集进行处理，得到每一素材图像子集的图像特征表示；

步骤S2：将每一素材图像子集的图像特征表示及每一素材图像子集对应的检索映射关系关联保存到特征表示集合；

步骤S3：在目标性能检测环境中，获取拟分析的第二灌缝胶检测图像；

步骤S4：通过目标特征表示网络对第二灌缝胶检测图像进行处理，得到第二灌缝胶检测图像的图像特征表示；

步骤S5：依据第二灌缝胶检测图像的图像特征表示在特征表示集合中确定相似素材图像子集对应的检索映射关系；相似素材图像子集的图像特征表示与第二灌缝胶检测图像的图像特征表示满足共性评估条件；

步骤S6：依据相似素材图像子集对应的检索映射关系，在检测对比素材集合中获取相似素材图像子集，并依据获取的相似素材图像子集，确定第二灌缝胶检测图像的检测分析结果。

具体地，在步骤S1中，计算机设备使用之前训练好的目标特征表示网络来处理检测对比素材集合中的每一个素材图像子集。这个目标特征表示网络的作用是将输入的图像转换为一个特征向量，这个特征向量包含了图像的关键信息，可以用于后续的图像检索和比较。处理过程涉及将图像输入到网络中，通过网络的多层卷积、池化等操作提取出图像的特征，最终输出为特征表示。

例如，如果目标特征表示网络是一个卷积神经网络（CNN），它会通过一系列的卷积层、激活层和池化层来提取图像中的边缘、纹理等特征，并将这些特征整合成一个高维的特征向量。这个特征向量就是素材图像子集的图像特征表示。

步骤S2中，计算机设备将每个素材图像子集的图像特征表示和它们对应的检索映射关系一起保存到特征表示集合中。检索映射关系是一个索引，它可以帮助快速找到与给定图像相似的其他图像。通过将图像特征表示和检索映射关系关联保存，可以在后续的检索过程中根据图像的特征快速找到相似的图像。

例如，特征表示集合可以是一个键值对数据库，其中键是图像特征表示，值是对应的检索映射关系。当我们需要找到一个与给定图像相似的图像时，我们可以计算给定图像的特征表示，然后在数据库中查找与这个特征表示相似的键，进而找到对应的检索映射关系和相似的图像。

步骤S3中，计算机设备从目标性能检测环境中获取一张拟分析的第二灌缝胶检测图像。这张图像即需要检测和分析的对象，它可能是一张新拍摄的灌缝胶图像，也可能是从已有的图像库中选取的一张图像。

步骤S4中，计算机设备使用目标特征表示网络对第二灌缝胶检测图像进行处理，提取出图像的特征表示。这个过程与步骤S1类似，只是处理的图像不同。通过这一步，可以得到第二灌缝胶检测图像的特征表示，用于后续的相似图像检索。

步骤S5中，计算机设备使用第二灌缝胶检测图像的特征表示在特征表示集合中进行相似度匹配，找到与这个特征表示相似的其他图像的特征表示，并确定这些相似图像对应的检索映射关系。相似度匹配可以通过计算特征表示之间的欧氏距离、余弦相似度等指标来实现。

例如，可以计算第二灌缝胶检测图像的特征表示与特征表示集合中每个图像特征表示之间的余弦相似度，然后选择相似度最高的k个图像作为相似素材图像子集。这些相似素材图像子集对应的检索映射关系就是我们想要找到的。

步骤S6中，计算机设备使用相似素材图像子集对应的检索映射关系在检测对比素材集合中获取这些相似素材图像子集。然后，根据这些相似素材图像子集的信息（如它们的标签、元数据等），可以对第二灌缝胶检测图像进行进一步的分析和检测，得到最终的检测分析结果。

例如，如果相似素材图像子集都是标记为“合格”的灌缝胶图像，那么可以初步判断第二灌缝胶检测图像也是合格的。如果相似素材图像子集中包含一些标记为“不合格”的图像，那么我们需要对第二灌缝胶检测图像进行更详细的检查和分析，以确定其是否合格。

其中，步骤S5，依据第二灌缝胶检测图像的图像特征表示在特征表示集合中确定相似素材图像子集对应的检索映射关系，具体可以包括：

步骤S51：依据预设共性评估机制，在特征表示集合中确定与第二灌缝胶检测图像的图像特征表示满足共性评估条件的图像特征表示；

步骤S52：将满足共性评估条件的图像特征表示关联的检索映射关系确定为相似素材图像子集对应的检索映射关系。

具体而言，步骤S51中，计算机设备根据预设的共性评估机制来评估特征表示集合中各个图像特征表示与第二灌缝胶检测图像的图像特征表示之间的共性。共性评估机制是一种用来衡量两个特征表示之间相似度的方法或标准，它可以基于特征向量之间的距离、夹角、相关性等指标来设计。

举例来说，假设特征表示是一个高维向量，可以使用余弦相似度作为共性评估指标。余弦相似度衡量的是两个向量在方向上的相似性，值越接近1表示两个向量方向越相似，值越接近-1表示方向越相反，值为0则表示两个向量正交。计算机设备遍历特征表示集合中的每个图像特征表示，计算它们与第二灌缝胶检测图像的图像特征表示之间的余弦相似度。然后，设定一个阈值（如0.9），只有当余弦相似度高于这个阈值时，才认为该图像特征表示与第二灌缝胶检测图像的图像特征表示满足共性评估条件。

在确定了与第二灌缝胶检测图像的图像特征表示满足共性评估条件的图像特征表示后，计算机设备进一步获取这些图像特征表示关联的检索映射关系。检索映射关系是一种索引结构，它能够将图像特征表示映射到对应的素材图像子集上。例如，特征表示集合可以是一个键值对数据库，其中键是图像特征表示（如一个向量），值是对应的检索映射关系（如一个指向素材图像子集的指针或标识符）。计算机设备会根据满足共性评估条件的图像特征表示来查找数据库中对应的值，即检索映射关系。

通过这一步骤，计算机设备能够获得与第二灌缝胶检测图像相似的素材图像子集的检索映射关系。这些相似素材图像子集在后续的分析中将被用来辅助判断第二灌缝胶检测图像的性质或状态。

综上所述，步骤S5通过共性评估机制和检索映射关系的运用，实现了在特征表示集合中寻找与第二灌缝胶检测图像相似的素材图像子集的目的，为后续的图像分析提供了重要的参考依据。

本申请实施例提供了一种沥青路面灌缝胶黏结性能检测设备，如图2所示，沥青路面灌缝胶黏结性能检测设备100包括：处理器101和存储器103。其中，处理器101和存储器103相连，如通过总线102相连。可选地，沥青路面灌缝胶黏结性能检测设备100还可以包括收发器104。需要说明的是，实际应用中收发器104不限于一个，该沥青路面灌缝胶黏结性能检测设备100的结构并不构成对本申请实施例的限定。

处理器101可以是CPU，通用处理器，GPU，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。总线102可包括一通路，在上述组件之间传送信息。总线102可以是PCI总线或EISA总线等。存储器103可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，但不限于此。存储器103用于存储执行本申请方案的应用程序代码，并由处理器101来控制执行。处理器101用于执行存储器103中存储的应用程序代码，以实现前述任一方法实施例所示的内容。

本申请实施例提供了一种沥青路面灌缝胶黏结性能检测设备，本申请实施例中的沥青路面灌缝胶黏结性能检测设备包括：一个或多个处理器；存储器；一个或多个计算机程序，其中一个或多个计算机程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序被处理器执行时，实现上述方法。

Claims (10)

1.一种沥青路面灌缝胶黏结性能检测方法，其特征在于，所述方法包括：

获取目标性能检测环境的检测对比素材集合，并对所述检测对比素材集合进行图像分块操作，得到p个素材图像子集；其中，p≥1，所述检测对比素材集合中的检测对比素材为对沥青路面灌缝胶测试时拍摄得到的对比图像；

通过图像构建网络分别为每一所述素材图像子集生成匹配图像集合；每一所述素材图像子集分别对应一个匹配图像集合，每一所述匹配图像集合包括多个匹配图像，每一所述匹配图像集合包括的各个匹配图像的关联检测图像都可以从对应的素材图像子集中获得；

依据所述p个素材图像子集和生成获得的p个匹配图像集合，生成再训练图像集合；

通过所述再训练图像集合对基石特征表示网络进行精细化调节操作，得到目标特征表示网络；所述目标特征表示网络用于在所述目标性能检测环境中为检测图像进行特征表示；

其中，所述对所述检测对比素材集合进行图像分块操作，得到p个素材图像子集，包括：

解析所述检测对比素材集合的素材组成分布；所述素材组成分布包括灌缝胶黏结状态语义分布和/或灌缝胶黏结检测维度表现形式分布；

依据所述检测对比素材集合的素材组成分布确定图像分块方式；所述图像分块方式包括表现形式分块方式和/或状态分块方式；

依据确定的图像分块方式对所述检测对比素材集合进行图像分块操作，得到p个素材图像子集；

其中，任意一所述素材图像子集对应一个图像素材分类，所述p个素材图像子集分别对应的图像素材分类之间彼此不关联。

2.如权利要求1所述的方法，其特征在于，所述依据确定的图像分块方式对所述检测对比素材集合进行图像分块操作，得到p个素材图像子集，包括：

获取所述检测对比素材集合中的对比图像；

对所述检测对比素材集合中的对比图像进行图像优化，得到图像优化后的对比图像集合；

依据确定的图像分块方式，对所述图像优化后的对比图像集合进行图像分块操作，得到p个素材图像子集。

3.如权利要求1或2所述的方法，其特征在于，素材图像子集x为所述p个素材图像子集中的任意一个，其中，1≤x≤p；通过图像构建网络为所述素材图像子集x生成匹配图像集合，包括：

通过图像构建网络对所述素材图像子集x进行匹配图像构建，得到多个候选匹配图像；

通过所述图像构建网络对所述多个候选匹配图像进行匹配图像验证，得到所述多个候选匹配图像分别对应的匹配图像验证结果；所述匹配图像验证结果用于指示对应候选匹配图像可否匹配上所述素材图像子集x中的对比图像；

依据所述多个候选匹配图像和各个所述候选匹配图像分别对应的匹配图像验证结果，为所述素材图像子集x生成对应的匹配图像集合。

4.如权利要求3所述的方法，其特征在于，所述依据所述多个候选匹配图像和各个所述候选匹配图像分别对应的匹配图像验证结果，为所述素材图像子集x生成对应的匹配图像集合，包括：

依据每一所述候选匹配图像分别对应的匹配图像验证结果，在所述多个候选匹配图像中确定s个候选匹配图像；其中，s≥1；

通过所述图像构建网络对所述s个候选匹配图像进行图像加噪操作，得到所述s个候选匹配图像分别对应的加噪匹配图像；

依据所述s个候选匹配图像和所述s个候选匹配图像分别对应的加噪匹配图像，生成所述素材图像子集x对应的匹配图像集合。

5.如权利要求1所述的方法，其特征在于，所述依据所述p个素材图像子集和生成获得的p个匹配图像集合，生成再训练图像集合，包括：

在所述p个素材图像子集和所述p个匹配图像集合中获取对照图像；其中，所述对照图像为任意一素材图像子集中的匹配图像，或者为任意一匹配图像集合中的任意一匹配图像；

为所述对照图像生成积极图像和消极图像；所述对照图像的积极图像是对所述对照图像进行图像加噪操作得到的；如果所述对照图像为第一素材图像子集中的匹配图像，则所述对照图像的消极图像为第二素材图像子集中的匹配图像，所述第一素材图像子集和所述第二素材图像子集为所述p个素材图像子集中的随机两个素材图像子集；如果所述对照图像为第一匹配图像集合中的匹配图像，则所述对照图像的消极图像为第二匹配图像集合中的匹配图像，所述第一匹配图像集合和所述第二匹配图像集合为所述p个匹配图像集合中的随机两个匹配图像集合；

将所述对照图像、所述对照图像的积极图像和所述对照图像的消极图像一起确定为再训练图像集合中的一个调试学习样例加入到所述再训练图像集合中。

6.如权利要求5所述的方法，其特征在于，所述通过所述再训练图像集合对基石特征表示网络进行精细化调节操作，得到目标特征表示网络，包括：

获取所述再训练图像集合，所述再训练图像集合包括多个调试学习样例，每一所述调试学习样例包括对照图像以及所述对照图像的积极图像和消极图像；

通过基石特征表示网络分别提取每一所述调试学习样例中的各个图像的图像特征表示；

沿着缩小对照图像的图像特征表示与其积极图像的图像特征表示之间的差异，以及扩大对照图像的图像特征表示与其消极图像的图像特征表示之间的差异的方向，生成所述基石特征表示网络的训练误差；

依据所述基石特征表示网络的训练误差，对所述基石特征表示网络进行精细化调节操作，得到目标特征表示网络。

7.如权利要求1所述的方法，其特征在于，所述依据所述p个素材图像子集和生成获得的p个匹配图像集合，生成再训练图像集合，包括：

从第三匹配图像集合中获取对照匹配图像；所述第三匹配图像集合是所述p个匹配图像集合中的任意一个，所述对照匹配图像为所述第三匹配图像集合中的任意一匹配图像；

根据所述第三匹配图像集合对应的素材图像子集，得到所述对照匹配图像的关联检测图像标记；

将所述对照匹配图像和所述对照匹配图像的关联检测图像标记一起确定为再训练图像集合中的一个调试学习样例加入到所述再训练图像集合中；

所述通过所述再训练图像集合对基石特征表示网络进行精细化调节操作，得到目标特征表示网络，包括：

获取所述再训练图像集合，所述再训练图像集合包括多个调试学习样例，每一所述调试学习样例包括对照匹配图像和所述对照匹配图像的关联检测图像标记；

通过基石特征表示网络对每一所述调试学习样例中的对照匹配图像进行标记推理处理，得到每一所述调试学习样例中的对照匹配图像的推理标记；

沿着缩小所述对照匹配图像的推理标记和所述对照匹配图像的关联检测图像标记之间的差异的方向，生成所述基石特征表示网络的训练误差；

依据所述基石特征表示网络的训练误差，对所述基石特征表示网络进行精细化调节操作，得到目标特征表示网络。

8.如权利要求6或7所述的方法，其特征在于，所述方法还包括：

获取所述目标性能检测环境中的错误图像集合，所述错误图像集合包括匹配结果异常的第一灌缝胶检测图像；

依据所述错误图像集合迭代所述再训练图像集合；

其中，所述依据所述错误图像集合迭代所述再训练图像集合包括：

将所述第一灌缝胶检测图像、所述第一灌缝胶检测图像的积极图像和所述第一灌缝胶检测图像的消极图像一起确定为所述再训练图像集合中的一个调试学习样例加入到所述再训练图像集合中；

和/或，

将所述第一灌缝胶检测图像和所述第一灌缝胶检测图像的关联检测图像标记一起确定为所述再训练图像集合中的一个调试学习样例加入到所述再训练图像集合中。

9.如权利要求1所述的方法，其特征在于，所述检测对比素材集合包括所述p个素材图像子集分别对应的检索映射关系；所述方法还包括：

通过所述目标特征表示网络对每一所述素材图像子集进行处理，得到每一所述素材图像子集的图像特征表示；

将每一所述素材图像子集的图像特征表示及每一所述素材图像子集对应的检索映射关系关联保存到特征表示集合；

在所述目标性能检测环境中，获取拟分析的第二灌缝胶检测图像；

通过所述目标特征表示网络对所述第二灌缝胶检测图像进行处理，得到所述第二灌缝胶检测图像的图像特征表示；

依据所述第二灌缝胶检测图像的图像特征表示在所述特征表示集合中确定相似素材图像子集对应的检索映射关系；所述相似素材图像子集的图像特征表示与所述第二灌缝胶检测图像的图像特征表示满足共性评估条件；

依据所述相似素材图像子集对应的检索映射关系，在所述检测对比素材集合中获取所述相似素材图像子集，并依据获取的相似素材图像子集，确定所述第二灌缝胶检测图像的检测分析结果；

其中，所述依据所述第二灌缝胶检测图像的图像特征表示在所述特征表示集合中确定相似素材图像子集对应的检索映射关系，包括：

依据预设共性评估机制，在所述特征表示集合中确定与所述第二灌缝胶检测图像的图像特征表示满足共性评估条件的图像特征表示；

将所述满足共性评估条件的图像特征表示关联的检索映射关系确定为相似素材图像子集对应的检索映射关系。

10.一种沥青路面灌缝胶黏结性能检测设备，其特征在于，包括：

一个或多个处理器；

存储器；

一个或多个计算机程序；其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个计算机程序被所述处理器执行时，实现如权利要求1~9任一项所述的方法。