CN102519577A - 道路中路面的识别方法及系统 - Google Patents
道路中路面的识别方法及系统 Download PDFInfo
- Publication number
- CN102519577A CN102519577A CN2011103988029A CN201110398802A CN102519577A CN 102519577 A CN102519577 A CN 102519577A CN 2011103988029 A CN2011103988029 A CN 2011103988029A CN 201110398802 A CN201110398802 A CN 201110398802A CN 102519577 A CN102519577 A CN 102519577A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- road surface
- eigenmodes
- function component
- road
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
一种道路中路面的识别方法,包括如下步骤:采集路面的振动信号;对所述采集到的振动信号进行经验模态分解得到本征模式函数分量;计算每一振动信号中预设数量的本征模式函数分量所对应的特征;通过振动信号中本征模式函数分量所对应的特征识别出振动信号对应的路面事件。上述道路中路面的识别方法及系统中,由于采集到的振动信号是不平稳的,通过经验模态分解的方式对振动信号进行分解,实现了振动信号的平稳化处理,并根据相应的特征识别出振动信号所对应的路面事件,有效地提高了识别精确度。
Description
【技术领域】
本发明涉及信号处理技术,特别是涉及一种道路中路面的识别方法及系统。
【背景技术】
随着城市发展速度的加快,道路中路面状况的监测识别已经成为促进城市快速发展的重要因素。传统的路面识别是通过人工抽查和群众自发报告来实现的,但是由于存在着监测效率低等诸多缺陷而无法路面状况监测识别的需要。因此,目前又采用了传感器来识别道路中路面的状况。
大量的传感器被安装于移动的车辆上,以通过这些车载的传感器和GPS设备来采集道路中路面信息,然后对这些粗糙的路面信息进行信号处理得到检测结果,并将检测结果传输到后台的中心服务器,通过滤波器进行数据筛选和融合,所输出的融合结果即为路面中坑等异常事件。尽管对采集到的路面信息通过滤波器进行了层层筛选,并将筛选得到的数据进行了融合,还是无法正确识别路面中出现坑、减速带等异常事件。
【发明内容】
基于此,有必要提供一种能提高识别精确度的道路中路面的识别方法。
此外,还有必要提供一种能提高识别精确度的道路中路面的识别系统。
一种道路中路面的识别方法,包括如下步骤:
采集路面的振动信号;
对所述采集到的振动信号进行经验模态分解得到本征模式函数分量;
计算每一振动信号中预设数量的本征模式函数分量所对应的特征;
通过振动信号中本征模式函数分量所对应的特征识别出振动信号对应的路面事件。
优选地,所述本征模式函数分量所对应的特征为能量或能量矩。
优选地,所述本征模式函数分量所对应的特征为能量,所述通过振动信号中本征模式函数分量所对应的特征识别出振动信号对应的路面事件的步骤为:
根据振动信号中本征模式函数分量所对应的能量获取振动信号中的能量分布;
通过所述振动信号中的能量分布识别出对应的路面事件。
优选地,所述通过振动信号中本征模式函数分量所对应的特征识别出振动信号对应的路面事件的步骤为:
根据所述振动信号中本征模式函数分量所对应的特征构造所述振动信号的特征向量;
对所述振动信号的特征向量进行归一化处理;
将所述归一化处理后的特征向量输入支持向量机进行路面事件的分类。
优选地,所述将所述归一化处理后的特征向量输入支持向量机进行路面事件的分类的步骤之前还包括:
建立支持向量机;
获取路面事件的特征向量,并将所述路面事件的特征向量输入所述支持向量机中训练所述支持向量机。
一种道路中路面的识别系统,包括:
采集模块,用于采集路面的振动信号;
分解模块,用于对所述采集到的振动信号进行经验模态分解得到本征模式函数分量;
特征计算模块,用于计算每一振动中预设数量的本征模式函数分量所对应的特征;
处理模块,用于通过振动信号中本征模式函数分量所对应的特征识别出振动信号对应的路面事件。
优选地,所述特征计算模块所计算的特征为能量或能量矩。
优选地,所述特征计算模块所计算得到的特征为能量,所述处理模块包括:
分布获取单元,用于根据振动信号中本征模式函数分量所对应的能量获取振动信号中的能量分布;
识别单元,用于通过所述振动信号中的能量分布识别出对应的路面事件。
优选地,所述处理模块包括:
特征构造单元,用于根据所述振动信号中本征模式函数分量所对应的特征构造所述振动信号的特征向量;
归一处理单元,用于对所述振动信号的特征向量进行归一化处理;
分类单元,用于将所述归一化处理后的特征向量输入支持向量机进行路面事件的分类。
优选地,所述处理模块还包括:
建立单元,用于建立支持向量机;
训练单元,用于获取路面事件的特征向量,并将所述路面事件的特征向量输入所述支持向量机中训练所述支持向量机。
上述道路中路面的识别方法及系统中,由于采集到的振动信号是不平稳的,通过经验模态分解的方式对振动信号进行分解,实现了振动信号的平稳化处理,并根据相应的特征识别出振动信号所对应的路面事件,有效地提高了识别精确度。
【附图说明】
图1为一个实施例中道路中路面的识别方法的流程图;
图2为一个实施例中通过振动信号中本征模式函数分量所对应的特征识别出振动信号对应的路面事件的方法流程图;
图3为另一个实施例中通过振动信号中本征模式函数分量所对应的特征识别出振动信号对应的路面事件的方法流程图;
图4为一个实施例中支持向量机的分类原理图;
图5为另一个实施例中通过振动信号中本征模式函数分量所对应的特征识别出振动信号对应的路面事件的方法流程图;
图6为一个实施例中道路中路面的识别系统的结构示意图;
图7为一个实施例中处理模块的结构示意图;
图8为另一个实施例中处理模块的结构示意图;
图9为另一个实施例中处理模块的结构示意图;
图10为一个实施例中支持向量机的分类结果示意图。
【具体实施方式】
如图1所示,在一个实施例中,一种道路中路面的识别方法,包括如下步骤:
步骤S110,采集路面的振动信号。
本实施例中,可以通过3D加速度传感器来进行振动信号的采集,3D加速度传感器安装于行驶的车辆中,3个轴分别用于描述车辆的前后方向(X轴)、左右方向(Y轴)以及重力方向(Z轴),行驶于道路路面上的车辆经过坑、减速带以及井盖等异常路面时产生的振动信号均被3D加速度传感器的3个轴采集到。
步骤S130,对采集到的振动信号进行经验模态分解得到本征模式函数分量。
本实施例中,采集到的振动信号不仅仅反映了道路路面的损坏状况,还反映了车辆加速、刹车、拐弯以及车辆经过减速带等现象,且具有非平稳特征,所能够反映道路路面状况的能量也很微弱,给道路中路面的识别带来了困难。
因此,如何从非平稳的振动信号中提取出反映道路路面状况的特征是道路中路面识别的关键。在传统的路面损坏检测方法中常常通过对振动信号进行时域和频域分析实现路面中坑、减速带等异常事件的辨识,但是由于车速、车辆的负重以及司机开车的方式等因素对振动信号的不同影响,仅仅在时域和频域进行振动信号的辨识是非常困难的。
而经验模态分解(Empirical Mode Decomposition,简称EMD)是适用于非线性、非平稳信号的信号处理方法。为提高道路中路面识别的正确率,可通过经验模态分解的方式进行振动信号的分解,将采集到的振动信号这一非平稳信号进行平稳化处理,得到若干个平稳的本征模式函数(Intrinsic Mode Function,简称IMF)分量。
进一步的,在一个实施例中,经验模态分解的方法本质上是将振动信号从不同尺度的波动或趋势逐级分解开来,所得到的本征模式函数分量必须满足以下性质:
(1)极值点个数和零值点个数必须相同或最多相差一个;
(2)由局部极大值构成的上包络线和局部极小值构成的下包络线关于时间轴对称,即其平均值为零。
上述步骤S130的具体过程为:找出振动信号中数据序列X(t)的所有极大值点,求出所有极大值点构成的上包络线和所有极小值点构成的下包络线,并得到上包络线和下包络线的均值,即平均包络m(t),进而将数据序列X(t)与平均包络相减得到新的数据序列h(t),即:
h(t)=X(t)-m(t)
然后判断新的数据序列h(t)是否满足本征模式函数分量的性质,若不满足则需要继续按照上述过程对h(t)进行分解,若新的数据序列h(t)满足了本征模式函数分量的性质,则说明这一新的数据序列h(t)是一个本征模式函数分量。此外,由于经验模态分解的过程可以得到若干个本征模式函数分量和余项,若分解得到的残余信号分量r(t)的极值点数小于3时分解也将结束,即
其中,IMFi(t)为本征模式函数分量。
步骤S150,计算每一振动信号中预设数量的本征模式函数分量所对应的特征。
本实施例中,每一振动信号均对应了多个分解得到的本征模式函数分量,其中振动信号所对应的本征模式函数分量的数量可根据实际情况进行设定,在优选的实施例中,预设数量为4,即通过经验模态分解方法将振动信号分解为4个本征模式函数分量,将预设数量设定为4时所得到的识别准确度将是较优的。
进一步的,在一个实施例中,本征模式函数分量所对应的特征为能量或能量矩。当发生道路路面上的坑和减速带等路面事件时,振动信号中的一些频段所对应的能量将会发生变化,即使在同阶的本征模式函数分量上,不同路面事件所对应的振动信号也有着不同的频率成分,而本征模式函数的幅值也是各不相同的,因此可以将本征模式函数分量所对应的能量作为特征来进行道路中路面的识别,其中,本征模式函数分量所对应的能量为cj(t)为本征模式函数分量。
下面结合能量熵来详细阐述将能量作为道路中路面识别的特征,对于振动信号经过经验模态分解得到的N个本征模式函数分量而言,也可以对应的计算出N个能量E1,E2,...,EN,若忽略残余分量,且每一本征模式函数分量是相互正交的,因此计算得到的N个能量之和等于振动信号的总能量。每一个本征模式函数分量均表现出不同的频率成分,且振动信号的总能量E=[E1,E2,...,EN],因此可以得到振动信号在频率域的能量分布,而本征模式函数分量的能量熵值如以下公式所示:
其中,表示第i个本征模式函数分量的能量在总能量E中的比重。
例如,在一个具体的实施例中,采集道路路面中5个坑采样点和5个减速带采样点的振动信号,并按照上述公式计算出对应的能量熵值,结果如下表所示:
上表结果表明,识别到坑的路面事件所对应的能量熵值要大于识别到减速带的路面事件的能量熵值。这是因为车辆经过路面中的坑和减速带产生的受力情况是不一样的,车辆经过路面中的坑时,通常是一边受力,而车辆经过减速带时,两边都受力,这就意味着车辆经过路面中的坑时振动信号的能量分布相对平均和不确定,而车辆经过路面中的减速带时能量比较集中于某个频率带内,这将使得能量分布的不确定性减少,相对的能量熵值也减少了,因此可以通过能量分布来判断车辆是经过了路面中的坑还是减速带,进而实现路面事件的识别。
进一步的,在一个实施例中,为了进一步提高识别的正确率,本征模式函数分量所对应的特征可以是能量矩,对本征模式函数分量做基于时间轴的积分后得到能量矩。具体地,能量矩Ej的计算公式为:
其中,t为时间信息,cj(t)为本征模式函数分量。
步骤S170,通过振动信号中本征模式函数分量所对应的特征识别出振动信号对应的路面事件。
本实施例中,根据本征模式函数分量所对应的特征来实现振动信号所对应的路面事件的识别。
在一个实施例中,上述本征模式函数分量所对应的特征为能量,如图2所示,步骤S170的具体过程为:
步骤S201,根据振动信号中本征模式函数分量所对应的能量获取振动信号中的能量分布。
本实施例中,在每一振动信号中,通过与多个本征模式函数分量一一对应的能量得到这一振动信号的能量分布。
步骤S203,通过振动信号中的能量分布识别出对应的路面事件。
本实施例中,根据每一振动信号中的能量分布可以识别出产生该振动信号的路面事件,例如,若能量分布较为平均,则说明对应的路面事件为坑,若能量分布较为信号于某个频率带中,则说明对应的路面事件为减速带。
在另一个实施例中,如图3所示,步骤S170的具体过程为:
步骤S301,根据振动信号中本征模式函数分量所对应的特征构造振动信号的特征向量。
本实施例中,对振动信号中本征模式函数分量所对应的特征创建特征向量,例如,若本息模式函数分量所对应的特征为能量,则构造得到的特征向量T=[E1,E2,E3,E4]。
步骤S303,对振动信号的特征向量进行归一化处理。
本实施例中,为便于后续的处理,需要对特征向量进行归一化处理,详细的处理过程如以下公式所示:
其中,
步骤S305,将归一化处理后的特征向量输入支持向量机进行路面事件的分类。
本实施例中,支持向量机是基于统计学理论、结构风险最小化原则的机器学习方法,其核心思想是通过某种事先选择的非线性映射把输入向量映射到高维特征空间,进而构造最优分类超平面。支持向量机是从线性可分情况下最优分类面发展而来的,所以既可以用于线性分类也可用于非线性分类,对于非线性分类需要找到到一个非线性映射把数据映射到高维特征空间,在高维特征空间建立最优超平面。
如图4所示,圆圈和方形分别代表两类样本,H为SVM分类的分类线,H1、H2分别为过各类中距离分类线最近的样本的直线,并且平行于分类线,它们之间的距离就是分类间隔。其中H1、H2上的样本点就称为支持向量。所以,若要正确的分类,就需要找到一条最优分类线H,也即最优分类函数,使分类间隔达到最大。在常用的支持向量机工具箱中,通常有如下几个分类函数:线性函数、多项式函数、指数分布函数和双曲正切函数。在优选的实施例中,选用指数分布函数所得到的分类间隔最大,分类结果也最好。
在另一个实施例中,如图5所示,上述步骤S305之前还包括了如下步骤:
步骤S307,建立支持向量机。
步骤S309,获取路面事件的特征向量,并将路面事件的特征向量输入支持向量机中训练支持向量机。
本实施例中,获取已有的路面事件的特征向量,该路面事件可以是已经识别得到的。将这些路面事件的特征向量输入支持向量机中进行训练,以提高分类的精确度。
在一个实施例中,如图6所示,一种道路中路面的识别系统,包括采集模块10、分解模块30、特征计算模块50以及处理模块70。
采集模块10,用于采集路面的振动信号。
本实施例中,采集模块10可以是3D加速度传感器。3D加速度传感器安装于行驶的车辆中,3个轴分别用于描述车辆的前后方向(X轴)、左右方向(Y轴)以及重力方向(Z轴),行驶于道路路面上的车辆经过坑、减速带以及井盖等异常路面时产生的振动信号均被3D加速度传感器的3个轴采集到。
分解模块30,用于对采集到的振动信号进行经验模态分解得到本征模式函数分量。
本实施例中,经验模态分解是适用于非线性、非平稳信号的信号处理方法。为提高道路中路面识别的正确率,分解模块30可通过经验模态分解的方式进行振动信号的分解,将采集到的振动信号这一非平稳信号进行平稳化处理,得到若干个平稳的本征模式函数分量。
进一步的,在一个实施例中,分解模块30将振动信号从不同尺度的波动或趋势逐级分解开来,所得到的本征模式函数分量必须满足以下性质:
(1)极值点个数和零值点个数必须相同或最多相差一个;
(2)由局部极大值构成的上包络线和局部极小值构成的下包络线关于时间轴对称,即其平均值为零。
分解模块30找出振动信号中数据序列X(t)的所有极大值点,求出所有极大值点构成的上包络线和所有极小值点构成的下包络线,并得到上包络线和下包络线的均值,即平均包络m(t),进而将数据序列X(t)与平均包络相减得到新的数据序列h(t),即:
h(t)=X(t)-m(t)
然后判断新的数据序列h(t)是否满足本征模式函数分量的性质,若不满足则需要继续按照上述过程对h(t)进行分解,若新的数据序列h(t)满足了本征模式函数分量的性质,则说明这一新的数据序列h(t)是一个本征模式函数分量。此外,由于经验模态分解的过程可以得到若干个本征模式函数分量和余项,若分解得到的残余信号分量r(t)的极值点数小于3时分解也将结束,即
其中,IMFi(t)为本征模式函数分量。
特征计算模块50,用于计算每一振动中预设数量的本征模式函数分量所对应的特征。
本实施例中,每一个振动信号均对应了多个分解得到的本征模式函数分量,其中振动信号所对应的本征模式函数分量的数量可根据实际情况进行设定,在优选的实施例中,预设数量为4,即特征计算模块50通过经验模态分解方法将振动信号分解为4个本征模式函数分量,将预设数量设定为4时所得到的识别准确度将是较优的。
进一步的,在一个实施例中,特征计算模块50所计算得到的特征为能量或能量矩。当发生道路路面上的坑和减速带等路面事件时,振动信号中的一些频段所对应的能量将会发生变化,即使在同阶的本征模式函数分量上,不同路面事件所对应的振动信号也有着不同的频率成分,而本征模式函数的幅值也是各不相同的,因此可以将本征模式函数分量所对应的能量作为特征来进行道路中路面的识别,其中,本征模式函数分量所对应的能量为cj(t)为本征模式函数分量。
进一步的,在一个实施例中,为了进一步提高识别的正确率,特征计算模块50计算得到的本征模式函数分量所对应的特征可以是能量矩,对本征模式函数分量做基于时间轴的积分后得到能量矩。具体地,能量矩Ej的计算公式为:
其中,t为时间信息,cj(t)为本征模式函数分量。
处理模块70,用于通过振动信号中本征模式函数分量所对应的特征识别出振动信号对应的路面事件。
本实施例中,处理模块70根据本征模式函数分量所对应的特征来实现振动信号所对应的路面事件的识别。
在一个实施例中,特征计算模块50所计算得到的特征为能量,如图7所示,上述处理模块70包括分布获取单元710以及识别单元720。
分布获取单元710,用于根据振动信号中本征模式函数分量所对应的能量获取振动信号中的能量分布。
本实施例中,在每一振动信号中,通过与多个本征模式函数分量一一对应的能量得到这一振动信号的能量分布。
识别单元720,用于通过振动信号中的能量分布识别出对应的路面事件。
本实施例中,识别单元720根据每一振动信号中的能量分布可以识别出产生该振动信号的路面事件,例如,若能量分布较为平均,则说明对应的路面事件为坑,若能量分布较为信号于某个频率带中,则说明对应的路面事件为减速带。
在另一个实施例中,如图8所示,上述处理模块70包括特征构造单元730、归一处理单元740以及分类单元750。
特征构造单元730,用于根据振动信号中本征模式函数分量所对应的特征构造振动信号的特征向量。
本实施例中,特征构造单元730对振动信号中本征模式函数分量所对应的特征创建特征向量,例如,若本征式函数分量所对应的特征为能量,则构造得到的特征向量T=[E1,E2,E3,E4]。
归一处理单元740,用于对振动信号的特征向量进行归一化处理。
本实施例中,为便于后续的处理,需要对特征向量进行归一化处理,详细的处理过程如以下公式所示:
其中,
分类单元750,用于将归一化处理后的特征向量输入支持向量机进行路面事件的分类。
在另一个实施例中,如图9所示,上述处理模块70除了包括特征构造单元730、归一处理单元740以及分类单元750之外,还包括了建立单元760以及训练单元770。
建立单元760,用于建立支持向量机。
训练单元770,用于获取路面事件的特征向量,并将路面事件的特征向量输入支持向量机中训练支持向量机。
本实施例中,训练单元770获取已有的路面事件的特征向量,该路面事件可以是已经识别得到的。将这些路面事件的特征向量输入支持向量机中进行训练,以提高分类的精确度。
下面结合具体的实验来阐述上述道路中路面的识别方法及系统。在用于实验的车辆中安装了3D加速度传感器,并在市政道路上行驶,车速大致为40km/h,共采集了30条减速带,30个坑。分别选取其中的20条减速带和20个坑用于训练,余下的10条减速带和10个坑用于进行道路中路面的识别测试。
通过上述实验所得到的特征向量如下表所示:
将上表所得到的特征向量输入支持向量机中进行分类,所得到的分类结果如图10所示,其中,图10的横轴为上表特征向量的第一行数值,纵轴为上表特征向量的第二行数值,此时,所得到的测试结果如下表所示:
路面事件 | 测试样本个数 | 测试精度 |
坑 | 10 | 90% |
减速带 | 10 | 90% |
由上述道路中路面识别的测试结果可以得到通过经验模式分解根据了采集到的振动信号本身特性自适应地产生合适的本征模式函数分量来将振动信号分解到不同的频段上,然后通过计算各个频段上能量的分布来构建能量特征向量,以作为支持向量机的输入对坑和减速带进行分类,整个过程不需要人工参与,减小了人为的误差,并且提高了识别的精度。
上述道路中路面的识别方法及系统中,由于采集到的振动信号是不平稳的,通过经验模态分解的方式对振动信号进行分解,实现了振动信号的平稳化处理,并根据相应的特征识别出振动信号所对应的路面事件,有效地提高了识别精确度。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种道路中路面的识别方法,包括如下步骤:
采集路面的振动信号;
对所述采集到的振动信号进行经验模态分解得到本征模式函数分量;
计算每一振动信号中预设数量的本征模式函数分量所对应的特征;
通过振动信号中本征模式函数分量所对应的特征识别出振动信号对应的路面事件。
2.根据权利要求1所述的道路中路面的识别方法,其特征在于,所述本征模式函数分量所对应的特征为能量或能量矩。
3.根据权利要求2所述的道路中路面的识别方法,其特征在于,所述本征模式函数分量所对应的特征为能量,所述通过振动信号中本征模式函数分量所对应的特征识别出振动信号对应的路面事件的步骤为:
根据振动信号中本征模式函数分量所对应的能量获取振动信号中的能量分布;
通过所述振动信号中的能量分布识别出对应的路面事件。
4.根据权利要求1所述的道路中路面的识别方法,其特征在于,所述通过振动信号中本征模式函数分量所对应的特征识别出振动信号对应的路面事件的步骤为:
根据所述振动信号中本征模式函数分量所对应的特征构造所述振动信号的特征向量;
对所述振动信号的特征向量进行归一化处理;
将所述归一化处理后的特征向量输入支持向量机进行路面事件的分类。
5.根据权利要求4所述的道路中路面的识别方法,其特征在于,所述将所述归一化处理后的特征向量输入支持向量机进行路面事件的分类的步骤之前还包括:
建立支持向量机;
获取路面事件的特征向量,并将所述路面事件的特征向量输入所述支持向量机中训练所述支持向量机。
6.一种道路中路面的识别系统,其特征在于,包括:
采集模块,用于采集路面的振动信号;
分解模块,用于对所述采集到的振动信号进行经验模态分解得到本征模式函数分量;
特征计算模块,用于计算每一振动中预设数量的本征模式函数分量所对应的特征;
处理模块,用于通过振动信号中本征模式函数分量所对应的特征识别出振动信号对应的路面事件。
7.根据权利要求6所述的道路中路面的识别系统,其特征在于,所述特征计算模块所计算的特征为能量或能量矩。
8.根据权利要求7所述的道路中路面的识别系统,其特征在于,所述特征计算模块所计算得到的特征为能量,所述处理模块包括:
分布获取单元,用于根据振动信号中本征模式函数分量所对应的能量获取振动信号中的能量分布;
识别单元,用于通过所述振动信号中的能量分布识别出对应的路面事件。
9.根据权利要求6所述的道路中路面的识别系统,其特征在于,所述处理模块包括:
特征构造单元,用于根据所述振动信号中本征模式函数分量所对应的特征构造所述振动信号的特征向量;
归一处理单元,用于对所述振动信号的特征向量进行归一化处理;
分类单元,用于将所述归一化处理后的特征向量输入支持向量机进行路面事件的分类。
10.根据权利要求9所述的道路中路面的识别系统,其特征在于,所述处理模块还包括:
建立单元,用于建立支持向量机;
训练单元,用于获取路面事件的特征向量,并将所述路面事件的特征向量输入所述支持向量机中训练所述支持向量机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110398802.9A CN102519577B (zh) | 2011-12-05 | 2011-12-05 | 道路中路面的识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110398802.9A CN102519577B (zh) | 2011-12-05 | 2011-12-05 | 道路中路面的识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102519577A true CN102519577A (zh) | 2012-06-27 |
CN102519577B CN102519577B (zh) | 2014-12-24 |
Family
ID=46290577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110398802.9A Active CN102519577B (zh) | 2011-12-05 | 2011-12-05 | 道路中路面的识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102519577B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103207952A (zh) * | 2013-04-23 | 2013-07-17 | 华北科技学院 | 一种边坡位移预测方法 |
CN105740793A (zh) * | 2016-01-26 | 2016-07-06 | 哈尔滨工业大学深圳研究生院 | 基于路面颠簸情况和道路类型识别的自动调速方法与系统 |
CN109357747A (zh) * | 2018-10-25 | 2019-02-19 | 南京航空航天大学 | 一种基于光纤振动信号的在线列车识别及速度估计方法 |
CN109814575A (zh) * | 2019-02-22 | 2019-05-28 | 百度在线网络技术(北京)有限公司 | 车辆变道路线规划方法、装置以及终端 |
CN110622043A (zh) * | 2017-05-12 | 2019-12-27 | 株式会社普利司通 | 路面状态判别方法和路面状态判别装置 |
CN113793509A (zh) * | 2018-03-12 | 2021-12-14 | 深圳鼎然信息科技有限公司 | 基于运动传感器的路况分析方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10213476A (ja) * | 1996-10-23 | 1998-08-11 | Schenck Process Gmbh | 機械システムの振動信号群を評価する方法 |
JP2004020229A (ja) * | 2002-06-12 | 2004-01-22 | Sumitomo Rubber Ind Ltd | タイヤのシミュレーション方法 |
JP2007147634A (ja) * | 2006-12-22 | 2007-06-14 | Rikogaku Shinkokai | 振動解析の方法および装置ならびにコンピュータ読み取り可能な記録媒体 |
CN101726356A (zh) * | 2009-12-02 | 2010-06-09 | 南京航空航天大学 | 微弱振动信号的谐波小波频域提取与振源识别方法 |
-
2011
- 2011-12-05 CN CN201110398802.9A patent/CN102519577B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10213476A (ja) * | 1996-10-23 | 1998-08-11 | Schenck Process Gmbh | 機械システムの振動信号群を評価する方法 |
JP2004020229A (ja) * | 2002-06-12 | 2004-01-22 | Sumitomo Rubber Ind Ltd | タイヤのシミュレーション方法 |
JP2007147634A (ja) * | 2006-12-22 | 2007-06-14 | Rikogaku Shinkokai | 振動解析の方法および装置ならびにコンピュータ読み取り可能な記録媒体 |
CN101726356A (zh) * | 2009-12-02 | 2010-06-09 | 南京航空航天大学 | 微弱振动信号的谐波小波频域提取与振源识别方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103207952A (zh) * | 2013-04-23 | 2013-07-17 | 华北科技学院 | 一种边坡位移预测方法 |
CN105740793A (zh) * | 2016-01-26 | 2016-07-06 | 哈尔滨工业大学深圳研究生院 | 基于路面颠簸情况和道路类型识别的自动调速方法与系统 |
CN105740793B (zh) * | 2016-01-26 | 2019-12-20 | 哈尔滨工业大学深圳研究生院 | 基于路面颠簸情况和道路类型识别的自动调速方法与系统 |
CN110622043A (zh) * | 2017-05-12 | 2019-12-27 | 株式会社普利司通 | 路面状态判别方法和路面状态判别装置 |
CN110622043B (zh) * | 2017-05-12 | 2021-11-09 | 株式会社普利司通 | 路面状态判别方法和路面状态判别装置 |
US11486702B2 (en) | 2017-05-12 | 2022-11-01 | Bridgestone Corporation | Road surface condition determination method and road surface condition determination apparatus |
CN113793509A (zh) * | 2018-03-12 | 2021-12-14 | 深圳鼎然信息科技有限公司 | 基于运动传感器的路况分析方法、装置、设备及介质 |
CN113793509B (zh) * | 2018-03-12 | 2024-04-16 | 深圳鼎然信息科技有限公司 | 基于运动传感器的路况分析方法、装置、设备及介质 |
CN109357747A (zh) * | 2018-10-25 | 2019-02-19 | 南京航空航天大学 | 一种基于光纤振动信号的在线列车识别及速度估计方法 |
CN109357747B (zh) * | 2018-10-25 | 2019-11-12 | 南京航空航天大学 | 一种基于光纤振动信号的在线列车识别及速度估计方法 |
CN109814575A (zh) * | 2019-02-22 | 2019-05-28 | 百度在线网络技术(北京)有限公司 | 车辆变道路线规划方法、装置以及终端 |
CN109814575B (zh) * | 2019-02-22 | 2022-04-08 | 百度在线网络技术(北京)有限公司 | 自动驾驶车辆变道路线规划方法、装置以及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN102519577B (zh) | 2014-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020244288A1 (zh) | 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置 | |
CN102519577B (zh) | 道路中路面的识别方法及系统 | |
CN104792937B (zh) | 一种基于车载重力加速度传感器的桥头跳车检测评价方法 | |
Wang et al. | Study of the factors affecting road roughness measurement using smartphones | |
CN105092467B (zh) | 一种高速铁路车轮踏面擦伤快速监测装置及方法 | |
CN104236911A (zh) | 一种列车转向架轴承服役过程监测与故障诊断系统及方法 | |
CN106960285B (zh) | 一种地铁列车运行服务质量检测装置及方法 | |
CN105138779A (zh) | 车载gps时空轨迹大数据优选方法及系统 | |
CN103077610A (zh) | 一种路段旅行时间估计的方法和系统 | |
CN103471865A (zh) | 基于线性判别法的列车悬挂系统故障分离方法 | |
CN103196682B (zh) | 基于d-s证据理论的信息融合的列车悬挂系统故障分离方法 | |
Aliari et al. | Bluetooth sensor data and ground truth testing of reported travel times | |
CN105258789A (zh) | 一种振动信号特征频率带的提取方法及装置 | |
CN103335617A (zh) | 一种基于振动信号的铁路钢轨几何形变检测方法 | |
CN107423692A (zh) | 一种基于小波包能量熵的钢轨波磨故障检测方法 | |
CN104933284B (zh) | 一种基于实测数据的公路桥梁随机车流模拟方法 | |
Jeng et al. | Wavelet–k nearest neighbor vehicle classification approach with inductive loop signatures | |
CN103808801A (zh) | 一种基于振动和声频复合信号的高速铁路钢轨伤损实时检测方法 | |
CN108664673A (zh) | 一种轮轨力载荷辨识特征数据模型建立方法及装置 | |
CN104833535A (zh) | 一种铁道车辆车轮踏面擦伤的检测方法 | |
CN106649709A (zh) | 一种基于数据挖掘的车辆停留行为模式预测与评估方法 | |
CN104699980A (zh) | 基于加速度传感器实现iri值软测量的方法 | |
Byrne et al. | Identifying road defect information from smartphones | |
CN113340392B (zh) | 基于加速度传感器的车辆载重检测方法及装置 | |
CN113281414B (zh) | 钢轨短波病害类型的识别方法及装置、以及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |