CN102628249A - 全自动惯性传感检测路面平整度装置及检测方法 - Google Patents

全自动惯性传感检测路面平整度装置及检测方法 Download PDF

Info

Publication number
CN102628249A
CN102628249A CN2012101266982A CN201210126698A CN102628249A CN 102628249 A CN102628249 A CN 102628249A CN 2012101266982 A CN2012101266982 A CN 2012101266982A CN 201210126698 A CN201210126698 A CN 201210126698A CN 102628249 A CN102628249 A CN 102628249A
Authority
CN
China
Prior art keywords
gaussian distribution
gaussian
pixel
gauss
distribution
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
Application number
CN2012101266982A
Other languages
English (en)
Other versions
CN102628249B (zh
Inventor
刘宇
施华雷
马庆华
吴英
张小林
刘申
刘聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201210126698.2A priority Critical patent/CN102628249B/zh
Publication of CN102628249A publication Critical patent/CN102628249A/zh
Application granted granted Critical
Publication of CN102628249B publication Critical patent/CN102628249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Length Measuring Devices By Optical Means (AREA)
  • Road Repair (AREA)

Abstract

全自动惯性传感检测路面平整度装置，包括感知单元，该感知单元包括加速度计、陀螺仪和温度传感器；该加速度计为惯性传感器；所述惯性传感器的三轴角速率传感器用以测量两个方向的运动角速率并输出到外围处理电路；所述处理电路接收三轴加速度传感器和三轴角速率传感器32输出的测量结果，运算获得探头在所测路面经过过程中各测量点的路面平整度信息。本发明通过采用微小型固态振动型陀螺和MEMS加速度计作为核心测量器件，有效减小测量装置体积，抗冲击振动，能够适应各种路面平整度测量环境，全自动检测并且不受外界电、磁场干扰。

Description

全自动惯性传感检测路面平整度装置及检测方法
技术领域
本发明涉及路面平整度测量技术，特别涉及一种全自动惯性传感检测路面平整度装置及其检测方法。 
背景技术
中国作为一个人口大国，也是一个交通大国，截止2010年底，全国公路总里程接近400万公里。随着公路通车里程的增加，如何有效的对庞大的公路网进行道路检测成为社会关注的一个焦点。众所周知，破损的市政道路对车辆的损害明显，不但会减少车辆使用年限和增加维修保养费用；而且，不平整的市政道路还给市民的出行、司机的驾驶带来安全隐患。判断路面平整度的标准见附表。因此，如何采取一种道路检测方法对市政道路的平整度进行有效检测，对消除给车辆和人们带来的安全隐患是非常有必要的。 
为了解决路面平整度检测问题，本领域技术人员进行了大量的研究，例如： 
CN101644023公开了一种“路面平整度检测方法”，在测量过程中，利用加速仪检测由于路面颠簸使激光测距装置产生的相对位移，利用三向陀螺仪检测由于路面颠簸使激光测距装置倾斜的角度，并根据三个方向的姿态角合成在二维坐标系下的三向合成姿态角；获得所述相对位移、三向合成姿态角、激光测距装置测量出的距离，运算出激光测距装置与路面之间的垂直距离；按照检测密度获得各个垂直距离，并得到与标准参照距离之间的差值，获得纵断面曲线及路面的平整度。消除了路面颠簸引起的激光测量装置姿态倾斜及位置偏移产生的数据失效问题，解决了低速(＜25km/h＝条件下路面平整度无法检测的问题；提高了检测效率、降低了公路的寿命周期成本，提高了公路的使用寿命。但是，由于其主要利用激光测距完成路面平整度检测，用加速仪和三向陀螺完成仪器倾角与地面垂直度的测量，以辅助完成激光测距，增加测量精度。该方案结构复杂，传感器必须精密安装，且极易受冲击振动影响，并且存在体积较大、测试精度受路面和测试环境影响，对路面测试条件要求高，造价高等缺陷。
 CN101246000公开了一种“路面平整度自动检测装置及检测方法”，它涉及路面平整度检测领域，它针对现有技术信息不准确，误差源多，结构复杂，无法解决车体倾斜影响的缺点，它的三维结构光视觉检测组件还包括角度传感器；三维结构光视觉检测组件输出端连处理系统输入端；结构光激光器发出的结构光条覆盖纵向路面，处理系统位于车体内。其方法是：一、结构光激光器的结构光条被路面三维信息调制后，在面阵CCD上成像，同时采集车体颠簸信息，通过计算得出三维信息；二、滤波去除病害影响；三、以间隔250mm的距离计算路面高程差，并计算相应路段的IRI结果；四、数据存储、分析和显示。其优点是提取的纵向轮廓完整准确，结构简单，消除车辆颠簸的影响。该发明同属以光检测测距为核心的路面平整度检测，只是光信号经CCD成像，经三维信息计算获得路面信息，仪器上的角度传感器同样用于辅助测量，仅起消除车体倾斜等影响，增加测量精度作用。同样存在CN101644023所存在的不足。事实上，这是所有以光检测为核心的检测仪表共有的缺点。 
在过去的几年里，随着智慧城市概念的提出，为城市道路的监测指明了新的方向。对城市道路网的监测，智慧城市将充分利用城市物联网技术来实现。城市物联网技术是建立在传感器感知技术、互联网技术和智能控制技术基础上的。利用城市物联网对市政道路进行监测的一个关键技术是道路表面感知、检测技术。目前，常用的市政道路感知、检测方法有人工方法（道路巡视员）和专业道路检测车辆系统。其中人工方式精确度高、但效率和智能化程度低，且不易组网；而专业道路检测车辆设备系统虽然智能化程度高、但价格高昂、体积大、不能大规模的组建网络。 
  
发明内容
有鉴于此，针对现有技术存在的上述不足，本发明解决现有检测路面平整度装置的成本、体积和传感器及系统数据的优化补偿处理技术问题，提供一种利用微小型惯性传感器组合进行高度和深度的测试，将惯性传感器组合应用于如路面平整度检测等民用和普及性测量领域，而提供一种全自动惯性传感检测路面平整度装置。 
本发明采用的技术手段为：全自动惯性传感检测路面平整度装置，其特征在于，包括感知单元，该感知单元包括加速度计、陀螺仪和温度传感器；该加速度计为惯性传感器，所述惯性传感器的三轴角速率传感器用以测量X和Y轴两个方向的运动角速率并输出到外围处理电路；所述处理电路接收三轴加速度传感器和三轴角速率传感器输出的测量结果，运算获得探头在所测路面经过过程中各测量点的路面平整度信息； 
感知单元通过232串口或USB接口与中央处理单元相连，完成数据的实时采集、处理与显示，整个测量过程无需外界协调，自动完成输出；所述中央处理单元采用卡尔曼滤波算法和人工智能算法优化原始采样数据；
所述惯性传感器为微小型固态振动陀螺，固态振动陀螺的短期零位漂移为0.001°/s，刻度因子为2500mv/ °/s, 加速度计测量范围3-8g。
进一步，所述感知单元与中央处理单元通过无线方式传输交互，感知单元可封装在39*40*4mm的空间。 
所述全自动惯性传感检测路面平整度装置获取信息的方法，包括如下步骤： 
采用三轴加速度传感器和三轴角速率传感器获取信息，用垂直于路面的敏感平面感知测试台体与路面的夹角，通过三角函数关系计算得到凹陷或突起的深度或高度，对照路面平整度指标确定路面质量；测试时屏蔽与运动方向平行的敏感轴所测数据，以减少轴间干扰，并对三轴加速度传感器和三轴角速率传感器获取的原始数据综合运用高斯分布函数初始化、高斯分布函数匹配判断、高斯分布函数匹配更新以及前景与背景分析方法，对传感器白噪声、零位漂移、轴间干扰及动态性能进行优化和补偿，以提高系统测量精度；初始化高斯分布函数：采用常规操作即可；其中，
1）混合高斯分布函数匹配判断：
混合高斯模型中，图形的一个像素点用N个高斯分布描述，即为：
Figure 2012101266982100002DEST_PATH_IMAGE001
   式（1）
其中：
Figure 391781DEST_PATH_IMAGE002
表示像素点
Figure 2012101266982100002DEST_PATH_IMAGE003
的像素值；N表示混合高斯模型采用的高斯分布个数，通常
Figure 745140DEST_PATH_IMAGE004
；
Figure 2012101266982100002DEST_PATH_IMAGE005
表示混合高斯模型中，第
Figure 400243DEST_PATH_IMAGE006
个高斯分布的权值；
Figure 2012101266982100002DEST_PATH_IMAGE007
表示第个高斯分布函数（其中，
Figure 983726DEST_PATH_IMAGE008
为均值；
Figure 2012101266982100002DEST_PATH_IMAGE009
为方差；
Figure 743872DEST_PATH_IMAGE010
）；
2）混合高斯模型的参数更新：
混合高斯模型首先把每个高斯分布的权值和均值都初始化为0，方差赋予一个较大值
Figure 2012101266982100002DEST_PATH_IMAGE011
；在任意t时刻，利用初始化的N个高斯分布对像素点
Figure 948588DEST_PATH_IMAGE003
进行一一的高斯匹配检验，在匹配检验过程中，其检验准则如下：
    
Figure 85171DEST_PATH_IMAGE012
     式（2）
在检验过程中，如果自适应混合高斯模型中有高斯分布的均值
Figure 754050DEST_PATH_IMAGE008
，与
Figure 183632DEST_PATH_IMAGE003
的距离小于（通常
Figure 875645DEST_PATH_IMAGE014
），则可以认为像素点
Figure 550339DEST_PATH_IMAGE003
与该高斯分布函数相匹配；
    当判断出像素点
Figure 11408DEST_PATH_IMAGE003
与混合高斯模型中高斯分布函数匹配后，高斯函数参数更新规则如下：
A)对于与像素点
Figure 441252DEST_PATH_IMAGE003
不匹配的高斯分布函数，其均值
Figure 119096DEST_PATH_IMAGE008
和方差
Figure 331903DEST_PATH_IMAGE009
保持不变；
B)对于与像素点
Figure 975373DEST_PATH_IMAGE003
匹配的高斯分布函数，按一下公式进行参数更新：
    
Figure 2012101266982100002DEST_PATH_IMAGE015
   式（3）
Figure 185906DEST_PATH_IMAGE016
  式（4）
其中，
Figure 2012101266982100002DEST_PATH_IMAGE017
，为自适应混合高斯分布的学习速率。 
  当判断出像素点与混合高斯模型中高斯分布不相匹配后，高斯函数参数更新规则如下： 
C)根据准则
Figure 2012101266982100002DEST_PATH_IMAGE019
，找出最不可能代表像素点
Figure 865521DEST_PATH_IMAGE003
的高斯分布函数，即为混合高斯模型中第个高斯分布，并对第
Figure 525489DEST_PATH_IMAGE020
个高斯分布的均值、方差和权值按照公式（4）进行重新赋初值；
Figure 2012101266982100002DEST_PATH_IMAGE021
，
Figure 781896DEST_PATH_IMAGE022
，
Figure 2012101266982100002DEST_PATH_IMAGE023
 式（5）
其中，
Figure 72063DEST_PATH_IMAGE024
为一个较小值；
    当混合高斯模型的高斯函数均值和方差参数更新完后，对混合高斯模型中的权值进行更新，其更新准则如下：
首先根据公式（6）对混合高斯模型中的高斯分布进行权值更新，其中对于像素点
Figure 14611DEST_PATH_IMAGE003
匹配的高斯分布函数，
Figure 2012101266982100002DEST_PATH_IMAGE025
取值为1，否则为0；
然后在根据公式（7），对混合高斯模型中的高斯分布的权值进行归一化处理；
Figure 390229DEST_PATH_IMAGE026
  式（6），
Figure 2012101266982100002DEST_PATH_IMAGE027
     式（7）；
3)前景点与背景点分离：
  当更新完自适应高斯模型的各个高斯函数参数后，需要对像素点进行判断，判断其为前景还是背景；
D）根据
Figure 748529DEST_PATH_IMAGE028
比值大小对模型中的高斯分布进行降序排序；其中，最有可能描述像素点为稳定背景信息的是位于序列前面的高斯分布；
E）根据排序后的前b个权值和
Figure 2012101266982100002DEST_PATH_IMAGE029
准则确定背景像素模型，通常
Figure 595000DEST_PATH_IMAGE030
；
重新对像素点
Figure 708450DEST_PATH_IMAGE003
与排序后的前b个高斯分布进行匹配，若至少与其中一个匹配，则说明该像素点为背景点；否则为前景点；
根据上述对自适应混合高斯模型原理描述，算法软件流程图（图6）所示：
其中，：第
Figure 571364DEST_PATH_IMAGE006
个高斯分布均值；
Figure 733355DEST_PATH_IMAGE032
：第
Figure 794851DEST_PATH_IMAGE006
个高斯分布方差；：第
Figure 453104DEST_PATH_IMAGE006
个高斯分布权值；
Figure 865630DEST_PATH_IMAGE034
：输入加速度数据；
Figure 2012101266982100002DEST_PATH_IMAGE035
：学习速率；
Figure 831312DEST_PATH_IMAGE036
：混合高斯模型个数；S：符合高斯分布个数；Sta：与高斯分布匹配取1，否则取0；
基于自适应混合高斯模型的平整度数据处理过程包括三阶段：
第一阶段：根据
Figure 2012101266982100002DEST_PATH_IMAGE037
准则对自适应高斯混合模型中的高斯函数进行参数更新；其中，对于满足上面准则的高斯函数，其均值、方差按照公式（3）、（4）进行更新；对于不满足上面准则的高斯函数其权值进行更新；
第二阶段：根据
Figure 950578DEST_PATH_IMAGE038
和对高斯模型中的高斯分布进行权值分配；
第三阶段：即确定为平路事件和非平路事件阶段；
其包括两个部分，一是根据选定描述数据的高斯分布；
第二是根据
Figure 2012101266982100002DEST_PATH_IMAGE041
准则重新对选定的高斯分布进行判断，如果满足该准则即判断为事件，否则判断为非事件。
相比现有技术，本发明具有如下有益效果： 
1、本发明采用纯惯性传感器组合为核心进行路面平整度检测，测试算法简单，解决了传感器数据的优化与补偿问题。进一步说，利用惯性传感器组合进行高度和深度的测试，因为传感器成本或精度往往无法同时满足要求，造成长期没有应用于如路面平整度检测等民用和普及性测量领域，难点和关键在于成本、体积和传感器及系统数据的优化补偿处理技术方面。本发明有效地减小了包括角速率传感器的常值漂移、随机噪声在内的误差源干扰，这些误差源对目前的其它路面平整度测量系统来说是固有的和主要的。
2、本发明通过采用微小型固态振动型陀螺和MEMS加速度计作为核心测量器件，有效减小测量装置体积，抗冲击振动，能够适应各种路面平整度测量环境，全自动检测并且不受外界电、磁场干扰。将本装置设于移动载体上（说明：移动载体不是专用设备，使用更方便，成本更低），例如它可以搭载到任意移动载体，如出租车，货车甚至玩具车上进行测量，具有较高的应用价值。本发明采用自主测量，无需外界和其它仪器辅助。 
3、由于完全没有光学测量部件，也不基于光学检测原理，而以惯性传感测量为核心，惯性传感器在本发明中不仅仅起到姿态对照和校准的目的，更为重要的是通过多种惯性传感器的组合，采用合理的算法，计算量小，能直接计算出路面不平整度信息。 
4、与前述对比文件相比，具有突出的小体积和低功耗特点，是目前唯一能实现联网和分布式测量的技术方案，便于应用推广。 
  
附图说明
图1为本发明的结构组成原理图； 
图2为本发明全自动惯性传感检测路面平整度装置中感知单元结构示意图；
图3为本发明检测路面平整度装置平整度数据采集图；
图4为本发明混合高斯模型建模过程及加速度信号预处理算法；
图5为基于正交基神经网络的陀螺仪信号预处理算法流程图；
图6为正交基神经网络模型框图。
图7是基于正交基神经网络的陀螺仪信号预处理软件流程图。 
  
具体实施方式
下面结合附图对本发明作进一步的详细说明： 
参见图1、图2和图3，全自动惯性传感检测路面平整度装置，包括感知单元，该感知单元包括加速度计、陀螺仪和温度传感器；该加速度计为惯性传感器（三轴加速度传感器31、三轴角速率传感器32及处理电路5）；惯性传感器设于传感器探1头的测量仓2内；所述惯性传感器的三轴角速率传感器32用以测量两个方向的运动角速率并输出到外围处理电路52；所述处理电路接收三轴加速度传感器31和三轴角速率传感器32输出的测量结果，运算获得探头的行进状态。温度传感器提供的温度实时变化值将作为传感器数据滤波，零位漂移补偿的参照。
所述惯性传感器为微小型固态振动陀螺，固态振动陀螺的短期零位漂移为0.001°/s，刻度因子为2500mv/ °/s, 加速度计测量范围3-8g。它包括敏感体和传感器电路，所述敏感体包括振梁和设置于振梁表面的换能器，所述换能器与传感器电路电连接，所述传感器电路将换能器输出振梁的振动信号输出到处理电路。 
感知单元（传感器测量系统）通过232串口或USB接口与中央处理单元（PC机）相连，完成数据的实时采集、处理与显示，整个测量过程无需外界协调，自动完成输出。 
所述全自动惯性传感检测路面平整度装置，其中央处理单元采用卡尔曼滤波算法和人工智能算法优化原始采样数据并进一步提高测量精度。 
所述传感器单元可与数据处理单元（即中央处理单元）还可通过无线方式传输交互，传感器单元可封装在39*40*4mm的空间内，便于随身携带，并作为传感节点使用，构建传感器网络。可安装在任意移动载体上进行检索路面的平整度情况。 
本发明在平衡系统精度和智能化程度前提下，设计一种价格低廉、体积小、能广泛组网的道路平整度感知检测系统具有重要意义。最近十几年出现的低成本固态振动惯性传感器和低成本MEMS惯性传感器具有价格低廉、体积小、能感知物体运动加速度和运动方向变化等特点，为设计城市道路监测物联网的感知、检测设备提供了可能。通过采用微小型固态振动角速率传感器和MEMS加速度计作为核心测量器件，有效减小路面平整度测量装置体积，抗冲击振动，能够适应各种测量环境，全自动检测，并且不受外界电、磁场干扰。其陀螺采用微小型固态振动陀螺，具有体积小、可靠性高、抗冲击、抗振动、线性度好、寿命长和成本低的优点，甚至初态无需精确调至水平，只需在同一平面转动。 
本发明选用MEMS惯性器件解决了成本和体积问题，而本发明提出的处理算法则正好针对此硬件平台实现了传感器及系统数据的优化补偿处理，从而达到了预定的设计目标。 
参见图4和图5，本发明全自动惯性传感检测路面平整度装置获取信息的方法，包括如下步骤： 
采用三轴加速度传感器和三轴角速率传感器获取信息，用垂直于路面的敏感平面感知测试台体与路面的夹角，通过三角函数关系计算得到凹陷或突起的深度或高度，对照路面平整度指标确定路面质量；测试时屏蔽与运动方向平行的敏感轴所测数据，以减少轴间干扰，并对三轴加速度传感器和三轴角速率传感器获取的原始数据综合运用高斯分布函数初始化、高斯分布函数匹配判断、高斯分布函数匹配更新以及前景与背景分析方法，对传感器白噪声、零位漂移、轴间干扰及动态性能进行优化和补偿，以提高系统测量精度；初始化高斯分布函数，采用常规操作即可；其中，
1）混合高斯分布函数匹配判断：
混合高斯模型中，图形的一个像素点用N个高斯分布描述，即为：
Figure 437413DEST_PATH_IMAGE001
   式（1）
其中：表示像素点
Figure 180558DEST_PATH_IMAGE003
的像素值；N表示混合高斯模型采用的高斯分布个数，通常
Figure 541132DEST_PATH_IMAGE004
；表示混合高斯模型中，第
Figure 734271DEST_PATH_IMAGE006
个高斯分布的权值；
Figure 562550DEST_PATH_IMAGE007
表示第
Figure 359604DEST_PATH_IMAGE006
个高斯分布函数（其中，
Figure 906123DEST_PATH_IMAGE008
为均值；
Figure 17299DEST_PATH_IMAGE009
为方差；
Figure 27980DEST_PATH_IMAGE010
）；
2）混合高斯模型的参数更新：
混合高斯模型首先把每个高斯分布的权值和均值都初始化为0，方差赋予一个较大值
Figure 432154DEST_PATH_IMAGE011
；在任意t时刻，利用初始化的N个高斯分布对像素点
Figure 528286DEST_PATH_IMAGE003
进行一一的高斯匹配检验，在匹配检验过程中，其检验准则如下：
    
Figure 177573DEST_PATH_IMAGE012
     式（2）
在检验过程中，如果自适应混合高斯模型中有高斯分布的均值
Figure 42761DEST_PATH_IMAGE008
，与
Figure 119302DEST_PATH_IMAGE003
的距离小于
Figure 640413DEST_PATH_IMAGE013
（通常
Figure 890129DEST_PATH_IMAGE014
），则可以认为像素点
Figure 311620DEST_PATH_IMAGE003
与该高斯分布函数相匹配；
    当判断出像素点
Figure 621379DEST_PATH_IMAGE003
与混合高斯模型中高斯分布函数匹配后，高斯函数参数更新规则如下：
A)对于与像素点
Figure 629786DEST_PATH_IMAGE003
不匹配的高斯分布函数，其均值
Figure 683193DEST_PATH_IMAGE008
和方差
Figure 460656DEST_PATH_IMAGE009
保持不变；
B)对于与像素点
Figure 878999DEST_PATH_IMAGE003
匹配的高斯分布函数，按一下公式进行参数更新：
    
Figure 171440DEST_PATH_IMAGE015
   式（3）
Figure 464756DEST_PATH_IMAGE016
  式（4）
其中，，
Figure 748287DEST_PATH_IMAGE018
为自适应混合高斯分布的学习速率。 
  当判断出像素点
Figure 793603DEST_PATH_IMAGE003
与混合高斯模型中高斯分布不相匹配后，高斯函数参数更新规则如下： 
C)根据准则，找出最不可能代表像素点
Figure 612972DEST_PATH_IMAGE003
的高斯分布函数，即为混合高斯模型中第
Figure 701013DEST_PATH_IMAGE020
个高斯分布，并对第
Figure 404265DEST_PATH_IMAGE020
个高斯分布的均值、方差和权值按照公式（4）进行重新赋初值；
Figure 603165DEST_PATH_IMAGE021
，，
Figure 140774DEST_PATH_IMAGE023
 式（5）
其中，
Figure 895103DEST_PATH_IMAGE024
为一个较小值；
    当混合高斯模型的高斯函数均值和方差参数更新完后，对混合高斯模型中的权值进行更新，其更新准则如下：
首先根据公式（6）对混合高斯模型中的高斯分布进行权值更新，其中对于像素点
Figure 569798DEST_PATH_IMAGE003
匹配的高斯分布函数，
Figure 93183DEST_PATH_IMAGE025
取值为1，否则为0；
然后在根据公式（7），对混合高斯模型中的高斯分布的权值进行归一化处理；
Figure 959246DEST_PATH_IMAGE026
  式（6），
Figure 872975DEST_PATH_IMAGE027
     式（7）；
3)前景点与背景点分离：
  当更新完自适应高斯模型的各个高斯函数参数后，需要对像素点进行判断，判断其为前景还是背景；
D）根据
Figure 413678DEST_PATH_IMAGE028
比值大小对模型中的高斯分布进行降序排序；其中，最有可能描述像素点为稳定背景信息的是位于序列前面的高斯分布；
E）根据排序后的前b个权值和
Figure 994832DEST_PATH_IMAGE029
准则确定背景像素模型，通常
Figure 329999DEST_PATH_IMAGE030
；
重新对像素点与排序后的前b个高斯分布进行匹配，若至少与其中一个匹配，则说明该像素点为背景点；否则为前景点；
根据上述对自适应混合高斯模型原理描述，算法软件流程图（图6）所示：
其中，
Figure 511636DEST_PATH_IMAGE031
：第
Figure 9613DEST_PATH_IMAGE006
个高斯分布均值；
Figure 453364DEST_PATH_IMAGE032
：第个高斯分布方差；
Figure 489770DEST_PATH_IMAGE033
：第
Figure 779937DEST_PATH_IMAGE006
个高斯分布权值；：输入加速度数据；
Figure 596639DEST_PATH_IMAGE035
：学习速率；
Figure 17256DEST_PATH_IMAGE036
：混合高斯模型个数；S：符合高斯分布个数；Sta：与高斯分布匹配取1，否则取0；
基于自适应混合高斯模型的平整度数据处理过程包括三阶段：
第一阶段：根据
Figure 427508DEST_PATH_IMAGE037
准则对自适应高斯混合模型中的高斯函数进行参数更新；其中，对于满足上面准则的高斯函数，其均值、方差按照公式（3）、（4）进行更新；对于不满足上面准则的高斯函数其权值进行更新；
第二阶段：根据
Figure 275379DEST_PATH_IMAGE038
和对高斯模型中的高斯分布进行权值分配；
第三阶段：即确定为平路事件和非平路事件阶段；
其包括两个部分，一是根据
Figure 300283DEST_PATH_IMAGE040
选定描述数据的高斯分布；
第二是根据
Figure 627360DEST_PATH_IMAGE041
准则重新对选定的高斯分布进行判断，如果满足该准则即判断为事件，否则判断为非事件。
如图7所示，本发明全自动惯性传感检测路面平整度装置，基于正交基神经网络的陀螺仪信号预处理算法。如图所示，利用正交基神经网络对LPY430AL陀螺仪输出信号处理过程包括3个阶段： 
首先，根据准则对输入的陀螺仪信号进行预处理；其中a、b分别为神经网络输入样本的最小取值和最大取值。
其次，为数据样本中的数据分配初始化权值。 
第三，根据误差最小原则判断经过正交基处理的数据平均值是否是最优值，若是则输出最优的均值，否则根据最小二乘法从新进行权值计算和分配。 
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。 
 附：判断路面平整度的标准如下： 
表1：沥青路面质量检测类型
Figure 2012101266982100002DEST_PATH_IMAGE045
表2： 水泥路面质量检测类型
Figure DEST_PATH_IMAGE047

Claims (3)

1.全自动惯性传感检测路面平整度装置，其特征在于，包括感知单元，该感知单元包括加速度计、陀螺仪和温度传感器；该加速度计为惯性传感器，所述惯性传感器的三轴角速率传感器用以测量X和Y轴两个方向的运动角速率并输出到外围处理电路；所述处理电路接收三轴加速度传感器和三轴角速率传感器输出的测量结果，运算获得探头在所测路面经过过程中各测量点的路面平整度信息；
感知单元通过232串口或USB接口与中央处理单元相连，完成数据的实时采集、处理与显示，整个测量过程无需外界协调，自动完成输出；所述中央处理单元采用卡尔曼滤波算法和人工智能算法优化原始采样数据；
所述惯性传感器为微小型固态振动陀螺，固态振动陀螺的短期零位漂移为0.001°/s，刻度因子为2500mv/ °/s, 加速度计测量范围3-8g。
2.根据权利要求1所述全自动惯性传感检测路面平整度装置，其特征在于，所述感知传感器单元与中央处理单元通过无线方式传输交互，感知单元可封装在39*40*4mm的空间。
3.如权利要求1所述全自动惯性传感检测路面平整度装置获取信息的方法，包括如下步骤：
采用三轴加速度传感器和三轴角速率传感器获取信息，用垂直于路面的敏感平面感知测试台体与路面的夹角，通过三角函数关系计算得到凹陷或突起的深度或高度，对照路面平整度指标确定路面质量；测试时屏蔽与运动方向平行的敏感轴所测数据，以减少轴间干扰，并对三轴加速度传感器和三轴角速率传感器获取的原始数据综合运用高斯分布函数初始化、高斯分布函数匹配判断、高斯分布函数匹配更新以及前景与背景分析方法，对传感器白噪声、零位漂移、轴间干扰及动态性能进行优化和补偿，以提高系统测量精度；其中，
混合高斯分布函数匹配判断：
混合高斯模型中，图形的一个像素点用N个高斯分布描述，即为：
Figure 2012101266982100001DEST_PATH_IMAGE001
   式（1）
其中：
Figure 182827DEST_PATH_IMAGE002
表示像素点
Figure 2012101266982100001DEST_PATH_IMAGE003
的像素值；N表示混合高斯模型采用的高斯分布个数，通常
Figure 568809DEST_PATH_IMAGE004
；
Figure 2012101266982100001DEST_PATH_IMAGE005
表示混合高斯模型中，第
Figure 2012101266982100001DEST_PATH_IMAGE007
个高斯分布的权值；
Figure 942022DEST_PATH_IMAGE008
表示第
Figure 806072DEST_PATH_IMAGE007
个高斯分布函数（其中，
Figure 2012101266982100001DEST_PATH_IMAGE009
为均值；
Figure 213920DEST_PATH_IMAGE010
为方差；
Figure 2012101266982100001DEST_PATH_IMAGE011
）；
2）混合高斯模型的参数更新：
混合高斯模型首先把每个高斯分布的权值和均值都初始化为0，方差赋予一个较大值
Figure 505224DEST_PATH_IMAGE012
；在任意t时刻，利用初始化的N个高斯分布对像素点
Figure 365733DEST_PATH_IMAGE003
进行一一的高斯匹配检验，在匹配检验过程中，其检验准则如下：
   
Figure 2012101266982100001DEST_PATH_IMAGE013
   式（2）
在检验过程中，如果自适应混合高斯模型中有高斯分布的均值
Figure 33474DEST_PATH_IMAGE009
，与
Figure 295829DEST_PATH_IMAGE003
的距离小于
Figure 289192DEST_PATH_IMAGE014
（通常
Figure 2012101266982100001DEST_PATH_IMAGE015
），则可以认为像素点
Figure 512363DEST_PATH_IMAGE003
与该高斯分布函数相匹配；
    当判断出像素点
Figure 842850DEST_PATH_IMAGE003
与混合高斯模型中高斯分布函数匹配后，高斯函数参数更新规则如下：
A)对于与像素点
Figure 366236DEST_PATH_IMAGE003
不匹配的高斯分布函数，其均值和方差
Figure 100022DEST_PATH_IMAGE010
保持不变；
B)对于与像素点
Figure 375146DEST_PATH_IMAGE003
匹配的高斯分布函数，按一下公式进行参数更新：
   
Figure 487458DEST_PATH_IMAGE016
   式（3）
Figure 2012101266982100001DEST_PATH_IMAGE017
    式（4）
其中，，
Figure 2012101266982100001DEST_PATH_IMAGE019
为自适应混合高斯分布的学习速率； 
    当判断出像素点
Figure 613863DEST_PATH_IMAGE003
与混合高斯模型中高斯分布不相匹配后，高斯函数参数更新规则如下：
C)根据准则
Figure 692678DEST_PATH_IMAGE020
，找出最不可能代表像素点
Figure 784131DEST_PATH_IMAGE003
的高斯分布函数，即为混合高斯模型中第
Figure 2012101266982100001DEST_PATH_IMAGE021
个高斯分布，并对第
Figure 24619DEST_PATH_IMAGE021
个高斯分布的均值、方差和权值按照公式（4）进行重新赋初值；
Figure 568733DEST_PATH_IMAGE022
，，
Figure 920080DEST_PATH_IMAGE024
    式（5）
其中，为一个较小值；
    当混合高斯模型的高斯函数均值和方差参数更新完后，对混合高斯模型中的权值进行更新，其更新准则如下：
首先根据公式（6）对混合高斯模型中的高斯分布进行权值更新，其中对于像素点匹配的高斯分布函数，
Figure 808587DEST_PATH_IMAGE026
取值为1，否则为0；
然后在根据公式（7），对混合高斯模型中的高斯分布的权值进行归一化处理；
Figure 2012101266982100001DEST_PATH_IMAGE027
  式（6），
Figure 715363DEST_PATH_IMAGE028
式（7）；
4)前景点与背景点分离：
    当更新完自适应高斯模型的各个高斯函数参数后，需要对像素点进行判断，判断其为前景还是背景；
D）根据
Figure 2012101266982100001DEST_PATH_IMAGE029
比值大小对模型中的高斯分布进行降序排序；其中，最有可能描述像素点为稳定背景信息的是位于序列前面的高斯分布；
E）根据排序后的前b个权值和
Figure 198297DEST_PATH_IMAGE030
准则确定背景像素模型，通常
Figure 2012101266982100001DEST_PATH_IMAGE031
；
重新对像素点与排序后的前b个高斯分布进行匹配，若至少与其中一个匹配，则说明该像素点为背景点；否则为前景点；
根据上述对自适应混合高斯模型原理描述，算法软件流程图（图6）所示：
其中，
Figure 377792DEST_PATH_IMAGE032
：第
Figure 771864DEST_PATH_IMAGE007
个高斯分布均值；
Figure 2012101266982100001DEST_PATH_IMAGE033
：第
Figure 589647DEST_PATH_IMAGE007
个高斯分布方差；
Figure 651144DEST_PATH_IMAGE034
：第
Figure 404337DEST_PATH_IMAGE007
个高斯分布权值；
Figure 2012101266982100001DEST_PATH_IMAGE035
：输入加速度数据；
Figure 410339DEST_PATH_IMAGE036
：学习速率；
Figure 2012101266982100001DEST_PATH_IMAGE037
：混合高斯模型个数；S：符合高斯分布个数；Sta：与高斯分布匹配取1，否则取0；
基于自适应混合高斯模型的平整度数据处理过程包括三阶段：
第一阶段：根据
Figure 907179DEST_PATH_IMAGE038
准则对自适应高斯混合模型中的高斯函数进行参数更新；其中，对于满足上面准则的高斯函数，其均值、方差按照公式（3）、（4）进行更新；对于不满足上面准则的高斯函数其权值进行更新；
第二阶段：根据
Figure 2012101266982100001DEST_PATH_IMAGE039
和
Figure 682237DEST_PATH_IMAGE040
对高斯模型中的高斯分布进行权值分配；
第三阶段：即确定为平路事件和非平路事件阶段；
其包括两个部分，一是根据
Figure 2012101266982100001DEST_PATH_IMAGE041
选定描述数据的高斯分布；
第二是根据
Figure 340752DEST_PATH_IMAGE042
准则重新对选定的高斯分布进行判断，如果满足该准则即判断为事件，否则判断为非事件。
CN201210126698.2A 2012-04-27 2012-04-27 全自动惯性传感检测路面平整度装置及检测方法 Active CN102628249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210126698.2A CN102628249B (zh) 2012-04-27 2012-04-27 全自动惯性传感检测路面平整度装置及检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210126698.2A CN102628249B (zh) 2012-04-27 2012-04-27 全自动惯性传感检测路面平整度装置及检测方法

Publications (2)

Publication Number Publication Date
CN102628249A true CN102628249A (zh) 2012-08-08
CN102628249B CN102628249B (zh) 2014-08-27

Family

ID=46586629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210126698.2A Active CN102628249B (zh) 2012-04-27 2012-04-27 全自动惯性传感检测路面平整度装置及检测方法

Country Status (1)

Country Link
CN (1) CN102628249B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103318180A (zh) * 2013-05-28 2013-09-25 万向钱潮股份有限公司 一种车辆路面不平度自动识别系统及方法
CN104864878A (zh) * 2015-05-22 2015-08-26 汪军 基于电子地图的路况物理信息绘制及查询方法
CN104929024A (zh) * 2015-06-15 2015-09-23 广西大学 路面平整度检测仪及路面平整度测量方法
CN105421200A (zh) * 2015-11-06 2016-03-23 苏交科集团股份有限公司 一种基于振动检测的平整度检测方法与检测装置
CN105714658A (zh) * 2014-12-04 2016-06-29 陕西中大机械集团有限责任公司 一种路面平整度实时监控系统
CN106643445A (zh) * 2016-12-30 2017-05-10 亿嘉和科技股份有限公司 一种轨道平整度测量方法
CN107764229A (zh) * 2017-12-13 2018-03-06 武汉君荣迅联科技有限责任公司 智能修正型路面平整度检测设备
CN108182811A (zh) * 2018-01-04 2018-06-19 山东华夏高科信息股份有限公司 一种道路安全隐患检测系统
CN108198419A (zh) * 2018-01-04 2018-06-22 山东华夏高科信息股份有限公司 一种智能道路交通安全隐患排查系统
CN108507529A (zh) * 2017-05-16 2018-09-07 重庆大学 一种桥接坡沉降自动检测装置及车辆
CN109448375A (zh) * 2018-11-24 2019-03-08 肖哲睿 一种多功能交通监测系统
CN110421292A (zh) * 2019-08-14 2019-11-08 异起(上海)智能科技有限公司 一种焊接机器人的对目标物体轮廓定位的方法和装置
CN112113517A (zh) * 2020-08-03 2020-12-22 河南熔金高温材料股份有限公司 一种滑板砖平面度的检测方法
CN114518094A (zh) * 2020-11-16 2022-05-20 阿里巴巴集团控股有限公司 道路检测方法及系统
TWI770520B (zh) * 2020-05-28 2022-07-11 國立虎尾科技大學 水平監控與調整系統
ES2933750A1 (es) * 2021-05-20 2023-02-13 Becsa S A Sistema de detección
CN116623515A (zh) * 2023-07-24 2023-08-22 四川高速公路建设开发集团有限公司 一种高速路面平整度检测系统及方法
CN116718098A (zh) * 2023-08-09 2023-09-08 成都国营锦江机器厂 直升机主减撑杆同轴度在线测量装置及应用方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN87212325U (zh) * 1987-09-23 1988-06-29 江苏省沐阳县公路工程仪器厂 车载式颠簸累积仪
EP0744494A1 (en) * 1995-05-24 1996-11-27 Blaw-Knox Construction Equipment Corporation Position referencing, measuring and paving method and apparatus for a profiler and paver
CN102261033A (zh) * 2011-05-03 2011-11-30 北京航空航天大学 一种基于惯性测量单元的车载路面检测系统的运补算法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN87212325U (zh) * 1987-09-23 1988-06-29 江苏省沐阳县公路工程仪器厂 车载式颠簸累积仪
EP0744494A1 (en) * 1995-05-24 1996-11-27 Blaw-Knox Construction Equipment Corporation Position referencing, measuring and paving method and apparatus for a profiler and paver
CN102261033A (zh) * 2011-05-03 2011-11-30 北京航空航天大学 一种基于惯性测量单元的车载路面检测系统的运补算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邱建勋: "《重庆大学硕士学位论文》", 15 January 2007 *

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103318180B (zh) * 2013-05-28 2015-09-09 万向钱潮股份有限公司 一种车辆路面不平度自动识别系统及方法
CN103318180A (zh) * 2013-05-28 2013-09-25 万向钱潮股份有限公司 一种车辆路面不平度自动识别系统及方法
CN105714658B (zh) * 2014-12-04 2019-01-25 陕西中大机械集团有限责任公司 一种路面平整度实时监控系统
CN105714658A (zh) * 2014-12-04 2016-06-29 陕西中大机械集团有限责任公司 一种路面平整度实时监控系统
CN104864878A (zh) * 2015-05-22 2015-08-26 汪军 基于电子地图的路况物理信息绘制及查询方法
CN104864878B (zh) * 2015-05-22 2017-07-18 汪军 基于电子地图的路况物理信息绘制及查询方法
CN104929024A (zh) * 2015-06-15 2015-09-23 广西大学 路面平整度检测仪及路面平整度测量方法
CN104929024B (zh) * 2015-06-15 2017-02-01 广西大学 路面平整度检测仪及路面平整度测量方法
CN105421200A (zh) * 2015-11-06 2016-03-23 苏交科集团股份有限公司 一种基于振动检测的平整度检测方法与检测装置
CN105421200B (zh) * 2015-11-06 2017-06-27 苏交科集团股份有限公司 一种基于振动检测的平整度检测方法与检测装置
CN106643445A (zh) * 2016-12-30 2017-05-10 亿嘉和科技股份有限公司 一种轨道平整度测量方法
CN106643445B (zh) * 2016-12-30 2019-04-16 亿嘉和科技股份有限公司 一种轨道平整度测量方法
CN108507529A (zh) * 2017-05-16 2018-09-07 重庆大学 一种桥接坡沉降自动检测装置及车辆
CN108507529B (zh) * 2017-05-16 2024-02-06 重庆大学 一种桥接坡沉降自动检测装置及车辆
CN107764229A (zh) * 2017-12-13 2018-03-06 武汉君荣迅联科技有限责任公司 智能修正型路面平整度检测设备
CN108198419A (zh) * 2018-01-04 2018-06-22 山东华夏高科信息股份有限公司 一种智能道路交通安全隐患排查系统
CN108182811A (zh) * 2018-01-04 2018-06-19 山东华夏高科信息股份有限公司 一种道路安全隐患检测系统
CN109448375A (zh) * 2018-11-24 2019-03-08 肖哲睿 一种多功能交通监测系统
CN110421292A (zh) * 2019-08-14 2019-11-08 异起(上海)智能科技有限公司 一种焊接机器人的对目标物体轮廓定位的方法和装置
TWI770520B (zh) * 2020-05-28 2022-07-11 國立虎尾科技大學 水平監控與調整系統
CN112113517B (zh) * 2020-08-03 2022-03-18 河南熔金高温材料股份有限公司 一种滑板砖平面度的检测方法
CN112113517A (zh) * 2020-08-03 2020-12-22 河南熔金高温材料股份有限公司 一种滑板砖平面度的检测方法
CN114518094A (zh) * 2020-11-16 2022-05-20 阿里巴巴集团控股有限公司 道路检测方法及系统
ES2933750A1 (es) * 2021-05-20 2023-02-13 Becsa S A Sistema de detección
CN116623515A (zh) * 2023-07-24 2023-08-22 四川高速公路建设开发集团有限公司 一种高速路面平整度检测系统及方法
CN116623515B (zh) * 2023-07-24 2023-09-15 四川高速公路建设开发集团有限公司 一种高速路面平整度检测系统及方法
CN116718098A (zh) * 2023-08-09 2023-09-08 成都国营锦江机器厂 直升机主减撑杆同轴度在线测量装置及应用方法
CN116718098B (zh) * 2023-08-09 2023-10-17 成都国营锦江机器厂 直升机主减撑杆同轴度在线测量装置及应用方法

Also Published As

Publication number Publication date
CN102628249B (zh) 2014-08-27

Similar Documents

Publication Publication Date Title
CN102628249B (zh) 全自动惯性传感检测路面平整度装置及检测方法
CN102277823B (zh) 一种基于惯性测量单元和激光测距仪的车载路面检测系统
CN104790283B (zh) 一种基于车载加速度计的路面平整度快速检测系统
CN110184885B (zh) 一种基于智能手机测试路面平整度的方法
CN202904027U (zh) 一种自主室内定位系统
CN101914889A (zh) 基于加速度补偿的激光平整度测量系统和方法
CN102261033A (zh) 一种基于惯性测量单元的车载路面检测系统的运补算法
CN103290768A (zh) 平整度测量仪及测量方法
CN208780164U (zh) 全深度阵列式测斜仪
CN105509764A (zh) 一种用于智能驾考的车载集成终端
CN114993263B (zh) 一种基于水准点定位的高精度建筑物无人机测绘系统
Kopáčik et al. Systematic error elimination using additive measurements and combination of two low cost IMSs
CN104005324A (zh) 一种路面构造信息的检测系统
Wen et al. A novel bluetooth-odometer-aided smartphone-based vehicular navigation in satellite-denied environments
CN106338272A (zh) 用于构件倾斜角测量的测试装置及其测试方法
Bosi et al. In-Vehicle IoT Platform Enabling the Virtual Sensor Concept: A Pothole Detection Use-case for Cooperative Safety.
CN104215222A (zh) 一种全量程无线倾角测量系统及测量方法
CN107677247A (zh) 道路横坡坡度测量和校正方法
RU2295113C2 (ru) Инерциальный измерительный прибор
Setiawan et al. Road quality assessment using international roughness index method and accelerometer on android
CN202501842U (zh) 一种新型数显二维电子水平仪
Gan et al. Bridge continuous deformation measurement technology based on fiber optic gyro
CN209523100U (zh) 一种基于惯性测量和雷达测距的车载路面检测装置
RU2313067C2 (ru) Способ определения навигационных параметров летательного аппарата и устройство для его осуществления
Yang et al. Low-cost and accurate 3d road modeling using mobile phone

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