CN103866675A - 一种车辙破坏层位的自动无损识别方法 - Google Patents
一种车辙破坏层位的自动无损识别方法 Download PDFInfo
- Publication number
- CN103866675A CN103866675A CN201410108547.3A CN201410108547A CN103866675A CN 103866675 A CN103866675 A CN 103866675A CN 201410108547 A CN201410108547 A CN 201410108547A CN 103866675 A CN103866675 A CN 103866675A
- Authority
- CN
- China
- Prior art keywords
- rut
- track
- area
- layer
- destructed
- 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.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种车辙破坏层位的自动无损识别方法,本发明的目的是为解决目前对车辙破坏层位的检测主要依赖于破坏性的路面钻芯检测,无可靠的无损检测方法的问题。本发明从车辙表面采集激光信号,构建车辙横断面与纵断面形态,从中提取三个特征值。从车辙深度、负面积、正负面积比分别随机抽取信号组成训练样本和测试样本,选用RBF神经网络进行训练和测试。该模型训练完成之后,系统即可利用实时采集的激光检测信号,提取特征值,输入到已训练好的模型,实现了车辙破坏层位的自动、无损识别。本发明构建解决了路面钻芯检测中仅从少数芯样的特征无法全面判断整条道路的车辙破坏层位的难题。
Description
技术领域
本发明属于道路检测技术领域,涉及一种无损识别方法,尤其是一种车辙破坏层位的自动无损识别方法。
背景技术
沥青路面因其良好的行车舒适性和优良的使用性能,且维修方便,是我国高速公路最主要的路面类型。然而,由于交通量的迅猛增长和重载、超载情况的加剧,沥青路面的损坏现象也日趋严重,这同时也是世界各国公路沥青路面都存在的普遍现象。
车辙不仅直接影响行车安全性和舒适性还严重危害道路结构整体性和稳定性。在理想状态下,随着时间推进路面将逐渐出现由轻至重、由浅及深的车辙破坏过程;但实际路面受到施工管理、道路线形、环境与荷载等多方面的因素的共同影响,同一条高速公路的车辙不仅发生在路表面,也经常危及到中、下面层甚至基层,呈现多类型、多阶段共存的特点。由于不同破坏层位的车辙,采取的维修技术与设备存在较大的差异,若无法准确的识别根据破坏程度及其所涉及到的路面结构层位,分别采取相应的维修技术;
目前国内外广泛采用的钻芯取样或断面开挖的方法,通过芯样对或开挖断面中路面各层厚度的变化情况进行量测,直观地判断车辙破坏的主要层位。钻芯取样或断面开挖方法会对路面整体性造成损伤,属于破坏性检验;同时钻芯试坑回填要求较高,处置不好会留下质量隐患,造成大面积二次破坏;另外,上述方法费时、费力且取样点有限,难以对整条或网级高速公路车辙破坏层位进行全面、准确的识别,无法为大规模的路面养护管理提供支持。
基于多路共梁式激光车辙检测技术通过在车体上安装一定数量的激光位移传感器来快速、连续地获取一定宽度范围内的车辙横断面高程变化数据。中国发明专利(授权号ZL201010264911)已经对该技术内容作了很详细的叙述。该技术是目前国内外应用最广泛的车辙检测技术。其突出优点是快速、无损、连续地获取车辙横断面数据。
人工网络是由众多的神经元经可调的连接权值连接而成,它具有大规模并行处理、分布式信息存储、良好的自组织自适应性,并具有很强的学习能力。在人工网络的实际应用中,RBF网络是网络众多算法中应用最为广泛的一种,它在函数逼近、模式识别、分类、数据压缩等领域有着更加广泛的应用,其结构简单,可操作性强,能模拟任意的非线性输入输出关系。
在上述识别方法中,通过数据分析提取车辙横断面典型特征信息,利用典型特征与其模式空间的映射关系,在错误概率最小的条件下,使识别结果与客观类型相符合,以实现车辙层位有效识别。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供一种车辙破坏层位的自动无损识别方法。
本发明的目的是通过以下技术方案来实现的:
这种车辙破坏层位的自动无损识别方法,包括以下步骤:
1)利用多路共梁式激光车辙检测设备所获取的车辙横断面图形,
2)从获取的车辙横断面图形中提取最大深度、负面积和正负面积比三个指标;所述最大深度是左、右轮迹处横断面包络线与路面表面之间的最大垂直距离;负面积和正面积是连接车道横断面两个端点的直线与路面表面之间所围成的面积;连线之上路面之下为正面积,连线之下路面之上为负面积;正面积和负面积指标计算方法为:
即路面上连续两点一起构成了梯形的四个角点,当两点纵坐标y1和yi+1符号相同时,通过下式:
可以计算出梯形面积Area梯形;其中i为自然数,yi、xi为点坐标,当两点纵坐标Y值符号不同时,首先要确定两点连线的斜率,并求出两点连线与坐标轴的交点,然后再通过下式计算出交点两侧三角形的面积:
将计算结果中所有符号相同的部分进行累加,由此便可以确定总的正面积和负面积;
正负面积比(AP/N):正面积与负面积的比值RArea,计算方法如下式所示;
3)结合钻芯取样确定车辙破坏层位,对获取横断面的车辙进行钻芯取样,量测各层的厚度的变化情况,判断车辙的破坏层位;
4)构建RBF网络,结合钻芯取样数据,1代表上面层车辙,2代表中面层车辙,3代表下面层车辙,4代表基层车辙,构建训练样本;
5)根据训练样本数据训练RBF网络,直到RBF网络满足精度要求;
6)输入待识别的车辙样本,输出识别结果。
上述的RBF网络是由输入层、一个隐含层和一个线性输出层组成的前向神经网络;RBF网络是隐含层采用径向基函数作为神经元的激活函数,使其具有局部感受特性。
本发明具有以下有益效果:
本发明的车辙破坏层位的自动无损识别方法,是为解决目前对车辙破坏层位的检测主要依赖于破坏性的路面钻芯检测,无可靠的无损检测方法的问题。其从车辙表面采集激光信号,构建车辙横断面与纵断面形态,从中提取三个特征值。从车辙深度、负面积、正负面积比分别随机抽取信号组成训练样本和测试样本,选用RBF网络进行训练和测试。该模型训练完成之后,系统即可利用实时采集的激光检测信号,提取特征值,输入到已训练好的模型,实现了车辙破坏层位的自动、无损识别。本发明构建解决了路面钻芯检测中仅从少数芯样的特征无法全面判断整条道路的车辙破坏层位的难题。
附图说明
图1为本发明的方法流程图;
图2神经网络识别流程图;
图3为本发明中RBF神经网络的结构图;
图4获取车辙典型横断面图形,其中,(a)为上面层车辙典型横断面形态;(b)为中面层车辙典型横断面形态;(c)为下面层车辙典型横断面形态;(d)为基层车辙典型横断面形态;
图5车辙横断面多指标计算结果图,其中(a)为上面层多指标计算结果图;(b)为中面层多指标计算结果图;(c)为下面层多指标计算结果图;(d)为基面层多指标计算结果图;
图6RBF神经网络训练时的误差变化图;
图7RBF神经网络的实际诊断结果图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
本发明是通过以下技术方案加以实现:
(1)利用多路共梁式激光车辙检测设备所获取的车辙横断面图形,如图1所示;
(2)从获取的车辙横断面图形中提取最大深度、负面积和正负面积比三个指标,如图2所示;最大深度是左、右轮迹处横断面包络线与路面表面之间的最大垂直距离;负面积和正面积是连接车道横断面两个端点的直线与路面表面之间所围成的面积。连线之上路面之下为正面积,连线之下路面之上为负面积;正面积和负面积指标计算方法:即路面上连续两点一起构成了梯形的四个角点,当两点纵坐标y1和yi+1符号相同时,通过下式:
可以计算出梯形面积:当两点纵坐标Y值符号不同时,首先要确定两点连线的斜率,并利用式求出两点连线与坐标轴的交点,然后再通过下式计算出交点两侧三角形的面积:
将计算结果中所有符号相同的部分进行累加,由此便可以确定总的正面积和负面积。
正负面积比(AP/N):正面积与负面积的比值RArea,计算方法如下式所示;
(3)结合钻芯取样确定车辙破坏层位,对获取横断面的车辙进行钻芯取样量测各层的厚度的变化情况,判断车辙的破坏层位,如表1所示;
表1通过芯样确定车辙破坏层位
(4)构建RBF网络,结合钻芯取样数据,1代表上面层车辙,2代表中面层车辙,3代表下面层车辙,4代表基层车辙,构建训练样本;
表2训练样本
(5)根据训练样本数据训练RBF神经网络,直到RBF网络满足精度要求;所述的RBF神经网络由输入层、一个隐含层(径向基层)和一个线性输出层组成的前向神经网络。RBF神经网络的主要特征是隐含层采用径向基函数作为神经元的激活函数,使其具有局部感受特性。
神经网络的训练:根据表2所示的数据样本输入输出关系,用newrb函数来训练RBF神经网络。根据RBF神经网络模型结构的确定原则,确定网络有三个输入节点,对应四个输出节点,在MATLAB中调用RBF神经网络程序对所选取的样本数据进行训练,设置训练精度为0.005,散布常数为1.6时,在用MATLAB软件训练过程中,误差变化图如图2所示。RBF实际诊断结果如图3所示:
(6)输入待识别的车辙样本,输出识别结果;
表3中标号为1的样本类型应为上面层,但被误判为中面层;标号为8的样本类型应为中面层,但被误判为基层;标号为13的样本类型应为下面层,但被误判为基层。测试结果表明已建立的RBF网络的误判率为15%,其余样本均被正确识别。因此,已建立的RBF网络对20个测试样本的正确识别率为85%,说明建立的RBF网络的识别正确率较高。本实施例表明,本发明能够准确、自动、无损的识别车辙的破坏层位,具有广阔的应用前景。
表3待识别样本及其识别结果
Claims (2)
1.一种车辙破坏层位的自动无损识别方法,其特征在于,包括以下步骤:
1)利用多路共梁式激光车辙检测设备所获取的车辙横断面图形,
2)从获取的车辙横断面图形中提取最大深度、负面积和正负面积比三个指标;所述最大深度是左、右轮迹处横断面包络线与路面表面之间的最大垂直距离;负面积和正面积是连接车道横断面两个端点的直线与路面表面之间所围成的面积;连线之上路面之下为正面积,连线之下路面之上为负面积;正面积和负面积指标计算方法为:
即路面上连续两点一起构成了梯形的四个角点,当两点纵坐标y1和yi+1符号相同时,通过下式:
计算出梯形面积Area梯形:当两点纵坐标Y值符号不同时,首先要确定两点连线的斜率,并求出两点连线与坐标轴的交点,然后再通过下式计算出交点两侧三角形的面积Area三角形:
将计算结果中所有符号相同的部分进行累加,由此确定总的正面积和负面积;
正负面积比AP/N:正面积与负面积的比值,计算方法如下式所示;
3)结合钻芯取样确定车辙破坏层位,对获取横断面的车辙进行钻芯取样,量测各层的厚度的变化情况,判断车辙的破坏层位;
4)构建RBF网络,结合钻芯取样数据,1代表上面层车辙,2代表中面层车辙,3代表下面层车辙,4代表基层车辙,构建训练样本;
5)根据训练样本数据训练RBF网络,直到RBF网络满足精度要求;
6)输入待识别的车辙样本,输出识别结果。
2.根据权利要求1所述的车辙破坏层位的自动无损识别方法,其特征在于,所述的RBF网络是由输入层、一个隐含层和一个线性输出层组成的前向神经网络;RBF网络是隐含层采用径向基函数作为神经元的激活函数,使其具有局部感受特性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410108547.3A CN103866675A (zh) | 2014-03-21 | 2014-03-21 | 一种车辙破坏层位的自动无损识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410108547.3A CN103866675A (zh) | 2014-03-21 | 2014-03-21 | 一种车辙破坏层位的自动无损识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103866675A true CN103866675A (zh) | 2014-06-18 |
Family
ID=50905656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410108547.3A Pending CN103866675A (zh) | 2014-03-21 | 2014-03-21 | 一种车辙破坏层位的自动无损识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103866675A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105696447A (zh) * | 2016-04-21 | 2016-06-22 | 长安大学 | 一种沥青路面车辙钻芯取样位置确定方法 |
CN108765400A (zh) * | 2018-05-24 | 2018-11-06 | 长安大学 | 一种区分沥青路面芯样断面图像中不同材料的方法 |
CN109690284A (zh) * | 2016-06-30 | 2019-04-26 | 坎特伯雷大学 | 用于测试路面样本的设备和方法 |
CN112878136A (zh) * | 2021-03-24 | 2021-06-01 | 合肥工业大学 | 一种基于探地雷达的路口橡胶沥青抗车辙路面检测和设计方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201424620Y (zh) * | 2009-01-20 | 2010-03-17 | 南京理工大学 | 绿激光路面车辙路形检测系统 |
-
2014
- 2014-03-21 CN CN201410108547.3A patent/CN103866675A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201424620Y (zh) * | 2009-01-20 | 2010-03-17 | 南京理工大学 | 绿激光路面车辙路形检测系统 |
Non-Patent Citations (1)
Title |
---|
惠冰: "沥青路面车辙破坏模式识别、多维度指标评价与预测研究", 《长安大学博士学位论文》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105696447A (zh) * | 2016-04-21 | 2016-06-22 | 长安大学 | 一种沥青路面车辙钻芯取样位置确定方法 |
CN105696447B (zh) * | 2016-04-21 | 2018-04-03 | 长安大学 | 一种沥青路面车辙钻芯取样位置确定方法 |
CN109690284A (zh) * | 2016-06-30 | 2019-04-26 | 坎特伯雷大学 | 用于测试路面样本的设备和方法 |
CN109690284B (zh) * | 2016-06-30 | 2021-10-01 | 坎特伯雷大学 | 用于测试路面样本的设备和方法 |
CN108765400A (zh) * | 2018-05-24 | 2018-11-06 | 长安大学 | 一种区分沥青路面芯样断面图像中不同材料的方法 |
CN112878136A (zh) * | 2021-03-24 | 2021-06-01 | 合肥工业大学 | 一种基于探地雷达的路口橡胶沥青抗车辙路面检测和设计方法 |
CN112878136B (zh) * | 2021-03-24 | 2023-01-24 | 合肥工业大学 | 一种基于探地雷达的路口橡胶沥青抗车辙路面检测和设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107943880B (zh) | 一种基于层次分析法的地质灾害易发性改进评估方法 | |
CN104061445B (zh) | 一种基于神经网络的管道泄漏检测方法 | |
US9507052B2 (en) | Automatic recognition method of continental slope foot point based on terrain grid | |
CN112417573B (zh) | 基于ga-lssvm与nsga-ⅱ盾构下穿既有隧道施工多目标优化的方法 | |
CN103866675A (zh) | 一种车辙破坏层位的自动无损识别方法 | |
CN102750413B (zh) | 一种输电线路塔位地形测量的数据处理及成图方法 | |
CN111580181B (zh) | 一种基于多场多特征信息融合的导水陷落柱识别方法 | |
CN104329079A (zh) | 一种识别气测录井油气层的方法以及系统 | |
CN104504389A (zh) | 一种基于卷积神经网络的卫星云量计算方法 | |
CN109086649A (zh) | 卫星遥感图像水体识别方法 | |
CN102289734A (zh) | 基坑工程动态风险评估与管理方法 | |
CN110515117A (zh) | 一种基于桩锤激震和决策树模型的地下溶洞探测方法 | |
CN109190272A (zh) | 基于弹性波和机器学习的混凝土结构缺陷检测方法 | |
CN106935038B (zh) | 一种停车检测系统及检测方法 | |
Szymczyk et al. | Neural networks as a tool for georadar data processing | |
CN115654381A (zh) | 一种基于图神经网络的供水管道漏损检测方法 | |
CN104851301A (zh) | 一种基于减速带声音分析的车辆参数识别方法 | |
CN106706119B (zh) | 一种基于信号频域特征的振动源识别方法及系统 | |
CN105260550A (zh) | 一种油井间连通关系的评价方法 | |
Zhu et al. | Enhancing fracture network characterization: A data-driven, outcrop-based analysis | |
CN109447026A (zh) | 一种基于支持向量机的桩身完整性类别自动识别方法 | |
CN112580754B (zh) | 一种适用于工地的车辆清洁度判断方法、装置及存储介质 | |
CN103810489A (zh) | 基于不规则三角网的LiDAR点云数据水上桥梁提取方法 | |
CN104533397A (zh) | 一种砂岩气层定量识别方法 | |
CN117131971A (zh) | 基于Xgboost算法的储层优势渗流通道预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140618 |