CN107045710A - 一种基于智能手机传感器的路面破损状况分析及监测方法 - Google Patents

一种基于智能手机传感器的路面破损状况分析及监测方法 Download PDF

Info

Publication number
CN107045710A
CN107045710A CN201710234116.5A CN201710234116A CN107045710A CN 107045710 A CN107045710 A CN 107045710A CN 201710234116 A CN201710234116 A CN 201710234116A CN 107045710 A CN107045710 A CN 107045710A
Authority
CN
China
Prior art keywords
section
vehicle
damaged
mrow
data
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
Application number
CN201710234116.5A
Other languages
English (en)
Inventor
陈晨曦
聂绍凯
蔡易南
叶昕
曹震
金盛
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201710234116.5A priority Critical patent/CN107045710A/zh
Publication of CN107045710A publication Critical patent/CN107045710A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于智能手机传感器的路面破损状况分析及监测方法。本发明通过智能手机自带传感器监测车辆行驶过程中的异常行驶状态，并将数据和位置信息发送至后台服务器。后台服务器在接受大量数据后，通过位置信息关联判别以及数据特征分析，实现对道路状况的自动检测与分析。本发明实时性好，车辆通过某破损路面时手机上传的数据会引起系统的监控，可以准确及时反应路面的破损情况。

Description

一种基于智能手机传感器的路面破损状况分析及监测方法
技术领域
本发明涉及一种路面破损状况分析及监测方法，用于道路检测与管理。
背景技术
道路损坏将严重影响交通质量，除了影响交通参与者的舒适性，增大汽车的负荷，减少汽车的使用年限外，还会增大交通事故发生几率，因此对道路状况进行实时监测并在适当时机进行修复就显得尤为重要。
目前关于道路损伤检测的研究有基于视频图像和图模型的道路检测、无人机航拍、遥感图像、光谱解混的高光谱图像道路检测等道路监测技术，这些道路检测技术都存在着前期设备的研发和购置成本高昂等问题，后期的运营维护费用较高，而且不能做到道路的实时监测。因此，为了更好地检测道路损伤，帮助政府部门更方便及时地发现并处理道路问题，迫切需要采用低成本、高效率的道路损伤分析与监测方法。
发明内容
为了解决背景技术中存在的问题，本发明提出了一种基于智能手机传感器的路面破损状况分析及监测方法。
本发明基本思路是通过智能手机自带传感器监测车辆行驶过程中的异常行驶状态，并将数据和位置信息发送至后台服务器。后台服务器在接受大量数据后，通过位置信息关联判别以及数据特征分析，实现对道路状况的自动检测与分析。
本发明的基本步骤如下：
c1、采集智能手机运动传感器数据；
c2、训练车辆“经过破损路面”状态识别算法；
c3、定义表征路面破损程度的指标；
c4、由车辆状态计算道路破损程度；
c5、实时监测路面破损程度。
步骤c1的过程包括：
c11、采集智能手机运动传感器数据，传感器包括电子罗盘、加速度计、陀螺仪及GPS。
c12、采集智能手机运动传感器数据，以一定频率获取c11所述传感器数据，获得包含加速度、角速度、经纬度以及时间信息的向量。
c13、采用低通滤波方法对传感器数据进行预处理。
步骤c2的过程包括：
c21、定义车辆行驶状态指标；I表示车辆行驶状态，是指车辆是否经过破损路段，是评价路段破损程度的指标，其值为0或1，1表明车辆处于“经过破损路面”状态，0表明车辆处于其他状态。车辆行驶状态取决于传感器数据，根据c33所述方法确定其值。
c22、特征道路实验：将安装c12所述应用的智能手机固定在车上，经过破损路段，上传数据至服务器。
c23、分析经过破损路段时的数据特征，选取连续5秒50组Ai组成归一向量作为破损路段数据特征。同样，在车辆经过平整路面时，取5秒50组Ai作为对照。
c24、通过支持向量机技术训练自动识别系统：取c22所述一定数量的破损路段及平整路段数据用支持向量机训练分类算法。
步骤c3的过程包括：
c31、定义路段破损程度PI：
对一条道路，每隔5m进行分段，每辆车在经过某一路段时均会上传车辆行驶状态指标I。
PI即为I＝1的车辆数占I＝0车辆顺及I＝1车辆数之和的百分比。表示某一路段的破损程度，其值在0到1之间；越接近0就表明这个路段破损程度越低，路况较好；反之，路面坑洼较多，路段破损越严重。
c32、定义路面破损率PCR：
PCR表示整条道路中，各路段破损程度的加权平均值，是判断道路破损程度的指标，其值在0到1之间；越接近0就表明这条道路路面破损程度越低，路况较好；反之，路面坑洼较多，道路破损越严重。路面破损率PCR取决于各路段破损程度PI。
步骤c4的计算过程包括：
c41、计算路段破损程度PI
设共有K辆汽车经过某路段，其中第j(1≤j≤K)辆车经过时车辆状态指标为Ij，则路段破损程度PI为：
c42、计算路面破损率PCR
设一条路共分为N个路段，其中第i(1≤i≤N)个路段破损程度PI为PIi，则路段破损程度为PCR：
步骤c5具体是：实时监测路面破损程度
车辆在行驶过程中，以10Hz的频率获取传感器数据，每隔0.5s选取50组数据进行车辆行驶状态判定，若结果为车辆处于“经过破损路段”状态，则上传加速度信息、位置信息以及车辆行驶状态指标至后台服务器，服务器则根据车辆所处路段实时计算路段破损程度PI及道路破损率PCR。
本发明具有的有益效果是：
本发明实时性好，车辆通过某破损路面时手机上传的数据会引起系统的监控，可以准确及时反应路面的破损情况。
本发明经济效益好，系统前期的投入成本低，后期的运营成本也不高，可以节省大量的人力和财力。
本发明可操作性强，主要是利用数据处理系统对采集的数据进行筛选分析，记录相应的数据信息。后期的工作是实地进行确认整修。
本发明监测的数据更准确，相比于以往的图像识别技术，该系统利用车辆在行驶过程中的力学特征，更接近路面问题的本质。
本发明效率高，相比于道路检测车等传统周期性道路检测方式，可以同时对一个区域的公路网进行路面监测。
附图说明
图1为系统整体框架；
图2为识别算法训练系统框图；
图3为车辆行驶状态分析系统框图；
图4为道路分段示意图；
图5为道路损伤程度示意图。
具体实施方式
以下结合附图对本发明作进一步说明
如图1至图3所示，一种基于智能手机传感器的路面破损状况分析及监测方法，包括以下步骤：
c1、采集智能手机运动传感器数据；
c2、训练车辆“经过破损路面”状态识别算法；
c3、定义表征路面破损程度的指标；
c4、由车辆状态计算道路破损程度；
c5、实时监测路面破损程度。
步骤c1的过程包括：
c11、采集智能手机运动传感器数据，传感器包括电子罗盘、加速度计、陀螺仪及GPS。
c12、采集智能手机运动传感器数据，方法为编写安卓手机应用软件以一定频率获取c11所述传感器数据，获得包含加速度、角速度、经纬度以及时间信息的向量，频率可以为10Hz。如获取：
Ai＝[axi,ayi,azi,bxi,byi,bzi,loi,lai,ti]
c13、采用低通滤波方法对传感器数据进行预处理。
步骤c2的过程包括：
c21、定义车辆行驶状态指标；I表示车辆行驶状态，是指车辆是否经过破损路段，是评价路段破损程度的指标，其值为0或1，1表明车辆处于“经过破损路面”状态，0表明车辆处于其他状态。车辆行驶状态取决于传感器数据，根据c33所述方法确定其值。
c22、特征道路实验：将安装c12所述应用的智能手机固定在车上，经过破损路段，上传数据至服务器。
c23、分析经过破损路段时的数据特征，选取连续5秒50组Ai组成归一向量作为破损路段数据特征。同样，在车辆经过平整路面时，取5秒50组Ai作为对照。
c24、通过支持向量机技术训练自动识别系统：取c22所述一定数量的破损路段及平整路段数据用支持向量机训练分类算法。如，选200组破损路段数据以及200组平整路段数据作为训练集，再分别取50组破损路段数据以及50组平整路段数据作为测试集，测试识别算法准确率，若准确率低于一定值，如90％，则扩大样本数量。
步骤c3的过程包括：
c31、定义路段破损程度PI：
对一条道路，每隔5m进行分段，见图4，每辆车在经过某一路段时均会上传车辆行驶状态指标I。
PI即为I＝1的车辆数占I＝0车辆顺及I＝1车辆数之和的百分比。表示某一路段的破损程度，其值在0到1之间；越接近0就表明这个路段破损程度越低，路况较好；反之，路面坑洼较多，路段破损越严重。
c32、定义路面破损率PCR：
PCR表示整条道路中，各路段破损程度的加权平均值，是判断道路破损程度的指标，其值在0到1之间；越接近0就表明这条道路路面破损程度越低，路况较好；反之，路面坑洼较多，道路破损越严重。路面破损率PCR取决于各路段破损程度PI。
步骤c4的计算过程包括：
c41、计算路段破损程度PI
设共有K辆汽车经过某路段，其中第j(1≤j≤K)辆车经过时车辆状态指标为Ij，则路段破损程度PI为：
c42、计算路面破损率PCR
设一条路共分为N个路段，其中第i(1≤i≤N)个路段破损程度PI为PIi，则路段破损程度为PCR：
步骤c5具体是：实时监测路面破损程度
车辆在行驶过程中，以10Hz的频率获取传感器数据，每隔0.5s选取50组数据进行车辆行驶状态判定，若结果为车辆处于“经过破损路段”状态，则上传加速度信息、位置信息以及车辆行驶状态指标至后台服务器，服务器则根据车辆所处路段实时计算路段破损程度PI及道路破损率PCR，见图5。

Claims (6)

1.一种基于智能手机传感器的路面破损状况分析及监测方法，其特征在于该方法包括以下步骤：
c1、采集智能手机运动传感器数据；
c2、训练车辆“经过破损路面”状态识别算法，具体是：
c21、定义车辆行驶状态指标；
c22、特征道路实验：将智能手机固定在车上，经过破损路段，上传数据至服务器，数据包括加速度、角速度、经纬度以及时间信息的向量；
c23、分析经过破损路段时的数据特征，选取连续设定时间段内的传感器信息组成归一向量作为破损路段数据特征；同样，在车辆经过平整路面时，取对应的数据作为对照；
c24、通过支持向量机技术训练自动识别系统；
c3、定义表征路面破损程度的指标，包括路段破损程度PI和路面破损率PCR；
c4、由车辆状态计算道路破损程度；
c5、实时监测路面破损程度。
2.根据权利要求1所述的路面破损状况分析及监测方法，其特征在于，步骤c21具体是：定义车辆行驶状态指标I，I表示车辆行驶状态，是指车辆是否经过破损路段，其值为0或1，1表明车辆处于“经过破损路面”状态，0表明车辆处于其他状态。
3.根据权利要求2所述的路面破损状况分析及监测方法，其特征在于：路段破损程度PI为I＝1的车辆数占I＝0车辆与I＝1车辆数之和的百分比。
4.根据权利要求3所述的路面破损状况分析及监测方法，其特征在于，路面破损率PCR采用整条道路中各路段破损程度的加权平均值。
5.根据权利要求4所述的路面破损状况分析及监测方法，其特征在于，步骤c4的计算过程包括：
c41、计算路段破损程度PI
设共有K辆汽车经过某路段，其中第j辆车经过时车辆状态指标为Ij，则路段破损程度PI为：
<mrow> <mi>P</mi> <mi>I</mi> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </msubsup> <msub> <mi>I</mi> <mi>j</mi> </msub> </mrow> <mi>K</mi> </mfrac> </mrow>
c42、计算路面破损率PCR
设一条路共分为N个路段，其中第i个路段破损程度PI为PIi，则路段破损程度为PCR：
<mrow> <mi>P</mi> <mi>C</mi> <mi>R</mi> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </msubsup> <msub> <mi>I</mi> <mi>i</mi> </msub> </mrow> <mi>N</mi> </mfrac> <mo>.</mo> </mrow>
6.根据权利要求2所述的路面破损状况分析及监测方法，其特征在于：步骤c5具体是：车辆在行驶过程中，以一定的频率获取传感器数据进行车辆行驶状态判定，若结果为车辆处于“经过破损路段”状态，则上传加速度信息、位置信息以及车辆行驶状态指标至后台服务器，服务器则根据车辆所处路段实时计算路段破损程度PI及道路破损率PCR。
CN201710234116.5A 2017-04-11 2017-04-11 一种基于智能手机传感器的路面破损状况分析及监测方法 Pending CN107045710A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710234116.5A CN107045710A (zh) 2017-04-11 2017-04-11 一种基于智能手机传感器的路面破损状况分析及监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710234116.5A CN107045710A (zh) 2017-04-11 2017-04-11 一种基于智能手机传感器的路面破损状况分析及监测方法

Publications (1)

Publication Number Publication Date
CN107045710A true CN107045710A (zh) 2017-08-15

Family

ID=59545031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710234116.5A Pending CN107045710A (zh) 2017-04-11 2017-04-11 一种基于智能手机传感器的路面破损状况分析及监测方法

Country Status (1)

Country Link
CN (1) CN107045710A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460465A (zh) * 2017-12-29 2018-08-28 福建工程学院 一种快速维修道路的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013184663A (ja) * 2012-03-09 2013-09-19 Toyota Motor Corp 車両用制御装置
CN104164829A (zh) * 2014-08-04 2014-11-26 武汉景行致远科技有限公司 基于移动终端的路面平整度检测方法和智能路面信息实时监测系统
CN105427606A (zh) * 2015-12-24 2016-03-23 重庆云途交通科技有限公司 路面状况信息采集及发布方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013184663A (ja) * 2012-03-09 2013-09-19 Toyota Motor Corp 車両用制御装置
CN104164829A (zh) * 2014-08-04 2014-11-26 武汉景行致远科技有限公司 基于移动终端的路面平整度检测方法和智能路面信息实时监测系统
CN105427606A (zh) * 2015-12-24 2016-03-23 重庆云途交通科技有限公司 路面状况信息采集及发布方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460465A (zh) * 2017-12-29 2018-08-28 福建工程学院 一种快速维修道路的方法

Similar Documents

Publication Publication Date Title
CN110176139B (zh) 一种基于dbscan+的道路拥堵识别可视化方法
CN105590346B (zh) 基于路径识别系统的收费公路网交通信息采集与诱导系统
CN110060484B (zh) 一种基于区块链的公路客运违章实时预警系统及方法
CN101965601B (zh) 驾驶辅助装置及驾驶辅助方法
CN109272745B (zh) 一种基于深度神经网络的车辆轨迹预测方法
CN111325978B (zh) 一种高速公路车辆异常行为的全程监测警示系统和方法
CN205721998U (zh) 基于路径识别系统的收费公路网交通信息采集与诱导系统
CN108074396A (zh) 安全行驶评价方法及系统
CN112069888B (zh) 车辆排查方法、系统及其路侧设备、车载设备、手持终端
CN110077398B (zh) 一种用于智能驾驶的危险处理方法
CN109637137A (zh) 基于车路协同的交通管理系统
CN100589143C (zh) 判断浮动车行驶状态的方法及装置
CN109118787B (zh) 一种基于深度神经网络的车辆速度预测方法
CN112883936A (zh) 一种对车辆违规行为的检测方法及其系统
CN109523787A (zh) 一种基于车辆通行轨迹的疲劳驾驶分析方法
CN114841679B (zh) 车辆行驶数据的智能管理系统
CN114973659A (zh) 一种高速公路的间接事件检测的方法、装置及系统
CN118485370A (zh) 一种大件运输路线的轨迹核验方法、装置及电子设备
CN113256014B (zh) 一种5g通信工程智能检测系统
CN117392855B (zh) 基于卫星定位数据的车辆超限超载概率识别方法及系统
CN111027859B (zh) 基于机动车状态监控数据挖掘的驾驶风险防范方法及系统
CN107045710A (zh) 一种基于智能手机传感器的路面破损状况分析及监测方法
CN111047835B (zh) 一种基于区块链的公路客运超速预警系统
CN116092037B (zh) 融合轨迹空间-语义特征的车辆类型识别方法
JP3748420B2 (ja) ビーコンを用いたｆｃｄシステムと装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170815

WD01 Invention patent application deemed withdrawn after publication