CN109584286A - 一种基于广义回归神经网络的沥青路面构造深度计算方法 - Google Patents

一种基于广义回归神经网络的沥青路面构造深度计算方法 Download PDF

Info

Publication number
CN109584286A
CN109584286A CN201910059293.3A CN201910059293A CN109584286A CN 109584286 A CN109584286 A CN 109584286A CN 201910059293 A CN201910059293 A CN 201910059293A CN 109584286 A CN109584286 A CN 109584286A
Authority
CN
China
Prior art keywords
image
value
pavement
test specimen
threedimensional model
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
CN201910059293.3A
Other languages
English (en)
Other versions
CN109584286B (zh
Inventor
顾兴宇
梁槚
邓涵宇
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN201910059293.3A priority Critical patent/CN109584286B/zh
Publication of CN109584286A publication Critical patent/CN109584286A/zh
Application granted granted Critical
Publication of CN109584286B publication Critical patent/CN109584286B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Processing (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种基于广义回归神经网络的沥青路面构造深度计算方法，采集制备的混凝土试件铺砂前后表面二维图像，根据二维图像灰度值重构路面纹理三维模型，以数字图像处理技术计算铺砂图像的铺砂平面，同时该铺砂平面也是路面纹理三维模型的基准面，采用最小二乘法拟合基准面以上路面纹理三维模型并生成拟合曲面，根据积分法计算基准面两侧与三维模型间的体积，体积与路面纹理三维模型在水平面的投影面积之比即为沥青混凝土试件图像的平均高程Ha，以试件图像的平均高程Ha、极值、灰度均值为广义回归神经网络的输入样本，路面实际构造深度为输出样本进行神经网络模型训练，用训练后的模型预测路面构造深度，预测精度达90%以上。

Description

一种基于广义回归神经网络的沥青路面构造深度计算方法
所属领域
本发明属于道路工程学科检测技术领域，主要涉及道路无损检测技术，具体地说,涉及一种基于广义回归神经网络的沥青路面构造深度计算方法。
背景技术
沥青路面的广泛应用突显了传统路面检测方法的局限性，数字图像技术不仅丰富了路面检测手段，而且使检测方式由人工转变为半自动化，极大地提高了检测效率，具有测量精度高和检测无损伤的优点。
路面构造深度是表征路面宏观构造的重要指标，当前路面构造深度的测量方法主要有体积法、数字图像技术法、激光法等。体积法的人为因素、检测精度低等均使计算结果与实际不符，而激光法检测设备价格昂贵，操作复杂，数字图像技术的便捷性、可操作性等优势为评价沥青路表粗糙度提供了新的研究手段。数字图像技术被用于分析沥青混合料内部构造及测量路面构造深度，研究人员采用数字图像技术计算沥青混合料细观空隙特征参数，研究孔隙率、级配对细观空隙特征的影响，采用数字图像技术获取沥青混合料体积组成与研究混合料内部集料接触特性，同时根据提取的粗集料形态特征和内部结构组成进行混合料三维重构。现有研究通过数字图像技术计算沥青路面表面纹理构造各下凹小区域的个数、面积、近似直径组成以及路表下凹面积分数，量化分析沥青路面表面纹理构造分布状态，并根据数字图像技术测试路面开口孔隙特征，研究发现不同路面的表面开口空隙体积具有明显的不同，而且路面表面开口空隙体积随使用年限的增加明显下降，此外，SMA的表面开口空隙体积最大，微表处路面的表面开口空隙体积最小。数字图像技术的本质是从二维数字图像中提取出所需要的特征参数信息，从而建立特征参数信息与路面构造深度之间的联系。然而单一的数字图像法计算路面构造深度的合理性有待提高，基于体积法的积分思想使得计算的构造深度与实际不符，因此需要新的更加合理的路面构造深度计算方法。
发明内容
本发明正是针对现有技术的不足，提供一种基于广义回归神经网络的沥青路面构造深度计算方法，采集制备的混凝土试件铺砂前后表面二维图像，根据二维图像灰度值重构路面纹理三维模型，以数字图像处理技术计算铺砂图像的铺砂平面，同时该铺砂平面也是路面纹理三维模型的基准面，采用最小二乘法拟合基准面以上路面纹理三维模型并生成拟合曲面，根据积分法计算基准面两侧与三维模型间的体积，体积与路面纹理三维模型在水平面的投影面积之比即为沥青混凝土试件图像的平均高程Ha，以试件图像的平均高程Ha、极值、灰度均值为广义回归神经网络的输入样本，路面实际构造深度为输出样本进行神经网络模型训练，用训练后的模型预测路面构造深度，预测精度达90％以上，本发明采用中值滤波与形态学非线性滤波进行路面数字图像预处理，以明暗恢复形状原理表征沥青路面表面纹理构造，提出基于体积法外露面积百分比思想的数字图像技术计算沥青路面构造深度，建立体积法实测值与数字图像法计算值的相关关系，为基于路面构造深度构造评价路面抗滑性能提供技术参考。
为了实现上述目的，本发明采用的技术方案是：一种基于广义回归神经网络的沥青路面构造深度计算方法，包括以下步骤：
S1，试件选取及图像采集：选取试件并采集试件表面的二维图像；
S2，铺砂后试件图像获取：在步骤S1选取的试件表面进行人工铺砂试验，计算出该类试件表面纹理构造深度，然后采集铺砂后的试件表面二维铺砂图像；
S3，试件图像基准面确定：采用数字图像处理技术对步骤S2获取的二维铺砂图像进行预处理，采用迭代式阈值分割技术分割二维铺砂图像，将灰度图像转化为二值图像，计算黑色像素个数在二值图像中的百分比p，根据百分比p确定试件图像的基准面；
S4，试件图像平均高程计算：试件图像矩阵信息构成路面纹理三维模型，步骤S3获取的基准面将路面纹理三维模型分为上下两部分，计算两部分三维模型与基准面所围的体积，体积与路面纹理三维模型的在水平面的投影面积之比即为相应部分的平均高程，两部分高程和即为试件图像的平均高程Ha；
S5，实际路面构造深度预测：计算试件图像灰度的平均值A，筛选经步骤S4后获取的最大值Hmax及最小值Hmin，建立广义回归神经网络模型，所述模型的输入参数为路面图像的平均高程Ha、最大值Hmax、最小值Hmin及图像灰度的平均值A，输出值即为相应路面的实际构造深度。
作为本发明的一种改进，所述步骤S1中试件为沥青混凝土质地，至少包括5组，每组有三块，所述每块沥青混凝土试件大小为300mm×300mm×50mm。
作为本发明的另一种改进，所述步骤S2中铺砂后试件表面纹理构造深度值计算方式为：
其中D为试件表面铺砂面的直径。
作为本发明的又一种改进，所述步骤S3进一步包括：
S31，采用3×3的滤波模板，用滤波器中心与需滤波的像素点重合，将邻域内灰度值从小到大排列，即a1,a2,a3,a4,a5,a6,a7,a8,a9，am表示邻域内像素的灰度均值；
S32，判断滤波器中心处像素灰度值，若中心点灰度值为a1或a9，则把滤波器的中值a5作为该点的灰度值；若中心点灰度值在区间(a1,am)内，则判断该像素不是噪声点，不对其进行滤波处理；若中心点灰度值在区间[am,a9)内，则判断为高斯噪声点，把a3～a7的平均值作为该点的灰度值；
S33,待滤波模板对所有像素重复步骤S31及S32后，图像滤波结束，输出滤波后的图像；
S34，对滤波后的铺砂图像选取阈值进行图像分割，阈值的选取采用迭代式阈值分割法，输出二值图像并计算二值图像中“黑色像素”个数与图像总个数的百分比p；
S35，根据步骤S34计算出的百分比p，反算出“黑色像素”的个数M，根据滤波后的试件图像的灰度直方图统计大于灰度值Z0的不同灰度值的累计值N，M＝N时的Z0即为试件图像的分割阈值，即路面纹理三维模型的基准面。
作为本发明的又一种改进，所述步骤S4进一步包括：
S41，根据试件图像的矩阵信息重构路表路面纹理三维模型；
S42，步骤S3获取的基准面将路面纹理三维模型分为上下两部分，,采用积分法计算基准面以下路面纹理三维模型的体积V1，体积V1与路面纹理三维模型在水平面的投影面积之比为该部分的平均高程H1；
S43，采用最小二乘法对于基准面以上的部分生成拟合曲面，计算拟合曲面与基准面间的体积V2，体积V2与路面纹理三维模型在水平面的投影面积之比为该部分的平均高程H2；
S44，上下两部分的平均高程H1和H2之和即为试件图像的平均高程Ha。
作为本发明的更进一步改进，所述步骤S5基于广义回归神经网络预测路面构造深度的具体步骤如下：
S51，计算试件图像灰度的平均值A，筛选经步骤S4后获取的最大高程值Hmax、最小值Hmin及平均高程Ha，取经步骤S2计算获得的试件表面纹理构造深度值MTD，构成50组实验数据；
S52，从50组试验数据中采用随机抽样的方法选取5组实验数据作为测试集，剩余的45组数据作为训练集；
S53，将训练集随机分为9个单元，每个单元5组实验数据，采用交叉验证法从9个单元中随机选取8个单元作为训练集输入样本，剩余1个单元作为训练集输出样本，并将样本数据归一化到[-1,1]之间，在(0,1]内以步长0.01验证搜索，寻找使得预测值与样本值均方误差最小的光滑因子，同时记录最佳输入样本与最佳输出样本；
S54，将测试集数据归一化，以步骤S53中获取的光滑因子、最佳输入样本、及最佳输出样本为输入变量，构建4层广义回归神经网络预测模型，输出值的预测结果即为相应路面的实际构造深度；
S55，将预测结果反归一化，对比实际结果，验证方法的有效性。
与现有技术相比，本发明的所提供的一种基于广义回归神经网络的沥青路面构造深度计算方法，其有益效果在于：
(1)本发明是一种沥青路面纹理构造深度无损检测方法，实现沥青路面构造深度的自动化检测，路面纹理三维模型科学严谨，计算方法快速准确；
(2)本发明结合路面构造深度定义，根据基准面将路面纹理三维模型分为两部分，计算基准面上下两部分路面平均高程，更加准确地计算路面构造深度；
(3)本发明根据试件数字图像的灰度均值、极值、平均高程作为神经网络的输入样本，以实际路面实际构造深度值为输出样本，建立广义回归神经网络预测模型，将路面数字图像灰度值与实际路面构造深度结合，使检测方法便捷快速，降低检测成本的同时提高检测精度。
(4)本发明操作简单，在实际工程应用中，在采集设备满足试验要求的前提下，显著减少检测所需的时间，提高其检测速度，具有较好的应用价值。
附图说明
图1为本发明沥青路面构造深度计算方法的流程图；
图2为本发明实施例中沥青混凝土试件预测值与测量值的线性关系图。
具体实施方式
以下将结合附图和实施例，对本发明进行较为详细的说明。
实施例1
一种基于广义回归神经网络的沥青路面构造深度计算方法，如图1所示，包括以下步骤：
S1，试件选取及图像采集：制备若干组级配不同的试件并编号，调整工业相机的位置使其靶面平行于水平面，调整相机的焦距使其成像清晰，设置相机拍摄频率，然后在相机正下方放置试件，自动采集试件表面数字图像并存储，即试件图像，所述试件可为沥青混凝土质地，至少包括5组，每组有三块，所述每块沥青混凝土试件大小为300mm×300mm×50mm；
S2，铺砂后试件图像获取：在步骤S1选取的试件表面进行人工铺砂试验，根据下述公式，计算出该类试件表面纹理构造深度，
其中D为试件表面铺砂面的直径，然后采集铺砂后的试件表面二维铺砂图像；
S3，试件图像基准面确定：采用数字图像处理技术对步骤S2获取的二维铺砂图像进行预处理，采用迭代式阈值分割技术分割二维铺砂图像，将灰度图像转化为二值图像，计算黑色像素个数在二值图像中的百分比p，根据百分比p确定试件图像的基准面；
S31，采用3×3的滤波模板，用滤波器中心与需滤波的像素点重合，将邻域内灰度值从小到大排列，即a1,a2,a3,a4,a5,a6,a7,a8,a9，am表示邻域内像素的灰度均值；
S32，判断滤波器中心处像素灰度值，若中心点灰度值为a1或a9，则把滤波器的中值a5作为该点的灰度值；若中心点灰度值在区间(a1,am)内，则判断该像素不是噪声点，不对其进行滤波处理；若中心点灰度值在区间[am,a9)内，则判断为高斯噪声点，把a3～a7的平均值作为该点的灰度值；
S33,待滤波模板对所有像素重复步骤S31及S32后，图像滤波结束，输出滤波后的图像；
S34，对滤波后的铺砂图像选取阈值进行图像分割，阈值的选取采用迭代式阈值分割法，输出二值图像并计算二值图像中“黑色像素”个数与图像总个数的百分比p；
S35，根据步骤S34计算出的百分比p，反算出“黑色像素”的个数M，根据滤波后的试件图像的灰度直方图统计大于Z0的灰度值的个数N，M＝N时的Z0即为试件图像的分割阈值，即路面纹理三维模型的基准面。
S4，试件图像平均高程计算：试件图像矩阵信息构成路面纹理三维模型，步骤S3获取的基准面将路面纹理三维模型分为上下两部分，计算两部分三维模型与基准面所围的体积，体积与路面纹理三维模型的在水平面的投影面积之比即为相应部分的平均高程，两部分高程和即为试件图像的平均高程Ha；
S41，根据试件图像的矩阵信息重构路表路面纹理三维模型；
S42，步骤S3获取的基准面将路面纹理三维模型分为上下两部分，,采用积分法计算基准面以下路面纹理三维模型的体积V1，体积V1与路面纹理三维模型在水平面的投影面积之比为该部分的平均高程H1；
S43，采用最小二乘法对于基准面以上的部分生成拟合曲面，计算拟合曲面与基准面间的体积V2，体积V2与路面纹理三维模型在水平面的投影面积之比为该部分的平均高程H2；
S44，上下两部分的平均高程H1和H2之和即为试件图像的平均高程Ha。
S5，实际路面构造深度预测：计算试件图像灰度的平均值A，筛选经步骤S4后获取的最大值Hmax及最小值Hmin，建立广义回归神经网络模型，所述模型的输入参数为路面图像的平均高程Ha、最大值Hmax、最小值Hmin及图像灰度的平均值A，输出值即为相应路面的实际构造深度。
S51，计算试件图像灰度的平均值A，筛选经步骤S4后获取的最大高程值Hmax、最小值Hmin及平均高程Ha，取经步骤S2计算获得的试件表面纹理构造深度值MTD，构成50组实验数据；
S52，从50组试验数据中采用随机抽样的方法选取5组实验数据作为测试集，剩余的45组数据作为训练集；
S53，将训练集随机分为9个单元，每个单元5组实验数据，采用交叉验证法从9个单元中随机选取8个单元作为训练集输入样本，剩余1个单元作为训练集输出样本，并将样本数据归一化到[-1,1]之间，在(0,1]内以步长0.01验证搜索，寻找使得预测值与样本值均方误差最小的光滑因子，同时记录最佳输入样本与最佳输出样本；
S54，将测试集数据归一化，以步骤S53中获取的光滑因子、最佳输入样本、及最佳输出样本为输入变量，构建4层广义回归神经网络预测模型，输出值的预测结果即为相应路面的实际构造深度；
S55，将预测结果反归一化，对比实际结果，验证方法的有效性，对比结果如表1所示，
表1实际值与预测值对比
实际值 预测值 相对误差 绝对误差
1.2895 1.2116 -0.0779 6.04％
1.2595 1.1927 -0.0668 5.30％
1.1801 1.1880 0.0079 0.67％
1.1549 1.1768 0.0219 1.90％
1.2760 1.2034 -0.0726 5.69％
因此，基于广义回归神经网络预测模型能够较好地满足路面构造深度检测的要求，结合路面检测设备可用于路面验收，提高路面检测速度，达到简单快速测试与提高检测精度的目的，具有十分重要的实用价值。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实例的限制，上述实例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。

Claims (6)

1.一种基于广义回归神经网络的沥青路面构造深度计算方法，其特征在于，包括以下步骤：
S1，试件选取及图像采集：选取试件并采集试件表面的二维图像；
S2，铺砂后试件图像获取：在步骤S1选取的试件表面进行人工铺砂试验，计算出该类试件表面纹理构造深度，然后采集铺砂后的试件表面二维铺砂图像；
S3，试件图像基准面确定：采用数字图像处理技术对步骤S2获取的二维铺砂图像进行预处理，采用迭代式阈值分割技术分割二维铺砂图像，将灰度图像转化为二值图像，计算黑色像素个数在二值图像中的百分比p，根据百分比p确定试件图像的基准面；
S4，试件图像平均高程计算：试件图像矩阵信息构成路面纹理三维模型，步骤S3获取的基准面将路面纹理三维模型分为上下两部分，计算两部分三维模型与基准面所围的体积，体积与路面纹理三维模型的在水平面的投影面积之比即为相应部分的平均高程，两部分高程和即为试件图像的平均高程Ha；
S5，实际路面构造深度预测：计算试件图像灰度的平均值A，筛选经步骤S4后获取的最大值Hmax及最小值Hmin，建立广义回归神经网络模型，所述模型的输入参数为路面图像的平均高程Ha、最大值Hmax、最小值Hmin及图像灰度的平均值A，输出值即为相应路面的实际构造深度。
2.根据权利要求1所述的一种基于广义回归神经网络的沥青路面构造深度计算方法，其特征在于：所述步骤S1中试件为沥青混凝土质地，至少包括5组，每组有三块，所述每块沥青混凝土试件大小为300mm×300mm×50mm。
3.根据权利要求1所述的一种基于广义回归神经网络的沥青路面构造深度计算方法，其特征在于所述步骤S2中铺砂后试件表面纹理构造深度值计算方式为：
其中D为试件表面铺砂面的直径。
4.根据权利要求2或3所述的一种基于广义回归神经网络的沥青路面构造深度计算方法，其特征在于所述步骤S3进一步包括：
S31，采用3×3的滤波模板，用滤波器中心与需滤波的像素点重合，将邻域内灰度值从小到大排列，即a1,a2,a3,a4,a5,a6,a7,a8,a9，am表示邻域内像素的灰度均值；
S32，判断滤波器中心处像素灰度值，若中心点灰度值为a1或a9，则把滤波器的中值a5作为该点的灰度值；若中心点灰度值在区间(a1,am)内，则判断该像素不是噪声点，不对其进行滤波处理；若中心点灰度值在区间[am,a9)内，则判断为高斯噪声点，把a3～a7的平均值作为该点的灰度值；
S33,待滤波模板对所有像素重复步骤S31及S32后，图像滤波结束，输出滤波后的图像；
S34，对滤波后的铺砂图像选取阈值进行图像分割，阈值的选取采用迭代式阈值分割法，输出二值图像并计算二值图像中“黑色像素”个数与图像总个数的百分比p；
S35，根据步骤S34计算出的百分比p，反算出“黑色像素”的个数M，根据滤波后的试件图像的灰度直方图统计大于灰度值Z0的不同灰度值的累计值N，M＝N时的Z0即为试件图像的分割阈值，即路面纹理三维模型的基准面。
5.根据权利要求1所述的一种基于广义回归神经网络的沥青路面构造深度计算方法，其特征在于所述步骤S4进一步包括：
S41，根据试件图像的矩阵信息重构路表路面纹理三维模型；
S42，步骤S3获取的基准面将路面纹理三维模型分为上下两部分，,采用积分法计算基准面以下路面纹理三维模型的体积V1，体积V1与路面纹理三维模型在水平面的投影面积之比为该部分的平均高程H1；
S43，采用最小二乘法对于基准面以上的部分生成拟合曲面，计算拟合曲面与基准面间的体积V2，体积V2与路面纹理三维模型在水平面的投影面积之比为该部分的平均高程H2；
S44，上下两部分的平均高程H1和H2之和即为试件图像的平均高程Ha。
6.根据权利要求1或5所述的一种基于广义回归神经网络的沥青路面构造深度计算方法，其特征在于：所述步骤S5基于广义回归神经网络预测路面构造深度的具体步骤如下：
S51，计算试件图像灰度的平均值A，筛选经步骤S4后获取的最大高程值Hmax、最小值Hmin及平均高程Ha，取经步骤S2计算获得的试件表面纹理构造深度值MTD，构成50组实验数据；
S52，从50组试验数据中采用随机抽样的方法选取5组实验数据作为测试集，剩余的45组数据作为训练集；
S53，将训练集随机分为9个单元，每个单元5组实验数据，采用交叉验证法从9个单元中随机选取8个单元作为训练集输入样本，剩余1个单元作为训练集输出样本，并将样本数据归一化到[-1,1]之间，在(0,1]内以步长0.01验证搜索，寻找使得预测值与样本值均方误差最小的光滑因子，同时记录最佳输入样本与最佳输出样本；
S54，将测试集数据归一化，以步骤S53中获取的光滑因子、最佳输入样本、及最佳输出样本为输入变量，构建4层广义回归神经网络预测模型，输出值的预测结果即为相应路面的实际构造深度；
S55，将预测结果反归一化，对比实际结果，验证方法的有效性。
CN201910059293.3A 2019-01-22 2019-01-22 一种基于广义回归神经网络的沥青路面构造深度计算方法 Active CN109584286B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910059293.3A CN109584286B (zh) 2019-01-22 2019-01-22 一种基于广义回归神经网络的沥青路面构造深度计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910059293.3A CN109584286B (zh) 2019-01-22 2019-01-22 一种基于广义回归神经网络的沥青路面构造深度计算方法

Publications (2)

Publication Number Publication Date
CN109584286A true CN109584286A (zh) 2019-04-05
CN109584286B CN109584286B (zh) 2023-03-21

Family

ID=65916973

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910059293.3A Active CN109584286B (zh) 2019-01-22 2019-01-22 一种基于广义回归神经网络的沥青路面构造深度计算方法

Country Status (1)

Country Link
CN (1) CN109584286B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062648A (zh) * 2019-12-31 2020-04-24 长安大学 一种沥青路面综合性能的评价方法
CN111563478A (zh) * 2020-05-25 2020-08-21 长安大学 一种积水情况下安全行驶的全自动处理方法
CN111815596A (zh) * 2020-06-30 2020-10-23 河海大学 一种基于双侧窄角域摄影的沥青路表构造信息评价方法
CN112085801A (zh) * 2020-09-08 2020-12-15 清华大学苏州汽车研究院（吴江） 基于神经网络的三维点云和二维图像融合的校准方法
CN112435217A (zh) * 2020-11-02 2021-03-02 上海祐云信息技术有限公司 图像识别预制钢筋混泥土粗糙面的算法
CN112927366A (zh) * 2021-05-10 2021-06-08 中南大学 一种沥青路面构造深度测量方法
CN113160125A (zh) * 2021-02-25 2021-07-23 同济大学 一种基于三维纹理特征的沥青路面混合料级配预估方法
CN113313689A (zh) * 2021-05-28 2021-08-27 长安大学 一种路面构造深度测量方法、系统、设备及存储介质
CN115128074A (zh) * 2022-07-05 2022-09-30 山东高速集团有限公司创新研究院 沥青路面抗滑性能预测系统的构建方法及其构建的系统
CN118015068A (zh) * 2024-03-14 2024-05-10 中南大学 一种路面构造深度预测方法、装置、终端设备及介质
CN118015068B (zh) * 2024-03-14 2024-07-09 中南大学 一种路面构造深度预测方法、装置、终端设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130155061A1 (en) * 2011-12-16 2013-06-20 University Of Southern California Autonomous pavement condition assessment
CN107796325A (zh) * 2017-10-12 2018-03-13 南京中高知识产权股份有限公司 一种路面纹理构造深度的测量方法与测量系统
CN107945161A (zh) * 2017-11-21 2018-04-20 重庆交通大学 基于纹理特征提取的道路表面缺陷检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130155061A1 (en) * 2011-12-16 2013-06-20 University Of Southern California Autonomous pavement condition assessment
CN107796325A (zh) * 2017-10-12 2018-03-13 南京中高知识产权股份有限公司 一种路面纹理构造深度的测量方法与测量系统
CN107945161A (zh) * 2017-11-21 2018-04-20 重庆交通大学 基于纹理特征提取的道路表面缺陷检测方法

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062648A (zh) * 2019-12-31 2020-04-24 长安大学 一种沥青路面综合性能的评价方法
CN111062648B (zh) * 2019-12-31 2023-10-27 长安大学 一种沥青路面综合性能的评价方法
CN111563478A (zh) * 2020-05-25 2020-08-21 长安大学 一种积水情况下安全行驶的全自动处理方法
CN111815596B (zh) * 2020-06-30 2022-08-19 河海大学 一种基于双侧窄角域摄影的沥青路表构造信息评价方法
CN111815596A (zh) * 2020-06-30 2020-10-23 河海大学 一种基于双侧窄角域摄影的沥青路表构造信息评价方法
CN112085801A (zh) * 2020-09-08 2020-12-15 清华大学苏州汽车研究院（吴江） 基于神经网络的三维点云和二维图像融合的校准方法
CN112085801B (zh) * 2020-09-08 2024-03-19 清华大学苏州汽车研究院（吴江） 基于神经网络的三维点云和二维图像融合的校准方法
CN112435217A (zh) * 2020-11-02 2021-03-02 上海祐云信息技术有限公司 图像识别预制钢筋混泥土粗糙面的算法
CN112435217B (zh) * 2020-11-02 2022-01-11 上海祐云信息技术有限公司 图像识别预制钢筋混凝土粗糙面的方法
CN113160125A (zh) * 2021-02-25 2021-07-23 同济大学 一种基于三维纹理特征的沥青路面混合料级配预估方法
CN113160125B (zh) * 2021-02-25 2023-11-03 同济大学 一种基于三维纹理特征的沥青路面混合料级配预估方法
CN112927366B (zh) * 2021-05-10 2021-07-16 中南大学 一种沥青路面构造深度测量方法
CN112927366A (zh) * 2021-05-10 2021-06-08 中南大学 一种沥青路面构造深度测量方法
CN113313689A (zh) * 2021-05-28 2021-08-27 长安大学 一种路面构造深度测量方法、系统、设备及存储介质
CN115128074A (zh) * 2022-07-05 2022-09-30 山东高速集团有限公司创新研究院 沥青路面抗滑性能预测系统的构建方法及其构建的系统
CN115128074B (zh) * 2022-07-05 2024-02-20 山东高速集团有限公司创新研究院 沥青路面抗滑性能预测系统的构建方法及其构建的系统
CN118015068A (zh) * 2024-03-14 2024-05-10 中南大学 一种路面构造深度预测方法、装置、终端设备及介质
CN118015068B (zh) * 2024-03-14 2024-07-09 中南大学 一种路面构造深度预测方法、装置、终端设备及介质

Also Published As

Publication number Publication date
CN109584286B (zh) 2023-03-21

Similar Documents

Publication Publication Date Title
CN109584286A (zh) 一种基于广义回归神经网络的沥青路面构造深度计算方法
CN107817199B (zh) 一种致密砂岩多尺度孔隙模型的构建方法和应用
Cox et al. A practical approach to grain shape quantification
Kwan et al. Particle shape analysis of coarse aggregate using digital image processing
CN110443793B (zh) 一种沥青混合料空隙分布均匀性评价方法
CN109211904A (zh) 一种沥青混合料二维内部结构检测系统及检测方法
Tafesse et al. Evaluation of image analysis methods used for quantification of particle angularity
Zhang et al. A novel evaluation method of aggregate distribution homogeneity for asphalt pavement based on the characteristics of texture structure
CN108061697B (zh) 土体三维孔隙率计算方法
CN106600607B (zh) 一种基于水平集分割极化sar影像的水体精确提取方法
CN108171742A (zh) 一种基于灰度梯度特征实现碳纤维复合材料表面形貌三维评定的方法
AU2016201034B2 (en) Method of quantitative calculation and assessment of bituman content in ancient carbonate reservoirs
CN112183451A (zh) 一种城市热岛强度的量化方法、系统、存储介质及设备
CN110264472B (zh) 一种基于sd-oct的水果近皮下细胞无损成像方法
Groom et al. Evaluation of DEM size and grid spacing for fluvial patch-scale roughness parameterisation
Sha et al. Influence of sampling interval and evaluation area on the three-dimensional pavement parameters
Hu et al. A two-dimensional entropy-based method for detecting the degree of segregation in asphalt mixture
CN106022354A (zh) 基于svm的图像mtf测量方法
CN105092452A (zh) 一种机制砂球体类似度的检测方法
CN107527362A (zh) 一种基于图像纹理特征指标的苹果口感定性鉴别方法
CN116466368A (zh) 基于激光雷达和卫星资料的沙尘消光系数廓线估算方法
CN114283133A (zh) 一种基于最邻近分析的沥青混合料均匀性评价方法
Vangla et al. Digital image analysis for the determination of size and shape parameters of sand grains
CN110163826A (zh) 一种黄土微结构图像的处理方法
CN112067637B (zh) 一种岩土数字rev尺度近似判据及取样验证方法

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
GR01 Patent grant
GR01 Patent grant