CN109671077B - 一种沥青路面抗滑性能检测方法及系统 - Google Patents
一种沥青路面抗滑性能检测方法及系统 Download PDFInfo
- Publication number
- CN109671077B CN109671077B CN201811580458.3A CN201811580458A CN109671077B CN 109671077 B CN109671077 B CN 109671077B CN 201811580458 A CN201811580458 A CN 201811580458A CN 109671077 B CN109671077 B CN 109671077B
- Authority
- CN
- China
- Prior art keywords
- image
- road surface
- detected
- texture
- asphalt pavement
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N19/00—Investigating materials by mechanical methods
- G01N19/02—Measuring coefficient of friction between materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明中公开了一种沥青路面抗滑性能检测方法,包括:获取神经网络模型,神经网络模型为以沥青路面图像为输入,以沥青路面的摩阻摆值为输出的训练后的神经网络模型;利用CCD工业相机采集待检测路面的路面图像;将路面图像输入神经网络模型,确定待检测路面的摩阻摆值;获取待检测路面的温度信息;根据温度信息对摩阻摆值进行修正,得到待检测路面修正后的摩阻摆值,以进一步获得待测量路面的抗滑性能。并且还公开了实现这一方法的具体检测系统。本发明提供的沥青路面抗滑性能检测方法和系统能够精确得到待测路面的抗滑性能,提高行车过程的安全性。
Description
技术领域
本发明涉及路面数据检测技术领域,特别是涉及一种沥青路面抗滑性能检测方法及系统。
背景技术
沥青路面抗滑性能是沥青路面关键的使用性能评价指标,直接影响汽车行驶的安全性。在高速行驶的状态下,路面抗滑性能低下会使汽车制动失去控制而发生事故。传统的路面抗滑性能检测方法主要是通过摆式仪进行测定,在路段内选点进行测试,每个测点用五次测定读数的平均值代表测点的摩擦系数,并用五个测点的摩擦系数的平均值除以100,即为路段路面的摩擦系数。由于沥青路面抗滑性能受季节和温度影响,摆式仪的人为操作、橡胶片的老化、弹性及硬度也会影响测定结果,因此传统检测方法存在人为因素干扰大、测试效率低、测点结果不能全面反映路段的路面抗滑性能等缺陷。
发明内容
本发明的目的是提供一种沥青路面抗滑性能检测方法及系统,能够对沥青路面的抗滑性能进行精确测量的同时,提高检测效率。
为实现上述目的,本发明提供了如下方案:
沥青路面抗滑性能检测方法,包括:
获取神经网络模型,所述神经网络模型为以沥青路面图像的纹理特征为输入,以沥青路面的摩阻摆值为输出的训练后的神经网络模型。
利用CCD工业相机采集待检测路面的路面图像。
采用机器视觉纹理识别法对所述路面图像的纹理进行提取,得到第二纹理图像;根据所述第二纹理图像像素点的灰度值进行阈值分割;
计算图像中黑色或白色像素点的高斯分布,由高斯分布参数得到所述路面图像的纹理特征;
将路面图像的纹理特征输入所述神经网络模型,确定所述路面图像的摩阻摆值。
其中,在获取神经网络模型之前,还包括:
获取样本数据,所述样本数据为沥青路面的样本图像。采用机器视觉纹理识别法对所述样本图像的纹理进行提取,得到第一纹理图像。根据所述第一纹理图像像素点的灰度值进行阈值分割。
计算图像中黑色或白色像素点的高斯分布,由高斯分布参数得到所述样本图像的纹理特征。根据样本图像的纹理特征以及样本图像的摩阻摆值对神经网络模型进行训练。
获取所述待检测路面的温度信息。
根据所述温度信息对所述摩阻摆值进行修正,得到所述待检测路面修正后的摩阻摆值。
根据所述待检测路面修正后的摩阻摆值确定所述待检测路面的抗滑等级。
可选的,在将所述路面图像的纹理特征输入所述神经网络模型之前,还包括:
选取待检测路面中符合预设条件的路段进行标定采样。利用标定采样的路面图像对所述神经网络模型进行优化训练。
可选的,沥青路面抗滑性能检测方法还包括:
通过GPS定位所述待检测路面的位置;将所述待检测路面的位置、待检测路面的摩阻摆值以及待检测路面的路面图像对应存储、显示并发布到数据库平台上。
可选的,在将所述路面图像的纹理特征输入神经网络模型之前,还包括:对所采集得到的路面图像中存在垃圾信息的图片进行裁剪处理。
一种沥青路面抗滑性能检测系统,包括;
神经网络模型获取模块,用于获取神经网络模型,所述神经网络模型为以沥青路面图像的纹理特征为输入,以沥青路面的摩阻摆值为输出的训练后的神经网络模型。
路面图像采集模块,用于利用CCD工业相机采集待检测路面的路面图像。
摩阻摆值确定模块,用于将所述路面图像的纹理特征输入所述神经网络模型,确定所述待检测路面的摩阻摆值。
所述摩阻摆值确定模块,具体包括:
图像纹理提取单元,用于采用机器视觉纹理识别法对所述路面图像的纹理进行提取,得到第二纹理图像。
阈值分割单元,用于根据所述第二纹理图像像素点的灰度值进行阈值分割。
纹理特征提取单元,用于计算图像中黑色或白色像素点的高斯分布,由高斯分布参数得到所述路面图像的纹理特征。
将所述纹理特征提取单元所提取的路面图像的纹理特征输入到所述摩阻摆值确定模块中,以确定所述路面图像的摩阻摆值。
温度信息获取模块,用于获取所述待检测路面的温度信息。
摩阻摆值修正模块,用于根据所述温度信息对所述摩阻摆值进行修正,得到所述待检测路面修正后的摩阻摆值。
抗滑等级确定模块,用于根据所述待检测路面修正后的摩阻摆值确定所述待检测路面的抗滑等级。
沥青路面抗滑性能检测系统还可以包括:
获取数据模块,用于获取沥青路面的样本图像。
第一图像纹理提取模块,基于机器视觉纹理识别法对所述样本图像的纹理进行提取,得到第一纹理图像。
阈值分割模块,用于根据所述第一纹理图像像素点的灰度值进行阈值分割。
纹理特征提取模块,用于计算图像中黑色或白色像素点的高斯分布,由高斯分布参数得到所述样本图像的纹理特征。
神经网络训练模块,用于根据样本图像的纹理特征以及样本图像的摩阻摆值对神经网络模型进行训练。
可选的,沥青路面抗滑性能检测系统还包括:
标定采样模块,用于选取待检测路面中符合预设条件的路段进行标定采样。
图像处理模块,用于将沥青路面图像中存在垃圾信息的图片进行裁剪处理。
优化训练模块,用于利用标定采样的路面图像对所述神经网络模型进行优化训练。
可选的,沥青路面抗滑性能检测系统还可以包括:
GPS定位模块,用于定位所述待检测路面的位置。
信息处理模块,用于将所述待检测路面的位置、待检测路面的摩阻摆值以及待检测路面的路面图像对应存储、显示并发布到数据库平台上。
另一种沥青路面抗滑性能检测系统,包括:硬件系统、软件系统、数据库平台;
所述硬件系统与所述软件系统电连接,所述软件系统与所述数据库平台通过无线网络进行连接;
所述硬件系统包括:CCD工业相机、红外摄像头、GPS组合导航接收机以及车载AI处理平台;
所述CCD工业相机用于拍摄沥青路面图像,并将所拍摄的沥青路面图像信息传送给车载AI终端;
所述红外摄像头用于测定沥青路面温度,并将所测定的沥青路面温度信息传送给车载AI终端;
所述GPS组合导航接收机用于确定检测车辆实时位置,并将所确定检测车辆实时位置信息传送给车载AI终端;
所述车载AI终端用于对所收集的信息进行处理;
所述软件系统基于神经网络模型中的机器视觉学习方法,在对各类型沥青路面图像进行机器学习后,对沥青路面图像进行检测分析,得到检测路段沥青路面的摩阻摆值;
所述数据库平台用于将硬件系统、软件系统中得到检测车辆实时位置信息、沥青路面图像、沥青路面摩阻摆值、检测路段信息进行存储、显示及发布。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的沥青路面抗滑性能检测方法及系统,首先通过神经网络模型获取模块获取神经网络模型,所获取的神经网络模型是以沥青路面图像为输入,以沥青路面的摩阻摆值为输出的训练后的神经网络模型。利用路面图像采集模块采集待检测路面的路面图像,将路面图像的纹理特征输入神经网络模型中,通过摩阻摆值确定模块确定得到待检测路面的摩阻摆值。再通过温度信息获取模块获取待检测路面的温度信息,摩阻摆值修正模块根据温度信息对摩阻摆值进行修正,得到待检测路面修正后的摩阻摆值,这就能够在精确获得待测量路面的抗滑性能的同时,提高检测效率,以进一步提高行车过程的安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例沥青路面抗滑性能检测方法第一流程图;
图2为本发明实施例沥青路面检测方法第二流程图;
图3为本发明实施例沥青路面检测系统结构示意图;
图4为行车道沥青路面图片前期采集示意图;
图5为行车道沥青路面图片前期采集示意图;
图6为存在垃圾信息的路面图;
图7为剪裁处理后的路面图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种沥青路面抗滑性能检测方法及系统,能够对沥青路面的抗滑性能进行精确测量的同时,提高检测效率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供的沥青路面抗滑性能检测方法具体包括以下步骤:
步骤101,获取以沥青路面图像为输入,以沥青路面的摩阻摆值为输出的训练后的神经网络模型;
步骤102,利用CCD工业相机采集待检测路面的路面图像;
步骤103,将所采集的路面图像的纹理特征输入神经网络模型,确定待检测路面的摩阻摆值;
步骤104,获取待检测路面的温度信息;
步骤105,根据温度信息对摩阻摆值进行修正,得到待检测路面修正后的摩阻摆值;
步骤106,根据待检测路面修正后的摩阻摆值确定待检测路面的抗滑等级。
其中,在步骤101获取神经网络之前,还需要进行以下操作:
获取沥青路面的样本图像作为样本数据,在获取样本数据之前,需要对存有垃圾的路面图像进行裁剪,以形成符合要求的沥青路面的样本图像;
采用机器视觉纹理识别法对符合要求的沥青路面的样本图像的纹理进行提取,得到第一纹理图像;
根据第一纹理图像像素点的灰度值进行阈值分割;
计算图像中黑色或白色像素点的高斯分布,由高斯分布参数得到样本图像的纹理特征;
根据样本图像的纹理特征以及样本图像的摩阻摆值对神经网络模型进行训练。
在步骤103将路面图像的纹理特征输入神经网络模型中时,进行如下操作:
采用机器视觉纹理识别法对路面图像的纹理进行提取,得到第二纹理图像;
根据得到的第二纹理图像像素点的灰度值进行阈值分割;
计算图像中黑色或白色像素点的高斯分布,由高斯分布参数得到路面图像的纹理特征;
将路面图像的纹理特征输入所获得的神经网络模型,确定路面图像的摩阻摆值。
并且,在步骤103之前,需要选取待检测路面中符合预设条件的路段进行标定采样,再利用标定采样的路面图像对神经网络模型进行优化训练。
此外,沥青路面抗滑性能检测方法中还需要将通过GPS定位得到的待检测路面的位置、待检测路面的摩阻摆值以及待检测路面的路面图像对应存储、显示并发布到数据库平台上。
通过以上具体方法的实施,能够在对检测路面的抗滑性能进行精确测量的同时,提高检测效率。
与本发明提供的沥青路面抗滑性能检测方法相对应,本发明还提供了一种沥青路面抗滑性能检测系统,该系统包括:
神经网络模型获取模块,用于获取以沥青路面图像为输入,以沥青路面的摩阻摆值为输出的训练后的神经网络模型;
路面图像采集模块,用于利用CCD工业相机采集待检测路面的路面图像;
摩阻摆值确定模块,用于将路面图像输入所获取的神经网络模型,确定待检测路面的摩阻摆值;
温度信息获取模块,用于获取待检测路面的温度信息;
摩阻摆值修正模块,用于根据温度信息获取模块所获取的温度信息对摩阻摆值进行修正,得到待检测路面修正后的摩阻摆值;
抗滑等级确定模块,用于根据摩阻摆值修正模块修正后的待检测路面的摩阻摆值确定待检测路面的抗滑等级。
其中,摩阻摆值确定模块,具体包括:用于采用机器视觉纹理识别法对所述路面图像的纹理进行提取,得到第二纹理图像的图像纹理提取单元;
用于根据图像纹理提取单元所提取得到的第二纹理图像的像素点的灰度值进行阈值分割的阈值分割单元;
用于计算图像中黑色或白色像素点的高斯分布,由高斯分布参数得到路面图像的纹理特征的纹理特征提取单元。
最后,将纹理特征提取单元所提取的路面图像的纹理特征输入到摩阻摆值确定模块中,以确定路面图像的摩阻摆值。
进一步,为了系统的优化,可以包括,用于选取待检测路面中符合预设条件的路段进行标定采样的标定采样模块,用于将沥青路面图像中存在垃圾信息的图片进行裁剪处理的图像处理模块,以及用于利用标定采样的路面图像对所述神经网络模型进行优化训练的优化训练模块。
还可以包括,用于获取沥青路面的样本图像的获取数据模块,基于机器视觉纹理识别法对所述样本图像的纹理进行提取,得到第一纹理图像的第一图像纹理提取模块,用于根据第一纹理图像像素点的灰度值进行阈值分割的阈值分割模块,用于计算图像中黑色或白色像素点的高斯分布,由高斯分布参数得到所述样本图像的纹理特征的纹理特征提取模块,以及用于根据样本图像的纹理特征以及样本图像的摩阻摆值对神经网络模型进行训练的神经网络训练模块。
除此之外,这种沥青路面抗滑性能检测系统还可以包括,用于定位所述待检测路面位置的GPS定位模块和用于将所述待检测路面的位置、待检测路面的摩阻摆值以及待检测路面的路面图像对应存储、显示并发布到数据库平台上的信息处理模块。
本发明还提供了一种沥青路面抗滑性能检测系统,如图3所示,具体包括硬件系统、软件系统、数据库平台,硬件系统与软件系统电连接,软件系统与数据库平台通过无线网络进行连接。
其中,硬件系统包括:CCD工业相机、红外摄像头、GPS组合导航接收机以及车载AI处理平台,CCD工业相机、红外摄像头、GPS组合导航接收机分别与车载AI处理平台电连接。
通过CCD工业相机拍摄沥青路面图像,并将所拍摄的沥青路面图像信息传送给车载AI终端。通过红外摄像头测定沥青路面温度,并将所测定的沥青路面温度信息传送给车载AI终端。通过GPS组合导航接收机确定检测车辆实时位置,并将所确定检测车辆实时位置信息传送给车载AI终端。通过车载AI终端对所收集到的信息进行处理。
软件系统基于神经网络模型中的机器视觉学习方法,在对各类型沥青路面图像进行机器学习后,对沥青路面图像进行检测分析,得到检测路段沥青路面的摩阻摆值。
数据库平台将硬件系统、软件系统中得到检测车辆实时位置信息、沥青路面图像、沥青路面摩阻摆值、检测路段信息进行存储、显示及发布。
其中,为了减轻硬件系统的重量,降低其成本,可以设置车载AI处理平台的大小不超过25cm×20cm×20cm,输入功率≤120W。并且车载AI处理平台通过将电源插头插入点烟器进行取电,硬件系统各部件可以随时进行拆装,在检测过程中,使得装有检测系统的车辆都可以作为检测车辆进行检测。进一步,车载AI处理平台可以采用配套互联网模式,这就不需要专门的平台与配套软件进行使用,以进一步降低检测系统费用。
对应于这种沥青路面抗滑性能检测系统的具体检测方法,如图2所示:
在检测前,通过将检测范围内各条道路的属性数据(道路名称、道路类型、道路起终点位置信息等)录入系统,为检测过程中的道路定位做好基础数据准备。通过使用车载AI终端4G信号实时接收所测地的各区域各路段场景信息以及路表温度,将场景信息提前存入数据库平台,配合后续抗滑性能检测数据进行协同处理。由于车轮轮迹带范围内的沥青表面情况与非轮迹带有较大差别,因此在检测过程中车载摄像机拍摄位置应对准机动车左右轮轮迹带,检测车车轮应尽量保持在轮迹带上行驶。
通过前期对沥青路面表面的纹路及磨光情况进行神经网络机器视觉识别学习,结合相应路面摩阻摆值BPN实测值,建立深度机器学习数据库以及抗滑性能等级划分标准,其具体检测步骤为:
1)利用高清CCD工业相机拍摄得到大于5万条行车道沥青路面前期采集图片(如图4、图5所示);
2)使用传统路面抗滑性能检测方法(即摆式仪法)测量各采样图片对应路段的沥青路面摩阻摆值BPN,在每一测点重复测试5次,取均值后,录入数据库平台;
3)通过将前期高清CCD工业相机对大于5万条行车道沥青路面采集的图像结合相应路面的真实摩阻摆值BPN进行定制深度神经网络训练,建立沥青路面抗滑性能评估神经网络模型,可在实测中得到摩阻摆值BPN值;
4)在实际检测中,通过高清CCD工业相机拍摄得到所测路段沥青路面图像,并结合GPS组合导航接收机的位置坐标实时导入车载AI终端后,使用沥青路面抗滑性能评估神经网络模型得到摩阻摆值BPN值,并根据气象部门提供的实时路表温度数据对摩阻摆值BPN值进行修正,得到所测路段沥青路面BPN调整值及其准确位置坐标;
5)系统车载AI终端将相应数据进行整理汇总,具体内容包括路段名称、起终点GPS位置坐标、摩阻摆值BPN、实拍图像等,结合实测道路相关信息如设计速度、道路等级供道路养护部门在制定养护决策计划时提供参考,适时进行铺面翻新等作业,重新恢复沥青磨耗层,确保路面抗滑性能满足规范要求。
并且,在步骤3)中,在实测过程中,车载AI终端将对存在垃圾信息的沥青路面图片进行剪裁处理,以提高评估准确度,如图6及图7所示。
在步骤4)中,对抗滑摩阻摆值BPN进行温度修正方法如下:
当路面温度为t(℃)时,测得的摩阻摆值为BPNt,按公式(1)换算成标准温度20℃的摩阻摆值BPN20,
BPN20=BPNt+ΔBPN (1)
式中:BPN20表示换算成标准温度20℃时的摩阻摆值;
BPNt表示路面温度t时测得的摩阻摆值;
ΔBPN表示温度修正值,按表1进行取值。
表1摩阻摆值BPN温度修正表
温度(℃) | 0 | 5 | 10 | 15 | 20 | 25 | 30 | 35 | 40 |
温度修正值ΔBPN | -6 | -4 | -3 | -1 | 0 | +2 | +3 | +5 | +7 |
对于机动车驾驶员,本系统数据库平台可为其提供结合实时场景情况的沥青路面抗滑性能信息,尤其在恶劣雷暴天气条件下,大幅降低其在驾驶过程中因路面抗滑性能不足而产生的交通事故发生几率。
对于未来自动驾驶车辆,路段抗滑性能检测信息可改变其制动及加速特征,避免由于路面抗滑性能差导致车辆过度加速或减速不及时,在自动驾驶车辆行驶安全保障方面具有重要作用和意义。
并且,本发明提供的沥青路面抗滑性能检测方法及系统,首先通过神经网络模型获取模块获取神经网络模型,所获取的神经网络模型是以沥青路面图像为输入,以沥青路面的摩阻摆值为输出的训练后的神经网络模型。利用路面图像采集模块采集待检测路面的路面图像,将路面图像的纹理特征输入神经网络模型中,通过摩阻摆值确定模块确定得到待检测路面的摩阻摆值。再通过温度信息获取模块获取待检测路面的温度信息,摩阻摆值修正模块根据温度信息对摩阻摆值进行修正,得到待检测路面修正后的摩阻摆值,这就能够在精确获得待测量路面的抗滑性能的同时,提高检测效率,以进一步提高行车过程的安全性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种沥青路面抗滑性能检测方法,其特征在于,包括:
获取神经网络模型,所述神经网络模型为以沥青路面图像的纹理特征为输入,以沥青路面的摩阻摆值为输出的训练后的神经网络模型;
利用CCD工业相机采集待检测路面的路面图像;
采用机器视觉纹理识别法对所述路面图像的纹理进行提取,得到第二纹理图像;
根据所述第二纹理图像像素点的灰度值进行阈值分割;
计算图像中黑色或白色像素点的高斯分布,由高斯分布参数得到所述路面图像的纹理特征;
将路面图像的纹理特征输入所述神经网络模型,确定所述路面图像的摩阻摆值;
获取所述待检测路面的温度信息;
根据所述温度信息对所述摩阻摆值进行修正,得到所述待检测路面修正后的摩阻摆值;
根据所述待检测路面修正后的摩阻摆值确定所述待检测路面的抗滑等级;
其中,在所述获取神经网络模型之前,还包括:
获取样本数据,所述样本数据为沥青路面的样本图像;
采用机器视觉纹理识别法对所述样本图像的纹理进行提取,得到第一纹理图像;
根据所述第一纹理图像像素点的灰度值进行阈值分割;
计算图像中黑色或白色像素点的高斯分布,由高斯分布参数得到所述样本图像的纹理特征;
根据样本图像的纹理特征以及样本图像的摩阻摆值对神经网络模型进行训练。
2.根据权利要求1所述的沥青路面抗滑性能检测方法,其特征在于,在所述将路面图像的纹理特征输入所述神经网络模型之前,还包括:
选取待检测路面中符合预设条件的路段进行标定采样;
利用标定采样的路面图像对所述神经网络模型进行优化训练。
3.根据权利要求1所述的沥青路面抗滑性能检测方法,其特征在于,所述方法还包括:
通过GPS定位所述待检测路面的位置;
将所述待检测路面的位置、待检测路面的摩阻摆值以及待检测路面的路面图像对应存储、显示并发布到数据库平台上。
4.根据权利要求1所述的沥青路面抗滑性能检测方法,其特征在于,在所述将路面图像的纹理特征输入所述神经网络模型之前,还包括:
对所采集得到的路面图像中存在垃圾信息的图片进行裁剪处理。
5.一种沥青路面抗滑性能检测系统,其特征在于,包括;
神经网络模型获取模块,用于获取神经网络模型,所述神经网络模型为以沥青路面图像的纹理特征为输入,以沥青路面的摩阻摆值为输出的训练后的神经网络模型;
路面图像采集模块,用于利用CCD工业相机采集待检测路面的路面图像;
摩阻摆值确定模块,用于将路面图像的纹理特征输入所述神经网络模型,确定所述路面图像的摩阻摆值;
所述摩阻摆值确定模块,具体包括:
图像纹理提取单元,用于采用机器视觉纹理识别法对所述路面图像的纹理进行提取,得到第二纹理图像;
阈值分割单元,用于根据所述第二纹理图像像素点的灰度值进行阈值分割;
纹理特征提取单元,用于计算图像中黑色或白色像素点的高斯分布,由高斯分布参数得到所述路面图像的纹理特征;
将所述纹理特征提取单元所提取的路面图像的纹理特征输入到所述摩阻摆值确定模块中,以确定所述路面图像的摩阻摆值;
温度信息获取模块,用于获取所述待检测路面的温度信息;
摩阻摆值修正模块,用于根据所述温度信息对所述摩阻摆值进行修正,得到所述待检测路面修正后的摩阻摆值;
抗滑等级确定模块,用于根据所述待检测路面修正后的摩阻摆值确定所述待检测路面的抗滑等级;
所述系统还包括:
获取数据模块,用于获取沥青路面的样本图像;
第一图像纹理提取模块,基于机器视觉纹理识别法对所述样本图像的纹理进行提取,得到第一纹理图像;
阈值分割模块,用于根据所述第一纹理图像像素点的灰度值进行阈值分割;
纹理特征提取模块,用于计算图像中黑色或白色像素点的高斯分布,由高斯分布参数得到所述样本图像的纹理特征;
神经网络训练模块,用于根据样本图像的纹理特征以及样本图像的摩阻摆值对神经网络模型进行训练。
6.根据权利要求5所述的沥青路面抗滑性能检测系统,其特征在于,所述系统还包括:
标定采样模块,用于选取待检测路面中符合预设条件的路段进行标定采样;
图像处理模块,用于将沥青路面图像中存在垃圾信息的图片进行裁剪处理;
优化训练模块,用于利用标定采样的路面图像对所述神经网络模型进行优化训练。
7.根据权利要求5所述的沥青路面抗滑性能检测系统,其特征在于,所述系统还包括:
GPS定位模块,用于定位所述待检测路面的位置;
信息处理模块,用于将所述待检测路面的位置、待检测路面的摩阻摆值以及待检测路面的路面图像对应存储、显示并发布到数据库平台上。
8.一种沥青路面抗滑性能检测系统,其特征在于,所述沥青路面抗滑性能检测系统应用于如权利要求1-4任一项所述的沥青路面抗滑性能检测方法,所述系统包括:硬件系统、软件系统、数据库平台;
所述硬件系统与所述软件系统电连接,所述软件系统与所述数据库平台通过无线网络进行连接;
所述硬件系统包括:CCD工业相机、红外摄像头、GPS组合导航接收机以及车载AI处理平台;
所述CCD工业相机用于拍摄沥青路面图像,并将所拍摄的沥青路面图像信息传送给车载AI终端;
所述红外摄像头用于测定沥青路面温度,并将所测定的沥青路面温度信息传送给车载AI终端;
所述GPS组合导航接收机用于确定检测车辆实时位置,并将所确定检测车辆实时位置信息传送给车载AI终端;
所述车载AI终端用于对所收集的信息进行处理;
所述软件系统基于神经网络模型中的机器视觉学习方法,在对各类型沥青路面图像进行机器学习后,对沥青路面图像进行检测分析,得到检测路段沥青路面的摩阻摆值;
所述数据库平台用于将硬件系统、软件系统中得到检测车辆实时位置信息、沥青路面图像、沥青路面摩阻摆值、检测路段信息进行存储、显示及发布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811580458.3A CN109671077B (zh) | 2018-12-24 | 2018-12-24 | 一种沥青路面抗滑性能检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811580458.3A CN109671077B (zh) | 2018-12-24 | 2018-12-24 | 一种沥青路面抗滑性能检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109671077A CN109671077A (zh) | 2019-04-23 |
CN109671077B true CN109671077B (zh) | 2020-12-08 |
Family
ID=66147134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811580458.3A Active CN109671077B (zh) | 2018-12-24 | 2018-12-24 | 一种沥青路面抗滑性能检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109671077B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110195400B (zh) * | 2019-07-04 | 2021-03-12 | 交通运输部公路科学研究所 | 一种基于沥青表面层当量温度的路面纹理深度指标的温度修正方法 |
CN111045049A (zh) * | 2019-12-31 | 2020-04-21 | 湖北益通建设股份有限公司 | 智能化沥青路面修整车及施工方法 |
CN111783686A (zh) * | 2020-07-03 | 2020-10-16 | 中国交通通信信息中心 | 一种沥青路面健康状态监测系统和方法 |
CN112114120A (zh) * | 2020-09-29 | 2020-12-22 | 云南通衢工程检测有限公司 | 一种新铺筑沥青路面路用性能试验的方法 |
CN112900214B (zh) * | 2021-01-14 | 2023-03-17 | 山东交通学院 | 自动检测与恢复路面抗滑性能的养护装置及方法 |
CN114910415B (zh) * | 2022-04-13 | 2024-05-28 | 安徽省交通控股集团有限公司 | 一种基于摆式仪的路面抗滑性能评价方法 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005265748A (ja) * | 2004-03-22 | 2005-09-29 | Bridgestone Corp | タイヤ踏面の接地部測定方法 |
CN102864727A (zh) * | 2012-09-27 | 2013-01-09 | 长安大学 | 一种沥青路面抗滑性能新指标测定仪及其测定方法 |
CN107238604A (zh) * | 2017-07-19 | 2017-10-10 | 云南省交通规划设计研究院 | 路面表面构造分布及抗滑性能检测综合装置及检测方法 |
CN108760740A (zh) * | 2018-05-31 | 2018-11-06 | 同济大学 | 一种基于机器视觉的路面抗滑性能快速检测方法 |
-
2018
- 2018-12-24 CN CN201811580458.3A patent/CN109671077B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005265748A (ja) * | 2004-03-22 | 2005-09-29 | Bridgestone Corp | タイヤ踏面の接地部測定方法 |
CN102864727A (zh) * | 2012-09-27 | 2013-01-09 | 长安大学 | 一种沥青路面抗滑性能新指标测定仪及其测定方法 |
CN107238604A (zh) * | 2017-07-19 | 2017-10-10 | 云南省交通规划设计研究院 | 路面表面构造分布及抗滑性能检测综合装置及检测方法 |
CN108760740A (zh) * | 2018-05-31 | 2018-11-06 | 同济大学 | 一种基于机器视觉的路面抗滑性能快速检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109671077A (zh) | 2019-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109671077B (zh) | 一种沥青路面抗滑性能检测方法及系统 | |
CN101776438B (zh) | 道路标线测量装置及其测量方法 | |
CN108760740B (zh) | 一种基于机器视觉的路面抗滑性能快速检测方法 | |
CN108088799B (zh) | 机动车尾气林格曼黑度的测量方法及系统 | |
CN104715473A (zh) | 用于对自动车辆车载的摄像机的位置进行角度校准的方法 | |
CN104008377A (zh) | 基于时空关联的地面交通标志实时检测识别方法 | |
CN115398062A (zh) | 已学习模型的生成方法及路面特征判定装置 | |
CN112710273A (zh) | 一种基于智能手机传感器和机器学习的众包路面坑洼检测方法 | |
CN110135216B (zh) | 电子地图中车道数变化区域检测方法、装置及存储设备 | |
CN114379559A (zh) | 一种基于车辆信息采集系统的驾驶风险评价特征画像方法 | |
CN112356849A (zh) | 一种危险驾驶的预警方法及装置 | |
CN106919925A (zh) | 一种基于小波熵与人工神经网络的福特汽车检测方法 | |
Mercelis et al. | Towards detection of road weather conditions using large-scale vehicle fleets | |
Brunauer et al. | Supporting road maintenance with in-vehicle data: Results from a field trial on road surface condition monitoring | |
US20230202501A1 (en) | Road surface evaluation apparatus | |
CN116091456A (zh) | 一种行车道路能见度检测方法 | |
JP7273943B1 (ja) | 路面評価装置 | |
CN112729366B (zh) | 自动驾驶场地测试的天气模拟设备测试评价方法及装置 | |
CN113096395B (zh) | 一种基于定位与人工智能识别的道路交通安全评价系统 | |
JP7368628B2 (ja) | 路面評価装置および路面評価方法 | |
CN115272930A (zh) | 一种基于探地雷达的路面状态评估方法 | |
CN115123258A (zh) | 一种车辆路面附着系数确定方法及系统 | |
CN112967496A (zh) | 一种路况信息共享方法、系统及计算机可读存储介质 | |
CN113553390A (zh) | 一种用于车载大气微站的运行gis轨迹纠偏方法 | |
WO2023153434A1 (ja) | 路面評価装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |