CN111563478A - 一种积水情况下安全行驶的全自动处理方法 - Google Patents

一种积水情况下安全行驶的全自动处理方法 Download PDF

Info

Publication number
CN111563478A
CN111563478A CN202010450919.6A CN202010450919A CN111563478A CN 111563478 A CN111563478 A CN 111563478A CN 202010450919 A CN202010450919 A CN 202010450919A CN 111563478 A CN111563478 A CN 111563478A
Authority
CN
China
Prior art keywords
asphalt pavement
image
pixel
road surface
neural network
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
CN202010450919.6A
Other languages
English (en)
Inventor
栗培龙
王康南
仇家烙
聂麒恒
魏晓凤
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.)
Changan University
Original Assignee
Changan 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 Changan University filed Critical Changan University
Priority to CN202010450919.6A priority Critical patent/CN111563478A/zh
Publication of CN111563478A publication Critical patent/CN111563478A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/105—Speed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Road Repair (AREA)

Abstract

本发明公开了一种积水情况下安全行驶的全自动处理方法，包括：采集沥青路面图像；构建广义回归神经网络模型；沥青路面图像的像素平均高程、像素极差、像素均值作为广义回归神经网络模型的输入数据，沥青路面构造深度作为广义回归神经网络模型的输出数据；根据广义回归神经网络模型，预测沥青路面构造深度；确定沥青路面水膜厚度；根据沥青路面水膜厚度，确定参考行车安全速度。本发明通过对路面径流及水滑现象、水膜厚度、路面抗滑性能进行分析，在分析路面积水造成事故的同时，提出一个基于互联网技术的自动监控调整系统，可以有效给出雨天路面行车安全的最高时速，做到将自然条件变化对路面行驶安全造成的影响降到最低。

Description

一种积水情况下安全行驶的全自动处理方法
技术领域
本发明涉及车辆安全行驶技术领域，更具体的涉及一种积水情况下安全行 驶的全自动处理方法。
背景技术
司机在雨天行驶面临的安全问题是长时间存在的问题，尤其对于多雨气候 的地区，降雨会对路面行驶造成极大的影响。为了减小这一影响，已经有诸多 学者研究提出了很多解决方案，来改良路面积水情况，但是事故依然频发。其 根本原因在于司机缺乏对控制速度的概念，往往只有经验来判断，这使原本科 学的设计也丧失了其意义。本专利提供了一个积水情况下安全车速的定量结 果，并利用互联网平台来实时传递结果，这种定量的结果能大大提升降雨时行 车安全，有很强的实用价值和很好的社会意义。
参考现有的降雨情况下车速的计算，数据收集往往比较繁琐，整个过程成 本高，所推导出来的理论公式误差比较大，很难在实际生活中发挥作用，仅停 留在实验阶段，难以对现实提供帮助。
发明内容
本发明实施例提供一种积水情况下安全行驶的全自动处理方法，用以解决 上述背景技术中提出的问题。
本发明实施例提供一种积水情况下安全行驶的全自动处理方法，包括：采 集沥青路面图像；
构建广义回归神经网络模型；其中，沥青路面图像的像素平均高程、像素 极差、像素均值作为广义回归神经网络模型的输入数据，沥青路面构造深度作 为广义回归神经网络模型的输出数据；
根据广义回归神经网络模型，预测沥青路面构造深度；
根据沥青路面构造深度，通过公式(1)，确定沥青路面水膜厚度；
根据沥青路面水膜厚度，通过公式(2)，确定参考行车安全速度；
所述公式(1)如下所示：
Figure BDA0002507665820000021
所述公式(2)如下所示：
Figure BDA0002507665820000022
其中，h为水膜厚度，mm；L为排水长度，m；S为路面坡度，m/m；I为 降雨强度，mm/h；TD为路面构造深度；G为汽车总载荷；n为车轮数目；ρ为 水密度；w为轮胎宽度；
Figure BDA0002507665820000023
R为轮胎半径。
进一步地，所述沥青路面图像的像素平均高程、像素极差、像素均值的确 定步骤，包括：
根据沥青路面图像灰度矩阵中的坐标及其对应的像素值，建立沥青路面图 像的像素分布图；
根据沥青路面图像的像素分布图，重构沥青路面三维图像；
根据重构的沥青路面三维图像，通过Matlab软件，确定沥青路面图像的 像素平均高程、像素极差、像素均值。
进一步地，所述广义回归神经网络模型的训练步骤，包括：
采用铺沙法，确定测试沥青路面构造深度；
根据沥青路面图像的像素平均高程、像素极差、像素均值，及测试沥青路 面构造深度，对广义回归神经网络模型进行训练。
进一步地，所述采用铺沙法，确定沥青路面构造深度；具体包括：
在沥青路面布设测点位置时，根据车辆轮迹带，纵向每隔十米布置一个测点共 布置30个测点，依次测试测点位置的沥青路面构造深度。
本发明实施例提供一种积水情况下安全行驶的全自动处理方法，与现有 技术相比，其有益效果如下：
本专利针对实用性不强的现状，为了有效解决降雨行车安全的问题，提出 了一个新方法确定雨天路面行车安全的最高时速，经过实验与实际情况有很好 的符合，采集的数据容易获取，可实时更新，结合互联网技术，设计开发了水 情况下安全行驶的全自动处理系统。具体地，本发明通过对路面径流及水滑现 象、水膜厚度、路面抗滑性能进行分析，依次为基础，在分析路面积水造成事 故的同时，提出一个基于互联网技术的自动监控调整系统，可以有效给出雨天 路面行车安全的最高时速，做到将自然条件变化对路面行驶安全造成的影响降 到最低。
附图说明
图1为本发明实施例提供的轮胎与路面挤压形成的水头楔形端示意图；
图2a为本发明实施例提供的胎面深度为8mm的新轮胎在车速为50km/h、 70km/h、90km/h时轮胎与路面接触面积图；
图2b为本发明实施例提供的磨损50％的轮胎在车速为50km/h、70km/h、 90km/h时轮胎与路面接触面积图；
图2c为本发明实施例提供的胎面深度为1.6mm的磨损严重轮胎在车速为 50km/h、70km/h、90km/h时轮胎与路面接触面积图；
图3为本发明实施例提供的不同水膜厚度对应的水滑速度曲线图；
图4为本发明实施例提供的轮胎与路面的润滑系统示意图；
图5为本发明实施例提供的车轮的受力示意图；
图6为本发明实施例提供的路面流束的流线；
图7为本发明实施例提供的安全行车速度计算示意图；
图8为本发明实施例提供的沥青路面原始灰度图像；
图9为本发明实施例提供的图像像素空间分布；
图10为本发明实施例提供的GRNN神经网络结构；
图11为本发明实施例提供的积水情况下安全行驶速度计算方法流程图；
图12为本发明实施例提供的拍摄好的沥青路面图像；
图13为本发明实施例提供的重构的沥青路面三维图像；
图14为本发明实施例提供的同一种沥青路面在不同降雨条件下模拟最大 安全行驶速度；
图15为本发明实施例提供的同一沥青路面相同条件下车辆质量不同模拟 最大安全行驶速度；
图16为本发明实施例提供的同一沥青路面相同条件下车辆轮胎不同模拟 最大安全行驶速度。
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。
本发明实施例提供一种积水情况下安全行驶的全自动处理方法，该方法包 括：
步骤1：采集沥青路面图像。
步骤2：构建广义回归神经网络模型；其中，沥青路面图像的像素平均高 程、像素极差、像素均值作为广义回归神经网络模型的输入数据，沥青路面构 造深度作为广义回归神经网络模型的输出数据。
步骤3：根据广义回归神经网络模型，预测沥青路面构造深度。
步骤4：根据沥青路面构造深度，通过公式(1)，确定沥青路面水膜厚度。
步骤5：根据沥青路面水膜厚度，通过公式(2)，确定参考行车安全速度。
所述公式(1)如下所示：
Figure BDA0002507665820000051
所述公式(2)如下所示：
Figure BDA0002507665820000052
其中，h为水膜厚度，mm；L为排水长度，m；S为路面坡度，m/m；I为 降雨强度，mm/h；TD为路面构造深度；G为汽车总载荷；n为车轮数目；ρ为 水密度；w为轮胎宽度；
Figure BDA0002507665820000053
R为轮胎半径。
上述步骤1～5的具体分析如下：
1、水滑影响分析
水膜厚度与降雨强度、路面排水路径长度、路面坡度等因素有关，车辆在 积水路面上行驶时，由于路面水膜的润滑作用，随着车速的不断增加，轮胎与 水流间相互作用引起水流运动产生的动水压力不断增加，当动水压力大于轮胎 外加垂直荷载产生的力时，水膜将轮胎部分抬起脱离地面，胎面与路面的接触 面积逐渐减小，附着性能随之下降，此刻出现车辆在水膜上行驶的现象。图1 所示为轮胎与路面挤压形成的水头楔形端。
图2a～2c所示，为不同车速及轮胎胎面深度下，轮胎与路面接触面积图(水 膜厚度＝1mm时)。在路面水膜厚度为1mm的条件下，当轮胎状况良好时， 随着车速的提高，轮胎与路面基础的面积逐渐减少；随着轮胎磨损程度的增加， 轮胎与路面的接触面积也减小，特别的当轮胎磨损程度＞50％，车速在90km/h 时，轮胎与路面几乎没有接触，这种状态即会发生部分水滑。
如果轮胎在动水压力作用下，轮胎胎面部分与路面脱离接触，称为部分滑 水；如果轮胎胎面完全与路面脱离接触，则为完全滑水。一般行驶条件中车辆 以一定车速行驶，当轮胎状况良好时一完全滑水的现象发生的情况相对较少， 而部分滑水则较为常见，实际上，在湿滑路面上行驶，司机通常会采取谨慎的 驾驶行为，汽车行驶速度往往不会很高，即汽车轮胎处于部分滑水状态，部分 滑水虽然不会使轮胎完全失去转向控制，但此时由于轮胎路面接触面积减少， 附着力下降，交通事故发生的概率也会大大增加。
2、水膜厚度限值标准
评价水滑风险可以通过确定路面水流路径上的水膜深度(特别是车辆行驶 轨迹上的水膜)是否超过安全容许值。根据水膜厚度计算公式：
Figure BDA0002507665820000061
式中：WD为水膜厚度，mm；L为排水长度，m；S为路面坡度，m/m；I 为降雨强度，mm/h；TD为路面构造深度，mm。
参考Mounce和Bartoskewitz提出的水膜厚度小于2.5mm的滑水速度公式：
VP＝96.84(WD)-0.259
不同水膜厚度对应的安全车速如图3所示。当路面水膜厚度小于2.4mm时， 随水膜厚度增加安全容许速度明显降低，易发生部分水滑；当水膜厚度大于 4mm时，则易发生完全水滑。
根据以上分析当路面水膜厚度超过4mm时，易完全水滑，进而引起车辆 失稳、失控等危险。因此，公路设计时应对应检查、检验路面的水膜厚度，当 水膜厚度达到或超过4mm时，一般情况下，可采用增大超高渐变率、缩短超 高渐变长度、调整超高渐变段设置位置、适当增大路拱横坡或合成坡度，包括 通过改变路面结构、路面刻槽等方式改善排水状况降低路面水膜厚度，提高行 车安全性。
表1水膜厚度检验判定标准
Figure BDA0002507665820000071
3、路面表面抗滑性能
路面表面的抗滑性能可以由路面构造深度与路面摩擦系数两个技术指标 来表征。
路面构造深度也被称为路面纹理构造。构造深度包括微观与宏观构造两 种。微观构造表示的是路面集料表面的粗糙程度，它的粗糙程度会受车辆轮胎 的反复磨合而逐渐降低，因而路面的抗滑性会成下降趋势，微观构造一般是在 车辆低速时，才起到抗滑性的作用，随着车速的增加对路面抗滑的影响越来越 低。宏观构造是指道路表面裸露出来的集料与集料之间形成的空袭，沥青路面 的宏观结构起到了道路表面排水的作用，可以避免道路表面形成水膜而引发车 辆发生水漂的现象。尤其当车辆高速行驶时，道路的宏观构造对道路表面起着 重要作用。
路面摩擦系数表示车辆制动时，车辆与路面相对运动产生的力与轮胎垂直 方向力的比值。根据做功原理可知，摩擦系数越小，车辆制动的距离就会越长， 较易发生追尾事故，同时车轮也易发生打滑或空转，更加增加发生事故的概率。
4、安全行驶速度的推算与研究
路面上流动的积水由于道路构造深度的影响使得积水中的质点在空间和 时间上高度无规律运动，并且发生着强烈的速度脉动和动量混合导致Re>500， 因此这种状态为湍流状态。道路表面不同部位粗糙系数、水膜压力、水膜厚度 等都是随机变量，假设发生滑水时轮胎不会在道路上发生横向位移，可以将其 转化为平面问题，建立轮胎与路面的润滑系统(参见图4)。
车辆在有积水的路面行驶时，车轮必定会对路面积水发生扰动，从而引起 水膜发生流动。由于流束受到轮胎阻碍，使得流速在轮胎表面流速变为0，此 点即为停滞点，这一过程的发生在轮胎的接地长度范围内，并且流束能量随流 速变化而转化(从动能转化为压能)当流速到达停滞点时，其流速能量完全转 化为压能，这个时候水膜给车一个向上的作用力，是车和路面的作用力变小， 发生失控。现在以此为理论基础建立滑水分析模型，找到安全行驶临界速度。
参见图5～7，假设速度随位移成线性分布，以减速开始的位置为原点，其 到轮胎的距离是L，则任意位置x的速度为式中：
Figure BDA0002507665820000081
x为车辆减速开始位置到研究位置距离，单位m；VX为任意位置x的速度， 单位m/s；L为流束减速从开始到结束的总位移。
则F＝WH是关于x的函数，式中：WH为水平作用力，单位N，所以
Figure BDA0002507665820000082
式中：m为水膜质量，单位Kg，即水平阻力是所考虑的唯一阻 力
Figure BDA0002507665820000083
x∈[0，l)，则
Figure BDA0002507665820000084
Figure BDA0002507665820000085
Figure BDA0002507665820000086
Figure BDA0002507665820000087
因为
Figure BDA0002507665820000088
式中：w为车辆轮胎宽度，单位m，所以
Figure BDA0002507665820000091
可知WH是关于x的三次函数，则在l段上的平均作用力大小(功等效)为
Figure RE-GDA0002579158430000092
因为当WH＝G，即车辆完全摆脱地面束缚达到100％水滑时
Figure BDA0002507665820000093
Figure BDA0002507665820000094
根据实际情况修正
Figure RE-GDA0002579158430000095
由于为满足行车安全，以保证70％有效重力与路面作用为安全速度
Figure RE-GDA0002579158430000096
令
Figure RE-GDA0002579158430000097
Figure RE-GDA0002579158430000098
若将80％G的水对车辆的竖向作用力定义为极限危险状态，通过带入数据 可得普通小轿车在V＝120km/h水膜厚度为7mm中行车极不安全，这也就是 雨天交通事故频发的一个重要原因。
那么有必要说明，可以观察到，随着重力的增大，临界滑水速度也在增大。 那么例如实际生活中的大卡车虽然不易发生滑水，但其惯性大，所以其限速的 主要考虑因素不在水滑，可见分析问题必须全面考虑，综合确定车辆在该水膜 厚度下参考安全行车速度。
表2车辆在不同水膜厚度下参考安全行车速度
R车轮半径m H水膜厚度m G荷载N N轮胎 W轮胎宽度m v安全速度km/h vp危险速度km/h
0.2945 0.007 25000 4 0.185 72.58251275 118.526747
0.3945 0.007 35000 4 0.195 77.6951006 126.875568
0.4826 0.007 100000 8 0.229 81.44826257 133.0044558
0.2945 0.01 25000 4 0.185 66.47641866 108.5555371
0.3945 0.01 35000 4 0.195 71.1353491 116.1635387
0.4826 0.01 100000 8 0.229 74.55843743 121.7534185
0.2945 0.001 25000 4 0.185 117.7586786 192.2991169
0.3945 0.001 35000 4 0.195 126.1357742 205.9788568
0.4826 0.001 100000 8 0.229 132.275251 216.0045804
5、基于Matlab的系统开发
水膜厚度对行车安全具有很大影响，沥青路面不同的水膜厚度对应的行车 安全速度不同，其对抗滑性能也有很大影响，而沥青路面构造深度与路面抗滑 性能密切相关，所以，可以根据沥青路面的构造深度综合其他因素确定该情况 下沥青路面的水膜厚度，进而给出行车安全参考速度，对驾驶员在雨天行车时 具有指导意义。
6、数字图像技术基础理论
图像是客观事物记录在介质上形成的二位映象，随着计算机技术的快速发 展，数字图像处理技术得到了广泛应用，数字图像实际上是为了便于人们分析， 将图像信息采用各种方法进行处理，并使得计算机能够对图像数据进行存储、 传输、显示和理解。一般情况下，图像经过计算机的处理，把图像信息如色调、 饱和度、亮度等通过色彩矩阵或者灰度矩阵记录下来。
图像按照颜色和灰度可以分为二值图像、灰度图像、索引图像和真彩色图 像。对于灰度图像而言，计算机存储的是灰度图像的二维矩阵，其矩阵元素取 值范围为[0，255]，"0"表示纯黑色，"255"表示纯白色，不同的数字大小表示这 个像素点的灰度，对灰度图像进行处理，实际上就是对灰度矩阵进行数据处理。
当平行光照射在光滑表面时，表面反射回来的光线强度不变，且仍然向一 个方向反射出来，这种反射被称为镜面反射。所以当平行光反射到感光胶片上 或拍摄设备的镜头上时，得到的图像亮度或灰度是一致的，因此人们可以得出 物体表面光滑的结论。反之，当平行光照射在凹凸不平的物体表面上，反射回 来的光线强度存在差异，且光线是向着不同方向无规则的反射出来，这种反射 称为漫反射。同样，拍摄的图像可以观察到亮度或灰度发生变化，表面凸起的 区域亮度高或灰度值高，表面下凹的区域亮度较低或灰度值低，而且根据各个 点的明暗差异或者灰度值大小差异，可以区分出物体表面的粗糙程度。
通过数字图像处理可以获取原始图像的图像像素分布矩阵，为了说明数字 图像技术在沥青路面表面构造深度的应用效果，将沥青路面原始灰度图像旋转 45度与其像素空间分布图像进行对比，逐一对照路面原始灰度图像和像素空间 分布图像，可以发现数字图像像素大小与路表纹理凹凸状态呈相互对应关系， 且像素空间分布情况能客观地反应路表纹理构造分布状态。因此，沥青路面表 面构造深度可以根据其数字图像像素灰度差异性来进行分析计算。参见图8和 图9。
数字图像像素大小与路表纹理凹凸状态呈相互对应关系，但是在成像过程 中由于各种因素的影响，数字图像像素高程与构造深度线性关系并不明显。广 义回归神经网络对于处理不稳定、样本少的数据具有非常明显的优势，而且 GRNN模型学习速度非常快，模型网络中人为调节参数较少，影响网络结果的 阈值只有一个，且网络的训练全部依赖于数据样本，这就避免了人为主观因素 的影响。因此，通过找寻沥青路表数字图像的灰度信息(像素高程、像素极差 值、像素均值)，以广义回归神经网络(GRNN)构建模型，建立起沥青路面表 面构造深度与数字图像灰度信息之间的关系。
图像预处理：
图像预处理主要包括图像尺寸标定、灰度处理和图像去噪处理。
①图像尺寸标定
图像采集过程是由人为拍摄，图像难免会产生角度畸变，因此需要进行图 像校正处理，以图像中的的直尺作为标定物，对图像角度和尺寸进行标定。
②灰度处理
灰度处理是将来集到的彩色图像转化为灰度图像的过程。彩色图像的每一 个像素点由三基色R(红色)、G(绿色)、B(蓝色)三个分量决定，每种分量分成(0～ 255)的等级，分量成分等级的不同，这个像素点的颜色也就不同。灰度图像实 际上是彩色图像特殊的一种，它的RGB三个分量值相同，对于灰度图像而言， 计算机存储的是图像的二维矩阵，矩阵元素取值范围为[0，255]，"0"表示纯黑 色，"255"表示纯白色，这个范围之间的不同数字大小表示这个像素点的灰度， 灰度值的大小反映了像素点的颜色深浅程度。对比度是亮度的最大值与最小值 的比值，常用的成像系统只对一定范围的亮度进行相应，因此，由于成像系统 的限制，往往导致得到的图像对比度不足，图像信息不突出。通常为了便于数 字图像的分析处理一般会把彩色图像转化为灰度图像。
③图像去噪处理
数字图像在其获取和传输过程中，一般会受到各种噪声的干扰，造成图像 恶化、质量下降、图像模糊或特征被掩盖等，这对于数字图像信息分析处理极 其不利。而为了抑制噪声或改善图像质量所进行的处理被称为图像平滑或去 噪。
图像噪声就是图像中各种妨碍人们接受图像信息的因素，其会使得图像质 量下降、图像信息缺失，为了防止这些问题，在数字图像分析前就需要对图像 进行去噪处理。图像中大部分像素点的灰度与领域内像素点的灰度大小差异性 较小，灰度值的相关性较高。因此，图像的低频区域集中了主要的能量，而高 频区域只集中了细节部分的能量。而噪声的分布具有随机性，它们的存在使其 所处像素点灰度与邻近点的灰度差别较大，所以图像噪声往往出现在高频区域 中。因此衰减图像中的高频分量，增强图像中的低频分量即可消除噪声。空间 域内图像平滑方法邻域平均法采用像素邻域内像素灰度的平均值作为输出像 素，对于高斯白噪声有很好的效果，但对于随机噪声效果却很不理想。中值滤 波则用一个含有奇数点的滑动窗口，将领域中的像素按灰度排序，取其中间值 作为输出像素，能很好的抑制随机噪声，同时不使边缘模糊，但不适合用于线、 尖点等细节多的图像。也可将图像从空间域变换到频率域，运用低通滤波器进 行平滑处理。对图像的平滑处理有很多种方法，但大多数方法只对某种特定的 噪声效果较好，因此，在对图像进行平滑去噪处理时，首先要对图像中噪声产 生的原因和噪声类型进行分析，然后才能选择合适的处理方法，做到既降低了 图像中噪声的干扰，且不会导致图像边缘变得模糊。
图像数据处理：
运用MATLAB软件读取经过预处理后的图像，可以得到图像的灰度矩阵， 以灰度矩阵中坐标(x,y)及其对应的像素值F(x,y)建立起像素分布图，就可 以得到沥青路表像素重构的曲面图。根据矩阵中坐标(x,y)及其对应的像素值 F(x,y)，求出其中最大值Fmax和最小值Fmin之差(极差R)、像素平均高程 H、像素均值A。如下式
R＝Fmax-Fmin
Figure BDA0002507665820000131
Figure BDA0002507665820000132
式中：x,y为图像矩阵纵、横向维度。
7、广义回归神经网络
在机器学习和认知科学领域，人工神经网络(英文：artificialneuralnetwork，缩写ANN)，简称神经网络(英文：neuralnetwork，缩写NN)或类神经网络， 是一种模仿生物神经网络(动物的中枢神经系统，特别是大脑)的结构和功能的 数学模型或计算模型，用于对函数进行估计或近似。神经网络由大量的人工神 经元联结进行计算。广义回归神经网络是建立在数理统计基础上的径向基函数 网络，其理论基础是非线性回归分析。GRNN具有很强的非线性映射能力和学 习速度，比RBF具有更强的优势，网络最后普收敛于样本量集聚较多的优化 回归，样本数据少时，预测效果很好，网络还可以处理不稳定数据。一般可以通过径向基神经元和线性神经元可以建立广义回归神经网络。
GRNN在结构上由四层构成，分别为输入层、模式层、求和层和输出层。 输入层神经元的数目等于学习样本中输入向量的维数，各神经元是简单的分布 单元，直接将输入变量传递给模式层。模式层神经元数目等于学习样本的数目 n，各神经元对应不同的样本。求和层中使用两种类型神经元进行求和。输出 层中的神经元数目等于学习样本中输出向量的维数k，各神经元将求和层的输 出相除，经元j的输出对应估计结果Y(X)的第j个元素。参见图10。
8、研究内容
(1)规范化采集沥青路面图像
图像信息取决于图像像素矩阵大小，因此分析影响图像像素的因素，提出 规范化的图像采集方法，可以保证像素矩阵的精度，从而提高图像信息的准确 度。
第一个影响因素为光线条件。不同的光线强度与光线照射方向会引起图像 信息误差，图像采集过程中必须保证光线强度和光线照射方向的一致性。
第二个影响因素为路面表面颜色。颜色影响图像像素值的大小，直接反馈 在采集图像信息中，沥青路面颜色较统一，颜色影响因素不大。
第三个影响因素为照片角度。在采集图像过程中应尽量保证照片拍摄视角 与沥青路面相互垂直，且拍摄高度不应过小，规定拍摄高度为0.5米，拍摄范 围为0.4米×0.4米的正方形范围。参见图11。
(2)沥青路面图像预处理
将沥青路面图像尺寸均标定为200mm×200mm，彩色图像转化为灰度图 像，进行图像平滑去噪处理。
(3)计算图像像素数据，重构沥青路面三维图像
运用Matlab读取预处理后的图像，得到图像的灰度矩阵，以灰度矩阵中 的坐标及其对应的像素值建立起像素分布图，即可得到沥青路面像素重构的三 维图像。参见图12。
(4)构建训练广义回归神经网络
将室内试验各试件采集的数字图像都进行预处理，运用Matlab计算得到 每幅图像的像素平均高程H、像素极差R、像素均值A，运用铺沙法测得上述 试件的实测构造深度MTD，见表3。
表3各试件数据表
Figure BDA0002507665820000151
Figure BDA0002507665820000161
将各图像的像素平均高程H、像素极差R、像素均值A作为模型网络的输 入数据，构造深度MTD作为模型网络的输出数据。并为验证模型的适配性选 取5组数据作为模型的测试，将室内试件各数据依照像素均值从小到大排列， 每隔五个数据，取出一个作为测试数据，见表4。
表4各试件数据分类表
Figure BDA0002507665820000162
Figure BDA0002507665820000171
Figure BDA0002507665820000181
神经网络训练完成后对数据进行预测，计算出绝对误差、相对误差、平均 绝对误差。下表为训练组数据预测结果，参见下表5。
表5训练组数据神经网络预测结果
Figure BDA0002507665820000182
Figure BDA0002507665820000191
由上表可知，神经网络模型的训练组数据的实测值与预测值最大相对误差 为-5.9939％，平均相对误差为1.5552％，相关系数为0.9855，拟合度很好。运 用训练完成的神经网络模型对测试组数据进行预测，见下表6。
表6预测组数据神经网络预测结果
Figure BDA0002507665820000192
由上表可知，神经网络模型的预测组数据的实测值与预测值最大相对误差 为7.0478％，平均相对误差为4.3079％，神经网络模型具有较高预测精度，准 确性满足要求。至此，广义回归神经网络构建完毕。
(5)根据神经网络模型计算参考行车安全速度
由沥青路面图像根据神经网络模型预测该处沥青路面的路面构造深度。
由下式综合确定构件表面水膜厚度。
Figure BDA0002507665820000193
式中：
WD——水膜厚度，mm；L——排水长度，m；
S——路面坡度，m/m；I——降雨强度，mm/h；
TD——路面构造深度，mm。
带入安全行车速度公式
Figure BDA0002507665820000201
根据实际情况修正
Figure BDA0002507665820000202
由于为满足行车安全，以保证70％有效重力与路面作用为安全速度
Figure BDA0002507665820000203
令
Figure BDA0002507665820000204
Figure BDA0002507665820000205
9、模型演示流程
(1)打开程序。
(2)读取图像。
(3)图像预处理。
(4)重构路面三维图像。
(5)计算路面图像像素参数。
(6)计算路面构造深度
(7)输入水流路径长度、路面合成坡度、降雨强度，计算路面水膜厚度。
(8)计算参考行车安全速度。
10、实验与分析
为检验模型的科学性与合理性，下面从以下角度来分析来说明模型的适用 性。
(1)同一种沥青路面在不同降雨条件下的模拟：
保留一种沥青路面，然后现在改变降雨强度从10mm/h到100mm/h，共做 十组进行对比，在实验中统一按照排水路径30m、合成坡度1％、车辆选择小 轿车2吨四轮(轮胎型号185/70R13)。曲线图参见图14。
表7同一种沥青路面在不同降雨条件下的模拟
Figure RE-GDA0002579158430000201
(2)同一沥青路面相同条件下不同车辆状况的模拟：
在此对几种小轿车来分析，前文已经对几种大中小车辆有了说明，可以说 小轿车才是真正容易受降水影响的，结合实际情况，小轿车的事故发生占比很 高，所以我们针对不同类型的家用小轿车来分析，主要是想证明在同样小轿车 的情况下，安全时速变化并不大，这样能显著简化我们的应用数据的采集工作， 增强系统适用性，那么对于司机这一方，几乎没有提供数据的必要。在实验中 统一按照排水路径30m、合成坡度1％、降雨强度50mm/h，车辆选择都以四轮 小轿车(轮胎型号185/70R13)，质量从1.5吨到2吨。曲线图参见图15。
表8同一沥青路面相同条件下车辆质量不同的模拟
Figure BDA0002507665820000221
以小轿车质量2吨，都以四轮分别采用轮胎型号195/65R15、205/60R16、 215/60R16、225/65R17在相同路面及条件下进行模拟。曲线图参见图16。
表9同一沥青路面相同条件下车辆轮胎不同的模拟
Figure BDA0002507665820000222
11、实际应用方法
通过以上模型，可以根据沥青路面的图像预测路面构造深度进而综合确定 路面水膜厚度以求得参考安全行车速度，若要将该模型应用到实际沥青路面路 段工程当中，可按以下方法进行。
(1)实地调查与资料收集
通过工程实地调查了解该沥青路面路段的路径排水长度，合成坡度等资料 信息，通过当地气象局了解该路段年最大降雨强度，模拟计算按最大降雨强度 计算。
(2)沥青路面数字图像采集及铺沙法得到路面构造深度
在应用路段布设测点位置时，根据车辆轮迹带，纵向每隔十米布置一个测 点共布置30个测点，先按照规范化图像采集方法进行测点数字图像采集，再 依次测试测点位置的路面构造深度。对于沥青混凝土路面，新建路面一般呈现 黑色或深灰色，通车时间较长的沥青路面，随着沥青老化和道路磨损，深黑色 变浅，颜色偏黄偏黑。因此，拍摄沥青路面图像前应先将拍摄点附近的路面清 理干净。
(3)计算参考行车安全速度
根据采集拍摄获取的沥青路面图像及测得的路面构造深度，训练并完成神 经网络模型，计算出该路段各路面图像的参考行车安全速度，最终取最小值确 定为该路段的参考行车安全速度。
12、前景分析
通过以上步骤方法，能够获得对应天气状况下的安全行车速度，通过前面 实验分析，有很好实际应用的效果。那么针对这一成果，对系统实际意义在此 做一总结：
(1)能直接为不良天气状况下行车安全的保障给出一个明确的数字界限， 给政府工作者提供准确信息，在事故到来前做好预防工作，同时司机得到了建 议时速，合理控制，可以直接有效的降低雨天行车超速造成的事故发生概率， 保障行车安全。
(2)降雨的数据由当地测量部门可以实时获取，气象数据也在网上就可 以直接查询到，带入数据就能快速得到限制速度，这使得系统的使用能够快速 灵活的更新，即使给司机提供路况信息，在大数据不断发展的今天，这一检测 机制具有很强的实用性和发展潜力。
(3)路面排水等带来的改善是有限的，尤其路面刻槽，仍有损害路面， 后期磨损严重等缺点，控制行车安全速度，一方面是辅助保障行车安全，另一 方面，在有限的速度下，能减少行车不稳定急撒车，急转弯等对路面的加倍损 害，保障了路面改进措施的使用寿命。
(4)这一技术是符合时代潮流的，信息更新快，采集简便，效果明显和 现在的互联网发展有很高契合度，那么与现有的导航app发展合作，有非常好 的市场前景，不仅能成为app一大亮点，而且能提醒司机高速行驶的危害，体 现了科技的人文关怀理念，整个措施由物到人形成体系，真正的起到减少多雨 地区事故发生率的效果。
以上公开的仅为本发明的几个具体实施例，本领域的技术人员可以对本发 明进行各种改动和变型而不脱离本发明的精神和范围，倘若本发明的这些修改 和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这 些改动和变型在内。

Claims (4)

1.一种积水情况下安全行驶的全自动处理方法，其特征在于，包括：
采集沥青路面图像；
构建广义回归神经网络模型；其中，沥青路面图像的像素平均高程、像素极差、像素均值作为广义回归神经网络模型的输入数据，沥青路面构造深度作为广义回归神经网络模型的输出数据；
根据广义回归神经网络模型，预测沥青路面构造深度；
根据沥青路面构造深度，通过公式(1)，确定沥青路面水膜厚度；
根据沥青路面水膜厚度，通过公式(2)，确定参考行车安全速度；
所述公式(1)如下所示：
Figure FDA0002507665810000011
所述公式(2)如下所示：
Figure FDA0002507665810000012
其中，h为水膜厚度，mm；L为排水长度，m；S为路面坡度，m/m；I为降雨强度，mm/h；TD为路面构造深度；G为汽车总载荷；n为车轮数目；ρ为水密度；w为轮胎宽度；
Figure FDA0002507665810000013
R为轮胎半径。
2.如权利要求1所述的积水情况下安全行驶的全自动处理方法，其特征在于，所述沥青路面图像的像素平均高程、像素极差、像素均值的确定步骤，包括：
根据沥青路面图像灰度矩阵中的坐标及其对应的像素值，建立沥青路面图像的像素分布图；
根据沥青路面图像的像素分布图，重构沥青路面三维图像；
根据重构的沥青路面三维图像，通过Matlab软件，确定沥青路面图像的像素平均高程、像素极差、像素均值。
3.如权利要求1或2所述的积水情况下安全行驶的全自动处理方法，其特征在于，所述广义回归神经网络模型的训练步骤，包括：
采用铺沙法，确定测试沥青路面构造深度；
根据沥青路面图像的像素平均高程、像素极差、像素均值，及测试沥青路面构造深度，对广义回归神经网络模型进行训练。
4.如权利要求1所述的积水情况下安全行驶的全自动处理方法，其特征在于，所述采用铺沙法，确定沥青路面构造深度；具体包括：
在沥青路面布设测点位置时，根据车辆轮迹带，纵向每隔十米布置一个测点共布置30个测点，依次测试测点位置的沥青路面构造深度。
CN202010450919.6A 2020-05-25 2020-05-25 一种积水情况下安全行驶的全自动处理方法 Pending CN111563478A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010450919.6A CN111563478A (zh) 2020-05-25 2020-05-25 一种积水情况下安全行驶的全自动处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010450919.6A CN111563478A (zh) 2020-05-25 2020-05-25 一种积水情况下安全行驶的全自动处理方法

Publications (1)

Publication Number Publication Date
CN111563478A true CN111563478A (zh) 2020-08-21

Family

ID=72075242

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010450919.6A Pending CN111563478A (zh) 2020-05-25 2020-05-25 一种积水情况下安全行驶的全自动处理方法

Country Status (1)

Country Link
CN (1) CN111563478A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112948936A (zh) * 2021-03-10 2021-06-11 长安大学 一种降雨天气高速路面积水状况的三维模拟方法
CN112989461A (zh) * 2021-02-25 2021-06-18 长安大学 一种降雨天气高速公路行车实时安全反馈方法
CN113044023A (zh) * 2020-09-30 2021-06-29 惠州华阳通用电子有限公司 一种停车位积水识别方法及装置
CN114312796A (zh) * 2022-01-25 2022-04-12 中国第一汽车股份有限公司 一种车速控制方法、装置、存储介质及系统
CN112989461B (zh) * 2021-02-25 2024-05-31 长安大学 一种降雨天气高速公路行车实时安全反馈方法
EP4378786A1 (en) * 2022-11-29 2024-06-05 Sumitomo Rubber Industries, Ltd. Estimation apparatus for water film thickness on road surface

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543149A (zh) * 2018-11-06 2019-03-29 东南大学 一种雨天沥青路面安全停车视距计算方法
CN109584286A (zh) * 2019-01-22 2019-04-05 东南大学 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
US20190362510A1 (en) * 2018-05-24 2019-11-28 Lu Sun Method and system for evaluating friction coefficient and skid resistence of a surface

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190362510A1 (en) * 2018-05-24 2019-11-28 Lu Sun Method and system for evaluating friction coefficient and skid resistence of a surface
CN109543149A (zh) * 2018-11-06 2019-03-29 东南大学 一种雨天沥青路面安全停车视距计算方法
CN109584286A (zh) * 2019-01-22 2019-04-05 东南大学 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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
罗京 等: "路面水膜厚度检验评价方法", 《交通信息与安全》 *
蓝忠志: "基于数字图像技术的沥青路表纹理构造与抗滑性能研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *
许诤: "考虑道面平整度的飞机轮胎滑水安全问题研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113044023A (zh) * 2020-09-30 2021-06-29 惠州华阳通用电子有限公司 一种停车位积水识别方法及装置
CN113044023B (zh) * 2020-09-30 2022-04-01 惠州华阳通用电子有限公司 一种停车位积水识别方法及装置
CN112989461A (zh) * 2021-02-25 2021-06-18 长安大学 一种降雨天气高速公路行车实时安全反馈方法
CN112989461B (zh) * 2021-02-25 2024-05-31 长安大学 一种降雨天气高速公路行车实时安全反馈方法
CN112948936A (zh) * 2021-03-10 2021-06-11 长安大学 一种降雨天气高速路面积水状况的三维模拟方法
CN112948936B (zh) * 2021-03-10 2023-08-11 长安大学 一种降雨天气高速路面积水状况的三维模拟方法
CN114312796A (zh) * 2022-01-25 2022-04-12 中国第一汽车股份有限公司 一种车速控制方法、装置、存储介质及系统
EP4378786A1 (en) * 2022-11-29 2024-06-05 Sumitomo Rubber Industries, Ltd. Estimation apparatus for water film thickness on road surface

Similar Documents

Publication Publication Date Title
CN111563478A (zh) 一种积水情况下安全行驶的全自动处理方法
CN108664715B (zh) 一种路面积水车辙三维评价与行车安全分析方法
US9384401B2 (en) Method for fog detection
EP2675685B1 (de) Reibwertschätzung mittels einer 3d-kamera
DE102020112314A1 (de) Verifizierung von fahrzeugbildern
CN102254161B (zh) 基于路面轮廓及路面图像特征的路面类型识别方法及装置
CN116012384B (zh) 一种整芯阻燃输送带表面缺陷检测方法
CN116934748B (zh) 一种基于乳化高黏沥青的路面裂纹检测系统
CN108760740B (zh) 一种基于机器视觉的路面抗滑性能快速检测方法
US10467482B2 (en) Method and arrangement for assessing the roadway surface being driven on by a vehicle
DE102005044486A1 (de) Verfahren zur Detektion des Oberflächenzustandes einer Fahrbahn, sowie Detektionssystem und Fahrerassistenzsystem zur Umsetzung des Verfahrens
DE102012101085A1 (de) Bestimmung einer Beschaffenheit einer Fahrbahnoberfläche mittels einer 3D-Kamera
DE102015121270A1 (de) Detektion des Fahrbahnreflexionsvermögens durch einen Lidar-Sensor
CN116092015B (zh) 一种道路施工状态监测方法
CN117094914B (zh) 基于计算机视觉的智慧城市道路监控系统
CN116152749B (zh) 基于数字孪生的齿轮磨损智能监测方法
Choi et al. Detection of cracks in paved road surface using laser scan image data
Vaibhav et al. Real-time fog visibility range estimation for autonomous driving applications
CN110427026A (zh) 一种轮胎道路摩擦的确定方法及装置
Elunai et al. Asphalt concrete surfaces macrotexture determination from still images
CN114638822B (zh) 一种利用光学手段的汽车盖板表面质量检测方法及系统
Li et al. Road Damage Evaluation via Stereo Camera and Deep Learning Neural Network
EP4070082B1 (de) Verfahren zur beurteilung der qualität lackierter holzoberflächen
Schmiedel et al. Tire splash and spray directly before and during hydroplaning
CN115272298B (zh) 基于道路监控的城市路面维护监察方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200821

RJ01 Rejection of invention patent application after publication