CN112710273A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112710273A CN112710273A CN202011458070.3A CN202011458070A CN112710273A CN 112710273 A CN112710273 A CN 112710273A CN 202011458070 A CN202011458070 A CN 202011458070A CN 112710273 A CN112710273 A CN 112710273A
- Authority
- CN
- China
- Prior art keywords
- pothole
- vibration signal
- machine learning
- smart phone
- crowd
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000010801 machine learning Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000001133 acceleration Effects 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract description 3
- 230000004931 aggregating effect Effects 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 7
- 238000012952 Resampling Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/30—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring roughness or irregularity of surfaces
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
- G01P15/18—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration in two or more dimensions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了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，包括以下步骤：1、手机APP采集加速度计信息、定位信息和时间戳信息；2、数据预处理，并传给云服务器；3、云服务器接收潜在的坑洼信息数据，提取信号特征；4、根据服务端部署的机器学习模型判断数据段是否为坑洼引起，若是则存储对应数据段的GPS位置。5、将不同车辆识别出的坑洼按GPS位置进行聚合，确定最终的坑洼。本发明针对路面平整度指标检测实时性差、需要使用专用设备、需要专业人员进行检测的问题，对智能手机中三轴振动加速度数据进行采集分析，从而实现对路面状况的自动检测，降低了检测成本，扩大了可检测的区域范围，同时也使得检测更加实时高效。
Description
技术领域
本发明属于路面检测技术领域，具体涉及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。
背景技术
传统坑洼检测技术(路面检测技术)一般是将高清摄像头采集到的图像进行分析，并判断路面上是否有坑洼。目前，使用图像处理的方式来检测坑洼由于使用的摄像头价格较高，而基于此的路面坑洼检测系统的成本较高难以规模化生产。
针对这个问题，最近的坑洼检测系统基于方便易用且低成本的手机加速度传感器收集数据，并以阈值的方式检测坑洼。其基本方法是收集汽车行驶在道路上的垂直方向加速度数据并在低速和高速两种情况与阈值进行比较从而判断出是否汽车是否遇到了坑洼。由于车辆本身参数不同，在检测坑洼时用一个固定的阈值进行判断，其准确性较低。
发明内容
针对现有技术中存在的技术问题，本发明提供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，它在基于加速度传感器的路面检测技术的基础上引入了机器学习，采用众包思想，采集真实车辆行驶中的数据信息，能提高检测的准确性，实时性，并有效降低了检测成本以及加大了检测的区域。同时根据数据库中已确认的坑洼位置对即将通过该位置的车辆提前发送坑洞提醒，以使司机能够有时间应对。
本发明所要解决的技术问题是通过这样的技术方案实现的：
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，包括如下步骤：
步骤1：通过手机APP采集车辆行驶过程中的三轴振动信息、GPS定位信息和时间戳信息，实时进行本地缓存；
步骤2：对所述的三轴加速度信息进行拟合，形成连续的振动信号，并重新均匀采样，然后利用欧拉角进行三维坐标系转换，将三轴加速度数据从手机坐标系转移到汽车坐标系，最后利用滑动窗口对连续的振动信号进行分割，每一段振动信号均有相对应的GPS定位信息和时间戳信息；将每一段振动信号的幅值与预设阈值进行比较，标记幅值大于预设阈值的振动信号片段并上传至云端服务器；
步骤3：在云端服务器中对每一个振动信号片段进行信号变换，并提取相应的特征值，得到每一个振动信号片段的特征向量；
步骤4：利用预训练的分类器对每一个振动信号片段的特征向量进行坑洼识别；
若识别结果为坑洼，则标记该振动信号片段对应的GPS区域位置中存在疑似坑洼；当一段时间内相同的区域位置标记为疑似坑洼的振动信号片段大于N，则确定该区域位置中存在坑洼，且坑洼的具体位置采用多个定位信息的坑洼位置的均值；
若识别结果为非坑洼，则将该振动信号片段从云端服务器中删除；
步骤5：根据数据库中已确认的坑洼位置，对即将通过该位置的车辆提前发送坑洞提醒，以使司机能够有时间应对；重复步骤1至步骤5。
本发明的技术效果是：与固定的阈值法坑洼检测相比，使用机器学习方法得到的参数更贴合实际路面情况，并随着数据量的增长有更高的准确性，因此使用此算法能提高检测准确率。与传统的道路检测方法比，利用手机众包数据的检测方法更加地实时，高效，低成本。
附图说明
图1为本发明所述基于智能手机传感器和机器学习的众包路面坑洼检测系统架构。
图2为本发明所述基于智能手机传感器和机器学习的众包路面坑洼检测流程。
图3为本发明检测方法对原始数据重采样示例。
图4为本发明一个实施例的检测结果。
具体实施方式
下面结合附图对本发明做进一步的解释说明。
本发明提出了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，利用手机APP获取加速度传感器数据、GPS信息和时间戳信息，结合信号处理，阈值法和机器学习，自动检测路面坑洼，并对往来车辆进行坑洼预警提示。这种利用手机众包数据的检测方法具备实时、高效、低成本的特点，且采集到的数据均是真实可靠的，随着数据量的增长有更高的准确性，成本也较低。
如图1所示，本发明的系统架构主要包括了手机客户端和服务端，其中手机客户端为在智能手机中安装APP(客户端)，由APP实时读取手机内部的加速度计信息、GPS信息和时间戳信息，并缓存至手机本地，然后对数据进行预处理，利用阈值法筛选出潜在坑洼的数据段并上传至服务端；服务端一方面接收手机端发送的潜在坑洼的振动信号片段，利用特征提取算法从振动信号片段提取特征，得到特征向量并输入到已训练好的机器学习模型中从而判断数据段是否为坑洼引起的，并聚合多个手机数据的结果；另一方面将存在坑洼的位置反馈至手机端，对往来车辆进行坑洼预警。
如图2所示，本发明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，主要包括以下步骤：
步骤1、数据采集：
利用置于车辆中的手机捕获汽车行驶过程中的振动信息，具体在手机上的表现是三轴加速度计数值的变化。本实施例中是采用手机客户端的App，基于APP 开发协议，它可以读取手机加速度计、GPS传感器的数据、以及相应的时间戳信息。
步骤2、数据传输：
本发明的采集到的信息首先在客户端进行必要的预处理，具体包括：(1)将三轴加速度数据通过重采样得到均匀采样的数据；(2)利用欧拉角进行三维坐标系转换将三轴加速度数据从手机坐标系转换到汽车坐标系下；(3)滤波：通过高通滤波器，滤除低频的汽车加速，转弯等干扰；(4)分割：利用滑动窗口将连续的振动信号分割成一段段数据段，每一段振动信号都打上对应的GPS定位信息和时间戳信息，分割的同时利用阈值法进行初步筛选，将每一段振动信号的统计值与预设阈值进行比较，符合条件的数据段上传至服务器，不符合的直接抛弃。
通过上述的预处理步骤，依据阈值法选择了有潜在价值的振动信号片段上传至服务端。在本实施例中，所述的客户端具有本地缓存功能，因此可以适应某些区域手机信号不好的状况。
步骤3、服务端接收有潜在坑洼的振动信号片段，从数据片段的时域、频域 (经过FFT变换)、小波域(经过小波变换)中提取常见的统计量(均值，标准差，最大值，最小值等)作为每一个振动信号片段的特征向量，得到特征集。
步骤4、服务端部署有已训练好的模型，将各数据段的特征集输入到模型中，由模型输出分类结果，从而判断该数据片段是否由坑洼引起；
若模型识别结果为坑洼，则标记该振动信号片段对应的GPS区域位置中存在疑似坑洼；当一段时间内相同的区域位置标记为疑似坑洼的数量大于N，则确定该区域位置中存在坑洼，且坑洼的具体位置采用多个数据源坑洼位置检测值的均值；本实施例中，所述的相同的区域位置指的是±10米范围内的区域位置。
若模型识别结果为非坑洼，则将该振动信号片段从服务器中删除。
在本发明的一项具体实施中，根据单车数据检测出的坑洼GPS位置聚合来自多辆车的检测结果，从而给出更准确的坑洼判断以及坑洼位置。具体的聚合：当某个位置区域±10米(考虑到手机GPS的误差，对坑洼的定位无法到1米级) 被超过10辆车的数据判断为坑洼时即认为真正的坑洼，并且取多车定位的坑洼位置的均值作为最终位置。
步骤5：根据数据库中存储的已确定的坑洼位置对往来车辆进行坑洼预警；重复上述步骤。与固定的阈值法坑洼检测相比，使用机器学习方法得到的参数更贴合实际路面情况，并随着数据量的增长有更高的准确性，因此使用此算法能提高检测准确率。与传统的道路检测方法比，利用手机众包数据的检测方法更加地实时，高效，低成本。
在本发明的一项具体实施中，预训练的分类器包括逻辑回归模型、SVM模型、随机森林模型中的一种。预训练的分类器包括逻辑回归模型、SVM模型、随机森林模型中的一种，优选为随机森林模型。
在本发明的一项具体实施中，所述云端服务器中保存的标记为疑似坑洼或者坑洼的振动信号片段会随着时间不断更新。其中，标记为疑似坑洼或者坑洼的振动信号片段能够通过人工解除标记，或者超过时间阈值后自动解除。
在本发明的一项具体实施中，首先通过智能手机APP采集加速度传感器收集到的加速度数据和GPS模块收集到的定位信息数据；利用智能手机APP将采集到的加速度传感器数据进行预处理，包括重采样、重定向、滤波、分割、阈值筛选，将选出的数据段打上GPS位置信息和时间戳，并传送给云服务器；所述的云服务器接收潜在的坑洼信息数据，经行信号处理，并提取信号特征；服务端部署已训练的机器学习模型，进一步判断数据段是否为坑洼引起，若是则存储对应数据段的GPS位置。最后，云服务器将不同车辆数据中识别出的坑洼按GPS 位置进行聚合，确定最终的坑洼，以提高判断的准确率并减少误判。
本发明针对路面平整度指标检测实时性差、需要使用专用设备、需要专业人员进行检测的问题，对智能手机中三轴振动加速度数据进行采集分析，从而实现对路面状况的自动检测。本发明利用了众包数据提高了检测的准确性，降低了检测成本，扩大了可检测的区域范围，同时也使得检测更加实时高效。
如表1所示为本实施例的检测结果。共涉及三个数据集：Poor、Bad、All；其中Poor数据集提取自质量较差的路段，Bad数据集提取自质量很差的路段， All数据集为Poor数据集与Bad数据集之和。准确率＝正确预测的正样本数/(正确预测的正样本数+错误预测的正样本数)，召回率＝正确预测的正样本数/(正确预测的正样本数+错误预测的负样本数)。下表展示了本发明五组实验的结果，五组实验的区别是选取的训练集和测试集不同。结果显示，本发明提出的方法能取得不错的效果，并且具有较强的通用性。
表1本实施例的检测结果
| 序号 | 训练集 | 测试集 | 训练集上的正确率 | 测试集上的正确率 | 准确率 | 召回率 |
| 1 | All | All | 0.999 | 0.957 | 0.885 | 0.750 |
| 2 | Poor | Poor | 0.999 | 0.935 | 0.686 | 0.460 |
| 3 | Bad | Bad | 0.999 | 0.965 | 0.897 | 0.813 |
| 4 | All | Poor | 0.999 | 0.928 | 0.826 | 0.26 |
| 5 | All | Bad | 0.999 | 0.965 | 0.893 | 0.821 |
如图3所示展示的是数据重采样的过程。由于手机加速度计存在缺陷，无法采集到均匀采样的离散信号，而后续处理又需要均匀采样的信号，因此先通过拟合函数将离散点拟合为连续曲线(图3-a)，再从连续曲线中均匀采样得到均匀采样的样本(图3-b)。
本发明一个实施例的检测结果如图4所示。图中展示的是杭州西湖区的一幅地图，深色的线条为行车轨迹，更深色的圆点为检测到的坑洼位置。
以上列举的仅是本发明的具体实施例。显然，本发明不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。
Claims (10)
1.一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，其特征在于，包括如下步骤：
步骤1：通过手机APP采集车辆行驶过程中的三轴振动信息、GPS定位信息和时间戳信息，实时进行本地缓存；
步骤2：对所述的三轴加速度信息进行拟合，形成连续的振动信号，并重新均匀采样，然后利用欧拉角进行三维坐标系转换，将三轴加速度数据从手机坐标系转移到汽车坐标系，最后利用滑动窗口对连续的振动信号进行分割，每一段振动信号均有相对应的GPS定位信息和时间戳信息；将每一段振动信号的幅值与预设阈值进行比较，标记幅值大于预设阈值的振动信号片段并上传至云端服务器；
步骤3：在云端服务器中对每一个振动信号片段进行信号变换，并提取相应的特征值，得到每一个振动信号片段的特征向量；
步骤4：利用预训练的分类器对每一个振动信号片段的特征向量进行坑洼识别；
若识别结果为坑洼，则标记该振动信号片段对应的GPS区域位置中存在疑似坑洼；当一段时间内相同的区域位置标记为疑似坑洼的振动信号片段大于N，则确定该区域位置中存在坑洼，且坑洼的具体位置采用多个定位信息的坑洼位置的均值；
若识别结果为非坑洼，则将该振动信号片段从云端服务器中删除；
步骤5：根据数据库中已确认的坑洼位置，对即将通过该位置的车辆提前发送坑洞提醒，以使司机能够有时间应对；重复步骤1至步骤5。
2.根据权利要求1所述的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，其特征在于，步骤3所述的特征值包括时域特征、频域特征和小波域特征。
3.根据权利要求1所述的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，其特征在于，所述的预训练的分类器包括逻辑回归模型、支持向量机、随机森林模型中的一种。
4.根据权利要求3所述的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，其特征在于，所述的预训练的分类器为随机森林模型。
5.根据权利要求3或4所述的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，其特征在于，所述的预训练的分类器是由真实的坑洼位置的振动信号片段对应的特征向量训练得到的。
6.根据权利要求1所述的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，其特征在于，步骤4所述的相同的区域位置指的是±10米范围内的区域位置。
7.根据权利要求6所述的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，其特征在于，步骤4中，所述的多个定位信息的坑洼位置的均值指的是一段时间内，±10米范围内所有标记为疑似坑洼的振动信号对应的定位信息的平均值。
8.根据权利要求1所述的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，其特征在于，所述的车辆行驶过程中的三轴振动信息、GPS定位信息和时间戳信息是由手机APP读取手机内部传感器获得的。
9.根据权利要求1所述的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，其特征在于，所述云端服务器中保存的标记为疑似坑洼或者坑洼的振动信号片段会随着时间不断更新。
10.根据权利要求1所述的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，其特征在于，所述的标记为疑似坑洼或者坑洼的振动信号片段能够通过人工解除标记，或者超过时间阈值后自动解除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011458070.3A CN112710273A (zh) | 2020-12-10 | 2020-12-10 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011458070.3A CN112710273A (zh) | 2020-12-10 | 2020-12-10 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112710273A true CN112710273A (zh) | 2021-04-27 |
Family
ID=75541961
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011458070.3A Pending CN112710273A (zh) | 2020-12-10 | 2020-12-10 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112710273A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113183973A (zh) * | 2021-05-11 | 2021-07-30 | 武汉理工大学 | 基于can网络的胎压监测与路面信息智能感知平台及方法 |
| CN113264053A (zh) * | 2021-06-07 | 2021-08-17 | 武汉理工大学 | 汽车四轮轮速信号的监测平台及降低启动胎耗的方法 |
| CN113847944A (zh) * | 2021-09-14 | 2021-12-28 | 石家庄铁道大学 | 一种基于增强学习记忆控制的道路病害检测装置及方法 |
| CN113932758A (zh) * | 2021-09-15 | 2022-01-14 | 同济大学 | 一种路面平整度预测方法及装置 |
| CN116702000A (zh) * | 2023-05-31 | 2023-09-05 | 深圳技术大学 | 一种基于多层数据融合的路面质量动态监测与评估方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101418091B1 (ko) * | 2013-11-29 | 2014-07-10 | 주식회사 허즈앤티 | 데이터 베이스와 차속 보정을 이용한 노면 평탄성 측정 시스템 및 방법 |
| CN107167580A (zh) * | 2016-12-17 | 2017-09-15 | 重庆大学 | 基于加速度传感器和机器学习的路面坑洼检测方法 |
| CN108417065A (zh) * | 2018-03-21 | 2018-08-17 | 成都雅骏汽车制造有限公司 | 一种基于智能手机和导航应用的坑洼路面预警方法 |
| CN109167818A (zh) * | 2018-08-06 | 2019-01-08 | 长安大学 | 基于智能手机众包采集的道路平整度检测系统 |
| CN109191840A (zh) * | 2018-09-13 | 2019-01-11 | 电子科技大学 | 一种基于智能终端的实时交通状况判定方法 |
| CN109239099A (zh) * | 2018-09-30 | 2019-01-18 | 张家港天筑基业仪器设备有限公司 | 多机协同环境下的路面破损实时检测系统及其检测方法 |
| CN110184885A (zh) * | 2019-05-06 | 2019-08-30 | 苏交科集团股份有限公司 | 一种基于智能手机测试路面平整度的方法 |
| CN111058360A (zh) * | 2019-11-07 | 2020-04-24 | 北京工业大学 | 基于行车振动数据的路面平整度检测方法 |
| CN111985494A (zh) * | 2020-07-07 | 2020-11-24 | 深圳大学 | 一种基于轻量化车载终端的道路病害检测及分类方法 |
-
2020
- 2020-12-10 CN CN202011458070.3A patent/CN112710273A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101418091B1 (ko) * | 2013-11-29 | 2014-07-10 | 주식회사 허즈앤티 | 데이터 베이스와 차속 보정을 이용한 노면 평탄성 측정 시스템 및 방법 |
| CN107167580A (zh) * | 2016-12-17 | 2017-09-15 | 重庆大学 | 基于加速度传感器和机器学习的路面坑洼检测方法 |
| CN108417065A (zh) * | 2018-03-21 | 2018-08-17 | 成都雅骏汽车制造有限公司 | 一种基于智能手机和导航应用的坑洼路面预警方法 |
| CN109167818A (zh) * | 2018-08-06 | 2019-01-08 | 长安大学 | 基于智能手机众包采集的道路平整度检测系统 |
| CN109191840A (zh) * | 2018-09-13 | 2019-01-11 | 电子科技大学 | 一种基于智能终端的实时交通状况判定方法 |
| CN109239099A (zh) * | 2018-09-30 | 2019-01-18 | 张家港天筑基业仪器设备有限公司 | 多机协同环境下的路面破损实时检测系统及其检测方法 |
| CN110184885A (zh) * | 2019-05-06 | 2019-08-30 | 苏交科集团股份有限公司 | 一种基于智能手机测试路面平整度的方法 |
| CN111058360A (zh) * | 2019-11-07 | 2020-04-24 | 北京工业大学 | 基于行车振动数据的路面平整度检测方法 |
| CN111985494A (zh) * | 2020-07-07 | 2020-11-24 | 深圳大学 | 一种基于轻量化车载终端的道路病害检测及分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| AKANKSH BASAVARAJU 等: "A Machine Learning Approach to Road Surface Anomaly Assessment Using Smartphone Sensors", 《IEEE SENSORS JOURNAL》 * |
| 李彦华等: "智慧交通背景下的路面异常"智能巡逻"研究——基于众包与DTW视角", 《科技进步与对策》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113183973A (zh) * | 2021-05-11 | 2021-07-30 | 武汉理工大学 | 基于can网络的胎压监测与路面信息智能感知平台及方法 |
| CN113264053A (zh) * | 2021-06-07 | 2021-08-17 | 武汉理工大学 | 汽车四轮轮速信号的监测平台及降低启动胎耗的方法 |
| CN113847944A (zh) * | 2021-09-14 | 2021-12-28 | 石家庄铁道大学 | 一种基于增强学习记忆控制的道路病害检测装置及方法 |
| CN113847944B (zh) * | 2021-09-14 | 2024-02-02 | 石家庄铁道大学 | 一种基于增强学习记忆控制的道路病害检测装置及方法 |
| CN113932758A (zh) * | 2021-09-15 | 2022-01-14 | 同济大学 | 一种路面平整度预测方法及装置 |
| CN116702000A (zh) * | 2023-05-31 | 2023-09-05 | 深圳技术大学 | 一种基于多层数据融合的路面质量动态监测与评估方法 |
| CN116702000B (zh) * | 2023-05-31 | 2024-03-29 | 深圳技术大学 | 一种基于多层数据融合的路面质量动态监测与评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN108537197B (zh) | 一种基于深度学习的车道线检测预警装置及预警方法 | |
| CN109050535B (zh) | 一种基于车辆姿态的快速地形工况辨识方法 | |
| CN107103775B (zh) | 一种基于群智计算的道路质量检测方法 | |
| CN116758059B (zh) | 一种用于路基路面的视觉无损检测方法 | |
| CN108088799B (zh) | 机动车尾气林格曼黑度的测量方法及系统 | |
| CN106679633B (zh) | 一种车载测距系统及方法 | |
| CN102737247A (zh) | 一种柴油车尾气烟度图像识别系统 | |
| CN109671077B (zh) | 一种沥青路面抗滑性能检测方法及系统 | |
| CN111896685A (zh) | 一种汽车尾气远程监测系统 | |
| CN110766982B (zh) | 基于车载传感器的车辆碰撞检测系统 | |
| CN110728650A (zh) | 一种基于智能终端的井盖凹陷检测方法及相关设备 | |
| CN110445556B (zh) | 一种检测和定位etc干扰器的装置和方法 | |
| JP2018022220A (ja) | 挙動データ解析システム及び挙動データ解析装置及び挙動データ解析方法 | |
| CN110658209A (zh) | 一种随车道路缺陷智能快速检测方法 | |
| CN104680156A (zh) | 基于机器视觉的机动车前排未系安全带识别系统及方法 | |
| CN104200670B (zh) | 一种基于车辆地磁感应特征的车辆车型识别方法 | |
| 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 | |
| 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 | |
| Ashwini et al. | Trigger-based pothole detection using smartphone and OBD-II | |
| CN117173661A (zh) | 基于计算机视觉的沥青道路质量检测方法 | |
| CN115657002A (zh) | 基于交通毫米波雷达的车辆运动状态估计方法 | |
| CN104527641A (zh) | 一种基于机器视觉的泊车车速检测系统 | |
| CN105139481A (zh) | 一种汽车喇叭识别系统 | |
| CN112507867B (zh) | 一种基于EDLines线特征的车道线检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210427 |
|
| RJ01 | Rejection of invention patent application after publication |