CN113177611B - 基于力学指标和人工神经网络的路面病害快速巡检方法 - Google Patents

基于力学指标和人工神经网络的路面病害快速巡检方法 Download PDF

Info

Publication number
CN113177611B
CN113177611B CN202110566226.8A CN202110566226A CN113177611B CN 113177611 B CN113177611 B CN 113177611B CN 202110566226 A CN202110566226 A CN 202110566226A CN 113177611 B CN113177611 B CN 113177611B
Authority
CN
China
Prior art keywords
information
data
disease
acceleration
vehicle
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
Application number
CN202110566226.8A
Other languages
English (en)
Other versions
CN113177611A (zh
Inventor
李家乐
宋子豪
王雪菲
马国伟
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.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
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 Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202110566226.8A priority Critical patent/CN113177611B/zh
Publication of CN113177611A publication Critical patent/CN113177611A/zh
Application granted granted Critical
Publication of CN113177611B publication Critical patent/CN113177611B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Discrete Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明为基于力学指标和人工神经网络的路面病害快速巡检方法，该方法包括以下内容：以在不同病害类型的道路上车辆行驶过程中的VMI值、车速、车辆高程信息、振幅作为一组数据，多组数据形成输入数据集；利用SOM神经网络对输入数据集中的数据进行聚类，输出对应聚类结果；将根据聚类中心范围内的数据，与相应的时间信息和经纬度信息对应，确定每个聚类中心范围内加速度特征信息所对应的真实病害分类等级信息，建立样本病害数据库；利用建立的样本病害数据库训练决策树，建立决策树模型，对破坏道路进行病害分类和分级决策。该方法具有检测周期短、花费低、精度高以及不受人主观因素影响特点，实现路面病害的快速识别分类、分级和定位。

Description

基于力学指标和人工神经网络的路面病害快速巡检方法
技术领域
本发明涉及路面病害检测技术领域，具体涉及一种基于力学指标和人工神经网络的路面病害快速巡检方法。
背景技术
为了保证车辆在道路上行驶的安全性、舒适性以及延长道路的使用寿命，需要定期对道路进行检测与养护，而对驾驶过程中的病害进行快速检测并识别是一项十分重要而且必要的工作。路面的主要病害主要包括坑槽、车辙、裂缝、沉陷和波浪拥包。
目前路面病害传统检测方法主要是使用道路检测车和人工检测两种方法。道路检测车安装有激光弯沉测定仪、车载式颠簸累积仪等激光传感设备，在道路上以一定车速行驶，或者专业检测人员使用3m直尺、连续式平整度仪、摆式仪等非车载设备对路面弯沉、平整度、渗水系数和抗滑性等指标进行检测以及对路面病害进行识别和相关数据的采集。
检测车和人工检测都会影响道路的正常使用，尤其是在高速公路上，人工检测甚至需要关闭使用道路，同时会耗费大量的人力物力财力，检测效率也难得到保障。人工检测易受主观判断影响，缺乏一致的判断标准。
建立科学高效的路面快速巡检体系需要解决以下问题：1、实现快速巡检，减少时间消耗以及检测过程交通阻断和堵塞。2、实现病害识别分类、分级与定位。3、减少成本，并提高精度。
发明内容
针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于力学指标和人工神经网络的路面病害快速巡检方法。该巡检方法避免了传统路面检测方法周期长、花费高、精度低以及受人主观因素影响等特点，同时通过人工神经网络和GPS千寻定位系统实现路面病害的快速识别分类、分级和定位。
本发明解决所述技术问题采用的技术方案是：
一种基于力学指标和人工神经网络的路面病害快速巡检方法，该方法包括以下内容：
在不同病害种类的路面上，在车辆行驶过程中，由加速度传感器采集垂直振动加速度和振幅，以垂直振动加速度经快速傅里叶变换获得基频幅值、频谱中的n次谐波分量幅值，确定谐波比VMI；
以在不同病害类型的道路上车辆行驶过程中的VMI值、车速、车辆高程信息、振幅作为一组数据，多组数据形成输入数据集；
利用SOM神经网络对输入数据集中的数据进行聚类，输出对应聚类结果；
将根据聚类中心范围内的数据，与相应的时间信息和经纬度信息对应，确定每个聚类中心范围内加速度特征信息所对应的真实病害分类等级信息，建立样本数据即加速度特征信息与病害分类等级信息的一一对应的关系，使每个样本数据都对应一个病害分类等级信息的标签，建立样本病害数据库；
利用建立的样本病害数据库训练决策树，建立决策树模型，对破坏道路进行病害分类和分级决策，实现快速巡检。
本发明还保护一种路面病害快速巡检系统，该巡检系统包括：
用于采集车辆行驶过程中的垂直振动加速度和振幅的加速度信息采集模块；
用于实时获得车辆的经纬度和高程信息的能实现RTK厘米级精度定位的GPS定位模块；
用于进行数据传输的信号传输模块；
用于通过信号传输模块获得加速度信息采集模块、GPS定位模块的服务器平台；
服务器平台能实时监控车辆运行轨迹、速度、路面情况及位置，服务器平台还加载有数据库和路面病害决策模型；
数据库中存储的数据包括：VMI值、车辆速度、振幅、高程信息、车辆轨迹、经纬度坐标、时间信息、图像采集模块采集到的图像，以及对应的真实病害分类等级信息。
路面病害决策模型依据上述的巡检方法建立，由基于SOM自组织(竞争型)神经网络和决策树的两层结构经过训练后获得，用于通过输入的力学指标来获得路面病害分类和分级。
与现有技术相比，本发明有益效果在于：
本发明首次提出通过加速度信息对病害程度进行判断，意在强调对力学指标即加速度的处理，代替传统方式繁琐过程，比现有的一些技术例如图像识别或是无人机或是路面巡检车更快，更简洁。快速不仅实现在对于加速度数据处理比图像识别的流程更简单更快，对于设备需求和安装也更加简洁，所有设备安装只需很短时间，连接线路即可使用，减少传统检测方式对交通的阻塞和影响，并克服传统方法低效率、高成本和复杂流程，对高速公路路面实现快速、无损的快速巡检。
本发明巡检方法中使用采集的数据信息建立第一层SOM自组织(竞争型)神经网络，训练得到加速度特征变化信息和路面病害种类之间的关系；建立第二层决策树模型，根据得到的第一层人工神经网络模型的预测结果加以分析，训练，实现判断破坏道路的病害类型和程度。
本发明巡检方法对于路面的加速度信息进行处理识别用时短，效率高，成本低，更适于日常巡检，避免了图像识别的繁琐程序以及不精准度的问题，尤其是面对大体量的路面数据时处理效率更高，也避免了使用无人机而带来的续航问题。
本发明系统使用非接触式的加速度传感器，可以通过强磁方便地安装在车轴上，并且对车身没有破坏，并从技术层面对于本发明进行介绍和指导。
附图说明
图1为本发明流程图；
图2：神经网络结构图
图3：神经网络流程图
图4为实验方案示意图：
图中，1为信息传输模块、2为高精度GPS定位模块、3为加速度信息采集模块、4为图像采集模块、5为服务器平台。
具体实施方式
下面给出本发明的具体实施例。具体实施例仅用于进一步详细说明本发明，不限制本申请的保护范围。
本发明一种基于力学指标和人工神经网络的路面病害快速巡检方法，包括下述步骤：
步骤一：数据采集。
(1)硬件介绍
基于力学指标和人工神经网络的路面病害快速巡检方法的硬件包括加速度信息采集模块(3)、高精度GPS定位模块(2)、图像采集模块(4)、信号传输模块(1)。
所述加速度信息采集模块采用非接触式加速度传感器，非接触式加速度传感器通过数据传输线与信号传输模块1连接，加速度传感器用于采集车辆行驶过程中的垂直振动加速度以及振幅，垂直振动加速度通过信号转换能获得谐波比VMI；加速度传感器由强磁改装成非接触式加速度传感器，通过强磁吸附在板车车轴或车底盘，根据如何获取到最真实和信号最强的加速度数据来定，本实施例中设置在车轴上，拟在车辆前轮轮轴的左右部分各安装一个加速度传感器来检测左右轮不同的振动。
所述高精度GPS定位模块采用北斗GNSS-RTK(Global Navigation SatelliteSystem-Real-time kinematic)，即全球卫星导航系统加上实时载波相位差分技术，全球卫星导航系统能在地球表面或近地空间的任何地点为用户提供全天候的3维坐标和速度以及时间信息的空基无线电导航定位系统；实时载波相位差分技术是实时处理两个测量站载波相位观测量的差分方法,将基准站采集的载波相位发给用户接收机,进行求差解算坐标。高精度GPS定位模块包括：车载定位器、千寻定位系统，能实现RTK厘米级精度定位。RTK厘米级精度定位可通过建立RTK基站或者使用千寻账号获得的差分信号；RTK基站用于向安装在车辆上的车载定位器提供差分信号或者直接使用千寻定位系统来获得差分信号。车载定位器是一个“蘑菇头”通过强磁吸附在车辆车顶，采用千寻定位，能够实时获得车辆的经纬度、车速、车辆轨迹和高程信息。以此采集车辆的位置信息(包括经纬度、车速、车辆轨迹和高程信息)，车辆位置信息通过信号传输模块传送到服务器平台。
所述图像采集模块具有高清运动相机。设置图像采集模块是为了验证本申请方法的准确性，了解病害的真实具体情况，实际在方法使用时，不需要使用图像采集模块，仅依据加速度信息采集模块和GPS定位模块的数据即可。高清运动相机普遍运用于检测行业，能够快速进行高灵敏和高帧频的图像记录，在高速运动环境下拍摄出的视频更流畅，并可以实现逐帧剖析、纪录、编写、储存和转化成汇报等作用。可通过信号传输模块传送到服务器平台，并以此实现对路面状况信息的获取，可根据时间信息与所获取的加速度信息和GPS定位信息结合，更清楚的了解路面状况，方便在进行数据库建立时对样本打标签，以此实现快速巡检，并可用以核查加速度特征变化信息的变化是否真实符合路面状况。
所述信号传输模块用4G无线网卡进行数据传输，其他硬件通过数据传输线连接到信号传输模块上，将数据传输储存至服务器平台。服务器平台能够实现网页端对车辆数据实时监控显示，登陆以后可以实时查看车辆信息，每日工作数据自动储存在服务器平台，随时下载查看。存储数据有：车辆速度，车辆轨迹，经纬度坐标，对垂直振动加速度信号通过A/D采样成数字信号后经过FTT(快速傅里叶变换)得到的基频幅值、频谱中的n次谐波分量幅值等。同时使用者能够实现利用手机端扫描二维码登陆，实时监控车辆运行轨迹、速度、路面情况、位置等信息，做到随时随地全过程监控。
在对车辆进行设备的安装后。采样频率为0.5～1.5s一个数据点，记录数据包括：高精度GPS定位模块采集的车辆经纬度、车速和高程信息、加速度信息采集模块采集的振动加速度信息，实时记录车辆精确位置、车速等指标，并将相关数据上传到服务器平台。服务器平台实时监控现场数据信息，并直接对加速度相关数据进行分析处理，并根据数据库信息记录下的加速度特征信息和现场采集的对应时间和位置的病害分类和等级，服务器平台不断利用逐渐扩展的样本病害数据，对所述路面病害决策模型进行优化和更新。还可以通过分析整理生成路面病害成果报告等。数据按照天为单位进行存储。
步骤二：构建神经网络模型。
SOM神经网络(自组织映射神经网络)不用像K均值算法需要事先定下类的个数，隐藏层中的某些节点可以没有任何输入数据属于它，K均值算法为每个输入数据找到一个最相似的类后，只更新这个类的参数；自组织映射神经网络则会更新临近的节点。所以，K均值算法受噪声数据的影响比较大。
其步骤如下:
S1、在不同病害种类的路面上，对车辆行驶过程中，由加速度传感器采集垂直振动加速度，获得振动加速度信号，将直接采集到振动加速度数据记为原始数据，将垂直振动加速度模拟信号通过A/D采样成数字信号后经过FTT(快速傅里叶变换)得到的基频幅值、频谱中的n次谐波分量幅值(n为谐波分量的数量，能够得到二次谐波分量幅值、三次谐波分量幅值……)，当路面病害对车轮产生抵抗力时，加速度信号出现突变，病害值对应突变程度，加速度突变越大，加速度信号的谐波分量也越多。基于此原理，提出振动力学指标(Vibrationmechanics index)拟通过谐波比值大小来反映路面病害程度的加速度变化响应。
Figure BDA0003080800140000041
C为一个常数，根据实际情况标定，通常取C＝300，a(P0)代表基频幅值，a(Pn)代表频谱中的n次谐波分量幅值，VMI为一个无量纲的相对值，VMI越大，表明振动越明显；
根据公式(1)计算获得不同采样时间点的振动加速度模拟信号的谐波比VMI；若某采样时间点无VMI值，则该值记为0。
S2、以在不同病害类型的道路上车辆行驶过程中的VMI值、车速、车辆高程信息、振幅作为一组数据，多组数据形成输入数据集；
S3、利用SOM神经网络对输入数据集中的数据进行聚类，输出对应聚类结果；Y是聚类中心，聚类结果对应不同种类病害，每个聚类中心的所属病害种类不同，聚类结果表明该聚类中心范围内的样本数据对应的都为同一种病害；
S4、将根据聚类中心范围内的数据，与相应的时间信息和经纬度信息对应，确定每个聚类中心范围内加速度特征信息所对应的真实病害分类等级信息，建立样本数据即加速度特征信息与病害分类等级信息的一一对应的关系，使每个样本数据都对应一个病害分类等级信息的标签，建立样本病害数据库；
S5、利用步骤S4建立的样本病害数据库训练决策树，建立决策树模型，实现对破坏道路进行病害分类和分级决策。
上述中真实病害分类等级信息可根据对应时间点和经纬度位置采集的图像信息进行确定和/或者根据对应时间点所对应的振动加速度的采集经纬度位置，通过常规实验方法现场检测，和聚类中心内的数据相对应，确定当前道路位置的路面病害种类及分级。病害种类的分级依据现行规范确定，可以根据加速度特征变化信息的聚类结果实现对横向裂缝、龟裂(块状裂缝)、车辙、波浪、沉陷、隆起和坑槽的区分，并获得到对应的加速度特征变化信息。
服务器平台中的数据库中会存储有大量的VMI值、高程信息、振幅、车辆速度、以及时间信息、图像采集模块采集到的图像，以及对应的真实病害分类等级信息。在需要进行决策树训练时，可以从服务器平台的数据库中下载的相关数据组。
将VMI值、车速、车辆高程信息、振幅作为SOM神经网络的输入，SOM的聚类结果Y作为SOM神经网络的输出，SOM神经网络的结构是两层的无监督神经网络结构，输入层h个神经元构成的第一层神经层，竞争层(映射层)即输出层是由K个神经元组成的二维平面阵列。
路面加速度特征变化信息包括垂直加速度、高程、振幅、车辆速度、VMI等信息指标，以及时间信息等，其中将VMI值、车速、车辆高程信息、振幅这4种最相关的指标作为SOM神经网络的输入，则输入的特征种类数记为N。输入的数据数量为h，即输入层神经元个数为h，映射层神经元个数为K。
利用SOM神经网络对路面加速度特征变化信息进行聚类的方法为：
1)利用”min-max标准化”(Min-Max Normalization)函数对上述N种加速度特征变化的数据信息进行归一化，归一化后的数据分量在尺度变换后处于0～1之间：
Figure BDA0003080800140000051
其中xa,max，xa,min为第a种加速度特征变化信息指标中的最大值和最小值，xa为第a种加速度特征变化信息指标，且a＝1,2...N，Xa是归一化后的加速度特征变化信息指标值；
2)取0和1之间的随机值对映射层和输入层之间的初始连接权重向量Wk随机赋值Wk＝{ω1k,ω2k,…,ωnk,…,ωhk}，n为第n组数据，hk表示映射层和输入层之间的对应关系的数量，对初始的学习率也随机赋值为η，且η∈[0,1]，设置初始优胜邻域Nk*(0)，其中，k＝1,2,3,…,K，为第k个神经元，ωnk＝{ωnk,1,ωnk,2,…,ωnk,i,…,ωnk,N}为神经元k与第i种加速度特征变化信息指标的连接权重值；
3)输入归一化样本X＝(X1,X2,…Xn,…,Xh)T作为训练样本。
4)计算输入向量与映射层的权值向量的相似性：
选取一组训练样本Xn＝(xn,1,xn,2,…xn,i,…,xn,N)，i＝1,2...N，xn,i是Xn中第i个元素，每一个训练数据会与竞争层所有的神经元对应的权向量Wk进行相似性对比，最相似的神经元将获胜，这里采用欧式距离作为输入向量与连接权重向量的距离来进行比较：
Figure BDA0003080800140000061
Figure BDA0003080800140000062
为输入向量与连接权重向量的欧几里德距离，k为第k个神经元,xn,i为训练样本中的第i个数。
5)对优胜神经元k的权重进行调整，优胜神经元周围的神经元和输入向量的连接权重也会一并更新：
Figure BDA0003080800140000063
其中，s为当前学习循环次数，s+1为下一次学习循环次数，ωnk(s)为s次学习的权重，
Figure BDA0003080800140000064
为神经元k与邻近中心v的邻近关系值，Dvk为神经元k在网络拓扑中心与邻近中心v的距离，Wv为优胜神经元与输入向量的连接权重，R为神经元k的优胜邻域Nk*(t)的半径；
6)将加速度特征变化信息对应的优胜神经元进行标号，找到优胜神经元，返回步骤4)，直到找到所有加速度特征变化信息对应的优胜神经元。
7)只有优胜神经元才有权调整权向量，参与循环步骤2)至步骤6)，直到最大循环次数，或者学习率η＜ηmin时得到Y类加速度信息变化的聚类结果。
本发明根据对聚类得到的加速度特征变化信息进行分析，根据聚类结果和对应的时间信息给输入数据记录标签(标签为病害种类+病害级别(轻、中、重或者轻、重))，建立样本病害数据库，利用现行规范对样本数据进行手动分级，给原始数据加上病害等级信息标签，即在原始数据中加入了病害-等级程度的标签，并作为第二阶段决策树的输入。针对于沥青路面，结合《公路技术评定标准》(JTGH20-2018)设定合理阈值。
例如车辙：根据现有规范车辙深度处于10-15mm的为轻度车辙，大于15mm的为重度车辙，给定标签于车辙深度在15mm左右的加速度特征变化信息。得到分级的关键信息，以此类推，得到其他病害分级的阈值：
(1)横向裂缝：裂缝宽度小于或等于3mm为轻度裂缝，宽度大于3mm的为重度裂缝。
(2)沉陷：轻度沉陷深度在10-25mm，重度沉陷深度大于25mm。
(3)车辙：根据现有规范车辙深度处于10-15mm的为轻度车辙，大于15mm的为重度车辙。
(4)波浪拥包：轻度波峰波谷高差在10-25mm，重度大于25mm。
(5)坑槽：轻度坑槽面积小于25mm，重度深度大于或等于25mm。
对聚类得到的加速度特征变化信息进行分析，根据现行规范，确定其对应的病害等级信息，将加速度特征变化信息和对应病害分类等级信息作为样本病害数据库对决策树训练，来实现决策病害的类型和级别，以此决策树能够进行有监督的决策，来判断路面病害的等级以确定是否需要对路面进行养护或是进一步操作。
建立决策树模型的具体步骤包括：
(1)计算确定病害决策的总信息熵:
Figure BDA0003080800140000071
其中：Ent(D)为病害决策方案的总信息熵；Pm为当前样本集D中第m类样本所占的比例,Pm(m＝1,2,3,...|M|)，M为类别的总数根据上文中聚类结果得到的病害种类再加上分级信息得到，即为病害种类数和每种病害所分的等级数的总和；
(2)计算每种破坏参数的信息增益和信息增益比：
Figure BDA0003080800140000072
Figure BDA0003080800140000073
Figure BDA0003080800140000074
其中：GR(D|A)为每一个破坏参数的信息增益比，Gain(D|A)为每一种破坏参数的信息增益；使用病害信息(病害种类和程度)A来对样本病害数据库中数据集D进行划分，则会产生G个分支结点，其中第g个结点包含了数据集D中所有在病害信息A上取值为Ag的样本总数,Ent(Dg)为在病害信息A下的病害决策条件熵；Dg为在病害信息A的范围下的样本数；D为样本病害数据库中的样本总数。HA(D)为惩罚参数：数据集D以特征A作为随机变量的熵。
根据每一个样本重复计算，按照每一个破坏参数的信息增益比，信息增益越大，对于最后的病害决策贡献越大，得到的加速度特征变化信息使判断它为某病害类型的不确定性减少的程度就越大，信息增益比在信息增益的基础之上乘上一个惩罚参数。特征个数较多时，惩罚参数较小；特征个数较少时，惩罚参数较大。训练得到加速度信息变化到病害决策方案之间的分类权重，直到测试集满足预设精度。
(3)输出决策树分类结果。
在决策模型建立好后，对某个道路路面进行快速巡检时，仅使安装有加速度传感器、GPS定位模块和信息传输模块的车辆行驶过该路段，将采集的加速度数据经快速傅里叶变换获得基频幅值、频谱中的n次谐波分量幅值，确定谐波比VMI，以当前采集的道路上车辆行驶过程中的VMI值、车速、车辆高程信息、振幅作为输入，输入已建立训练好的决策树模型，输出决策树分类结果，即完成对当前道路路面的快速巡检。
本发明未述及之处适用于现有技术。

Claims (8)

1.一种基于力学指标和人工神经网络的路面病害快速巡检方法，该方法包括以下内容：
在不同病害种类的路面上，在车辆行驶过程中，由加速度传感器采集垂直振动加速度和振幅，以垂直振动加速度经快速傅里叶变换获得基频幅值、频谱中的n次谐波分量幅值，确定谐波比VMI；
以在不同病害类型的道路上车辆行驶过程中的VMI值、车速、车辆高程信息、振幅作为一组数据，多组数据形成输入数据集；
利用SOM神经网络对输入数据集中的数据进行聚类，输出对应聚类结果；
将根据聚类中心范围内的数据，与相应的时间信息和经纬度信息对应，确定每个聚类中心范围内加速度特征信息所对应的真实病害分类等级信息，建立样本数据即加速度特征信息与病害分类等级信息的一一对应的关系，使每个样本数据都对应一个病害分类等级信息的标签，建立样本病害数据库；
利用建立的样本病害数据库训练决策树，建立决策树模型，对破坏道路进行病害分类和分级决策；
所述谐波比的表达式为
Figure FDA0003849453570000011
其中，C为一个常数，a(P0)代表基频幅值，a(Pn)代表频谱中的n次谐波分量幅值，VMI谐波比。
2.根据权利要求1所述的巡检方法，其特征在于，C＝300。
3.根据权利要求1所述的巡检方法，其特征在于，所述真实病害分类等级信息能根据对应时间点和经纬度位置采集的图像信息进行确定和/或者根据对应时间点所对应的振动加速度传感器采集的经纬度位置，通过实验方法现场检测，和聚类中心范围内的数据相对应，确定当前道路位置的路面病害种类及分级；病害种类的分级依据现行规范确定，能根据加速度特征变化信息的聚类结果实现对横向裂缝、龟裂、车辙、波浪、沉陷、隆起和坑槽的区分，并获得到对应的加速度特征变化信息。
4.根据权利要求1所述的巡检方法，其特征在于，利用SOM神经网络对输入数据集中的数据进行聚类的过程是：
1)利用”min-max标准化”函数对上输入数据集中的加速度特征变化的数据信息进行归一化，归一化后的数据分量在尺度变换后处于0～1之间：
Figure FDA0003849453570000012
其中xa,max，xa,min为第a种加速度特征变化信息指标中的最大值和最小值，xa为第a种加速度特征变化信息指标，且a＝1,2...N，N为输入数据集中加速度特征变化信息的特征种类数；Xa是归一化后的加速度特征变化信息指标值；
2)输入层神经元个数为h，映射层神经元个数为K，取0和1之间的随机值对映射层和输入层之间的初始连接权重向量Wk随机赋值Wk＝{ω1k,ω2k,…,ωnk,…,ωhk}，n为第n组数据，hk表示映射层和输入层之间的对应关系的数量，对初始的学习率也随机赋值为η，且η∈[0,1]，设置初始优胜邻域Nk*(0)，其中，k＝1,2,3,…,K，为第k个神经元，ωnk＝{ωnk,1,ωnk,2,…,ωnk,i,…,ωnk,N}为神经元k与第i种加速度特征变化信息指标的连接权重值；
3)输入归一化样本X＝(X1,X2,…Xn,…,Xh)T作为训练样本；
4)计算输入向量与映射层的权值向量的相似性，每一个训练数据会与映射层所有的神经元对应的权向量Wk进行相似性对比，最相似的神经元将获胜，这里采用欧式距离作为输入向量与连接权重向量的距离来进行比较；
5)对优胜神经元的权重进行调整，优胜神经元周围的神经元和输入向量的连接权重也会一并更新：
6)将加速度特征变化信息对应的优胜神经元进行标号，确定当前加速度特征变化信息对应的优胜神经元，返回步骤4)，直到找到所有加速度特征变化信息对应的优胜神经元；
7)只有优胜神经元才有权调整权向量，参与循环步骤2)至步骤6)，直到最大循环次数，或者学习率η＜ηmin时得到加速度特征变化信息的聚类结果。
5.根据权利要求1所述的巡检方法，其特征在于，病害分类等级信息包括病害的分类和分级，分类包括横向裂缝、沉陷、车辙、波浪拥包、坑槽，分级包括：
车辙深度处于10-15mm的为轻度车辙，大于15mm的为重度车辙；
裂缝宽度小于或等于3mm为轻度裂缝，宽度大于3mm的为重度裂缝；
轻度沉陷深度在10-25mm，重度沉陷深度大于25mm；
轻度波峰波谷高差在10-25mm，重度大于25mm；
轻度坑槽面积小于25mm，重度深度大于或等于25mm。
6.一种路面病害快速巡检系统，其特征在于，该巡检系统包括：
用于采集车辆行驶过程中的垂直振动加速度和振幅的加速度信息采集模块；
用于实时获得车辆的经纬度和高程信息的能实现RTK厘米级精度定位的GPS定位模块；
用于进行数据传输的信号传输模块；
用于通过信号传输模块获得加速度信息采集模块、GPS定位模块的服务器平台；
服务器平台能实时监控车辆运行轨迹、速度、路面情况及位置，服务器平台还加载有数据库和路面病害决策模型；路面病害决策模型依据权利要求1-5任一所述的巡检方法建立；
数据库中存储的数据包括：VMI值、车辆速度、振幅、高程信息、车辆轨迹、经纬度坐标、时间、病害分类等级信息。
7.根据权利要求6所述的巡检系统，其特征在于，所述加速度信息采集模块采用非接触式加速度传感器，非接触式加速度传感器通过强磁吸附在板车车轴或车底盘，测得车辆在行驶过程中的垂直振动加速度和振幅；
GPS定位模块包括：车载定位器、千寻定位系统，车载定位器通过强磁吸附在车辆车顶，采用千寻定位，能够实时获得车辆的经纬度、车速、车辆轨迹和高程信息；
信号传输模块用4G或5G方式进行数据传输；
服务器平台能够实现网页端对车辆数据实时监控显示，登陆以后能实时查看车辆信息，每日工作数据自动储存在服务器平台，随时下载查看，服务器平台不断利用逐渐扩展的数据，对所述路面病害决策模型进行优化和更新，通过分析整理生成路面病害成果报告；数据按照天为单位进行存储；同时使用者能够实现利用手机端扫描二维码登陆，实时监控车辆运行轨迹、速度、路面情况、位置信息，做到随时随地全过程监控。
8.根据权利要求6所述的巡检系统，其特征在于，该系统还包括有图像采集模块，以此实现对路面状况信息的获取。
CN202110566226.8A 2021-05-24 2021-05-24 基于力学指标和人工神经网络的路面病害快速巡检方法 Active CN113177611B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110566226.8A CN113177611B (zh) 2021-05-24 2021-05-24 基于力学指标和人工神经网络的路面病害快速巡检方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110566226.8A CN113177611B (zh) 2021-05-24 2021-05-24 基于力学指标和人工神经网络的路面病害快速巡检方法

Publications (2)

Publication Number Publication Date
CN113177611A CN113177611A (zh) 2021-07-27
CN113177611B true CN113177611B (zh) 2022-11-01

Family

ID=76930000

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110566226.8A Active CN113177611B (zh) 2021-05-24 2021-05-24 基于力学指标和人工神经网络的路面病害快速巡检方法

Country Status (1)

Country Link
CN (1) CN113177611B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642660B (zh) * 2021-08-20 2023-06-23 招商局重庆交通科研设计院有限公司 一种道面多维检测数据的信息增益表征方法
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
CN114582135B (zh) * 2021-11-17 2023-07-18 北京交通发展研究院 检测路面异常方法、装置、终端及存储介质
CN114565793B (zh) * 2022-02-28 2023-05-23 湖南北斗微芯产业发展有限公司 一种道路交通裂缝监测方法以及系统
CN114646305B (zh) * 2022-03-03 2024-04-02 湖南省测绘科技研究所 一种无人机测绘行为的智能识别方法
CN115201218A (zh) * 2022-07-13 2022-10-18 鲁朗软件(北京)有限公司 一种车载路面病害智能检测方法及系统
CN116448773B (zh) * 2023-06-19 2023-08-18 河北工业大学 一种图像-振动特征融合的路面病害检测方法及系统
CN116881782B (zh) * 2023-06-21 2024-07-23 清华大学 路面病害识别方法、装置、计算机设备和存储介质
CN117522175B (zh) * 2024-01-08 2024-04-02 中国公路工程咨询集团有限公司 一种道路养护决策方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109716108A (zh) * 2016-12-30 2019-05-03 同济大学 一种基于双目图像分析的沥青路面病害检测系统
CN109934452A (zh) * 2019-01-21 2019-06-25 上海同济检测技术有限公司 基于多源数据的道路舒适度评价方法
CN111105332A (zh) * 2019-12-19 2020-05-05 河北工业大学 一种基于人工神经网络的高速公路智能预养护方法及系统
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10109191B2 (en) * 2016-02-10 2018-10-23 International Business Machines Corporation Method of quickly detecting road distress

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109716108A (zh) * 2016-12-30 2019-05-03 同济大学 一种基于双目图像分析的沥青路面病害检测系统
CN109934452A (zh) * 2019-01-21 2019-06-25 上海同济检测技术有限公司 基于多源数据的道路舒适度评价方法
CN111105332A (zh) * 2019-12-19 2020-05-05 河北工业大学 一种基于人工神经网络的高速公路智能预养护方法及系统
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 (1)

* Cited by examiner, † Cited by third party
Title
Assessing of the Road Pavement Roughness by Means of LiDAR Technology;Maria Rosaria De Blasiis，et al.;《Coatings》;20201225;全文 *

Also Published As

Publication number Publication date
CN113177611A (zh) 2021-07-27

Similar Documents

Publication Publication Date Title
CN113177611B (zh) 基于力学指标和人工神经网络的路面病害快速巡检方法
US11447150B2 (en) Comfort-based self-driving planning method
US11486548B2 (en) System for detecting crack growth of asphalt pavement based on binocular image analysis
CN110346517B (zh) 一种智慧城市工业大气污染可视化预警方法及其系统
CN116448773B (zh) 一种图像-振动特征融合的路面病害检测方法及系统
CN111008505B (zh) 城市坡道行驶工况构建方法及应用
CN110427993B (zh) 基于气象参数的高速列车导航盲区定位方法
US20130082857A1 (en) Distributed road assessment system
CN109784752A (zh) 一种三峡库区水体富营养化风险评估预警系统及其分析方法
CN105203551A (zh) 车载激光雷达隧道检测系统、基于隧道检测系统的自主定位方法及隧道灾害检测方法
CN111583628B (zh) 基于数据质量控制的道路网重型货车交通流量预测方法
CN112965077A (zh) 一种基于车载激光雷达的道路巡检系统与方法
CN113033284A (zh) 一种基于卷积神经网络的车辆实时超载检测方法
CN106408944A (zh) 基于双通信数据的拥堵等级分析平台
Saeed et al. A review of intelligent methods for unpaved roads condition assessment
CN109979194B (zh) 基于马尔可夫链的重型车辆坡道爬行行为识别方法
CN113657041A (zh) 一种高寒区路基物理力学状态智能感知与预报系统
CN114971166A (zh) 一种轻量化道路路面服务质量巡检系统
CN118070105A (zh) 一种路面智能自适应检测与维护方法及系统
KR20120125741A (ko) 차량별 자성특징 분석을 통한 차종분류방법 및 그의 시스템
CN116092037B (zh) 融合轨迹空间-语义特征的车辆类型识别方法
CN117330035A (zh) 一种动态遥感监测的国土测绘方法及其系统
Staniek Repeatability of road pavement condition assessment based on three-dimensional analysis of linear accelerations of vehicles
CN114743168A (zh) 基于深度学习的行车风险源识别评估方法及系统
CN114719881A (zh) 一种应用卫星定位的无路径导航算法与系统

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
GR01 Patent grant
GR01 Patent grant