CN113847944B - 一种基于增强学习记忆控制的道路病害检测装置及方法 - Google Patents

一种基于增强学习记忆控制的道路病害检测装置及方法 Download PDF

Info

Publication number
CN113847944B
CN113847944B CN202111072179.8A CN202111072179A CN113847944B CN 113847944 B CN113847944 B CN 113847944B CN 202111072179 A CN202111072179 A CN 202111072179A CN 113847944 B CN113847944 B CN 113847944B
Authority
CN
China
Prior art keywords
curve
vibration
vibration curve
matching
interference
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
CN202111072179.8A
Other languages
English (en)
Other versions
CN113847944A (zh
Inventor
王兴举
张雪芳
庞新乐
康学建
胡宇范
王晓雪
赵艳峰
李博
刘博航
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.)
Shijiazhuang Tiedao University
Original Assignee
Shijiazhuang Tiedao 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 Shijiazhuang Tiedao University filed Critical Shijiazhuang Tiedao University
Priority to CN202111072179.8A priority Critical patent/CN113847944B/zh
Publication of CN113847944A publication Critical patent/CN113847944A/zh
Application granted granted Critical
Publication of CN113847944B publication Critical patent/CN113847944B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本发明涉及一种基于增强学习记忆控制的道路病害检测装置及方法，属于智能交通技术领域，所述装置包括振动感应装置、数据处理装置、GPS定位装置、图像采集处理装置、终端服务器和无线传输装置；所述方法包括5个步骤：振动曲线的采集、振动曲线的处理、定位数据的获取、路面图像的拍摄与逆透视变换以及终端服务器结合处理后的振动曲线和变换后的图像进行综合评估分析确定道路路面病害情况，根据定位数据对路面出现的问题进行反馈。本发明装置成本低，将振动曲线与图像分析相结合，多维判断道路质量状况，判断结果更精准；融入增强学习记忆控制，通过特征匹配和修正，排除了减速运动等的干扰，精确识别病害路面的振动曲线，提高了检测效率。

Description

一种基于增强学习记忆控制的道路病害检测装置及方法
技术领域
本发明涉及一种基于增强学习记忆控制的道路病害检测装置及方法，属于智能交通技术领域。
背景技术
道路是车辆和行人通行的基础设施，是现代运输系统的一个重要组成部分。在行车过程中经常能遇到路面缺陷，由于驾驶人员无法对路面缺陷进行快速的识别，给行车安全造成了一系列的危害，造成了大量的车祸事故。因此，检测道路的质量情况(如拥包、坑洼、沉陷)并及时维护具有重要的社会意义。
目前，在判别道路的病害情况时，一般是由驾驶人员人工进行判别，驾驶人员在驾驶的过程中实时判断道路的病害情况。由于主观因素的限制，会造成判断误差，判别道路病害的准确度较低。
发明内容
本发明的目的是提供一种基于增强学习记忆控制的道路病害检测装置及方法，能够高效、准确、实时检测道路路面病害，并将出现的问题进行反馈。
为了实现上述目的，本发明采用的技术方案是：
一种基于增强学习记忆控制的道路病害检测装置，包括安装于车辆前盖的振动感应装置，所述振动感应装置用于采集车辆在路面行驶时的振动曲线，并通过无线传输装置将振动曲线信息传递给数据处理装置，所述数据处理装置对振动曲线信息进行处理后通过无线传输装置传输到终端服务器、同时向图像采集处理装置和GPS定位装置发射无线信号；所述图像采集处理装置安装于车辆尾部，其接收无线信号后触发拍照动作，拍摄路面图像并对图像进行逆透视变换，然后通过无线传输装置将转变后的图像传输给终端服务器；所述GPS定位装置接收无线信号后获取定位数据，并将定位数据传输给终端服务器；所述终端服务器结合处理后的振动曲线和逆透视变换后的图像进行综合评估分析确定道路路面病害情况，并根据定位数据对路面出现的问题进行反馈。
本发明技术方案的进一步改进在于：所述GPS定位装置包括GPS模块和移动通信模块。
本发明技术方案的进一步改进在于：所述振动曲线包括经过拥包、坑洼和沉陷路面时的振动曲线。
本发明技术方案的进一步改进在于：所述数据处理装置通过增强学习记忆控制分析处理振动曲线。
一种基于增强学习记忆控制的道路病害检测方法，包括以下步骤：
1)、振动感应装置采集车辆在路面行驶时的振动曲线，并将采集到的振动曲线信息经无线传输装置传递给数据处理装置；
2)、数据处理装置通过增强学习记忆控制处理所述振动曲线，得到消除干扰的振动曲线并将处理后的振动曲线通过无线传输装置传输到终端服务器、同时向图像采集处理装置和GPS定位装置发射无线信号；
3)、GPS定位装置收到无线信号后，GPS模块获取定位数据，并通过移动通信模块传输给终端服务器；
4)、图像采集处理装置接收无线信号后触发拍照动作，拍摄车辆经过拥包、坑洼、沉陷路面时的路面图像并进行逆透视变换，然后通过无线传输装置传输给终端服务器；
5)、终端服务器结合处理后的振动曲线和逆透视变换后的图像进行综合评估分析确定道路路面病害情况，并根据定位数据对路面出现的问题进行反馈。
本发明技术方案的进一步改进在于：所述步骤2)中的增强学习记忆控制为通过记录状态特征值、特征匹配、修正及干扰消除最终形成新的特征得到消除干扰的振动曲线。
本发明技术方案的进一步改进在于：所述步骤4)中的逆透视变换为将二维图像处理得出三维空间中道路平面的鸟瞰图，使得图片呈现成由放置在路面正上方的相机所拍摄照片的效果。
由于采用了上述技术方案，本发明取得的技术效果有：
本发明的装置成本低，且便携简便，将振动曲线与图像分析相结合，多维判断道路质量状况，判断结果更加精准。
本发明融入增强学习记忆控制，排除了减速运动等产生的振动曲线的干扰，通过特征匹配和修正，更加精确识别病害路面的振动曲线；同时，在经过多次消除控制偏差后，增强学习记忆控制的学习能力和控制能力越来越强，并能够实现对资料库中原有坑洼、拥包、沉陷振动曲线特征的更新，对下一个振动曲线的匹配与识别更加快速，高效，准确，提高了检测效率。
附图说明
图1是本发明方法的流程图；
图2是本发明装置的结构示意图；
图3是本发明增强学习记忆控制流程图；
其中，101、振动感应装置，102、数据处理装置，103、GPS定位装置，104、无线传输装置，105、图像采集处理装置，106、终端服务器。
具体实施方式
下面结合附图及具体实施例对本发明做进一步详细说明：
一种基于增强学习记忆控制的道路病害检测装置，如图2所示，包括振动感应装置101，所述振动感应装置101安装于车辆前盖，用于采集车辆在路面行驶时的振动曲线，并通过无线传输装置104将振动曲线传递给数据处理装置102，所述振动曲线包括经过拥包、坑洼和沉陷路面时的振动曲线。所述数据处理装置102通过增强学习记忆控制对振动曲线进行处理后通过无线传输装置104传输到终端服务器106、同时向图像采集处理装置105和GPS定位装置103发射无线信号；所述图像采集处理装置105安装于车辆尾部，接收无线信号后触发拍照动作，拍摄路面图像并进行逆透视变换，然后通过无线传输装置104传输给终端服务器106；所述GPS定位装置103包括GPS模块和移动通信模块，接收无线信号后GPS模块获取定位数据，并通过移动通信模块传输给终端服务器106；所述终端服务器106结合处理后的振动曲线和逆透视变换后的图像进行综合评估分析确定道路路面病害情况，并根据定位数据对路面出现的问题进行反馈。
一种基于增强学习记忆控制的道路病害检测方法，如图1所示，包括以下步骤：
1)振动感应装置101采集车辆在路面行驶时的振动曲线，并将采集到的振动曲线信息经无线传输装置104传递给数据处理装置102；
2)数据处理装置102通过增强学习记忆控制处理振动曲线，所述增强学习记忆控制通过记录状态特征值、特征匹配、修正及干扰消除，最终形成新特征，从而识别拥包、坑洼、沉陷的振动曲线；同时，在经过多次消除控制偏差后，增强学习记忆控制的学习能力和控制能力越来越强，并能够实现对资料库中原有坑洼、拥包、沉陷振动曲线特征的更新，进而当出现更多振动曲线时能够更加快速、高效、精确识别坑洼、拥包、沉陷振动曲线。
处理过程如图3所示：
①记录特征：若没有收到振动曲线即为N时，则控制结束再次进行循环；若收到振动曲线(振幅大于设定的阈值)即为Y时，记录当前曲线状态的特征：振幅A(t)，频率f(t)，A(t)为t时刻收到的振动曲线的振幅，f(t)为t时刻收到的振动曲线的频率。
②曲线匹配：将当前的振动曲线特征值A(t)，f(t)与待匹配曲线(资料库中坑洼、拥包、沉陷振动曲线)的特征值Ai，fi(i＝1，2，...，n-1，n，n为资料库中曲线总数)进行比较，计算匹配度
其中0＜α＜1，这里α设为0.5，匹配度最大的待匹配曲线，就是与当前振动曲线最匹配的曲线，初次匹配的曲线记为W(k)，(k＝1，2，...，n-1，n)；
③曲线修正：由于A(t)，f(t)与匹配曲线W(k)的特征值Ak，fk不一定完全匹配，此时可根据线性化理论，利用下列式子对W(k)的输出变化值进行修正，形成t时刻的中间特征曲线W′(n+1)输出变化值u′n+1(t)和v′n+1(t)，即干扰曲线信号信息。这也是控制的进化过程。
其中，u′n+1(t)为中间特征曲线振幅的输出变化值，v′n+1(t)为中间特征曲线频率的输出变化值，uk(t)为t时刻初次匹配曲线W(k)振幅输出变化值，vk(t)为t时刻初次匹配曲线W(k)频率输出变化值，Ak为初次匹配曲线W(k)的振幅，fk为初次匹配曲线W(k)的频率。
④干扰曲线消除：增强学习记忆控制利用W′(n+1)消除因减速等行为产生的干扰曲线；
⑤形成中间特征曲线：将修正和消除干扰后的曲线称为中间特征曲线；
⑥消除停止：若没有与资料库中的振动曲线完成匹配，则为N继续进行消除，再次循环进行匹配、修正及消除；若存在与之对应匹配的曲线，则形成新特征；
⑦形成消除干扰的振动曲线：当干扰消除后，由增强学习记忆控制的最终输出值un+1(t)和vn+1(t)计算出中间特征曲线W′(n+1)的实际Δun+1(t)和Δvn+1(t)，计算如下，形成一个新的振动曲线W(n+1)。之后，W(n+1)、Δun+1(t)、Δvn+1(t)共同作用处理下一个振动曲线。这是控制的繁殖过程。
Δun+1(t)＝u′n+1(t)-uk(t)
Δvn+1(t)＝v′n+1(t)-vk(t)
最后将在数据处理装置102中形成的消除干扰的振动曲线通过无线传输装置104传输到终端服务器106、同时向图像采集处理装置105和GPS定位装置103发射无线信号；
3)GPS定位装置103收到无线信号后，GPS模块获取定位数据，并通过移动通信模块传给终端服务器106；
4)图像采集处理装置105接收无线信号后触发拍照动作，拍摄车辆经过拥包、坑洼、沉陷的路面时的路面图像并进行逆透视变换，将二维图像处理得出三维空间中道路平面的鸟瞰图，使得图片呈现成由放置在路面正上方的相机所拍摄照片的效果，然后通过无线传输装置104传输给终端服务器106；
5)终端服务器106结合处理后的振动曲线、逆透视变换后的图像进行综合评估分析确定道路路面病害情况，并根据定位数据对路面出现的问题进行反馈。

Claims (4)

1.一种基于增强学习记忆控制的道路病害检测装置，其特征在于：包括安装于车辆前盖的振动感应装置(101)，所述振动感应装置(101)用于采集车辆在路面行驶时的振动曲线，并通过无线传输装置(104)将振动曲线传递给数据处理装置(102)，所述数据处理装置(102)对振动曲线进行处理后通过无线传输装置(104)传输到终端服务器(106)、同时向图像采集处理装置(105)和GPS定位装置(103)发射无线信号；所述图像采集处理装置(105)安装于车辆尾部，其接收无线信号后触发拍照动作，拍摄路面图像并对图像进行逆透视变换，然后通过无线传输装置(104)将转变后的图像传输给终端服务器(106)；所述GPS定位装置(103)接收无线信号后获取定位数据，并将定位数据传输给终端服务器(106)；所述终端服务器(106)结合处理后的振动曲线和逆透视变换后的图像进行综合评估分析确定道路路面病害情况，并根据定位数据对路面出现的问题进行反馈；所述振动曲线包括经过拥包、坑洼和沉陷路面时的振动曲线；数据处理装置(102)通过增强学习记忆控制分析处理振动曲线，增强学习记忆控制通过记录状态特征值、特征匹配、修正及干扰消除，最终形成新特征，从而识别拥包、坑洼、沉陷的振动曲线，处理过程具体如下：
①记录特征：若没有收到振动曲线即为N时，则控制结束再次进行循环；若收到振动曲线即当振幅大于设定的阈值，即为Y时，记录当前曲线状态的特征：振幅A(t)，频率f(t)，A(t)为t时刻收到的振动曲线的振幅，f(t)为t时刻收到的振动曲线的频率；
②曲线匹配：将当前的振动曲线特征值A(t)，f(t)与待匹配曲线即资料库中已录入的坑洼、拥包、沉陷振动曲线的特征值Ai，fi，i＝1,2,...,n-1,n，其中n为资料库中曲线总数进行比较，计算匹配度
其中0<α<1，这里α设为0.5，匹配度最大的待匹配曲线，就是与当前振动曲线最匹配的曲线，初次匹配的曲线记为W(k)，k＝1,2,...,n-1,n；
③曲线修正：由于A(t)，f(t)与匹配曲线W(k)的特征值Ak，fk不一定完全匹配，此时可根据线性化理论，利用下列式子对W(k)的输出变化值进行修正，形成t时刻的中间特征曲线W'(n+1)输出变化值u'n+1(t)和v'n+1(t)，即干扰曲线信号信息，这也是控制的进化过程；
其中，u'n+1(t)为中间特征曲线振幅的输出变化值，v'n+1(t)为中间特征曲线频率的输出变化值，uk(t)为t时刻初次匹配曲线W(k)振幅输出变化值，vk(t)为t时刻初次匹配曲线W(k)频率输出变化值，Ak为初次匹配曲线W(k)的振幅，fk为初次匹配曲线W(k)的频率；
④干扰曲线消除：增强学习记忆控制利用W'(n+1)消除因减速等行为产生的干扰曲线；
⑤形成中间特征曲线：将修正和消除干扰后的曲线称为中间特征曲线；
⑥消除停止：若没有与资料库中的振动曲线完成匹配，则为N继续进行消除，再次循环进行匹配、修正及消除；若存在与之对应匹配的曲线，则形成新特征；
⑦形成消除干扰的振动曲线：当干扰消除后，由增强学习记忆控制的最终输出值un+1(t)和vn+1(t)计算出中间特征曲线W'(n+1)的实际Δun+1(t)和Δvn+1(t)，计算如下，形成一个新的振动曲线W(n+1)；之后，W(n+1)、Δun+1(t)、Δvn+1(t)共同作用处理下一个振动曲线；这是控制的繁殖过程；
Δun+1(t)＝u′n+1(t)-uk(t)
Δvn+1(t)＝v′n+1(t)-vk(t)。
2.根据权利要求1所述的一种基于增强学习记忆控制的道路病害检测装置，其特征在于：所述GPS定位装置(103)包括GPS模块和移动通信模块。
3.一种基于增强学习记忆控制的道路病害检测方法，其特征在于：包括以下步骤：
1)、振动感应装置(101)采集车辆在路面行驶时的振动曲线，并将采集到的振动曲线经无线传输装置(104)传递给数据处理装置(102)；
2)、数据处理装置(102)通过增强学习记忆控制处理所述振动曲线，得到消除干扰的振动曲线并将处理后的振动曲线通过无线传输装置(104)传输到终端服务器(106)、同时向图像采集处理装置(105)和GPS定位装置(103)发射无线信号；增强学习记忆控制为通过记录状态特征值、特征匹配、修正及干扰消除最终形成新的特征得到消除干扰的振动曲线，处理过程具体如下：
①记录特征：若没有收到振动曲线即为N时，则控制结束再次进行循环；若收到振动曲线即当振幅大于设定的阈值，即为Y时，记录当前曲线状态的特征：振幅A(t)，频率f(t)，A(t)为t时刻收到的振动曲线的振幅，f(t)为t时刻收到的振动曲线的频率；
②曲线匹配：将当前的振动曲线特征值A(t)，f(t)与待匹配曲线即资料库中已录入的坑洼、拥包、沉陷振动曲线的特征值Ai，fi，i＝1,2,...,n-1,n，其中n为资料库中曲线总数进行比较，计算匹配度
其中0<α<1，这里α设为0.5，匹配度最大的待匹配曲线，就是与当前振动曲线最匹配的曲线，初次匹配的曲线记为W(k)，k＝1,2,...,n-1,n；
③曲线修正：由于A(t)，f(t)与匹配曲线W(k)的特征值Ak，fk不一定完全匹配，此时可根据线性化理论，利用下列式子对W(k)的输出变化值进行修正，形成t时刻的中间特征曲线W'(n+1)输出变化值u'n+1(t)和v'n+1(t)，即干扰曲线信号信息，这也是控制的进化过程；
其中，u'n+1(t)为中间特征曲线振幅的输出变化值，v'n+1(t)为中间特征曲线频率的输出变化值，uk(t)为t时刻初次匹配曲线W(k)振幅输出变化值，vk(t)为t时刻初次匹配曲线W(k)频率输出变化值，Ak为初次匹配曲线W(k)的振幅，fk为初次匹配曲线W(k)的频率；
④干扰曲线消除：增强学习记忆控制利用W'(n+1)消除因减速等行为产生的干扰曲线；
⑤形成中间特征曲线：将修正和消除干扰后的曲线称为中间特征曲线；
⑥消除停止：若没有与资料库中的振动曲线完成匹配，则为N继续进行消除，再次循环进行匹配、修正及消除；若存在与之对应匹配的曲线，则形成新特征；
⑦形成消除干扰的振动曲线：当干扰消除后，由增强学习记忆控制的最终输出值un+1(t)和vn+1(t)计算出中间特征曲线W'(n+1)的实际Δun+1(t)和Δvn+1(t)，计算如下，形成一个新的振动曲线W(n+1)；之后，W(n+1)、Δun+1(t)、Δvn+1(t)共同作用处理下一个振动曲线；这是控制的繁殖过程；
Δun+1(t)＝u′n+1(t)-uk(t)
Δvn+1(t)＝v′n+1(t)-vk(t)
最后将在数据处理装置102中形成的消除干扰的振动曲线通过无线传输装置104传输到终端服务器106、同时向图像采集处理装置105和GPS定位装置103发射无线信号；
3)、GPS定位装置(103)收到无线信号后，GPS模块获取定位数据，并通过移动通信模块传输给终端服务器(106)；
4)、图像采集处理装置(105)接收无线信号后触发拍照动作，拍摄车辆经过拥包、坑洼、沉陷路面时的路面图像并进行逆透视变换，然后通过无线传输装置(104)传输给终端服务器(106)；
5)、终端服务器(106)结合处理后的振动曲线和逆透视变换后的图像进行综合评估分析确定道路路面病害情况，并根据定位数据对路面出现的问题进行反馈。
4.根据权利要求3所述的一种基于增强学习记忆控制的道路病害检测方法，其特征在于：所述步骤4)中的逆透视变换为将二维图像处理得出三维空间中道路平面的鸟瞰图，使得图片呈现成由放置在路面正上方的相机所拍摄照片的效果。
CN202111072179.8A 2021-09-14 2021-09-14 一种基于增强学习记忆控制的道路病害检测装置及方法 Active CN113847944B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111072179.8A CN113847944B (zh) 2021-09-14 2021-09-14 一种基于增强学习记忆控制的道路病害检测装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111072179.8A CN113847944B (zh) 2021-09-14 2021-09-14 一种基于增强学习记忆控制的道路病害检测装置及方法

Publications (2)

Publication Number Publication Date
CN113847944A CN113847944A (zh) 2021-12-28
CN113847944B true CN113847944B (zh) 2024-02-02

Family

ID=78974077

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111072179.8A Active CN113847944B (zh) 2021-09-14 2021-09-14 一种基于增强学习记忆控制的道路病害检测装置及方法

Country Status (1)

Country Link
CN (1) CN113847944B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102607505A (zh) * 2012-03-23 2012-07-25 中国科学院深圳先进技术研究院 道路平整度检测方法及系统
CN103318180A (zh) * 2013-05-28 2013-09-25 万向钱潮股份有限公司 一种车辆路面不平度自动识别系统及方法
CN104864909A (zh) * 2015-05-08 2015-08-26 苏州科技学院 一种基于车载双目视觉的路面坑槽检测装置
CN109030628A (zh) * 2018-06-25 2018-12-18 北京交通大学 基于振动噪声频谱特征匹配的轨道结构力学性能评价方法
CN109870456A (zh) * 2019-02-01 2019-06-11 上海智能交通有限公司 一种路面健康状况快速检测系统及方法
KR102026685B1 (ko) * 2018-11-12 2019-11-04 한국건설기술연구원 영상과 진동을 이용한 도로불량정보 제공 장치 및 서버
CN110988562A (zh) * 2019-12-23 2020-04-10 国网河北省电力有限公司衡水市桃城区供电分公司 一种振动预测变压器故障的方法
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
CN112101147A (zh) * 2020-08-28 2020-12-18 交科院检测技术（北京）有限公司 车载智能识别检测系统
CN112268615A (zh) * 2020-11-27 2021-01-26 华侨大学 一种机电设备振动信号特征提取方法
CN112710273A (zh) * 2020-12-10 2021-04-27 浙江大学 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
CN113076625A (zh) * 2021-03-15 2021-07-06 中国船舶重工集团公司第七一九研究所 一种舰船柴油发电机组健康管理系统及其工作方法
CN113177611A (zh) * 2021-05-24 2021-07-27 河北工业大学 基于力学指标和人工神经网络的路面病害快速巡检方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102472134B1 (ko) * 2018-03-29 2022-11-29 삼성전자주식회사 심층학습을 기반으로 한 설비 진단 시스템 및 방법

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102607505A (zh) * 2012-03-23 2012-07-25 中国科学院深圳先进技术研究院 道路平整度检测方法及系统
CN103318180A (zh) * 2013-05-28 2013-09-25 万向钱潮股份有限公司 一种车辆路面不平度自动识别系统及方法
CN104864909A (zh) * 2015-05-08 2015-08-26 苏州科技学院 一种基于车载双目视觉的路面坑槽检测装置
CN109030628A (zh) * 2018-06-25 2018-12-18 北京交通大学 基于振动噪声频谱特征匹配的轨道结构力学性能评价方法
KR102026685B1 (ko) * 2018-11-12 2019-11-04 한국건설기술연구원 영상과 진동을 이용한 도로불량정보 제공 장치 및 서버
CN109870456A (zh) * 2019-02-01 2019-06-11 上海智能交通有限公司 一种路面健康状况快速检测系统及方法
CN110988562A (zh) * 2019-12-23 2020-04-10 国网河北省电力有限公司衡水市桃城区供电分公司 一种振动预测变压器故障的方法
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
CN112101147A (zh) * 2020-08-28 2020-12-18 交科院检测技术（北京）有限公司 车载智能识别检测系统
CN112268615A (zh) * 2020-11-27 2021-01-26 华侨大学 一种机电设备振动信号特征提取方法
CN112710273A (zh) * 2020-12-10 2021-04-27 浙江大学 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
CN113076625A (zh) * 2021-03-15 2021-07-06 中国船舶重工集团公司第七一九研究所 一种舰船柴油发电机组健康管理系统及其工作方法
CN113177611A (zh) * 2021-05-24 2021-07-27 河北工业大学 基于力学指标和人工神经网络的路面病害快速巡检方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Jiayu Liu,Xingju Wang,Yanting Li, et al..Method of Evaluating and Predicting Traffic State of Highway Network Based on Deep Learning.Journal of Advanced Transportation.2021,第2021卷1-9. *
付梦印,李博,王美玲.一种基于逆投影变换的智能车道路识别方法.光学技术.2008,第191卷(第3期),第368-371页. *

Also Published As

Publication number Publication date
CN113847944A (zh) 2021-12-28

Similar Documents

Publication Publication Date Title
CN110020797B (zh) 基于感知缺陷的自动驾驶测试场景的评价方法
US11640560B2 (en) Automated training data quality process
CN104011737B (zh) 用于探测雾的方法
KR101735557B1 (ko) 실시간 목표 탐지에 의한 교통 정보 수집 시스템 및 방법
CN108645375B (zh) 一种用于车载双目系统快速车辆测距优化方法
DE102013008451A1 (de) Fahrzeugeinparksteuerungssystem und Fahrzeugeinparksteuerungsverfahren, das dieses verwendet
CN114359181B (zh) 一种基于图像和点云的智慧交通目标融合检测方法及系统
CN110838230B (zh) 一种移动视频监控方法、监控中心及系统
CN113034378B (zh) 一种区分电动汽车与燃油汽车的方法
CN113011255B (zh) 基于rgb图像的路面检测方法、系统和智能终端
CN114248819B (zh) 基于深度学习的铁路侵限异物无人机检测方法、装置及系统
CN116448773B (zh) 一种图像-振动特征融合的路面病害检测方法及系统
CN111144301A (zh) 一种基于深度学习的道路路面缺陷快速预警装置
JP2018055597A (ja) 車種判別装置および車種判別方法
CN116128360A (zh) 道路交通拥堵等级评估方法、装置、电子设备及存储介质
CN113847944B (zh) 一种基于增强学习记忆控制的道路病害检测装置及方法
CN112509321A (zh) 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质
CN114973156B (zh) 一种基于知识蒸馏的夜间渣土车检测方法
US11538256B2 (en) Systems and methods for data collection and performance monitoring of transportation infrastructure
CN111179452A (zh) 一种基于etc通道客车扣费的系统和方法
CN115984830A (zh) 安全带佩戴检测方法、装置、设备及存储介质
CN115641555A (zh) 一种基于ai视觉的货车超载超限预警方法和系统
CN114299247A (zh) 道路交通标志标线快速检测与问题排查方法
CN114968189A (zh) 用于自动驾驶系统的感知系统开发的平台
JP5720380B2 (ja) 物体検出方法、物体検出装置および物体検出プログラム

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