CN114775382B - 基于超声波的公路交通工程路面质量检测方法 - Google Patents

基于超声波的公路交通工程路面质量检测方法 Download PDF

Info

Publication number
CN114775382B
CN114775382B CN202210701037.1A CN202210701037A CN114775382B CN 114775382 B CN114775382 B CN 114775382B CN 202210701037 A CN202210701037 A CN 202210701037A CN 114775382 B CN114775382 B CN 114775382B
Authority
CN
China
Prior art keywords
road surface
road
section
signal
echo
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
CN202210701037.1A
Other languages
English (en)
Other versions
CN114775382A (zh
Inventor
刘庆华
李健
解铁锁
李辉
徐向东
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.)
Henan Traffic Construction Engineering Co ltd
Yuanli Tengda Xi'an Technology Co ltd
Original Assignee
Henan Traffic Construction Engineering Co ltd
Yuanli Tengda Xi'an Technology Co ltd
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 Henan Traffic Construction Engineering Co ltd, Yuanli Tengda Xi'an Technology Co ltd filed Critical Henan Traffic Construction Engineering Co ltd
Priority to CN202210701037.1A priority Critical patent/CN114775382B/zh
Publication of CN114775382A publication Critical patent/CN114775382A/zh
Application granted granted Critical
Publication of CN114775382B publication Critical patent/CN114775382B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01C—CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE; MACHINES OR AUXILIARY TOOLS FOR CONSTRUCTION OR REPAIR
    • E01C23/00—Auxiliary devices or arrangements for constructing, repairing, reconditioning, or taking-up road or like surfaces
    • E01C23/01—Devices or auxiliary means for setting-out or checking the configuration of new surfacing, e.g. templates, screed or reference line supports; Applications of apparatus for measuring, indicating, or recording the surface configuration of existing surfacing, e.g. profilographs
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B17/00—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B17/00—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations
    • G01B17/02—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations for measuring thickness
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/514—Depth or shape recovery from specularities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Civil Engineering (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Structural Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Architecture (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明涉及表面计量技术领域，具体涉及基于超声波的公路交通工程路面质量检测方法，属于以采用超声波计量设备为检测手段的表面计量方法。该方法包括：获取超声波信号对应的波形图，根据多尺度熵和峭度，计算能量波动因子，并得到回波波动比；基于能量波动因子和回波波动比，利用神经网络预测修正因子；根据超声传感器测得的其与路面的距离和修正因子，计算超声传感器与路面的实际距离；根据超声传感器与路面的实际距离，得到路面上各位置对应的高程；根据路面上各位置对应的高程，进而得到各路段路面的质量。该方法利用超声波信号对公路路面上各位置进行检测和分析，得到各路段路面的质量。本发明提高了对路面质量检测的准确性。

Description

基于超声波的公路交通工程路面质量检测方法
技术领域
本发明涉及表面计量技术领域，具体涉及基于超声波的公路交通工程路面质量检测方法。
背景技术
近年来，随着我国公路交通事业的发展，越来越多的公路修建起来。公路施工后，需要对公路的施工质量进行检测，质量检测对保证公路工程建设质量、提高道路的使用质量和投资效益发挥了重要的作用，而且在未来的工程建设和管理中将继续发挥其不可替代的作用。因此，如何检测公路质量是一个非常重要的问题。
公路质量的好坏可以通过路面平整度和路面的抗滑性能来衡量，现有技术中已然存在了利用超声波对路面平整度进行评估的方法，但是，现有方法在评估路面平整度时没有考虑路面粗糙度对路面平整度评估结果的影响，导致现有方法对路面平整度的评估结果不准确，进而导致了对路面质量好坏评估不准确。
发明内容
为了准确检测公路路面的质量，本发明的目的在于提供一种基于超声波的公路交通工程路面质量检测方法，所采用的技术方案具体如下：
本发明提供了一种基于超声波的公路交通工程路面质量检测方法，包括以下步骤：
获取超声传感器测得的路面距离数据；
获取超声波信号对应的波形图，将第一次回波最大峰值和第二次回波之间的信号划分为预设段数的信号；对于任一段信号：根据该段信号对应的波形图，得到该段信号对应的多尺度熵；根据该段信号对应的波形图，计算该段信号对应的峭度；根据所述该段信号对应的多尺度熵和峭度，计算该段信号对应的能量波动因子；根据各段信号对应的能量波动因子，得到回波波动比；将回波波动比、能量波动因子序列和超声传感器测得的其与路面的距离输入到训练好的目标神经网络中，预测修正因子；所述波形图的横坐标为时间，纵坐标为电压值；
根据所述超声传感器测得的路面距离数据和修正因子，计算超声传感器与路面的实际距离；根据超声传感器与路面的实际距离，得到路面上各位置对应的高程；所述高程为路面上各位置与预设水平面的垂直距离；
根据路面上各位置对应的高程，得到各路段对应的深度共生矩阵；根据所述各路段对应的深度共生矩阵，计算各路段的起伏度特征指标；根据所述各路段的起伏度特征指标，得到各路段路面的质量。
优选的，所述根据所述该段信号对应的多尺度熵和峭度，计算该段信号对应的能量波动因子，包括：
计算该段信号对应的多尺度熵和峭度的乘积，将所述乘积作为该段信号对应的能量波动因子。
优选的，所述根据各段信号对应的能量波动因子，得到回波波动比，包括：
获取发射波的最大峰值与第一次回波中的最大峰值之间的时长；将所述发射波的最大峰值与第一次回波中的最大峰值之间的时长记为第一时长；
按照顺序分别判断各段信号对应的能量波动因子是否小于设定阈值，当某段信号对应的能量波动因子小于设定阈值时，将该段信号的第一个峰值作为目标峰值；获取回波中最大峰值到目标峰值之间的时长，将所述回波中最大峰值到目标峰值之间的时长记为第二时长；
将第二时长与第一时长的比值作为回波波动比。
优选的，采用如下公式计算超声传感器与路面的实际距离：
Figure 211708DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为超声传感器与路面的实际距离，
Figure 156530DEST_PATH_IMAGE004
为超声传感器测得的路面距离数据，
Figure DEST_PATH_IMAGE005
为修正因子。
优选的，目标神经网络的训练，包括：
将样本对应的能量波动因子序列、回波波动比和超声传感器测得的其与路面的距离输入到目标神经网络中，对目标神经网络进行训练；
目标神经网络的损失函数为均方差损失函数。
优选的，所述根据所述各路段对应的深度共生矩阵，计算各路段的起伏度特征指标，包括：
对于任一路段：
将该路段表面划分为设定个数的区域；
对于该路段的任一区域：将该区域中各位置的高程的均值作为该区域对应的高程；
根据该路段各区域对应的高程，得到该路段对应的深度图像；根据所述深度图像，构建不同方向对应的深度共生矩阵；根据各方向对应的深度共生矩阵，计算各方向对应的对比度指标；将最大的对比度指标作为该路段的起伏度特征指标。
优选的，所述根据所述各路段的起伏度特征指标，得到各路段路面的质量，包括：
对于任一路段：
根据该路段的起伏度特征指标，采用如下公式计算该路段路面的质量：
Figure DEST_PATH_IMAGE007
其中，
Figure 633648DEST_PATH_IMAGE008
为该路段路面的质量，
Figure DEST_PATH_IMAGE009
为该路段的起伏度特征指标，
Figure 231988DEST_PATH_IMAGE010
为映射系数，
Figure DEST_PATH_IMAGE011
为该路段的抗滑性能。
本发明具有如下有益效果：本发明提供了一种利用超声波来检测路面质量的方法，具体包括：首先获取了超声传感器测得的路面距离数据；考虑到路面的粗糙程度会对超声传感器测得的数据有一定的影响，导致测得的距离不够准确，本发明根据超声波信号对应的波形图得到回波波动比；然后利用神经网络预测修正因子；接着本发明根据超声传感器测得路面距离数据和修正因子，计算了超声传感器与路面的实际距离；根据超声传感器与路面的实际距离，得到路面上各位置对应的高程；最后根据路面上各位置对应的高程，判断各路段的工程路面的质量。本发明将超声传感器安装在小车上，超声传感器随着小车的移动而移动，能够获得各路段路面的质量，实现对公路路面的质量检测，提高了对公路路面质量检测结果的准确性。
进一步的，本发明考虑到利用超声传感器测距离时，是基于超声波信号的波形图得到的距离，路面的粗糙程度会对超声波信号的波形图产生影响，本发明获取了修正因子，利用修正因子对超声传感器测得的其与路面的距离进行修正，得到超声传感器与路面的实际距离，提高了检测精度。
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和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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它附图。
图1为本发明提供的一种基于超声波的公路交通工程路面质量检测方法的流程图；
图2为安装超声传感器的小车的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功能效果，以下结合附图及较佳实施例，对依据本发明提出的一种公路交通工程路面质量检测方法进行详细说明如下。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种公路交通工程路面质量检测方法的具体方案。
一种基于超声波的公路交通工程路面质量检测方法实施例
为了准确检测公路路面的质量，本实施例提出了一种公路交通工程路面质量检测方法，如图1所示，本实施例的一种公路交通工程路面质量检测方法包括以下步骤：
步骤S1，获取超声传感器测得路面距离数据。
路面平整度是路面评价及验收的主要指标。路面的平整度越大，起伏度就越小。路面平整度好坏直接影响着车辆的行车舒适性、行车安全性和行车经济性，平整度差的路面会对行驶汽车的零部件产生较大的损伤，增加行驶车辆的油耗，影响车辆行车安全。沉陷、车辙、波浪拥包、坑槽、松散等病害都会影响到路面平整度。路面平整度是公路工程质量的一个重要指标，接下来本实施例对如何计算路面平整度进行详细说明。
本实施例在小车上安装一个角度传感器，用于检测小车的倾斜角度，在小车的底部中央位置安装超声传感器，如图2所示，其中，L为小车长度，
Figure 819657DEST_PATH_IMAGE012
为路面上第
Figure DEST_PATH_IMAGE013
个点对应的高程，
Figure 517175DEST_PATH_IMAGE014
为路面上第
Figure 193007DEST_PATH_IMAGE013
个点与其正上方小车上对应点之间的距离。
本实施例中超声传感器测得的其与路面之间的距离
Figure DEST_PATH_IMAGE015
是根据发射超声波到接收到超声回波的最大峰值所用时间
Figure 899932DEST_PATH_IMAGE016
计算出的，即：
Figure 294004DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE019
为当前温度下超声波的传播速度，通过查表能够获得。
至此，得到了超声传感器测得的其与路面的距离，即得到了超声传感器测得的路面距离数据。
步骤S2，获取超声波信号对应的波形图，将第一次回波最大峰值和第二次回波之间的信号划分为预设段数的信号；对于任一段信号：根据该段信号对应的波形图，得到该段信号对应的多尺度熵；根据该段信号对应的波形图，计算该段信号对应的峭度；根据所述该段信号对应的多尺度熵和峭度，计算该段信号对应的能量波动因子；根据各段信号对应的能量波动因子，得到回波波动比；将回波波动比、能量波动因子序列和超声传感器测得的其与路面的距离输入到训练好的目标神经网络中，预测修正因子；所述波形图的横坐标为时间，纵坐标为电压值。
本实施例获取超声波图像，即超声波信号的波形图，波形图的横坐标为时间，纵坐标为电压值；由于路面的反射作用，导致部分发射的超声信号会混入到回波信号中，产生干扰信号，本实施例利用超声传感器测距离时，是基于超声波信号的波形图得到的距离，路面的粗糙程度会对超声波信号的波形图产生影响，因此路面的粗糙程度会对测量结果产生影响。鉴于此，本实施例基于超声波信号对应的波形图，得到修正因子，然后根据修正因子，计算超声传感器与路面的真实距离。
具体的，基于波峰波谷的判断准则得到超声波图像的波峰和波谷。波峰波谷的判断准则如下：首先选择某一采样点，将该采样点记为e，如果采样点e的上一个采样点的幅值（电压值）比采样点e的幅值小，且采样点e的下一个采样点的幅值也比采样点e的幅值小，则采样点e为波峰；如果采样点e的上一个采样点幅值比采样点e的幅值大，且采样点e的下一个采样点幅值也比采样点e的幅值大，则采样点e为波谷。在某一区间内，对所有峰值进行比较，其中最大值即为该区间内的最大峰值。
本实施例将发射波的最大峰值与第一次回波中的最大峰值之间的时长记为
Figure 111788DEST_PATH_IMAGE020
，并将该时长记为第一时长，考虑到路面的粗糙程度会使得回波产生一定的时间误差和幅度衰减。因此本实施例在回波中选取目标峰值，将回波中最大峰值到该目标峰值的时间记为
Figure DEST_PATH_IMAGE021
，并将该时长记为第二时长。
目标峰值的获取过程具体为：
将第一次回波最大峰值和第二次回波之间的信号记为
Figure 642126DEST_PATH_IMAGE022
，对其进行划分，本实施例将其划分为n等份，得到n段信号。本实施例中n的取值为10，在具体应用中，实施者可自行设定。
对于任一段信号的波动性进行以下分析：
由于一个波动较大的时间序列会产生较大的熵值，该信号是具有较高复杂度的信号。由于超声波传感器在刚接收到回波时，信号的幅值较大，波动性较大，信号较为复杂，之后幅值衰减，逐渐变为0，直至收到第二次回波，幅度（电压值）再次发生变化。本实施例采用多尺度熵来评估该段信号的波动性。多尺度熵的获取方法为公知技术，此处不再赘述。信号波动越大，多尺度熵就越大。本实施例对该段信号对应的多尺度熵进行归一化处理，即：
Figure 519952DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE025
为该段信号对应的多尺度熵归一化后的值，
Figure 401321DEST_PATH_IMAGE026
为反正切函数，
Figure DEST_PATH_IMAGE027
为该段信号对应的多尺度熵。多尺度熵能够反映信号的复杂度。当第一次回波峰值最大时，信号的波动性最大，归一化后的多尺度熵接近于1，当第一次回波结束后，信号的波动性逐渐减少，近乎保持不变，归一化后的多尺度熵接近于0。
峭度指标对信号中的冲击成分十分敏感，冲击成分能量越大,其峭度值就会越大。超声波传感器在刚接收到回波信号时，信号能量较强，其峭度值就会很大，之后回波能量逐渐消散，峭度值也逐渐减少，逐渐趋近于0，直至收到下一次回波信号。峭度是表示波形平缓程度的，用于描述变量的分布。正态分布的峭度等于3，峭度小于3时分布的曲线会较平，大于3时分布的曲线较陡。本实施例计算该段信号对应的峭度，即：
Figure DEST_PATH_IMAGE029
其中，
Figure 491637DEST_PATH_IMAGE030
为该段信号对应的峭度，
Figure DEST_PATH_IMAGE031
为瞬时振幅，
Figure 266694DEST_PATH_IMAGE032
为振幅均值，
Figure DEST_PATH_IMAGE033
为概率密度，
Figure 925209DEST_PATH_IMAGE034
为标准差。该公式为现有公式，此处不再赘述。峭度
Figure 90611DEST_PATH_IMAGE030
越大，说明该时间段内信号的能量越强。
本实施例计算该段信号对应的多尺度熵和峭度的乘积
Figure DEST_PATH_IMAGE035
，并将该乘积
Figure 453459DEST_PATH_IMAGE035
作为该段信号对应的能量波动因子，该段信号的能量越强，波动性越大，那么该段信号的能量波动因子就越大。
至此，得到各段信号对应的能量波动因子。
本实施例设置能量波动因子阈值
Figure 20707DEST_PATH_IMAGE036
，将每段信号求出的能量波动因子按顺序与
Figure 709177DEST_PATH_IMAGE036
比较，判断是否小于
Figure 361875DEST_PATH_IMAGE036
，当某一段信号对应的能量波动因子小于
Figure 934939DEST_PATH_IMAGE036
时，将该段信号的第一个峰值点作为目标峰值。在具体实施中，
Figure 419010DEST_PATH_IMAGE036
的取值实施者自行设定。
接下来本实施例计算
Figure 481644DEST_PATH_IMAGE021
与
Figure DEST_PATH_IMAGE037
的比值
Figure 559321DEST_PATH_IMAGE038
，将比值
Figure 326289DEST_PATH_IMAGE038
作为回波波动比。对于回波波动比，一次超声波测量有多个，由于超声波信号的衰减，本实施例只取第一次回波与第二次回波的回波波动比（即上述得到的
Figure 540233DEST_PATH_IMAGE038
），回波波动比越大，说明超声波信号波动的时间越长，受到路面的影响也越大。
步骤S3，根据所述超声传感器测得的路面距离数据和修正因子，计算超声传感器与路面的实际距离；根据超声传感器与路面的实际距离，得到路面上各位置对应的高程；所述高程为路面上各位置与预设水平面的垂直距离。
本实施例构建超声传感器与路面高度的修正公式：
Figure 773768DEST_PATH_IMAGE002
其中，
Figure 197796DEST_PATH_IMAGE003
为超声传感器与路面的实际距离，
Figure 174979DEST_PATH_IMAGE004
为超声传感器测得的路面距离数据，
Figure 243430DEST_PATH_IMAGE005
为修正因子，即为考虑粗糙度后对于超声传感器与路面高度的修正因子。
对于修正因子
Figure 647866DEST_PATH_IMAGE005
采用神经网络的方法获取：
神经网络采用全连接网络，其输入为能量波动因子序列、回波波动比和超声传感器测得的其与路面的距离，输出为修正因子。损失函数采用均方差。
网络为监督学习，需要对修正因子进行标注，此处标注采用人为测量当前超声波测量下的超声传感器与路面之间的距离，然后代入
Figure 824770DEST_PATH_IMAGE004
、
Figure 277748DEST_PATH_IMAGE003
到上述修正公式中，求得修正因子。神经网络的具体训练过程为公知技术，此处不再赘述。至此，得到训练好的目标神经网络。
在每次使用超声波测量其与路面之间的距离时，都能够得到此次测量得到的能量波动因子序列和回波波动比，然后将能量波动因子序列、回波波动比输入和超声传感器测得的其与路面的距离到训练好的目标神经网络中，预测得到修正系数，代入修正公式，即能够得到当前超声传感器与路面的实际距离。
小车在路面上运动时，超声传感器能够对路面上的各位置进行检测。然后运用数学知识，计算得到路面上每个位置的高程（即路面上各点与预设水平面之间的垂直距离）。
步骤S4，根据路面上各位置对应的高程，得到各路段对应的深度共生矩阵；根据所述各路段对应的深度共生矩阵，计算各路段的起伏度特征指标；根据所述各路段的起伏度特征指标，得到各路段路面的质量。
沉陷、车辙、波浪、拥包、坑槽、松散等病害都会影响到路面的平整度。沉陷病害的特点是一大块区域发生凹陷，低于路面平均高度，通常凹陷程度不会太深。车辙一般是在温度较高的季节，在车辆反复碾压下沥青层产生塑性流动，表现为轮迹处明显出现下陷、沥青层向两边隆起、横断面成深度大于10mm的纵向带状凹字形的现象。波浪是路面上形成的有规则的低洼和凸起变形。波峰与波谷交替出现，间隔很近，一般在60cm左右。拥包是指路面出现的较大的竖向位移，方向大多沿交通流方向，具体表现为形成一个较大的鼓包状。松散与麻面是由于沥青混凝土表面层中的集料颗粒脱落，从表面向下发展的渐进过程，继续发展会形成坑槽，具体表现为路面呈点式凹状结构。根据以上道路病害特征，本实施例基于深度共生矩阵构建特征指标来评估路面平整度。
道路一般较长，在对较长的道路进行分析时，可将道路划分为多个设定长度的路段，对每个路段单独进行分析。
对于任一路段：
本实施例将该路段表面划分为k*k的正方形格子，在具体应用中，k的取值实施者可自行设定。对于该路段的任一区域（正方形格子）：将该区域中各位置的高程的均值作为该区域对应的高程。
将以上数据放入图像中的对应位置，然后本实施例对该路段的各区域（正方形格子）对应的高程进行量化，将该路段各区域的最低高程与该路段各区域的最高高程之间的区间均匀量化为16个等级，根据量化后的各区域对应的高程，得到该路段对应的深度图像。根据该路段对应的深度图像，按照不同的方向分别构建深度共生矩阵，本实施例中的方向分别为0度、45度、90度和135度，在具体应用中，实施者自行选取。由于以上矩阵是将灰度领域迁移到深度领域，矩阵的构建方法为公知技术，此处不再赘述。
接下来本实施例基于以上矩阵构建特征指标，利用深度共生矩阵中的对比度来反映路面的波浪情况，如果纹理的沟纹越深，即波浪的起伏越大，与水平面区别越明显，那么路面波浪起伏特征量对比度也越大。因此对于任一方向对应的深度共生矩阵：计算对比度指标，即：
Figure 528600DEST_PATH_IMAGE040
其中，
Figure DEST_PATH_IMAGE041
为对比度指标，
Figure 431834DEST_PATH_IMAGE042
为图像上的深度级数目，
Figure DEST_PATH_IMAGE043
为是具有空间位置关系且深度（高程）分别为i和j的两个区域出现的频率。
本实施例将对比度指标作为起伏特征量，得到各方向对应的对比度指标，本实施例选取其中的最大值
Figure 971400DEST_PATH_IMAGE044
，即
Figure DEST_PATH_IMAGE045
,将最大值
Figure 618282DEST_PATH_IMAGE044
作为该路段的起伏度特征指标。
基于每个路段对应的深度图像，对每个路段的起伏度进行评估。
对于公路工程路面的质量还包含路面的抗滑性能，路面的抗滑性能测试主要包括两方面，一是摩擦系数测定法，二是构造深度测定法。对于前者，主要可以采用动态旋转式摩擦系数测定仪法、单轮式横向力系数测试车法、摆式仪法以及双轮式横向力系数测定仪法等，实施者可自行选取。
然后本实施例基于上述计算得到的路段起伏度特征指标，再结合该路段的抗滑性能，得到该路段路面的质量
Figure 661324DEST_PATH_IMAGE008
：
Figure 407564DEST_PATH_IMAGE007
其中，
Figure 293480DEST_PATH_IMAGE009
为该路段的起伏度特征指标，
Figure 353840DEST_PATH_IMAGE010
为映射系数，经验值为0.015，
Figure 313706DEST_PATH_IMAGE011
为该路段的抗滑性能，本实施例通过摩擦系数来反映抗滑性能，摩擦系数越大，抗滑性能越好。最终得到该路段路面的质量，
Figure 293163DEST_PATH_IMAGE008
越大，说明该路段路面的质量越好。
采用本实施例提供的方法能够得到整条公路的质量。
本实施例提供了一种利用超声波来检测路面质量的方法，具体包括：首先获取了超声传感器测得的其与路面的距离；考虑到路面的粗糙程度会对超声传感器测得的数据有一定的影响，导致测得的距离不够准确，本实施例根据超声波信号对应的波形图得到回波波动比；然后利用神经网络预测修正因子；接着本发明根据超声传感器测得的其与路面的距离和修正因子，计算了超声传感器与路面的实际距离；根据超声传感器与路面的实际距离，得到路面上各位置对应的高程；最后根据路面上各位置对应的高程，判断各路段的工程路面的质量。本实施例将超声传感器安装在小车上，超声传感器随着小车的移动而移动，能够获得各路段工程路面的质量，实现对公路路面的质量检测，提高了公路路面质量检测结果的准确性。
进一步的，本实施例考虑到利用超声传感器测距离时，是基于超声波信号的波形图得到的距离，路面的粗糙程度会对超声波信号的波形图产生影响，本实施例获取了修正因子，利用修正因子对超声传感器测得的其与路面的距离进行修正，得到超声传感器与路面的实际距离，提高了检测精度。
需要说明的是：以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于超声波的公路交通工程路面质量检测方法，其特征在于，该方法包括以下步骤：
获取超声传感器测得的路面距离数据；
获取超声波信号对应的波形图，将第一次回波最大峰值和第二次回波之间的信号划分为预设段数的信号；对于任一段信号：根据该段信号对应的波形图，得到该段信号对应的多尺度熵；根据该段信号对应的波形图，计算该段信号对应的峭度；根据所述该段信号对应的多尺度熵和峭度，计算该段信号对应的能量波动因子；根据各段信号对应的能量波动因子，得到回波波动比；将回波波动比、能量波动因子序列和超声传感器测得的其与路面的距离输入到训练好的目标神经网络中，预测修正因子；所述波形图的横坐标为时间，纵坐标为电压值；
根据所述超声传感器测得的路面距离数据和修正因子，计算超声传感器与路面的实际距离；根据超声传感器与路面的实际距离，得到路面上各位置对应的高程；所述高程为路面上各位置与预设水平面的垂直距离；
根据路面上各位置对应的高程，得到各路段对应的深度共生矩阵；根据所述各路段对应的深度共生矩阵，计算各路段的起伏度特征指标；根据所述各路段的起伏度特征指标，得到各路段路面的质量；
所述根据所述该段信号对应的多尺度熵和峭度，计算该段信号对应的能量波动因子，包括：
计算该段信号对应的多尺度熵和峭度的乘积，将所述乘积作为该段信号对应的能量波动因子；
所述根据各段信号对应的能量波动因子，得到回波波动比，包括：
获取发射波的最大峰值与第一次回波中的最大峰值之间的时长；将所述发射波的最大峰值与第一次回波中的最大峰值之间的时长记为第一时长；
按照顺序分别判断各段信号对应的能量波动因子是否小于设定阈值，当某段信号对应的能量波动因子小于设定阈值时，将该段信号的第一个峰值作为目标峰值；获取回波中最大峰值到目标峰值之间的时长，将所述回波中最大峰值到目标峰值之间的时长记为第二时长；
将第二时长与第一时长的比值作为回波波动比。
2.根据权利要求1所述的一种基于超声波的公路交通工程路面质量检测方法，其特征在于，采用如下公式计算超声传感器与路面的实际距离：
Figure 145243DEST_PATH_IMAGE001
其中，
Figure 762038DEST_PATH_IMAGE002
为超声传感器与路面的实际距离，
Figure 941346DEST_PATH_IMAGE003
为超声传感器测得的路面距离数据，
Figure 722131DEST_PATH_IMAGE004
为修正因子。
3.根据权利要求1所述的一种基于超声波的公路交通工程路面质量检测方法，其特征在于，目标神经网络的训练，包括：
将样本对应的能量波动因子序列、回波波动比和超声传感器测得的其与路面的距离输入到目标神经网络中，对目标神经网络进行训练；
目标神经网络的损失函数为均方差损失函数。
4.根据权利要求1所述的一种基于超声波的公路交通工程路面质量检测方法，其特征在于，所述根据所述各路段对应的深度共生矩阵，计算各路段的起伏度特征指标，包括：
对于任一路段：
将该路段表面划分为设定个数的区域；
对于该路段的任一区域：将该区域中各位置的高程的均值作为该区域对应的高程；
根据该路段各区域对应的高程，得到该路段对应的深度图像；根据所述深度图像，构建不同方向对应的深度共生矩阵；根据各方向对应的深度共生矩阵，计算各方向对应的对比度指标；将最大的对比度指标作为该路段的起伏度特征指标。
5.根据权利要求1所述的一种基于超声波的公路交通工程路面质量检测方法，其特征在于，所述根据所述各路段的起伏度特征指标，得到各路段路面的质量，包括：
对于任一路段：
根据该路段的起伏度特征指标，采用如下公式计算该路段路面的质量：
Figure 506547DEST_PATH_IMAGE005
其中，
Figure 825402DEST_PATH_IMAGE006
为该路段路面的质量，
Figure 492007DEST_PATH_IMAGE007
为该路段的起伏度特征指标，
Figure 39663DEST_PATH_IMAGE008
为映射系数，
Figure 226056DEST_PATH_IMAGE009
为该路段的抗滑性能。
CN202210701037.1A 2022-06-21 2022-06-21 基于超声波的公路交通工程路面质量检测方法 Active CN114775382B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210701037.1A CN114775382B (zh) 2022-06-21 2022-06-21 基于超声波的公路交通工程路面质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210701037.1A CN114775382B (zh) 2022-06-21 2022-06-21 基于超声波的公路交通工程路面质量检测方法

Publications (2)

Publication Number Publication Date
CN114775382A CN114775382A (zh) 2022-07-22
CN114775382B true CN114775382B (zh) 2022-09-06

Family

ID=82421862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210701037.1A Active CN114775382B (zh) 2022-06-21 2022-06-21 基于超声波的公路交通工程路面质量检测方法

Country Status (1)

Country Link
CN (1) CN114775382B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113984648B (zh) * 2021-09-16 2023-10-20 武汉光谷卓越科技股份有限公司 一种基于三维的路面摩擦系数测量方法
CN116837703B (zh) * 2023-08-30 2023-11-14 山东伊狄达汽车与轮胎试验场有限公司 一种用于长路段的平整度测量系统
CN117745150B (zh) * 2024-02-21 2024-05-03 冠兴(西安)通信电子工程有限公司 一种路基压实质量智能评估方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102721537A (zh) * 2012-06-01 2012-10-10 西安交通大学 基于可变空间-尺度框架的机械冲击型故障诊断方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101477172B (zh) * 2009-02-18 2010-12-01 湖南大学 一种基于神经网络的模拟电路故障诊断方法
CN105502115A (zh) * 2014-09-26 2016-04-20 刘一 一种基于电梯的维保质量在线评估方法、装置及系统
CN104390781A (zh) * 2014-11-26 2015-03-04 中国矿业大学 一种基于lmd和bp神经网络的齿轮故障诊断方法
CN105891340B (zh) * 2016-06-03 2018-10-12 江苏科技大学 晶粒尺寸影响超声波评价材料应力的修正方法
CN108801634B (zh) * 2018-03-21 2019-12-03 昆明理工大学 基于奇异值分解和优化的频带熵提取轴承故障特征频率的方法及其应用
US11311201B2 (en) * 2018-11-02 2022-04-26 Samsung Electronics Co., Ltd. Feature selection for cardiac arrhythmia classification and screening
CN109766794B (zh) * 2018-12-25 2022-08-19 河海大学 一种自动化实时道路检测方法及其系统
CA3127579C (en) * 2019-02-18 2023-08-01 Hitachi, Ltd. Shape measuring system and shape measuring method
CN110306414B (zh) * 2019-07-13 2021-04-16 嘉兴普勒斯交通技术有限公司 一种路面构造深度检测方法
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102721537A (zh) * 2012-06-01 2012-10-10 西安交通大学 基于可变空间-尺度框架的机械冲击型故障诊断方法

Also Published As

Publication number Publication date
CN114775382A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN114775382B (zh) 基于超声波的公路交通工程路面质量检测方法
CN110346844A (zh) Nriet基于云分类和机器学习的定量降水估测方法
CN114783183A (zh) 一种基于交通态势算法的监控方法与系统
CN113984648B (zh) 一种基于三维的路面摩擦系数测量方法
CN115597530A (zh) 一种公路介质参数反演方法
CN114675261B (zh) 一种基于探地雷达的城市地下病害体全生命周期管理方法
CN107288016A (zh) 一种基于三维激光检测技术的沥青路面铣刨质量评价方法
CN103306185A (zh) 一种沥青路面车辙现场评价方法
Xiao et al. Utilization of traffic speed deflectometer for pavement structural evaluations
CN102472691B (zh) 预测轮胎运行噪音的方法
CN116266215A (zh) 一种路面隐性病害区域的几何特征提取方法
Jia et al. Characterization of rutting on asphalt pavement in terms of transverse profile shapes based on LTPP data
Ahlin et al. Comparing road profiles with vehicle perceived roughness
CN111737798B (zh) 一种复合式路面砼板接缝传荷能力系数计算方法及系统
CN102141385A (zh) 沥青路面表面形貌曲面的测试方法
CN111487616B (zh) 一种流量计量方法
CN115655994B (zh) 一种水域泥沙超声波测量方法及系统
CN116626685A (zh) 基于机器学习的河道底泥实时监测方法及系统
CN114004426B (zh) 一种短时暴雨预报释用模型的动态调整方法
CN115267787A (zh) 一种天气雷达定量降雪的估测方法
CN116665436A (zh) 一种基于雷达轨迹数据的高速公路交通拥堵度量方法
CN116338611A (zh) 一种基于探地雷达回波多次谐振信息的隐藏目标几何参数获取方法
CN110195400B (zh) 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
CN114397656A (zh) 一种基于三维探地雷达的沥青路面厚度动态调整方法
CN118330649B (zh) 一种路面裂缝检测数据智能分析方法

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
GR01 Patent grant
GR01 Patent grant