CN114821514B - 一种用于检测隧道路面湿滑状态的移动检测系统 - Google Patents
一种用于检测隧道路面湿滑状态的移动检测系统 Download PDFInfo
- Publication number
- CN114821514B CN114821514B CN202210754849.2A CN202210754849A CN114821514B CN 114821514 B CN114821514 B CN 114821514B CN 202210754849 A CN202210754849 A CN 202210754849A CN 114821514 B CN114821514 B CN 114821514B
- Authority
- CN
- China
- Prior art keywords
- tunnel
- road surface
- cluster
- unit
- wet
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 157
- 230000033001 locomotion Effects 0.000 claims abstract description 59
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000007621 cluster analysis Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000521257 Hydrops Species 0.000 description 1
- 238000004566 IR spectroscopy Methods 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Length, Angles, Or The Like Using Electric Or Magnetic Means (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Road Paving Structures (AREA)
Abstract
本发明涉及一种用于检测隧道路面湿滑状态的移动检测系统,包括:轨道,沿隧道的长度方向设置在隧道路面上方,长度与隧道长度大致相同;移动检测设备,设置在轨道上并且能够沿轨道移动,同时采集隧道路面的路面湿滑状态数据,路面湿滑状态数据至少包括由不同检测点位的路面湿滑系数值构成的检测数据集;以及数据处理单元,用于通过执行聚类算法对检测数据集进行聚类分析,获得表示隧道路面湿滑状态的分析结果。通过本发明的移动检测系统,能够对隧道内的路面湿滑状态进行及时、可靠的检测,有效地避免了隧道交通流对检测的干扰以及固定式检测结果的不可靠性,为客观地判断隧道内的路面湿滑状态以及科学有效地对隧道内的交通流管控提供决策依据。
Description
技术领域
本发明主要涉及隧道路面湿滑状态的检测,尤其涉及一种用于检测隧道路面湿滑状态的移动检测系统。
背景技术
公路隧道与开阔道路相比,在路面状态、灯光环境以及基础设施状态等方面均存在较大的差异。公路隧道属于相对封闭的环境,隧道内部路面状态不易受外界天气变化影响,但隧道进出洞口区域由于与外界直接相连易受外界天气影响,尤其在冰冻、雨、雪等恶劣天气条件下路面湿滑程度较高,隧道进出口部分与隧道内部路面湿滑状态差异较大。由于照明条件的变化,车辆在进出隧道时驾驶员易产生“黑洞效应”和“白洞效应”,需要时间适应隧道照明环境,因而在隧道进出口处驾驶员不易观察前方道路情况;而且,由于隧道内部灯光较暗,驾驶员视距较短,因此对前方道路情况的预判也受到限制。此外,随着公路隧道的运营年限增加,受周围地理环境、天气环境、结构设计、养护维修频率等因素的影响,渗漏水成为运营隧道的主要病害之一;隧道渗漏水病害所导致的路面溢水、湿滑等问题,也是影响车辆通行安全、导致交通事故的最主要因素。
通过大量的历史事故数据与研究发现,由于公路隧道驾驶环境苛刻且空间相对封闭,在线形和光线的影响下,驾驶员不但视距会被迫缩短,心理状态也容易产生较大的波动,特别是在路面湿滑导致路面摩擦系数降低的情况下,极易发生车辆追尾、碰撞隧道壁等事故;而且,隧道内一旦发生交通事故,不但救援难度大,交通疏导困难,且在视距的影响下,极易发生二次事故,造成更严重的拥堵和更大的损失。
考虑到上述的隧道环境特性,限制车辆的行驶速度虽然一定程度上有助于降低事故风险,但这显然会导致隧道整体通行能力下降,牺牲隧道的通行效率。
为了兼顾公路隧道的通行安全和效率,需要对隧道内的路面湿滑状态进行及时、可靠的检测与评价,进而为客观地判断隧道内的路面状态以及科学有效地对隧道内的交通流管控提供决策依据。
通常可以通过两类设备对路面湿滑状态进行检测:一种为接触式路面状态检测器,通常为车载式设备,在车辆移动过程中测量路面的摩擦系数或者湿滑状态;另一种为非接触式路面状态检测器,通常采用光学偏振、图像识别、红外光谱等方法,通常固定于道路上方对路面上指定的位置进行检测。
公路路侧固定式检测设备只能检测路面上一个特定点位或很小的检测区域,在实际应用中通常用一个检测点位或检测区域的检测结果来代表一个较大的道路区间范围的路面湿滑状态。显然,这种以点代面的检测结果无法准确地反映隧道路面实际的湿滑状态,因而存在隧道路面或基础设施病害发现不及时、交通流过度管控或欠管控等问题,仍然不得不依赖于人工巡检来确定准确的路面问题地点。
目前,车载移动式检测设备,虽然可以连续测量多个点位,但其检测点之间的间距较大,通常100米的区间内检测4-10个点位,无法准确、全面地反映隧道路面的湿滑状态;同时,承载传感器的车辆需要人工驾驶,车辆不可避免地会影响其它车辆的通行;而且,车载式传感器受到道路以及通行车辆的限制,无法全天候循环往复多次测量。因此,不仅车载式传感器的使用受到诸多的限制,并且检测到的结果仍然无法准确地反映隧道路面湿滑状态及其变化,更无法对隧道路面的湿滑状态给出准确、实时的评价。
综上可见,现有的隧道路面湿滑状态的检测方式精细程度很低,无法及时、准确地反映隧道路面的湿滑状态,更无法从时间和空间上同时实现对隧道路面湿滑状态的可靠评价。
为此,实有必要设计一种行之有效的对隧道内路面湿滑状态进行检测的系统和方法,对隧道路面的湿滑状态进行及时、准确的检测,进而为隧道内交通流的科学管控提供决策依据,保证隧道通行效率,同时有效保障车辆的通行安全。
发明内容
本发明的目的在于,提供一种用于检测隧道路面湿滑状态的移动检测系统,及时、准确地对隧道路面的湿滑状态进行检测,从而可以为隧道内交通流的科学管控提供决策依据。
为实现上述目的,本发明提供了一种用于检测隧道路面湿滑状态的移动检测系统,所述移动检测系统包括:
轨道,所述轨道沿隧道的长度方向设置在隧道路面的上方,所述轨道的长度与隧道的长度大致相同;
移动检测设备,所述移动检测设备设置在所述轨道上并且能够沿所述轨道移动,所述移动检测设备能够在移动的同时采集隧道路面的路面湿滑状态数据,所述路面湿滑状态数据至少包括由不同检测点位的路面湿滑系数值构成的检测数据集;
数据处理单元,所述数据处理单元用于通过执行聚类算法对所述移动检测设备提供的检测数据集进行聚类分析,获得表示隧道路面湿滑状态的分析结果。
优选地,所述移动检测设备进一步包括路面湿滑系数检测器,所述路面湿滑系数检测器能够检测隧道路面上不同位置的路面湿滑系数值。
优选地,所述移动检测系统进一步包括单元网格标记单元,所述单元网格标记单元用于将隧道路面划分为若干个单元网格,所述检测数据集包括所述移动检测设备通过采集所述单元网格对应的路面湿滑状态数据所获得的单元网格数据集。
优选地,所述数据处理单元能够对所述单元网格数据集进行聚类分析,获得表示所述单元网格路面湿滑状态的分析结果。
优选地,所述单元网格标记单元包括设置在隧道路面上的路面标记,其中,所述移动检测设备通过检测所述路面标记来确定各个所述单元网格的范围。
优选地,所述单元网格标记单元包括定位单元,所述定位单元用于确定所述移动检测设备相对于所述轨道的位置,所述移动检测设备通过所述位置确定各个所述单元网格的范围。
优选地,所述定位单元包括设置在所述轨道上的定位标记。
优选地,所述单元网格的长度为80至120米,所述单元网格数据集包括200至800个路面湿滑系数值。
步骤A:通过公式(1),计算出所述单元网格数据集X中的每个数据样本Xi到每个簇的聚类质心的欧式距离,
步骤B:利用公式(2)重新计算各个簇Sj的质心,
其中,Cm表示第m个聚类簇的质心,1≤m≤K;|Sm|表示第m个簇中数据样本的个数;Xd表示第m个聚类簇中第d个对象,1≤d≤|Sm|;
步骤C:重复执行步骤A和步骤B,直至K个簇的质心不再发生变化,得到当前K值下的聚类分析结果。
优选地,所述数据处理单元对所述单元网格数据集进行聚类分析的过程还进一步包括对K值进行优化的步骤:
步骤1:对于数据样本Xi,计算Xi与其同一簇内的所有其他元素的平均距离,记作ai;
步骤2:选取另外一个簇b,计算Xi与b中所有元素的平均距离,并遍历所有其他簇,找到Xi与所有其他簇最近的平均距离,记作bi;
步骤3:通过公式(3)求出元素Xi的轮廓系数,
步骤4:计算所有数据样本X的轮廓系数,并通过公式(4)计算出当前K值对应的整体轮廓系数,
步骤6:将最优K值所对应的聚类结果作为聚类分析的结果。
通过本发明的移动检测系统,能够对隧道内的路面湿滑状态进行及时、可靠的检测,有效地避免了隧道交通流对检测的干扰以及固定式检测结果的不可靠性,为客观地判断隧道内的路面湿滑状态以及科学有效地对隧道内的交通流管控提供决策依据,在有效保障车辆的通行安全的同时,也有利地保证了隧道通行效率。
附图说明
图1为根据本发明优选实施例的移动检测系统中轨道与移动检测设备布设方式的示意图。
具体实施方式
在本发明中,路面湿滑状态用来指代由于冰、雨、雪、雾等天气或地理环境影响使得路面处于潮湿、积水、结冰、积雪的状态。在这种状态下,路面摩擦系数下降,会导致车辆制动困难、制动距离增加、车辆行驶稳定性下降,极易引起严重的交通事故。通常采用路面湿滑系数来表征路面湿滑状态,路面湿滑系数为一个0至1之间的数值,数值越小表示路面越滑。
路面湿滑系数可以利用光学偏振、红外光谱等非接触式测量方法,基于路面不同区域光学特性的差异,来区分路面表面的状态,例如干燥、积水、积雪、结冰等,进而得出代表路面湿滑程度的评价指标,用于表征路面的抗滑性能,与摩擦系数具有相同的意义。
本发明的发明人研究发现,对单个检测点位或很小的检测区域进行检测所获得的路面湿滑系数值,并不能准确地表示隧道内路面的湿滑状态。科学地评价隧道路面湿滑状态,需要对路面上足够多的点位进行检测,对获得的路面湿滑状态数据进行聚类分析,分析结果中聚集样本量最多的聚类簇的质心,代表了大部分检测点位或区域的湿滑状态,最适合用来代表隧道内的路面湿滑状态。
在本发明的实施例中,移动检测设备被设置在隧道路面的上方、能够在整个隧道长度的范围内受控地移动,并且能够在移动的同时采集隧道路面的路面湿滑状态数据。在一些实施例中,在隧道的顶部沿隧道长度方向设置有专用的轨道,移动检测设备能够沿着轨道在隧道的两端之间往复地移动。本领域技术人员能够理解,轨道的具体构造和布设方式、移动检测设备与轨道的配合方式以及移动检测设备的驱动方式均可以通过目前已知的或者未来可行的技术手段来实现,只要满足本发明移动检测的需要即可。
由于移动检测设备在隧道路面上方移动,不会受到行进车辆的影响,可以根据检测的需要控制移动速度,因此能够以较小的间隔对路面湿滑状态进行检测,进而获得路面上相应位置上的路面湿滑系数值。
但实际上,这种细化到很多个点位的检测结果并不能直接帮助车辆的驾驶员或者道路管理单位或人员确定路面湿滑状态对行车安全的影响。本发明的发明人研究发现:一方面,当路面上单个检测点位的湿滑系数值较高时,实际上并不必然会对行车安全构成严重影响;另一方面,当对道路上多个位置上的路面湿滑系数值求平均值时,虽然可以避免单点测量受偶然因素影响所产生的偏差,能够在一定程度上反映道路的整体湿滑情况,但这样的平均值无法反映道路湿滑情况的局部差异,无法准确反映道路上不同位置的湿滑情况对通行车辆的影响。
为了准确客观地反映道路的湿滑情况,便于驾驶员安全地驾驶车辆,以及便于道路管控人员科学地对交通流实施控制兼顾通行安全与效率,发明人将检测路段划分成多个单元网格,再基于单元网格内多点位的路面湿滑系数检测数据通过下文中将详细描述的聚类算法进行分析处理,能够得到表示该单元网格湿滑状态的路面湿滑系数。
图1为根据本发明优选实施例的移动检测系统中轨道与移动检测设备布设方式的示意图。如图1所示,在隧道顶部布设有轨道11,轨道11的长度与隧道的长度大致相同,移动检测设备12(其中包括非接触式路面湿滑系数检测器13)设置在轨道11上,可以以一定的速度沿轨道11循环往复移动,并且在移动的同时以一定的间隔检测路面上不同位置的路面湿滑系数值。
轨道11和移动检测设备12位于隧道上部空间中,不会影响隧道中车辆的通行。而且,由于移动检测设备12可以在整个隧道长度范围内循环往复移动,其可以以很短的时间间隔对整个隧道内的路面湿滑状态进行多次检测,进而实现对公路隧道路面状态全天候、全覆盖、不间断的检测。
在图1所示的实施例中,隧道沿长度方向划分为若干个长度L=100米的区段(即,单元网格14),移动检测设备12对每个单元网格14内的路面以0.25米为间隔、沿隧道的长度方向连续进行检测,从而在一个单元网格14内测量400个点位,相应地获得400个表征各个点位上路面湿滑状态的路面湿滑系数值。
本领域技术人员能够理解,移动检测设备中用来检测路面湿滑系数值的传感器或检测器件,即路面湿滑系数检测器13,并不局限于特定的类型,而是可以采用本领域已知的或未来可用的任何类型的非接触式传感器或检测器件,只要其适于安装在移动检测设备12中并且能够采集所需的路面湿滑系数值即可。实际上,目前市场上已有的非接触式路面状况检测技术已成熟应用,在很短的时间内就能够完成对一个单元网格的检测。
本领域技术人员能够理解,基于移动检测设备或其中的非接触式传感器或检测器件类型的不同,或者为了满足不同的后续分析需求,各个单元网格内检测点位的数量、位置以及检测顺序均可以不同。例如,移动检测设备可以在沿着轨道移动的同时,垂直于其移动方向往复扫描检测道路上的各个点位,或者平行于其移动方向往复扫描检测道路上的各个点位,亦或以随机的顺序检测道路上的各个点位。
此外,如果需要对不同车道的路面湿滑状态分别进行检测,可以在隧道上方空间中设置多条轨道和多个移动检测设备;或者在一个轨道上设置多个移动检测设备;或者在一个移动检测设备中设置多个相同或不同类型的检测传感器。
为了基于采集到的路面湿滑状态数据进行聚类分析,本发明的移动检测系统还包括数据处理单元,用以对移动检测设备提供的检测数据集执行聚类算法,从而获得表示隧道路面湿滑状态的分析结果。
在本发明的一些实施例中,数据处理单元并不随着移动检测设备一起移动,而是与移动检测设备通信连接(优选以无线的方式),从而接收移动检测设备采集到的路面湿滑状态数据。这样的设计可以减轻驱动设备的符合,有利于改善移动检测系统中移动部件的运动性能。在这样的实施例中,数据处理单元既可以被实现为移动检测系统的中央处理器/控制器的一部分,也可以基于单独的处理器实现。
而在另一些实施例中,数据处理单元与移动检测设备集成在一起,使得两者可以通过高速的数据连接或线路传递数据,有利于提高路面湿滑状态数据的传输效率和可靠性。
为了以单元网格为基本单位对隧道路面的湿滑状态进行分析和评价,在采集路面湿滑状态数据时,移动检测设备需要确定所检测的点位归属于哪个单元网格。为此,在本发明的一些实施例中,移动检测系统还进一步包括单元网格标记单元,用以将隧道路面划分为若干个单元网格,也可以说,将移动检测设备采集到的路面湿滑状态数据划分成对应于各个单元网格的单元网格数据集。
在本发明的一些实施例中,单元网格标记单元包括设置在隧道路面上的路面标记,例如图1中的路面标记15。路面标记可以被移动检测设备识别出,并由此确定两个相邻的单元网格的交界。基于这样的信息,移动检测设备能够确定所检测的点位属于哪个单元网格,进而将采集到的路面湿滑状态数据归入相应的单元网格数据集。
隧道路面上的路面标记既可以是设置在路面上的标记物,也可以是涂覆于路面上的特殊涂层,或者还可以通过其它能够被移动检测设备识别的形式实现。
除了直接确定检测点位相对于隧道路面的位置,移动检测设备还可以通过确定其自身相对于轨道的位置来确定当前检测的点位所属的单元网格。在本发明的一些实施例中,单元网格标记单元包括定位单元,用来确定移动检测设备相对于轨道的位置。移动检测设备进一步结合其中的路面湿滑系数检测器相对于检测点位的位置关系,能够将轨道上的位置与隧道路面上的检测点位对应起来。这样,确定了移动检测设备相对于轨道的位置,就能够确定检测点位所属的单元网格。移动检测设备相对于轨道的位置信息,可以通过其驱动设备获取,例如驱动电机转动的圈数/角度。类似于前面描述的路面标记,定位单元也可以包括设置在轨道上的定位标记,例如,设置在轨道上的标记物。
一般而言,单元网格的大小可以根据隧道的设计速度、车辆在道路上的实际平均行驶速度以及车辆的安全停车视距等数据来确定,以利于对路面湿滑状态的准确感知以及对交通流的科学管控。
例如,长度超过1000米的长大隧道内的车辆平均行驶速度约为80公里/小时,在路面湿滑情况下,驾驶员反应以及采取制动措施的时间段内,车辆仍会继续行进80-120米左右的距离。由此可见,路面湿滑状态会直接影响车辆在制动过程中的行驶情况。因此,按照这样的间隔划分单元网格有利于更科学、有效地评价路面的湿滑状态,既能够满足驾驶员反应与制动的需要,也能够满足道路精细化养护与管控的需要。
在本发明的优选实施例中,移动检测设备在每个长100米的单元网格内沿隧道的长度方向、以0.25米为间隔对隧道路面进行连续检测,从而在一个单元网格内测量400个点位,相应地获得400个路面湿滑系数值。这些湿滑系数值可以充分地反映出单元网格内的各种可能的路面湿滑状态。
本领域技术人员应该理解,每个单元网格内检测点位的数量也并不局限于400个。单元网格内检测点位的数量通常取决于下文将详细描述的聚类算法的需要。一般而言,点位数量过少,适用聚类算法的数据也少,无法达到理想的聚类效果,可能会影响路面湿滑状态的评价准确性;而如果检测点位过于密集,则可能产生数据冗余,影响聚类算法的运行效率,进而可能会影响检测的效率。通常,在每个单元网格内设置200-800个检测点位可以兼顾检测的准确性和效率。
发明人研究发现,隧道中路面湿滑状态在路面宽度方向上的差异不大,因此沿单一车道的长度方向顺序排布各个检测点位能够比较准确地反映路面湿滑状态。但本领域技术人员应该理解,各个单元网格内的检测点位也不局限于沿隧道的长度方向设置,而是可以同时沿隧道的长度方向和宽度方向排布。在本发明的一些优先实施例中,各个检测点位均匀地分布在单元网格中,这有利于更加准确地反映单元网格整体上的路面湿滑状态。
在通过移动检测设备获得的路面湿滑状态数据中,可以包括检测时间、检测位置、检测点的路面湿滑系数值。在一些优选实施例中,检测位置可以简化为检测点位所述的单元网格,例如单元网格的编号。对归属于同一单元网格的路面湿滑状态数据做进一步处理,可以获得该单元网格的路面湿滑系数。
在移动检测设备检测路面湿滑状态的过程中,从对应点位上驶过的车辆不可避免地会对检测造成一定的干扰,可能会导致针对该点位的检测结果不准确。但由于这样的检测结果在整个单元网格的所有检测结果中只占极小的比例,因此不会对整个单元网格路面湿滑状态的判断造成影响。而且,一方面,通过下文将会详细描述的聚类算法能够容易地识别并排除这些不准确数据的影响;另一方面,由于移动检测设备在隧道内循环往复检测,受过往车辆影响的数据,也会在往复检测的过程中被修正。
下面,结合本发明的优选实施例,详细描述数据处理单元对采集到的路面湿滑状态数据进行聚类分析的过程。
在每个单元网格所对应的路面湿滑状态数据中,不同检测点位的数据既存在相似性也存在差异性,通过聚类分析的方式可以将检测数据中样本相似度高、差异性小的数据归为一类。
如果单元网格内大部分路面处于湿滑状态时,该单元网格必然处于湿滑状态,即,单元网格内大部分点位上的路面湿滑系数值更接近于0。借助聚类算法将这些相似的路面湿滑状态数据聚类在一起,所得到的聚集样本量最多的聚类簇的质心,就代表了单元网格内大部分区域的湿滑状态,可以作为表征该单元网格整体路面湿滑状态的参数。
在本发明的优选实施例中,采用K均值聚类算法(K-means ClusteringAlgorithm)对各个单元网格的路面湿滑状态数据进行聚类运算。该算法是一种迭代型聚类算法,采用欧氏距离作为相似性指标,可以将离散的数据聚为K个簇(类),每个簇的中心点为质心。该算法通过计算样本与簇之间的距离、通过反复迭代可以将相似度高、差异性小的样本聚为一簇,使得簇内部的样本相似度高,不同簇之间的差异性高,最终可以得到最优的质心值。
通过移动检测设备对一个单元网格中的n个点位进行检测后,可以得到该单元网格的路面湿滑系数的检测数据集X,即,其中,1≤i≤n。假设初始K值为k0,初始聚类质心为,其中,1≤j≤k0,Cj为第j个聚类簇的初始质心,物理意义为湿滑系数值。初始K值一般可以随机选取1到10之间的一个整数,初始质心的值一般可随机选取0到1之间的一个数值。初始值的选择不会影响最终的聚类结果。
通过如下公式(1),可以计算出检测数据集X中的每个数据样本Xi到每个簇的聚类质心Cj的欧式距离,
Step A:依次比较每个数据样本Xi到各个聚类质心Cj的欧式距离,将各个数据样本Xi分配到距离最近的聚类质心Cj的簇中,得到k0个簇,其中,Sj表示第j个聚类簇,其物理意义为重新聚类后的第j个聚类簇的数据集合。
Step B:利用如下的公式(2)重新计算各个簇Sj的质心,
其中,Cm表示第m个聚类簇的质心,1≤m≤k0;|Sm|表示第m个簇中数据样本的个数;Xd表示第m个聚类簇中第d个对象,1≤d≤|Sm|;即,对归属于Sm聚类簇的所有对象求平均值。
Step C:重复执行Step A与Step B,直至k0个簇的质心不再发生变化,即,得到了K=k0时该单元网格的路面湿滑状态数据的聚类结果。
考虑到单元网格中路面湿滑状态的不确定性,为了获得更准确的结果,可以进一步对K值进行优化:
K值的优化可以通过比较不同聚类簇数(不同K值)对应的整体轮廓系数并选取整体轮廓系数最大值对应的簇数(K值)来实现,即,以整体轮廓系数最大为目标来确定K值的最优解。轮廓系数是描述聚类簇内外差异的关键指标,结合了聚类的凝聚度和分离度,用于评估聚类的效果,其值处于-1至1之间,值越大表示聚类效果越好。
在本发明的优选实施例中,K值的优化通过以下步骤进行:
Step 1:对于第i个数据样本Xi,计算Xi与其同一簇内的所有其他元素的平均距离,记作ai。
Step 2:选取另外一个簇b,计算Xi与b中所有元素的平均距离,遍历所有其他簇,找到Xi与所有其他簇最近的平均距离,记作bi。
Step 3:通过如下公式(3)求出元素Xi的轮廓系数,
Step 4:计算所有数据样本X的轮廓系数,再通过如下公式(4)计算出当前聚类(K=k0)的整体轮廓系数:
Step 5:调整K的取值,例如,取从2到10之间的整数,重复步骤Step A到Step C来获得聚类结果,并通过步骤Step 1至Step 4计算各个K值所对应的整体轮廓系数,其中最大整体轮廓系数所对应的K=k’即为最优的K值。
最后,根据上述聚类分析的结果,确定为该单元网格的路面湿滑系数Sp。
根据k’的数值(最优K值),确定k’个簇的质心与每个簇包含的样本数量,并将含样本量最多的聚类簇的质心确定为该单元网格的路面湿滑系数Sp。含聚集样本量最多的聚类簇是最能够反映该单元网格整体湿滑状态的,该聚类簇的质心所对应的路面湿滑系数值Sp也最适于表示该网格单元的整体路面湿滑系数。
在前述的K均值聚类算法中,K值的选取是影响最终运算结果的重要因素。采用固定的K值,运算负荷比较小,但单元网格路面湿滑系数的计算可能会存在一定的偏差。通过K值优化的步骤,可以根据单元网格内检测数据的实际情况优化K值的选择,有利于提高单元网格路面湿滑系数计算的准确性。
采用K均值聚类算法的优势在于,数据收敛速度快,能够满足隧道路面湿滑状态的实时检测的需求;而且分类数据具有可伸缩性,能够尽可能科学、真实地反映单元网格的湿滑状态。
通过对单元网格中众多点位上的检测数据进行聚类分析,可以科学地判断所检测到的路面湿滑系数值的分布情况,进而能够准确地确定该单元网格整体上的路面湿滑状态。通过聚类的方式,不仅能够有效地排除由于受到外界因素干扰而检测不准确的点位数据的影响,而且能够屏蔽不会危害行车安全的、面积非常小的湿滑区域对单元网格整体湿滑系数值的影响。
基于隧道中各个单元网格的路面湿滑系数,可以将路面湿滑状态分为若干个等级,以此作为道路交通流管控以及隧道维修养护的依据。
例如,可以为单元网格的路面湿滑系数设定三个阈值m1、m2、m3,其中0<m1<m2<m3<1,从而将路面湿滑状态划分为四个等级,即:
本领域技术人员应该理解,根据后续应用以及实际隧道交通流管控需求的不同,也可以将路面湿滑状态划分成更多或更少的等级;而且各个阈值之间的间隔可以相同也可以不同。
基于对隧道内当前路面湿滑状态的准确判断,道路管理者可以对道路上的交通流实施有效的管控,包括速度管控、车道管控、或者通过可变情报板发布信息提示。
本领域技术人员能够理解,随着移动检测设备的移动,其可以对隧道内不同位置的n个单元网格进行检测,例如,按照1、2、……、n的顺序进行。通过比较不同位置的单元网格的检测结果,可以得到隧道路面湿滑状态随位置变化的情况,从而得到路面湿滑状态的空间变化规律。
此外,随着移动检测设备的往复移动,其可以对隧道内的n个单元网格进行循环的检测,例如,按照1、2、……、n、n、……、2、1的顺序不间断地进行检测。这样,每个单元网格每间隔特定的时间段就会被检测一次,通过比较不同时间的检测结果,可以得到该单元网格的路面湿滑状态随时间变化的情况,从而可以为预测路面湿滑状态的变化趋势提供依据。
基于对隧道内路面湿滑状态时空变化趋势的可靠判断,道路管理者可以对隧道路面、基础设施的养护制定更加科学的方案。
基于前面结合本发明优选实施例的描述可知,通过本发明用于检测隧道路面湿滑状态的移动检测系统,能够显著提高隧道路面湿滑状态检测的空间分辨率,以较小的单元网格为基本评价单位准确地检测隧道内的路面湿滑情况;同时也能够提高隧道路面湿滑状态检测的时间分辨率,有效地跟踪隧道内路面湿滑状态的变化。
应该认识到,在以上所描述的实施例中,均可以根据具体应用的情况在合理的范围内进行调整,并不局限于以上实施例中的特定的情形。也就是说,在不背离本发明的构思的前提下,本领域技术人员可以对特定的实施例进行各种变化和/或修改。
Claims (6)
1.一种用于检测隧道路面湿滑状态的移动检测系统,所述移动检测系统包括:
轨道,所述轨道沿隧道的长度方向设置在隧道路面的上方,所述轨道的长度与隧道的长度大致相同;
移动检测设备,所述移动检测设备设置在所述轨道上并且能够沿所述轨道移动,所述移动检测设备能够在移动的同时采集隧道路面的路面湿滑状态数据,所述路面湿滑状态数据至少包括由不同检测点位的路面湿滑系数值构成的检测数据集;
数据处理单元,所述数据处理单元用于通过执行聚类算法对所述移动检测设备提供的检测数据集进行聚类分析,获得表示隧道路面湿滑状态的分析结果;以及
单元网格标记单元,所述单元网格标记单元用于将隧道路面划分为若干个单元网格,所述检测数据集包括所述移动检测设备通过采集所述单元网格对应的路面湿滑状态数据所获得的单元网格数据集;
其中,所述单元网格的长度为80至120米,所述单元网格数据集包括200至800个路面湿滑系数值;
其中,所述数据处理单元能够对所述单元网格数据集进行聚类分析,获得表示所述单元网格路面湿滑状态的分析结果;
步骤A:通过公式(1),计算出所述单元网格数据集X中的每个数据样本Xi到每个簇的聚类质心Cj的欧式距离,
步骤B:利用公式(2)重新计算各个簇Sj的质心,
其中,Cm表示第m个聚类簇的质心,1≤m≤K;|Sm|表示第m个簇中数据样本的个数;Xd表示第m个聚类簇中第d个对象,1≤d≤|Sm|;
步骤C:重复执行步骤A和步骤B,直至K个簇的质心不再发生变化,得到当前K值下的聚类分析结果。
2.根据权利要求1所述的移动检测系统,其中,所述移动检测设备进一步包括路面湿滑系数检测器,所述路面湿滑系数检测器能够检测隧道路面上不同位置的路面湿滑系数值。
3.根据权利要求1所述的移动检测系统,其中,所述单元网格标记单元包括设置在隧道路面上的路面标记,其中,所述移动检测设备通过检测所述路面标记来确定各个所述单元网格的范围。
4.根据权利要求1所述的移动检测系统,其中,所述单元网格标记单元包括定位单元,所述定位单元用于确定所述移动检测设备相对于所述轨道的位置,所述移动检测设备通过所述位置确定各个所述单元网格的范围。
5.根据权利要求4所述的移动检测系统,其中,所述定位单元包括设置在所述轨道上的定位标记。
6.根据权利要求1所述的移动检测系统,其中,所述数据处理单元对所述单元网格数据集进行聚类分析的过程还进一步包括对K值进行优化的步骤:
步骤1:对于数据样本Xi,计算Xi与其同一簇内的所有其他元素的平均距离,记作ai;
步骤2:选取另外一个簇b,计算Xi与b中所有元素的平均距离,并遍历所有其他簇,找到Xi与所有其他簇最近的平均距离,记作bi;
步骤3:通过公式(3)求出元素Xi的轮廓系数,
步骤4:计算所有数据样本X的轮廓系数,并通过公式(4)计算出当前K值对应的整体轮廓系数,
步骤6:将最优K值所对应的聚类结果作为聚类分析的结果。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210754849.2A CN114821514B (zh) | 2022-06-30 | 2022-06-30 | 一种用于检测隧道路面湿滑状态的移动检测系统 |
CN202211296455.3A CN117372977A (zh) | 2022-06-30 | 2022-06-30 | 一种用于检测隧道路面湿滑状态的移动检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210754849.2A CN114821514B (zh) | 2022-06-30 | 2022-06-30 | 一种用于检测隧道路面湿滑状态的移动检测系统 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211296455.3A Division CN117372977A (zh) | 2022-06-30 | 2022-06-30 | 一种用于检测隧道路面湿滑状态的移动检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114821514A CN114821514A (zh) | 2022-07-29 |
CN114821514B true CN114821514B (zh) | 2022-11-11 |
Family
ID=82523195
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211296455.3A Pending CN117372977A (zh) | 2022-06-30 | 2022-06-30 | 一种用于检测隧道路面湿滑状态的移动检测系统 |
CN202210754849.2A Active CN114821514B (zh) | 2022-06-30 | 2022-06-30 | 一种用于检测隧道路面湿滑状态的移动检测系统 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211296455.3A Pending CN117372977A (zh) | 2022-06-30 | 2022-06-30 | 一种用于检测隧道路面湿滑状态的移动检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN117372977A (zh) |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105632189A (zh) * | 2014-11-06 | 2016-06-01 | 株式会社日立制作所 | 雪天实时交通状态发布方法和交通状态发布装置 |
CN104850748B (zh) * | 2015-05-26 | 2017-09-15 | 北京交通大学 | 一种铁路钢轨折断故障分析预警方法及系统 |
DE102017214032A1 (de) * | 2017-08-11 | 2019-02-14 | Robert Bosch Gmbh | Verfahren zum Bestimmen eines Reibwerts für einen Kontakt zwischen einem Reifen eines Fahrzeugs und einer Fahrbahn und Verfahren zum Steuern einer Fahrzeugfunktion eines Fahrzeugs |
CN107451622A (zh) * | 2017-08-18 | 2017-12-08 | 长安大学 | 一种基于大数据聚类分析的隧道运营状态划分方法 |
CN108663090A (zh) * | 2018-06-29 | 2018-10-16 | 国网福建省电力有限公司厦门供电公司 | 一种电缆隧道智能检测系统 |
CN209070367U (zh) * | 2018-09-06 | 2019-07-05 | 刘春梅 | 一种用于隧道的智能巡检系统 |
CN110672632A (zh) * | 2019-09-24 | 2020-01-10 | 江西交通职业技术学院 | 一种隧道病害识别方法 |
CN111159247B (zh) * | 2019-11-20 | 2024-01-12 | 北京交通大学 | 一种区域交通拥堵传播轨迹挖掘方法 |
CN215867976U (zh) * | 2020-11-30 | 2022-02-18 | 广东省交通规划设计研究院集团股份有限公司 | 一种基于多维传感的公路隧道智能化巡检机器人系统 |
CN112650101A (zh) * | 2020-11-30 | 2021-04-13 | 广东省交通规划设计研究院股份有限公司 | 一种基于多维传感的公路隧道智能化巡检机器人系统 |
CN113050186A (zh) * | 2021-03-09 | 2021-06-29 | 复旦大学 | 非接触式路面状态监测系统 |
CN113532517B (zh) * | 2021-06-28 | 2022-07-22 | 同济大学 | 一种隧道工作面稳定性实时精细评估设备及方法 |
CN114113118B (zh) * | 2021-12-01 | 2023-10-13 | 同济大学 | 一种地铁隧道衬砌裂缝渗漏水病害快速检测装置及其检测方法 |
-
2022
- 2022-06-30 CN CN202211296455.3A patent/CN117372977A/zh active Pending
- 2022-06-30 CN CN202210754849.2A patent/CN114821514B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114821514A (zh) | 2022-07-29 |
CN117372977A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11447150B2 (en) | Comfort-based self-driving planning method | |
CN106355903B (zh) | 基于视频分析的多车道车流量检测方法 | |
CN101807345B (zh) | 一种基于视频检测技术的交通拥堵判别方法 | |
CN100520853C (zh) | 基于单频连续波雷达的车型分类方法 | |
CN111898501B (zh) | 一种针对拥堵路段的无人机在线航拍车辆识别及统计方法 | |
CN105006150B (zh) | 车辆轮轴数量的检测方法及装置 | |
CN114783183A (zh) | 一种基于交通态势算法的监控方法与系统 | |
CN114003849B (zh) | 一种多车道非接触式车轴数自动计算方法及系统 | |
WO2016056568A1 (ja) | 路面状態判別システム | |
CN105761535A (zh) | 一种高速公路动态限速方法 | |
CN112950946B (zh) | 一种市政道路施工期交通拥堵原因判别方法 | |
CN111640304B (zh) | 面向连续流交通设施的交通拥堵传播特征自动化量化提取方法 | |
Biswas et al. | Assessment of level-of-service on urban arterials: a case study in Kolkata metropolis | |
CN114821514B (zh) | 一种用于检测隧道路面湿滑状态的移动检测系统 | |
CN114819001B (zh) | 一种基于移动检测设备的隧道路面湿滑状态的评价方法 | |
CN110197584A (zh) | 基于区域检测器的高速公路交通状态评价方法 | |
CN116092037A (zh) | 融合轨迹空间-语义特征的车辆类型识别方法 | |
CN113129549B (zh) | 一种道路结冰预测方法及系统 | |
CN109584563B (zh) | 一种基于韦布尔分布的城市快速路路段通行能力可靠性分布分析方法 | |
CN113128847A (zh) | 一种基于激光雷达的出入口匝道实时风险预警系统及方法 | |
CN105575133A (zh) | 一种行驶车辆检测方法、装置及系统 | |
CN112700646B (zh) | 一种在运营公路断面交通量及车道系数的实测方法 | |
KR102477885B1 (ko) | 자율주행 도로의 주행 안전도를 평가하는 안전도 분석 관리 서버 | |
CN117354347B (zh) | 用于物联网多功能智慧灯杆的车路协同控制方法及装置 | |
CN109859499B (zh) | 一种交通流量检测系统及其检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |