CN115128074A - 沥青路面抗滑性能预测系统的构建方法及其构建的系统 - Google Patents
沥青路面抗滑性能预测系统的构建方法及其构建的系统 Download PDFInfo
- Publication number
- CN115128074A CN115128074A CN202210790548.5A CN202210790548A CN115128074A CN 115128074 A CN115128074 A CN 115128074A CN 202210790548 A CN202210790548 A CN 202210790548A CN 115128074 A CN115128074 A CN 115128074A
- Authority
- CN
- China
- Prior art keywords
- gray
- image
- asphalt pavement
- value
- training
- 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.)
- Granted
Links
- 239000010426 asphalt Substances 0.000 title claims abstract description 48
- 238000010276 construction Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 36
- 238000012935 Averaging Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 241001270131 Agaricus moelleri Species 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 5
- 238000005070 sampling Methods 0.000 description 14
- 230000011218 segmentation Effects 0.000 description 7
- 239000010410 layer Substances 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002344 surface layer Substances 0.000 description 2
- 238000004381 surface treatment Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种沥青路面抗滑性能预测系统的构建方法,通过数字图像采集平台获取检测点的图像,利用数字图像处理技术和卷积神经网络分割灰度图像并进行二值化处理;利用二值化图像区分裹附沥青的集料和表面空隙,结合灰度图像确定两部分的灰度值之差,并使用检测的构造深度值进行标定。然后,利用训练后的卷积神经网络就可以快速而有效地预测指定位置的抗滑性能,为道路建设和管理部门提供决策依据。
Description
技术领域
本发明涉及沥青路面抗滑性能检测技术领域,具体涉及一种基于深度学习理论的沥青路面抗滑性能评估及预测的方法。
背景技术
沥青路面抗滑性能是沥青路面使用性能评价指标的关键,直接关系到汽车在行驶过程中的安全性。随着数字图像获取与人工智能等技术领域的发展,抗滑性能的检测方法逐渐有了很大的改进,基于机器视觉技术对路面构造深度进行分析进而预测路面的抗滑性能也成为近年来的研究热点。通过图像分析,并利用传统方法进行标定,预测沥青路面构造深度,实现对路面整体抗滑安全性的合理分析,建立沥青路面抗滑性能和安全性的预测系统,对道路建设与后期运营提供指导。
使用融合的数字图像处理技术和人工智能技术,可以提高检测的覆盖面,甚至100%覆盖检测。同时,利用深度学习理论还可以提升检测的速度。一般而言,通过训练,利用卷积神经网络可以提升图像分割的准确性。快速而符合精度要求的沥青路面抗滑性能预测将为整个路面安全状况提供更加全面和合理的判断依据,能够为道路运营单位和养护单位提供决策基础。良好的抗滑性能可满足汽车在路面上高速行驶的要求,同时也为轮胎与路面之间提供了安全刹车距离所需的摩阻力,减少交通事故隐患。因此亟需对沥青路面抗滑性能指标与测试方法进行研究,以达到对路面抗滑性能达到精确预测的目的,提高了路面行车的安全性,减少了因路面抗滑性能减小而造成的侧翻、滑移等事故的发生。
发明内容
本发明提供一种沥青路面抗滑性能预测系统的构建方法,具体步骤如下:
(1)采集路面的图片,并用手工铺砂法确定采集图片的区域的构造深度检测值;
(2)采集的图片利用MATLAB软件转化为标准化灰度图像;
(3)利用卷积神经网络对标准灰度图像进行图像分割和二值化训练;
(4)当训练准确率未达到85%时,继续训练;当训练准确率达到85%以上时,即可结束训练;训练完成后暂时保存得到的最佳图像分割模型;
(5)对比步骤(3)二值图像和步骤(2)得到的灰度图像,针对灰度图像,将与二值图内白色区域相对应像素的灰度值取平均值,同理,将与黑色区域相对应像素的灰度值取平均值,然后求白色区域与黑色区域灰度平均值之差。
(6)利用步骤(1)得到的单张图片区域的构造深度对步骤(5)得到的灰度值平均值之差进行标定,得到单位灰度差值所对应的构造深度值,之后再用训练用的所有单张图片得到的单位灰度差值所对应的构造深度值求出平均值;
(7)使用未参与训练的单张图片经过步骤(2)-(5)得到图片的白色区域与黑色区域灰度平均值之差,再乘以步骤(6)得到的单位灰度差值所对应的构造深度值求出平均值,得到预测的构造深度;
(8)使用步骤(7)的方法,利用多张图像进行验证,对比预测和实测的构造深度,利用如下回归决定系数公式进行评估:
其中:
αi为实测的第i张图像的构造深度值;
βi为通过U-Net网络预测的构造深度值;
l为所有测得图像的总和;
构造深度预测评估指标R2不小于75%;
如果R2小于75%,则继续步骤(3)的训练,直到本步骤的R2不小于75%;
如果R2不小于75%,则沥青路面抗滑性能预测系统构建完成。
在上述方案的基础上,步骤(3)中的卷积神经网络是U-Net卷积神经网络。
在上述方案的基础上,步骤(3)采用binary crossentropy损失函数评估训练过程;binary crossentropy损失函数为
在上述方案的基础上,步骤(5)中:各区域灰度值平均值计算公式:
两区域灰度平均值之差,公式如下:
在上述方案的基础上,步骤(6)中单张图片的单位灰度差值所对应的构造深度值=构造深度检测值÷两区域灰度平均值之差。
在上述方案的基础上,步骤(1)中图像采集时先搭建图像采集平台,具体的是在长、宽、高为1米×1米×1.2米的长方体暗箱的四个顶角上安置四个可以调节亮度的LED灯,在暗箱的顶面中心位置处放置用于垂直拍摄沥青路面摄像机,暗箱底面中心位置处,开设有方孔;在拍摄沥青路面前,将方孔中心放置在预定检测位置。
本发明还提供了一张上述方法构建的沥青路面抗滑性能预测系统。
基于上述的预测系统,本发明还提供一种使用上述预测系统进行沥青路面抗滑性能预测的方法,具体步骤如下:
(1)图像采集
采集方法与系统构建时图像采集的方法相同;
(2)图像预处理
处理方法与系统构建时图像预处理的方法相同;
(3)预处理后的图像输入沥青路面抗滑性能预测系统中进行构造的深度值的预测。
一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的预测方法步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述预测方法步骤。
本发明通过数字图像采集平台获取检测点的图像,利用数字图像处理技术和卷积神经网络分割灰度图像并进行二值化处理;利用二值化图像区分裹附沥青的集料和表面空隙,结合灰度图像确定两部分的灰度值之差,并使用检测的构造深度值进行标定。然后,利用训练后的卷积神经网络就可以快速而有效地预测指定位置的抗滑性能,为道路建设和管理部门提供决策依据。
附图说明
图1为本发明实施沥青路面抗滑性能预测方法技术路线图;
图2为图像采集时暗箱的结构说明图;
图3为手工铺砂法测定构造深度示意图;
图4为采集的沥青路面图像(编号001);
图5为数字图像区域选择;
图6为与手工铺砂法对应的数字图像圆形区域裁剪;
图7为数字图像灰度处理;
图8为灰度图像标准化;
图9为沥青路面二值图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述,需要指出的是,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
实施例1
1.一种沥青路面抗滑性能预测系统的构建方法,其特征在于,具体步骤如下:
(1)采集路面的图片,并用手工铺砂法确定采集图片的区域的构造深度检测值;
(2)采集的图片利用MATLAB软件转化为标准化灰度图像;
(3)利用卷积神经网络对标准灰度图像进行图像分割和二值化训练;
(4)当训练准确率未达到85%时,继续训练;当训练准确率达到85%以上时,即可结束训练;训练完成后暂时保存得到的最佳图像分割模型;
(5)对比步骤(3)二值图像和步骤(2)得到的灰度图像,针对灰度图像,将与二值图内白色区域相对应像素的灰度值取平均值,同理,将与黑色区域相对应像素的灰度值取平均值,然后求白色区域与黑色区域灰度平均值之差。
(6)利用步骤(1)得到的单张图片区域的构造深度对步骤(5)得到的灰度值平均值之差进行标定,得到单位灰度差值所对应的构造深度值,之后再用训练用的所有单张图片得到的单位灰度差值所对应的构造深度值求出平均值;
(7)使用未参与训练的单张图片经过步骤(2)-(5)得到图片的白色区域与黑色区域灰度平均值之差,再乘以步骤(6)得到的单位灰度差值所对应的构造深度值的平均值,得到预测的构造深度;
(8)使用步骤(7)的方法,利用多张图像进行验证,对比预测和实测的构造深度,利用如下回归决定系数公式进行评估:
其中:
αi为实测的第i张图像的构造深度值;
βi为通过U-Net网络预测的构造深度值;
l为所有测得图像的总和;
构造深度预测评估指标R2不小于75%;
如果R2小于75%,则继续步骤(3)的训练,直到本步骤的R2不小于75%;
如果R2不小于75%,则沥青路面抗滑性能预测系统构建完成。
实施例2
在实施例1的基础上,本实施例提供一种基于深度学习理论的沥青路面抗滑性能评估及预测的方法,
首先,搭建图像采集平台,如图2所示,在准备好的长、宽、高为1米×1米×1.2米的长方体暗箱的四个顶角上安置四个可以调节亮度的LED灯,既隔绝了外部条件带来的光照变化的问题,也保证了箱体内没有拍摄死角;在暗箱的顶面中心位置处放置摄像机(CCD工业相机),用于垂直拍摄沥青路面,保证拍摄的距离相同,消除距离对图像成像效果的影响。暗箱底面中心位置处,开边长为50厘米的方孔。在拍摄沥青路面前,将方孔中心放置在预定检测位置,为了放置精确,可以将暗箱的一个侧面设置成可以打开、关闭的门或者在一个侧面上设置一个可以打开和关闭的观察窗。
以《公路工程质量检验评定标准第一册土建工程》(JTG F80/1-2017)抗滑性能检测的要求为基础,上下行每100米检测一处构造深度,每一处做3次平行试验。根据《公路路基路面现场测试规程》(JTG 3450-2019)附录A随机选择测点,并根据T 0961-1995手工铺砂法测定路面抗滑性能,见图3。随机选择测点后,用粉笔标出位置。
使用相机进行拍摄标定,以粉笔标记点为基础,根据几何学知识确定边长为1米的正方形,其中心为标记点。将暗箱的四个支撑点放置在正方形的四个点,固定暗箱位置。手工铺砂法测定的位置就是CCD相机拍摄的位置。
调整摄像机的焦距和光源强度,直至可以拍摄清晰的路面照片。建立拍摄位置和数字图像编号索引。例如,在K1+000左幅拍摄的图片可以命名为K1+000(左幅)-1、K1+000(左幅)-2和K1+000(左幅)-3,并赋予编号001、002、003,并将两者对应起来。
基于MATLAB软件,选择001号图像,利用MATLAB软件的imrect、getposition及imcrop函数,对获取的数字图像进行圆形裁剪,见图4-6。
利用MATLAB软件的rgb2gray对裁剪出的圆形图像进行灰度化处理,见图7。为使灰度值差-构造深度标定具有广泛适用性,将灰度图进行标准化:将原灰度图最大值设定为255,最小值设定为0,按照内插法进行灰度值转化,见图8,此处意思是原始的灰度图灰度值的范围假设为10-2000,然后将2000设置为255,10设置为0。10-2000之间的数按内插法计算。
使用卷积神经网络训练灰度图的分割并进行二值化。
数字图像二值化后,就可以区分路表面突出的部分和凹陷的部分,即裹附沥青的集料部分和路表面空隙部分。由于路表面凹凸程度与灰度存在关联,即可以用灰度的差异表征构造深度。
本发明采用U-Net网络结构进行深度学习,其为一种用于图像语义分割的卷积神经网络。U-Net在上采样路径中融合了下采样路径中相对应位置的特征图,保留了图像的空间位置信息,提高了特征图的重复利用率,能够实现对图像的精确分割。参照论文《U-net:Convolutional networks for biomedical image segmentation》细胞分割用的U-Net结构。
U-Net网络是在FCN基础上进行改进,其网络结构由卷积层和池化层构成,分为编码器阶段和解码器阶段。网络结构主要包括下采样部分、上采样部分以及跳跃连接部分,上采样和下采样部分对称,网络整体形成U型结构。下采样部分主要作用为提取图像中的简单特征,而上采样部分经过了更多的卷积层,提取到的特征是更为抽象的特征,跳跃连接融合了下采样结构中的底层信息与上采样结构中的高层信息,以此来提高分割精度。
鉴于U-Net优越的分割性能,其已被应用于多种图像语义分割任务中,如洋流漩涡检测和降低射频信号中的噪声等。
针对沥青路面RGB彩色图像,其包括更多地信息。U-Net网络包含一条下采样路径和一条上采样路径,下采样通过池化操作实现,上采样由反卷积操作来实现。本发明预处理后数字图像尺寸为256×256像素,经过数次卷积与下采样后尺寸下降为12×12,之后经过逐次反卷积和卷积运算,图像尺寸扩大至136×136。
采用binary crossentropy损失函数评估训练过程。binary crossentropy损失函数为
采用编号为1-600的图像进行训练,001号图像所对应的沥青路面二值图见图9。本发明中用于训练的图片数量为600,batch size为2,steps_per_epoch为300,epochs为5。训练后,准确率可以达到90%,此处的准确率是指U-Net网络对标准灰度图每个像素进行正确分类的准确性。例如,假定有100个像素,有些像素归类为1,其他归类为0。如果90个像素归类正确,则准确率为90%。
对比二值图和灰度图,将二值图内白色区域与灰度图对应的灰度值取平均值,然后将黑色区域对应的灰度值取平均值。两部分灰度的平均值之差,可以表征沥青路面的构造深度。
相减得到两区域灰度值之差,公式如下:
图9为编号001的沥青路表面处理后的二值图,图8为编号001的沥青路表面处理后的灰度图。根据二值图所示的黑色区域和白色区域,对灰度图像素进行分类,一类属于凸出部分,一类属于凹陷部分。编制MATLAB代码,统计灰度图两类部分像素总个数和灰度值总和。凹陷部分所包含的像素总数为9188,灰度值总和1788536;凸出部分所包含的像素总数为31042,灰度值总和5708569。两部分的平均灰度值之差为1788536÷9188-5708569÷31042=10.7618。表1和表2展示了二值图和灰度图部分像素灰度值,其中i和j用于确定像素的位置,利用MATLAB软件将图片打开是一个数字矩阵,i和j是描述每一个像素点的位置。例如,i=106,j=2是指第106行第2列那个像素。
表1二值图部分像素值
表2灰度图部分像素灰度值
利用手工铺砂法对600个测点进行构造深度检测,其中,编号001的图像所对应的构造深度检测值为3.26mm。那么,单位灰度值之差所对应的构造深度值为3.26÷10.7618=0.3029mm。
每一张图像对应一个构造深度和灰度平均值之差,前者除以后者为单位灰度值之差所对应的构造深度值。按照此方法,处理编号为2-600的图像,最后得到600张图像单位灰度值之差所对应的构造深度值为0.2362mm(001号图片为0.3029mm,然后,对于600张图像,取这个值的均值)。
利用601号~840号的240张图像进行验证,对比预测和实测的构造深度,利用如下回归决定系数公式进行评估:
其中:
αi为实测的第i张图像的构造深度值;
βi为通过U-Net网络预测的构造深度值;
l为所有测得图像的总和,在此取l=240。
将所测得的实际构造深度值与预测的构造深度值带入上式进行验证。经过验证可知,数据的回归决定系数达到82%,可以有效预测沥青路面构造深度。通过整体分析采集数据训练与预测,构造深度预测评估指标R2要求不小于75%。
另外,需要说明的是,本发明案例中,沥青路面表面层类型主要为SMA-13和AC-13,我国沥青路面表面层大多数属于这两类。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭示如上,然而并非用以限定本发明,任何本领域技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (10)
1.一种沥青路面抗滑性能预测系统的构建方法,其特征在于,具体步骤如下:
(1)采集路面的图片,并用手工铺砂法确定采集图片的区域的构造深度检测值;
(2)采集的图片利用MATLAB软件转化为标准化灰度图像;
(3)利用卷积神经网络对标准灰度图像进行图像分割和二值化训练;
(4)当训练准确率未达到85%时,继续训练;当训练准确率达到85%以上时,即可结束训练;训练完成后暂时保存得到的最佳图像分割模型;
(5)对比步骤(3)二值图像和步骤(2)得到的灰度图像,针对灰度图像,将与二值图内白色区域相对应像素的灰度值取平均值,同理,将与黑色区域相对应像素的灰度值取平均值,然后求白色区域与黑色区域灰度平均值之差。
(6)利用步骤(1)得到的单张图片区域的构造深度对步骤(5)得到的灰度值平均值之差进行标定,得到单位灰度差值所对应的构造深度值,之后再用训练用的所有单张图片得到的单位灰度差值所对应的构造深度值求出平均值;
(7)使用未参与训练的单张图片经过步骤(2)-(5)得到图片的白色区域与黑色区域灰度平均值之差,再乘以步骤(6)得到的单位灰度差值所对应的构造深度值的平均值,得到预测的构造深度;
(8)使用步骤(7)的方法,利用多张图像进行验证,对比预测和实测的构造深度,利用如下回归决定系数公式进行评估:
其中:
αi为实测的第i张图像的构造深度值;
βi为通过U-Net网络预测的构造深度值;
l为所有测得图像的总和;
构造深度预测评估指标R2不小于75%;
如果R2小于75%,则继续步骤(3)的训练,直到本步骤的R2不小于75%;
如果R2不小于75%,则沥青路面抗滑性能预测系统构建完成。
2.根据权利要求1所述的沥青路面抗滑性能预测系统的构建方法,其特征在于,步骤(3)中的卷积神经网络是U-Net卷积神经网络。
5.根据权利要求1所述的沥青路面抗滑性能预测系统的构建方法,其特征在于,步骤(6)中单张图片的单位灰度差值所对应的构造深度值=构造深度检测值÷两区域灰度平均值之差。
6.根据权利要求1所述的沥青路面抗滑性能预测系统的构建方法,其特征在于,步骤(1)中图像采集时先搭建图像采集平台,具体的是在长、宽、高为1米×1米×1.2米的长方体暗箱的四个顶角上安置四个可以调节亮度的LED灯,在暗箱的顶面中心位置处放置用于垂直拍摄沥青路面的摄像机,暗箱底面中心位置处,开设有方孔;在拍摄沥青路面前,将方孔中心放置在预定检测位置。
7.一种权利要求1-6任一项所述的方法构建的沥青路面抗滑性能预测系统。
8.一种使用权利要求7的系统进行沥青路面抗滑性能预测的方法,其特征在于,具体步骤如下:
(1)图像采集
采集方法与系统构建时图像采集的方法相同;
(2)图像预处理
处理方法与系统构建时图像预处理的方法相同;
(3)预处理后的图像输入沥青路面抗滑性能预测系统中进行构造的深度值的预测。
9.一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求8的方法步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求8的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210790548.5A CN115128074B (zh) | 2022-07-05 | 2022-07-05 | 沥青路面抗滑性能预测系统的构建方法及其构建的系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210790548.5A CN115128074B (zh) | 2022-07-05 | 2022-07-05 | 沥青路面抗滑性能预测系统的构建方法及其构建的系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115128074A true CN115128074A (zh) | 2022-09-30 |
CN115128074B CN115128074B (zh) | 2024-02-20 |
Family
ID=83381576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210790548.5A Active CN115128074B (zh) | 2022-07-05 | 2022-07-05 | 沥青路面抗滑性能预测系统的构建方法及其构建的系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115128074B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101424645A (zh) * | 2008-11-20 | 2009-05-06 | 上海交通大学 | 基于机器视觉的焊球表面缺陷检测装置与方法 |
CN107238604A (zh) * | 2017-07-19 | 2017-10-10 | 云南省交通规划设计研究院 | 路面表面构造分布及抗滑性能检测综合装置及检测方法 |
CN207280400U (zh) * | 2017-10-11 | 2018-04-27 | 云南省交通规划设计研究院 | 一种路面表面凸点接触面积测试系统 |
CN108760740A (zh) * | 2018-05-31 | 2018-11-06 | 同济大学 | 一种基于机器视觉的路面抗滑性能快速检测方法 |
CN109584286A (zh) * | 2019-01-22 | 2019-04-05 | 东南大学 | 一种基于广义回归神经网络的沥青路面构造深度计算方法 |
CN109671077A (zh) * | 2018-12-24 | 2019-04-23 | 上海智能交通有限公司 | 一种沥青路面抗滑性能检测方法及系统 |
CN111289539A (zh) * | 2020-03-04 | 2020-06-16 | 东南大学 | 一种基于红外图像的沥青路面摊铺均匀性评价方法 |
-
2022
- 2022-07-05 CN CN202210790548.5A patent/CN115128074B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101424645A (zh) * | 2008-11-20 | 2009-05-06 | 上海交通大学 | 基于机器视觉的焊球表面缺陷检测装置与方法 |
CN107238604A (zh) * | 2017-07-19 | 2017-10-10 | 云南省交通规划设计研究院 | 路面表面构造分布及抗滑性能检测综合装置及检测方法 |
CN207280400U (zh) * | 2017-10-11 | 2018-04-27 | 云南省交通规划设计研究院 | 一种路面表面凸点接触面积测试系统 |
CN108760740A (zh) * | 2018-05-31 | 2018-11-06 | 同济大学 | 一种基于机器视觉的路面抗滑性能快速检测方法 |
CN109671077A (zh) * | 2018-12-24 | 2019-04-23 | 上海智能交通有限公司 | 一种沥青路面抗滑性能检测方法及系统 |
CN109584286A (zh) * | 2019-01-22 | 2019-04-05 | 东南大学 | 一种基于广义回归神经网络的沥青路面构造深度计算方法 |
CN111289539A (zh) * | 2020-03-04 | 2020-06-16 | 东南大学 | 一种基于红外图像的沥青路面摊铺均匀性评价方法 |
Non-Patent Citations (8)
Title |
---|
ALA ABBAS等: "Three-Dimensional Surface Texture Characterization of Portland Cement Concrete Pavements", COMPUTER-AIDED CIVIL AND INFRASTRUCTURE ENGINEERING, vol. 22, pages 197 * |
YINGHAO MIAO等: "Study on Asphalt Pavement Surface Texture Degradation Using 3-D Image Processing Techniques and Entropy Theory", ENTROPY, pages 1 - 22 * |
何力;: "基于数字图像技术的沥青混凝土构造深度检测研究", 北方交通, no. 06, pages 83 - 86 * |
宋永朝;梁乃兴;闫功喜;杨永前;: "基于数字图像技术的露石混凝土路面纹理构造抗滑性能", 哈尔滨工业大学学报, no. 02, pages 129 - 134 * |
宋永朝;闫功喜;隋永芹;黎富春;: "基于数字图像处理技术的沥青路面表面纹理构造分布", 中南大学学报(自然科学版), no. 11, pages 363 - 368 * |
张令刚;钱振东;杨理广;贾文镖;: "沥青混凝土路面表面形貌及抗滑性能的分形表达研究", 公路, no. 05, pages 91 - 94 * |
杨永前: "数字图像技术在露石混凝土路面检测中的应用研究", 中国优秀硕士学位论文全文数据库 工程科技II辑, pages 034 - 17 * |
钱振东;薛永超;张令刚;: "沥青路面三维纹理分形维数及其抗滑性能", 中南大学学报(自然科学版), no. 10, pages 308 - 314 * |
Also Published As
Publication number | Publication date |
---|---|
CN115128074B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108759973B (zh) | 一种水位测量方法 | |
CN101354241B (zh) | 集料数字图像评价方法 | |
CN104134080B (zh) | 一种道路路基塌陷和边坡坍塌的自动检测方法及系统 | |
CN102404602A (zh) | 一种基于清晰度测试卡的摄像机清晰度检测方法 | |
CN111489352B (zh) | 一种基于数字图像处理的隧道缝隙检测与测量方法及装置 | |
CN116758059A (zh) | 一种用于路基路面的视觉无损检测方法 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN113781537B (zh) | 一种轨道弹条扣件缺陷识别方法、装置和计算机设备 | |
CN112964712A (zh) | 一种快速检测沥青路面状态的方法 | |
CN117094914B (zh) | 基于计算机视觉的智慧城市道路监控系统 | |
CN110909657A (zh) | 一种隧道表观病害图像识别的方法 | |
CN114596316A (zh) | 一种基于语义分割的道路图像细节抓取方法 | |
CN112307840A (zh) | 指示灯检测方法、装置、设备及计算机可读存储介质 | |
CN114549446A (zh) | 一种基于深度学习的气缸套缺陷标检测方法 | |
WO2013173464A1 (en) | Apparatus and method for tire sidewall crack analysis | |
CN110516524A (zh) | 一种交通场景中基于Mask R-CNN的车辆轴数识别方法 | |
CN112329858B (zh) | 一种铁路动车防松铁丝折断故障图像识别方法 | |
CN115128074B (zh) | 沥青路面抗滑性能预测系统的构建方法及其构建的系统 | |
CN114494240A (zh) | 基于多尺度协作深度学习的无砟轨道板裂缝测量方法 | |
CN112686105B (zh) | 一种基于视频图像多特征融合的雾浓度等级识别方法 | |
CN112581424B (zh) | 一种光学元件表面与亚表面缺陷的分类提取方法 | |
CN110070520B (zh) | 基于深度神经网络的路面裂缝检测模型构建及检测方法 | |
CN114862892A (zh) | 基于增强深度边缘特征的二维及三维路面裂缝识别方法 | |
CN114708190A (zh) | 一种基于深度学习的道路裂缝检测评估算法 |
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 |