CN115775330A - 一种基于机器学习的路面质量检测方法及系统 - Google Patents

Abstract

本申请涉及一种基于机器学习的路面质量检测方法及系统，属于机器学习技术领域，其包括获取待检测路面的路面特征；获取待检测路面上通过车辆的行车特征；将路面特征和行车特征输入至训练后的规则学习模型中进行匹配，得到路面质量等级；根据路面质量等级，生成路面质量检测结果，其中，路面质量检测结果的类型包括完好路面、待保养路面、待修补路面以及待翻修路面。利用路面特征和行车特征使得训练后的规则学习模型输出路面质量等级，再根据路面质量等级生成路面质量检测结果；本申请具有便于对路面质量进行检测的效果。

Description

一种基于机器学习的路面质量检测方法及系统

技术领域

本发明涉及机器学习技术领域，尤其是涉及一种基于机器学习的路面质量检测方法及系统。

背景技术

机器学习是人工智能的一个子集，在机器学习中，算法会不断进行训练，从大型数据集中发现模式和相关性，然后根据数据分析结果做出最佳决策和预测。

路面质量检测包括对路面强度及使用过程中的损坏状况的检测，在路面的使用过程中通过对路面质量的定期检测，以及时发现路面存在的问题，便于对损坏路面进行及时处理，从而能够延长路面的使用寿命。然而，路面质量的影响因素较多，例如裂缝、变形、车辙深度、路面倾角等，仅通过人工评价的方式难以在众多路面质量的影响因素中对路面质量做出一个综合评价，如何根据众多路面质量影响因素检测出路面的质量，是目前需要解决的问题。

发明内容

为了便于对路面质量进行检测，本申请提供了一种基于机器学习的路面质量检测方法及系统。

第一方面，本申请提供的一种基于机器学习的路面质量检测方法，采用如下的技术方案：

一种基于机器学习的路面质量检测方法，包括：

获取待检测路面的路面特征；

获取待检测路面上通过车辆的行车特征；

将路面特征和行车特征输入至训练后的规则学习模型中进行匹配，得到路面质量等级；

根据路面质量等级，生成路面质量检测结果，其中，路面质量检测结果的类型包括完好路面、待保养路面、待修补路面以及待翻修路面。

通过采用上述技术方案，获取待检测路面的路面特征以及待检测路面上通过车辆的行车特征，再将路面特征和行车特征输入至训练后的规则学习模型中进行匹配，由规则学习模型生成路面质量等级，再由路面质量等级生成路面质量检测结果，实现了从路面特征以及行车特征两个方面的多维度影响因素中，得到路面质量检测结果的效果。

可选的，所述路面特征至少包括路面使用年限参数、路面平整度、路面破损率、横向摩阻系数以及强度系数。

通过采用上述技术方案，使用年限参数、路面平整度、路面破损率、横向摩阻系数以及强度系数为影响路面质量的路面自身属性，从多维度对待检测路面质量进行检测，使得得到的结果更加准确。

可选的，所述行车特征至少包括待检测路面在单位时间段内的车辆通过总数量以及超过预设重量的车辆数量。

通过采用上述技术方案，车辆通过总数量和超过预设重量的车辆数量为路面的使用参数，待检测路面通过的车辆越多，超过预设重量的车辆数量越多，待检测路面越容易损坏，从待检测路面的使用情况辅助判断待检测路面的质量，使得检测结果更加准确。

可选的，所述获取待检测路面的路面特征，具体包括：

将待检测路面划分为多个路段；

从多个路段中抽取预设数量的待检测路段；

获取每个待检测路段的路面特征。

通过采用上述技术方案，当待检测路面是高速公路等长度较长的路面时，先将待检测路面划分为多个路段，再从多个路段中抽取预设数量的待检测路段，以获取每个待检测路段的路面特征，通过抽取部分路段的方法，便于对长度较长的高速公路路面进行检测。

可选的，所述将筛选后的路面特征和行车特征输入至训练后的规则学习模型中进行匹配，得到路面质量等级之前，包括：

获取历史路面特征和历史行车特征；

根据历史行车特征，对历史路面特征进行标注；

将历史行车特征和标注后的历史路面特征作为训练集；

利用训练集对规则学习模型进行训练。

通过采用上述技术方案，获取历史路面特征和历史行车特征，根据历史行车特征，对历史路面特征进行标记，利用历史行车特征和标注后的历史路面特征作为训练集作为训练集对规则学习模型进行训练，从而使得规则学习模型能够从路面特征和行车特征两个维度对路面质量进行检测。

可选的，所述根据历史行车特征，对历史路面特征进行标注，具体包括：

根据历史行车特征，对历史路面特征进行分类标记，将历史路面特征标记为正样本特征和负样本特征；

根据历史行车特征，对标注后的历史路面特征赋予权重值。

通过采用上述技术方案，通过行车特征将历史路面特征标注为正样本特征和负样本特征，再上对标注后的历史路面特征赋予权重值，从而使得行车特征和路面特征进行了结合，能够更加准确的对路面质量进行检测。

可选的，还包括：所述将路面特征和行车特征输入至训练后的规则学习模型中进行匹配之后，得到路面质量等级，还包括：

获取输入规则学习模型的路面特征的总数量；

获取规则学习模型输出路面质量等级所匹配的路面特征的匹配数量；

根据总数量和匹配数量，计算规则学习模型输出路面质量等级的匹配度。

通过采用上述技术方案，规则学习模型输出路面质量等级所匹配的路面特征和行车特征的匹配数量越多，说明输出路面质量等级用到的路面特征和行车特征的数量越多，此时输出路面质量等级就越精确，通过数据总数量和匹配数量，便于得知输出路面质量等级与真实情况的匹配度。

第二方面，本申请提供基于机器学习的路面质量检测系统，采用如下技术方案：

一种基于机器学习的路面质量检测系统，包括：路面特征获取模块，用于获取待检测路面的路面特征；

行车特征获取模块，用于获取待检测路面上通过车辆的行车特征；

质量等级生成模块，用于将路面特征和行车特征输入至训练后的规则学习模型中进行匹配，得到路面质量等级；以及，

检测结果生成模块，用于根据路面质量等级，生成路面质量检测结果，其中，路面质量检测结果的类型包括完好路面、待保养路面、待修补路面以及待翻修路面。

通过采用上述技术方案，利用路面特征获取模块获取待检测路面的路面特征，利用行车特征获取模块获取待检测路面上通过车辆的行车特征，利用质量等级生成模块将路面特征和行车特征输入至训练后的规则学习模型中进行匹配，以输出路面质量等级，利用检测结果生成模块根据路面质量等级，生成路面质量检测结果，从而实现了对路面质量进行检测的效果。

第三方面，本申请提供一种计算机设备，采用如下技术方案：

一种计算机设备，包括存储器、处理器以及储存在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行如第一方面中任一所述的一种基于机器学习的路面质量检测方法。

第四方面，本申请提供一种计算机可读存储介质，采用如下技术方案：

一种计算机可读存储介质，包括存储有能够被处理器加载并执行如第一方面中任一所述的一种基于机器学习的路面质量检测方法的计算机程序。

综上所述，本申请包括以下有益技术效果：

1.利用路面特征和行车特征使得训练后的规则学习模型输出路面质量等级，再根据路面质量等级生成路面质量检测结果，实现了从路面特征以及行车特征两个方面的多维度影响因素中，得到路面质量检测结果的效果；

2.利用历史行车特征和标注后的历史路面特征作为训练集作为训练集对规则学习模型进行训练，从而使得规则学习模型能够从路面特征和行车特征两个维度对路面质量进行检测。

附图说明

图1是本申请其中一实施例的路面质量检测的方法流程图。

图2是本申请其中一实施例的获取路面特征的方法流程图。

图3是本申请其中一实施例的规则学习模型训练的方法流程图。

图4是本申请其中一实施例标注路面特征的方法流程图。

图5是本申请其中一实施例计算匹配度的方法流程图。

图6是本申请其中一实施例的路面质量检测的系统框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图1-6及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

本申请实施例公开一种基于机器学习的路面质量检测方法。参照图1，基于机器学习的路面质量检测方法包括：

步骤S101：获取待检测路面的路面特征；

其中，路面特征至少包括路面使用年限参数、路面平整度、路面破损率、横向摩阻系数以及强度系数。路面平整度指的路面表面相对于理想平面的竖向偏差。路面破损率指各种损坏的折合损坏面积之和与路面调查面积之百分比。横向摩阻系数是指车辆在弯道上行驶时，受离心力影响使车辆沿路面水平方向产生一个横向分力，该横向分力与垂直路面的竖向力之比。路面强度是指路面抵抗外部荷载及环境因素作用，保持自身状况完好的程度。

步骤S102：获取待检测路面上通过车辆的行车特征；

其中，行车特征至少包括待检测路面在单位时间段内的车辆通过总数量以及超过预设重量的车辆数量。

具体地，单位时间段可设置为一天、三天或一周。通过统计单位时间段内的车辆通过总数量，一方面能够反映出待检测路面的使用情况，另一方面待检测路面通过的车辆越多，则待检测路面出现破损或出现破损后的扩散速度就越快，即能够间接反映出待检测路面的容易损坏的程度。超过预设重量的车辆数量即超重车辆，由于超过预设重量的车辆对路面的破坏是远大于普通车辆的，所以通过统计超过预设重量的车辆能够反映出待检测路面潜在损坏的可能性。

步骤S103：将路面特征和行车特征输入至训练后的规则学习模型中进行匹配，得到路面质量等级；

应当理解，路面特征和行车特征均与路面质量存在直接或间接的关联，所以利用路面特征和行车特征共同对路面质量进行预测，使得得到的结果更加准确。

步骤S104：根据路面质量等级，生成路面质量检测结果。

其中，路面质量检测结果的类型包括完好路面、待保养路面、待修补路面以及待翻修路面。

具体地，根据路面质量等级的不同，生成不同的路面质量检测结果，例如，生成的路面质量等级分为10个等级，等级1和等级2对应生成的路面质量检测结果为完好路面，等级3~等级5对应生成的路面质量检测结果为待保养路面，等级6~等级8对应生成的路面质量检测结果为待修补路面，等级9和等级10对应生成的路面质量检测结果为待翻修路面。

上述实施方式中，获取待检测路面的路面特征以及待检测路面上通过车辆的行车特征，再将路面特征和行车特征输入至训练后的规则学习模型中进行匹配，由规则学习模型生成路面质量等级，再由路面质量等级生成路面质量检测结果，实现了从路面特征以及行车特征两个方面的多维度影响因素中，较为准确的得到路面质量检测结果的效果。

参照图2，作为步骤S101的一种实施方式，步骤S101具体包括：

步骤S1011：将待检测路面划分为多个路段；

应当理解，当待检测路面的长度较长时，例如对高速公路的检测中，不便于获取整条高速公路的路面特征，此时应当将高速公路进行划分。具体地，可以按照待检测路面的长度方向等长的将待检测路面划分为多个路段。

步骤S1012：从多个路段中抽取预设数量的待检测路段；

具体地，预设数量可由技术人员根据实际情况和历史经验自由设定，并且应当等间隔的抽取待检测路段。例如，将待检测路面划分为五十个路段，设定预设数量为五个，则每隔九个路段抽取出一个待检测路段。

步骤S1013：获取每个待检测路段的路面特征。

参照图3，作为路面质量检测方法的进一步实施方式，步骤S103之前还包括：

步骤S105：获取历史路面特征和历史行车特征；

其中，可获取指定时间段内的历史路面特征和历史行车特征，以用作对规则学习模型的训练。

步骤S106：根据历史行车特征，对历史路面特征进行标注。

以历史行车特征中的超过预设重量的车辆数量为例，当待检测路面常年需要通过的超过预设重量的车辆数量较多时，那对于该待检测路面需要达到更高要求的质量，比如路面上细小的破损在普通车辆的荷载下在短时间内基本不会对路面造成更严重的损坏，而对于长期需要承受超过预设重量车辆的路面，在超过预设重量车辆的荷载下，细小的破损可能会迅速扩散，导致路面下方脱空，以致严重影响待检测路面的使用寿命。应当理解，对于行车特征不同的待检测路面，对待检测路面的质量要求不同，即通过根据历史行车特征对历史路面特征的标注的方式，以实现不同待检测路面制定不同质量检测标准的效果。

步骤S107：将历史行车特征和标注后的历史路面特征作为训练集。

步骤S108：利用训练集对规则学习模型进行训练。

参照图4，作为步骤S106的一种实施方式，步骤S106具体包括：

步骤S1601：根据历史行车特征，对历史路面特征进行分类标记，将历史路面特征标记为正样本特征和负样本特征；

其中，将历史路面特征已达到相关要求的作为正样本特征，将历史路面特征未达到相关要求的作为负样本特征。应当理解，是否达到相关要求需要根据历史行车特征进行标注。

具体地，预设路面特征中的路面平整度、路面破损率、横向摩阻系数以及强度系数的初始合格参数，判断车辆通过总数量是否超过预设的车辆总数量，若是，则提高路面特征的初始合格参数；和/或，判断超过预设重量的车辆数量是否超过预设的超重车辆阈值，若是，则提高路面特征的初始合格参数。根据提高后的路面特征的初始合格参数，对历史路面特征进行分类标记。具体地，将历史路面特征中的路面平整度、路面破损率、横向摩阻系数以及强度系数分别与对应的提高后的路面特征的初始合格参数进行比较，将比较结果为合格的历史路面特征作为正样本特征，将比较结果为未合格的历史路面特征作为负样本特征。

另外，可以生成行车特征与路面特征合格参数的映射表，具体地，第一映射表包括行车特征中车辆通过总数量区间与提高的路面特征的合格参数的百分比，第二映射表包括超过预设重量的车辆数量区间与提高的路面特征的合格参数的百分比。例如，对于路面参数中的路面破损率，路面破损率的初始合格参数为5%，当车辆通过总数量区间为100~200时，提高路面特征的合格参数的百分比为10%，即此时路面破损率的合格参数为5.5%；当车辆通过总数量区间为200~500时，提高路面特征的合格参数的百分比为20%，即此时路面破损率的合格参数为6%，从而实现了车辆总数以及超重车辆越多，对路面特征的合格参数要求越高的效果。

例如，历史路面特征中的路面破损率为5%，当历史行车特征中的超过预设重量的车辆数量较少时，待检测路面视为合格，此时应当将路面破损率标注为正样本特征；反之，当历史行车特征中的超过预设重量的车辆数量较多时，5%的路面破损率无法承受较大荷载，容易导致路面破损迅速扩散，此时待检测路面视为不合格，应当将路面破损率标注为负样本特征。

步骤S1602：根据历史行车特征，对标注后的历史路面特征赋予权重值。

其中，权重值即为历史路面特征的重要程度，根据不同历史行车特征的待检测路面，每项历史路面特征（例如路面平整度、横向摩阻系数以及强度系数）的重要程度都有所不同。

具体地，对于行车特征中的通过车辆总数量超过预设车辆数量时，和/或超过预设重量的车辆数量超过预设的超重车辆数量时，增大路面平整度以及横向模组系数的权重值，路面平整度高能够减小车辆出现溜车等情况，横向模组系数大减小车辆转弯时打滑的情况，保障在车辆密度大且存在自身惯性较大的超重车辆情况下，车辆更容易刹车且车辆之间不易发生碰撞，以保障相应待检测路面上的行驶安全。然而，对于行车特征中的通过车辆总数量低于预设车辆数量时，和/或超过预设重量的车辆数量低于预设的超重车辆数量时，提高路面平整度以及路面破损度的权重值，以便对路面进行维护

应当理解，采用对历史路面特征标记和赋予权重值的方式对历史路面特征进行标注，再将标注后的历史路面特征和历史行车特征作为训练集对规则学习模型进行训练，使得规则学习模型能够很好的结合行车特征和路面特征，例如，对于行车特征中超过预设重量的车辆数量较多的待检测路面，通过标记和赋权重值的方式提高待检测路面的质量检测要求，以使得待检测路面能够满足供较多超过预设重量车辆通过的相应要求，以针对不同的待检测路面生成更为准确的路面质量检测等级。

上述实施方式中，利用历史行车特征和历史路面特征两个维度的参数对规则学习模型进行训练，使得训练后的规则学习模型能够具有根据待检测路面行车特征的不同，适应性的制定对路面特征的标记和赋权重值，从而能够根据待检测路面行车特征不同，生成更加贴合待检测路面实际需求的路面质量检测等级。

参照图5，作为路面质量检测方法的进一步实施方式，步骤S103之后还包括：

步骤S109：获取输入规则学习模型的路面特征的总数量；

应当理解，路面特征的总数量即为所有待检测路段对应的路面特征的总和。

步骤S110：获取规则学习模型输出路面质量等级所匹配的路面特征的匹配数量；

应当理解，在规则学习模型输出结果时，尽可能多的用到所有的输入条件，但有时并不会用到所有的输入条件，用到的输入条件越多说明输出结果所能够依据的输入条件越多，此时结果也就更准确。在本实施例中，规则学习模型输出路面质量等级所用到的路面特征越多，则说明输出路面质量等级更加准确。

步骤S111：根据总数量和匹配数量，计算规则学习模型输出路面质量等级的匹配度。

其中，匹配度=（匹配数量/总数量）*100%。

本申请实施例一种基于机器学习的路面质量检测方法的实施原理为：获取待检测路面的路面特征以及待检测路面上通过车辆的行车特征，再将路面特征和行车特征输入至训练后的规则学习模型中进行匹配，训练好的规则学习模型能够根据行车特征对不同的待测试路面制定不同的质量检测标准，从而生成与实际情况更加匹配的路面质量等级，再由路面质量等级生成路面质量检测结果，从而实现了对路面质量的检测。

本申请实施例公开一种基于机器学习的路面质量检测系统。参照图6，一种基于机器学习的路面质量检测系统包括：路面特征获取模块，用于获取待检测路面的路面特征；

行车特征获取模块，用于获取待检测路面上通过车辆的行车特征；

质量等级生成模块，用于将路面特征和行车特征输入至训练后的规则学习模型中进行匹配，得到路面质量等级；以及，

检测结果生成模块，用于根据路面质量等级，生成路面质量检测结果，其中，路面质量检测结果的类型包括完好路面、待保养路面、待修补路面以及待翻修路面。

作为路面质量检测系统的进一步实施方式，路面质量检测系统还包括：

历史特征获取模块，用于获取历史路面特征以及历史行车特征；

标注模块，用于根据历史行车特征，对历史路面特征进行标注；

训练集生成模块，用于将历史行车特征和标注后的历史路面特征作为训练集；以及，

模型训练模块，用于利用训练集对规则学习模型进行训练。

需要说明的是，在上述实施例中，对各个实施例的描述各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

本申请实施例一种基于机器学习的路面质量检测系统的实施原理为：利用路面特征获取模块获取待检测路面的路面特征，利用行车特征获取模块获取待检测路面上通过车辆的行车特征，利用质量等级生成模块将路面特征和行车特征输入至训练后的规则学习模型中进行匹配，以输出路面质量等级，利用检测结果生成模块根据路面质量等级，生成路面质量检测结果，从而实现了对路面质量进行检测的效果。

本发明还公开一种计算机设备，一种计算机设备包括存储器、处理器以及储存在存储器上并可在处理器上运行的计算机程序，处理器执行如上述任一种基于机器学习的路面质量检测方法方法。

本发明还公开一种计算机可读储存介质，一种计算机可读存储介质，其特征在于，包括存储有能够被处理器加载并执行如上述任一种基于机器学习的路面质量检测方法的计算机程序。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，本说明书（包括摘要和附图）中公开的任一特征，除非特别叙述，均可被其他等效或者具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

Claims (10)

1.一种基于机器学习的路面质量检测方法，其特征在于，包括：

获取待检测路面的路面特征；

获取待检测路面上通过车辆的行车特征；

将路面特征和行车特征输入至训练后的规则学习模型中进行匹配，得到路面质量等级；

根据路面质量等级，生成路面质量检测结果，其中，路面质量检测结果的类型包括完好路面、待保养路面、待修补路面以及待翻修路面。

2.根据权利要求1所述的路面质量检测方法，其特征在于，所述路面特征至少包括路面使用年限参数、路面平整度、路面破损率、横向摩阻系数以及强度系数。

3.根据权利要求2所述的路面质量检测方法，其特征在于：所述行车特征至少包括待检测路面在单位时间段内的车辆通过总数量以及超过预设重量的车辆数量。

4.根据权利要求1所述的路面质量检测方法，其特征在于：所述获取待检测路面的路面特征，具体包括：

将待检测路面划分为多个路段；

从多个路段中抽取预设数量的待检测路段；

获取每个待检测路段的路面特征。

5.根据权利要求1所述的路面质量检测方法，其特征在于：所述将路面特征和行车特征输入至训练后的规则学习模型中进行匹配，得到路面质量等级之前，还包括：

获取历史路面特征和历史行车特征；

根据历史行车特征，对历史路面特征进行标注；

将历史行车特征和标注后的历史路面特征作为训练集；

利用训练集对规则学习模型进行训练。

6.根据权利要求5所述的路面质量检测方法，其特征在于，所述根据历史行车特征，对历史路面特征进行标注，具体包括：

根据历史行车特征，对历史路面特征进行分类标记，将历史路面特征标记为正样本特征和负样本特征；

根据历史行车特征，对标注后的历史路面特征赋予权重值。

7.根据权利要求1所述的路面质量检测方法，其特征在于，所述将路面特征和行车特征输入至训练后的规则学习模型中进行匹配，得到路面质量等级之后，还包括：

获取输入规则学习模型的路面特征的总数量；

获取规则学习模型输出路面质量等级所匹配的路面特征的匹配数量；

根据总数量和匹配数量，计算规则学习模型输出路面质量等级的匹配度。

8.一种基于机器学习的路面质量检测系统，其特征在于，包括：

路面特征获取模块，用于获取待检测路面的路面特征；

行车特征获取模块，用于获取待检测路面上通过车辆的行车特征；

质量等级生成模块，用于将路面特征和行车特征输入至训练后的规则学习模型中进行匹配，得到路面质量等级；以及，

检测结果生成模块，用于根据路面质量等级，生成路面质量检测结果，其中，路面质量检测结果的类型包括完好路面、待保养路面、待修补路面以及待翻修路面。

9.一种计算机设备，其特征在于：包括存储器、处理器以及储存在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行如权利1-7中任一所述的一种基于机器学习的路面质量检测方法。

10.一种计算机可读存储介质，其特征在于，包括存储有能够被处理器加载并执行如权利要求1至7中任一种基于机器学习的路面质量检测方法的计算机程序。

Images