CN116289444A - 基于智能化的路面病害实时监测与预测装置及方法 - Google Patents
基于智能化的路面病害实时监测与预测装置及方法 Download PDFInfo
- Publication number
- CN116289444A CN116289444A CN202310067140.XA CN202310067140A CN116289444A CN 116289444 A CN116289444 A CN 116289444A CN 202310067140 A CN202310067140 A CN 202310067140A CN 116289444 A CN116289444 A CN 116289444A
- Authority
- CN
- China
- Prior art keywords
- data
- vibration
- disease
- driving vibration
- depth
- 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.)
- Pending
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 133
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 238000013500 data storage Methods 0.000 claims abstract description 20
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 238000011161 development Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 230000036962 time dependent Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 7
- 230000015572 biosynthetic process Effects 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000010426 asphalt Substances 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于智能化的路面病害实时监测与预测装置及方法,其中系统包括数据采集模块,用于获取道路行车振动产生的行车振动数据与压力数据;病害判断模块,根据所述行车振动数据与所述压力数据进行公路病害识别;数据存储模块,用于对所述行车振动数据以及压力数据,病害分析处理数据进行存储;深度学习模块,用于构建和训练路面病害预测模型;病害预测模块,用于根据所述数据存储模块存储的历史行车振动数据和压力数据对病害发展进行预测。本发明通过对公路内部设置压力与振动传感器,根据检测数据进行判断,实现了路面病害的智能实时识别,同时采用机器学习,根据历史数据的变化实现了路面病害形成时间的预测。
Description
技术领域
本发明属于路面监测领域,特别是涉及一种基于智能化的路面病害实时监测与预测装置及方法。
背景技术
公路建成投入运营后,在长期反复的汽车荷载和外界自然环境因素的影响下,特别是交通量增长引起累计轴载数量增加,致使道路在超负荷状态下运营,路面的材料性质逐渐劣化和路面结构不断出现疲劳衰变断裂,最终导致路面的使用性能及安全性能降低。另外,路面病害的发展是一个由轻到重,逐渐加深的过程,因此,应当实时监测路面状态,及时发现路面病害,以便于路面损伤程度的判断和病害的及时精确维修。
现有的路面病害识别方案中,大多通过高速摄像、雷达成像、卫星定位系统采集公路路表图像,通过图像识别技术识别路面病害。而上述技术手段检测路段范围较小,检测数据可信度不足,对天气等条件较敏感,成本也高,并且常常由于图像质量问题导致识别效果不佳。另外检测周期长,新出现的路面病害无法及时发现,同时无法实现对路面病害发展形成的有效预测。
发明内容
本发明的目的是提供一种基于智能化的路面病害实时监测与预测装置及方法,以解决上述现有技术存在的问题。
一方面为实现上述目的,本发明提供了一种智能化的路面病害实时监测与预测装置,包括数据采集模块、病害判断模块、数据存储模块、深度学习模块、病害预测模块;
所述数据采集模块用于获取道路行车振动产生的行车振动数据与压力数据;
所述病害判断模块用于根据所述行车振动数据与所述压力数据进行公路病害识别;
所述数据存储模块用于对所述行车振动数据以及压力数据,病害分析处理数据进行存储;
所述深度学习模块用于采用卷积神经网络构建病害预测模型;
所述病害预测模块用于根据所述数据存储模块存储的历史行车振动数据和压力数据通过所述深度学习模块构建的病害预测模型对病害发展进行预测。
可选地,所述数据采集模块包括若干个设置于公路道路内部的振动传感器与压力传感器,所述振动传感器与所述压力传感器分别用于获取所述行车振动数据与所述压力数据;若干个所述振动传感器与所述压力传感器按照不同深度、相同间隔距离进行设置。
可选地,所述病害判断模块通过获取病害特征,根据所述行车振动数据与所述压力数据获取行车振动深度数据,根据所述病害特征与所述行车振动深度数据进行公路病害识别;
所述病害特征为车辆经过路面病害时产生的振动标准深度,当所述行车振动深度数据大于等于所述振动标准深度时,则判断发生振动的振动传感器位置出现路面病害;当所述行车振动深度数据小于所述振动标准深度时,则将对应的行车振动深度数据传输至所述数据存储模块进行存储。
可选地,所述数据存储模块获取行车振动深度数据后,将不同空间位置获取的所述行车振动深度数据以获取时间的先后顺序进行存储。
可选地,所述深度学习模块采用卷积神经网络,通过获取存储于所述数据储存模块的历史行车振动深度数据作为样本数据进行训练,构建路面病害预测模型。
可选地,所述病害预测模块通过获取所述病害特征所对应的振动标准深度,并构建待测位置的历史行车振动深度数据随时间的变化曲线图,将所述变化曲线图输入所述病害预测模型,根据所述变化曲线图的变化规律,获取所述行车振动深度数据达到所述振动标准深度的时间,即出现病害的时间。
另一方面为实现上述目的,本发明提供了一种智能化的路面病害快速检测装置,包括以下步骤:
基于若干个振动传感器与压力传感器获取道路行车振动产生的行车振动数据与压力数据;
设置病害特征,基于所述病害特征,以及所述行车振动数据与所述压力数据进行路面病害识别;
按不同位置以时间顺序对所述行车振动数据与压力数据进行存储;
采用卷积神经网络构建路面病害预测模型,并以获取的行车振动数据与压力数据作为样本数据库进行训练;
根据存储的历史行车振动数据,通过训练好的路面病害预测模型对病害发展进行预测。
可选地,若干个所述振动传感器与所述压力传感器按照不同深度、相同间隔距离进行设置。
可选地,所述病害特征为路面病害的振动标准深度;基于所述病害特征,以及所述行车振动数据与所述压力数据进行公路病害识别的过程包括:
基于所述行车振动数据与所述压力数据获取获取本次振动的振动深度;
当所述振动深度大于等于所述标准深度时,则判断发生振动的振动传感器位置出现路面病害;当所述振动深度小于所述标准深度时,则将对应的行车振动深度数据进行存储。
可选地,采用卷积神经网络构建路面病害预测模型的过程包括:
获取储存的历史行车振动深度数据并建立训练样本数据库,采用卷积神经网络进行深度学习,构建路面病害预测模型。
可选地,通过训练好的路面病害预测模型对病害发展进行预测的过程包括:
获取所述病害特征所对应的振动标准深度,构建待测位置的历史行车振动深度数据随时间的变化曲线图;
将所述变化曲线图输入所述路面病害预测模型,获取所述变化曲线图的变化规律;
基于所述变化规律获取所述行车振动深度数据达到所述振动标准深度的时间,即出现路面病害的时间。
本发明的技术效果为:
本发明提出了一种基于智能化的路面病害快速监测与预测装置与方法,通过对公路内部设置压力与振动传感器,根据实时检测数据进行判断,实现了路面病害的智能实时识别,同时采用机器学习,根据历史数据的变化实现了路面病害形成时间的预测。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中的智能化的路面病害实时监测与预测装置结构示意图;
图2为本发明实施例中的智能化的路面病害实时监测与预测方法流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示,本实施例中提供一种基于智能化的路面病害实时监测与预测装置,包括数据采集模块、病害判断模块、数据存储模块、深度学习模块、病害预测模块;
数据采集模块主要用于获取道路行车振动产生的行车振动数据与压力数据,具体地,数据采集模块包括若干个设置于公路道路内部的振动传感器以及压力传感器,当公路中行车途中发生颠簸振动时,位于道路内部的振动传感器检测到车辆与道路的振动值,获取行车振动数据;同时压力传感器检测行车的质量,获取质量数据,数据采集完成后,将所述行车振动数据与所述质量数据进行传输;
在本实施例中,为保证数据的准确性,根据检测范围的不同,将振动传感器与压力传感器分别按照不同的深度进行设置,同时为保证位置判断的准确性,将上述传感器均按照相同的距离间隔进行设置,具体的间隔距离可根据公路道路的长度与宽度决定。
数据采集完成后,通过病害判断模块,根据所述行车振动数据与所述压力数据进行公路病害识别;具体地,病害判断模块通过设置标准病害的振动深度,并根据行车振动数据与压力数据获取本次车辆产生振动的深度,根据标准深度与本次产生振动的深度进行病害识别判断,当本次产生振动的深度大于等于设置的标准深度时,则判断发生振动的振动传感器位置已形成病害,当小于标准深度时,则说明该振动位置尚未形成病害规模,或由其他不可抗因素产生的振动,此时将该深度所对应的行车振动深度数据传输至数据存储模块。
数据存储模块获取行车振动深度数据后,将所述行车振动深度数据按照获取的传感器位置以时间的先后顺序进行存储,便于后续预测过程的数据提取。
深度学习模块以所述数据存储模块中的历史数据为样本数据库,采用卷积神经网络构建病害预测模型;
病害预测模块根据数据存储模块存储的路面某位置的历史行车振动深度数据对病害发展进行预测,具体过程如下:
病害预测模块获取病害判断模块所设置的病害特征,根据病害特征获取行车经过病害时产生的振动标准深度值,同时提取数据存储模块中的待测位置的历史行车振动深度数据,并构建历史行车振动深度数据随时间的变化曲线图,将变化曲线图输入所述病害预测模型,通过模型获取所述变化曲线图的变化规律,通过该变化规律表示病害的形成规律,最后,根据曲线图的变化规律预测该位置行车振动深度达到病害特征所对应的振动标准深度的时刻,即路面病害形成的时刻,假设所述病害预测模型中分类器的输出数据为A=[A1,A2],其中A1表示该时刻行车振动深度达到病害特征所对应振动标准深度的概率,A2表示该时刻行车振动深度未达到病害特征所对应振动标准深度的概率,则满足A1+A2=1,并且当所述病害预测模型的输出数据A=[1,0],即A1=1,A2=0时,则判断该位置的当前时刻即将形成病害。
本装置具有全天候、全结构的适用特点,不受使用对象区域、范围种类的约束。适用于公路沥青路面、水泥混凝土路面的路面病害智能化监测与预测,适用于国省干线的高速公路、二级公路、三级公路,城市市政道路的预防性养护以及科学养护决策。同时,根据本专利技术的不断扩展与改进,可以拓展适用于港口、码头、停车场等有汽车通行的区域。
本发明通过对公路内部设置压力与振动传感器,根据检测数据进行判断,实现了路面病害的智能实时识别,同时采用机器学习,根据历史数据的变化实现了路面病害形成时间的预测。
实施例二
如图2所示,本实施例中提供一种基于智能化的路面病害实时监测与预测方法,包括以下步骤:
基于若干个振动传感器与压力传感器获取道路行车振动产生的行车振动数据与压力数据;
设置病害特征,基于所述病害特征,以及所述行车振动数据与所述压力数据进行路面病害识别;
按不同位置以时间顺序对所述行车振动数据与压力数据进行存储;
采用卷积神经网络构建路面病害预测模型,并以获取的行车振动数据与压力数据作为样本数据库进行训练;
根据存储的历史行车振动数据,通过训练好的路面病害预测模型对病害发展进行预测。
作为本申请的一种较佳实施方式,若干个所述振动传感器与所述压力传感器按照不同深度、相同间隔距离进行设置。
作为本申请的一种较佳实施方式,所述病害特征为路面病害的振动标准深度;基于所述病害特征,以及所述行车振动数据与所述压力数据进行公路病害识别的过程包括:
基于所述行车振动数据与所述压力数据获取获取本次振动的振动深度;
当所述振动深度大于等于所述标准深度时,则判断发生振动的振动传感器位置出现路面病害;当所述振动深度小于所述标准深度时,则将对应的行车振动深度数据进行存储。
作为本申请的一种较佳实施方式,采用卷积神经网络构建路面病害预测模型的过程包括:
获取储存的历史行车振动深度数据并建立训练样本数据库,采用卷积神经网络进行深度学习,构建路面病害预测模型。
作为本申请的一种较佳实施方式,通过训练好的路面病害预测模型对病害发展进行预测的过程包括:
获取所述病害特征所对应的振动标准深度,构建待测位置的历史行车振动深度数据随时间的变化曲线图;
将所述变化曲线图输入所述路面病害预测模型,获取所述变化曲线图的变化规律;
基于所述变化规律获取所述行车振动深度数据达到所述振动标准深度的时间,即出现路面病害的时间。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法而言,由于其与实施例公开的系统相对应,所以描述的比较简单,相关之处参见系统部分说明即可。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (11)
1.一种基于智能化的路面病害实时监测与预测装置,其特征在于,包括数据采集模块、病害判断模块、数据存储模块、深度学习模块、病害预测模块;
所述数据采集模块用于获取道路行车振动产生的行车振动数据与压力数据;
所述病害判断模块用于根据所述行车振动数据与所述压力数据进行公路病害识别;
所述数据存储模块用于对所述行车振动数据以及压力数据,病害分析处理数据进行存储;
所述深度学习模块用于采用卷积神经网络构建病害预测模型;
所述病害预测模块用于根据所述数据存储模块存储的历史行车振动数据和压力数据通过所述深度学习模块构建的病害预测模型对病害发展进行预测。
2.根据权利要求1所述的基于智能化的路面病害实时监测与预测装置,其特征在于,所述数据采集模块包括若干个设置于公路道路内部的振动传感器与压力传感器,所述振动传感器与所述压力传感器分别用于获取所述行车振动数据与所述压力数据;若干个所述振动传感器与所述压力传感器按照不同深度、相同间隔距离进行设置。
3.根据权利要求1所述的基于智能化的路面病害实时监测与预测装置,其特征在于,所述病害判断模块通过获取病害特征,根据所述行车振动数据与所述压力数据获取行车振动深度数据,根据所述病害特征与所述行车振动深度数据进行公路病害识别;
所述病害特征为车辆经过路面病害时产生的振动标准深度,当所述行车振动深度数据大于等于所述振动标准深度时,则判断发生振动的振动传感器位置出现路面病害;当所述行车振动深度数据小于所述振动标准深度时,则将对应的行车振动深度数据传输至所述数据存储模块进行存储。
4.根据权利要求1所述的基于智能化的路面病害实时监测与预测装置,其特征在于,所述数据存储模块获取行车振动深度数据后,将不同空间位置获取的所述行车振动深度数据以获取时间的先后顺序进行存储。
5.根据权利要求1所述的基于智能化的路面病害实时监测与预测装置,其特征在于,所述深度学习模块采用卷积神经网络,通过获取存储于所述数据储存模块的历史行车振动深度数据作为样本数据进行训练,构建路面病害预测模型。
6.根据权利要求1所述的基于智能化的路面病害实时监测与预测装置,其特征在于,所述病害预测模块通过获取所述病害特征所对应的振动标准深度,并构建待测位置的历史行车振动深度数据随时间的变化曲线图,将所述变化曲线图输入所述病害预测模型,根据所述变化曲线图的变化规律,获取所述行车振动深度数据达到所述振动标准深度的时间,即出现病害的时间。
7.一种基于智能化的路面病害实时监测与预测方法,其特征在于,包括以下步骤:
基于若干个振动传感器与压力传感器获取道路行车振动产生的行车振动数据与压力数据;
设置病害特征,基于所述病害特征,以及所述行车振动数据与所述压力数据进行路面病害识别;
按不同位置以时间顺序对所述行车振动数据与压力数据进行存储;
采用卷积神经网络构建路面病害预测模型,并以获取的行车振动数据与压力数据作为样本数据库进行训练;
根据存储的历史行车振动数据,通过训练好的路面病害预测模型对病害发展进行预测。
8.根据权利要求7所述的基于智能化的路面病害实时监测与预测方法,其特征在于,若干个所述振动传感器与所述压力传感器按照不同深度、相同间隔距离进行设置。
9.根据权利要求7所述的基于智能化的路面病害实时监测与预测方法,其特征在于,所述病害特征为路面病害的振动标准深度;基于所述病害特征,以及所述行车振动数据与所述压力数据进行公路病害识别的过程包括:
基于所述行车振动数据与所述压力数据获取获取本次振动的振动深度;
当所述振动深度大于等于所述标准深度时,则判断发生振动的振动传感器位置出现路面病害;当所述振动深度小于所述标准深度时,则将对应的行车振动深度数据进行存储。
10.根据权利要求7所述的基于智能化的路面病害实时监测与预测方法,其特征在于,采用卷积神经网络构建路面病害预测模型的过程包括:
获取储存的历史行车振动深度数据并建立训练样本数据库,采用卷积神经网络进行深度学习,构建路面病害预测模型。
11.根据权利要求7所述的基于智能化的路面病害实时监测与预测方法,其特征在于,通过训练好的路面病害预测模型对病害发展进行预测的过程包括:
获取所述病害特征所对应的振动标准深度,构建待测位置的历史行车振动深度数据随时间的变化曲线图;
将所述变化曲线图输入所述路面病害预测模型,获取所述变化曲线图的变化规律;
基于所述变化规律获取所述行车振动深度数据达到所述振动标准深度的时间,即出现路面病害的时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310067140.XA CN116289444A (zh) | 2023-01-28 | 2023-01-28 | 基于智能化的路面病害实时监测与预测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310067140.XA CN116289444A (zh) | 2023-01-28 | 2023-01-28 | 基于智能化的路面病害实时监测与预测装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116289444A true CN116289444A (zh) | 2023-06-23 |
Family
ID=86796827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310067140.XA Pending CN116289444A (zh) | 2023-01-28 | 2023-01-28 | 基于智能化的路面病害实时监测与预测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116289444A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116975981A (zh) * | 2023-08-11 | 2023-10-31 | 江苏全心建设有限公司 | 一种基于bim的城市道路铺设方法及系统 |
CN117079149A (zh) * | 2023-10-18 | 2023-11-17 | 磐安县文溪测绘有限公司 | 基于机器学习的路面状况检测系统及方法 |
-
2023
- 2023-01-28 CN CN202310067140.XA patent/CN116289444A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116975981A (zh) * | 2023-08-11 | 2023-10-31 | 江苏全心建设有限公司 | 一种基于bim的城市道路铺设方法及系统 |
CN116975981B (zh) * | 2023-08-11 | 2024-02-09 | 江苏全心建设有限公司 | 一种基于bim的城市道路铺设方法及系统 |
CN117079149A (zh) * | 2023-10-18 | 2023-11-17 | 磐安县文溪测绘有限公司 | 基于机器学习的路面状况检测系统及方法 |
CN117079149B (zh) * | 2023-10-18 | 2024-02-09 | 磐安县文溪测绘有限公司 | 基于机器学习的路面状况检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116289444A (zh) | 基于智能化的路面病害实时监测与预测装置及方法 | |
CN102855759B (zh) | 高分辨率卫星遥感交通流信息自动采集方法 | |
GB2569750A (en) | Comfort-based self-driving planning method | |
CN107103775B (zh) | 一种基于群智计算的道路质量检测方法 | |
US10860022B2 (en) | Method and apparatus for automatical rule learning for autonomous driving | |
CN109275121B (zh) | 一种基于自适应扩展卡尔曼滤波的车辆轨迹跟踪方法 | |
CN112433519A (zh) | 一种无人驾驶检测系统及车辆行驶检测方法 | |
CN103258427A (zh) | 基于信息物理网络的城市快速路交通实时监控系统与方法 | |
CN117057614B (zh) | 一种基于遥感技术的公路安全运行动态变化预测方法及系统 | |
CN112435463B (zh) | 一种基于道路物联网监测的车型与车重分类方法 | |
DE102022102189A1 (de) | Multimodales Segmentierungsnetz für ein verbessertes semantisches Labelingbei einer Kartenerzeugung | |
CN116448773B (zh) | 一种图像-振动特征融合的路面病害检测方法及系统 | |
CN115527364B (zh) | 一种基于雷视数据融合的交通事故溯源方法及系统 | |
CN115257784A (zh) | 基于4d毫米波雷达的车路协同系统 | |
Benmhahe et al. | Automated pavement distress detection, classification and measurement: A review | |
CN112258850A (zh) | 一种车路协同系统边缘侧多传感器数据融合系统 | |
CN111783686A (zh) | 一种沥青路面健康状态监测系统和方法 | |
CN110674731A (zh) | 一种基于深度学习的道路清洁度量化方法 | |
CN112907955A (zh) | 一种基于信息融合的车路协同系统的评价方法 | |
CN114155720B (zh) | 一种路侧激光雷达的车辆检测和轨迹预测方法 | |
Chhabra et al. | A survey on state-of-the-art road surface monitoring techniques for intelligent transportation systems | |
CN114971166A (zh) | 一种轻量化道路路面服务质量巡检系统 | |
Lincy et al. | Road Pothole Detection System | |
CN115655119A (zh) | 一种道路线激光车辙沉陷拥包范围和尺寸检测方法 | |
Li et al. | Road Roughness Detection Based on Discrete Kalman Filter Model with Driving Vibration Data Input |
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 |