CN116452971B - 一种建筑垃圾堆填管理方法和系统 - Google Patents

一种建筑垃圾堆填管理方法和系统 Download PDF

Info

Publication number
CN116452971B
CN116452971B CN202310258535.8A CN202310258535A CN116452971B CN 116452971 B CN116452971 B CN 116452971B CN 202310258535 A CN202310258535 A CN 202310258535A CN 116452971 B CN116452971 B CN 116452971B
Authority
CN
China
Prior art keywords
compactness
filling
construction waste
weight
module
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
CN202310258535.8A
Other languages
English (en)
Other versions
CN116452971A (zh
Inventor
李卓峰
唐永锋
何俊辉
张森
徐晓兵
雷德全
封仁桂
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.)
Pinglu Canal Group Co ltd
Guangxi University
Original Assignee
Pinglu Canal Group Co ltd
Guangxi University
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 Pinglu Canal Group Co ltd, Guangxi University filed Critical Pinglu Canal Group Co ltd
Priority to CN202310258535.8A priority Critical patent/CN116452971B/zh
Publication of CN116452971A publication Critical patent/CN116452971A/zh
Application granted granted Critical
Publication of CN116452971B publication Critical patent/CN116452971B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
    • G01G19/02—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Processing Of Solid Wastes (AREA)

Abstract

本发明提供一种建筑垃圾堆填管理方法和系统，用于管理建筑垃圾回收场区。首先判断装载建筑垃圾的车辆是否符合入场标准，若符合，进一步确定堆填区域。然后指挥车辆前往目标区域倾倒建筑垃圾。根据相关数值由压实度预测模块获得该区域的压实度数据，由显示系统显示压实度信息，并通过控制模块实时指导压路机进行整平、碾压工作。

Description

一种建筑垃圾堆填管理方法和系统
技术领域
本发明涉及岩土工程领域，尤其涉及建筑垃圾堆填场的智能管理领域。
背景技术
在岩土工程中，随着基坑(槽)与管沟开挖、路基开挖、人防工程开挖等各类工程的建设，施工中产生的建筑垃圾堆存问题，逐渐成为工程领域的重点问题。然而在工程实践中，建筑垃圾堆填场产生滑坡、倒塌的情况时有发生。主要有以下原因：(1)建筑垃圾物理性质发生改变。由于建筑垃圾在施工过程中产生，其孔隙率、压实度、颗粒排列方式等物理性质发生变化。(2)建筑垃圾力学性质发生改变。在施工过程中，建筑垃圾结构性遭到破坏，其抗剪强度等力学性质必然有所降低。(3)堆存场地的其他自然因素。建筑垃圾的堆存，往往不会严格选择场址。因此，堆存场地下覆土体的平整性、场地渗流特征、降雨量等自然因素会对堆填场的安全稳定产生影响。(4)由于缺乏可以评估场地土体的安全稳定指标。当失稳因素产生时，相关人员无法进行有效的防护工作，最终导致场地失稳。
针对上述问题，首先应当对填入场地的建筑垃圾进行分类，然后可以进行压实度指标的测定，利用压实度指标来评估其安全稳定性。而填土的压实度，在JTG F80/1-2017《公路工程质量检验评定标准》中，提到的对粗粒土和路面结构的压实度检测方法为：灌砂法、水袋法，细粒土为环刀法或灌砂法。上述几类传统的检测方法虽然能得到精准的压实度信息，但其也具有一定的局限性，主要表现在：(1)对被测土料具有破坏性，(2)试验过程费时费力，人力成本高，(3)试验设备的限制，无法进行大面积的压实度评价，(4)压实度的信息来源于试验，无法实时更新压实度信息，不利于场地安全维存的预测。近年来，土木工程领域也有一些学者尝试探索土体压实度测量的新方法，已报道的包括核子密度仪法、瞬态瑞利波法、PFWD(便携式落锤弯沉仪)法等。其中，核子密度仪法价格昂贵，且具有一定的放射性；瞬态瑞利波法虽然具有简便、快速的优势，但检测精度较差。PFWD法是利用PFWD设备将重锤提升至一定高度后自由下落，获取冲击过程中一系列与土体的动应力响应有关的数据，通过建立起的弯沉或动态模量与压实度的关系，推算土体的压实度信息的一种方法。由于其具有的对所测土体不具有破坏性，且设备轻便、操作简单，可以较为迅速、准确的获取所测土体的压实度信息的优点，目前广泛应用于工程实践。然而，PFWD作为一种试验方法，测量范围是有限的，无法实现大面积的压实度测量，且由于其压实度数据来源于试验，因此无法实现实时的压实度测量。
随着神经网络技术的发展，一些学者为了解决上述的压实度测量的问题，将该技术首先引入到了路基压实度评价当中，通过建立路基生产过程中，一些影响压实度的因素和压实度的联系，实现实时预测压实度的功能。如：王雪菲，李家乐等考虑填筑体参数、压路机控制参数和传感器获取参数数据训练神经网络建立压实度计算模型，实现了实时反馈压实度功能。该方法针对路基工程领域，充分考虑了生产路基过程中影响压实度的因素，通过建立这些因素与压实度的关系是实现压实度预测；胡永彪，陈沉，贾峰等采用了类似的办法，不过其考虑的是加速度数据与压实度的关系。然而，由于建筑垃圾堆填场往往土质极为不均匀，上述的数据在堆填场将受到较大的影响。因此该方法显然不合适应用于建筑垃圾堆填场的压实度评价。李希，苏敏等利用PFWD(便携式落锤弯沉仪)设备，并结合大数据和卷积神经网络算法，充分挖掘PFWD所得落锤的动荷载及位移时程所包含的土体压实度信息，从而实现了PFWD的测量精度。但由于其仍然属于试验的方法，神经网络的引入只是增加了精度。因此其并没有克服前述试验方法的局限性，应用于建筑垃圾堆存区的压实度评价显然是不够的。李秉宜，钱彬等通过卷积神经网络训练采集到的土体样品图像，获得图像中与压实度有关的特征，并利用该模型预测目标区域的压实度。周诚，陈鹏，王艳等也采用了类似的办法，不过为了提高精度，他们采用了地质雷达采集土体样品图像。但是，采用图像识别的方法预测压实度只能应用于路基等填料粒径较为均匀的情况下。而建筑垃圾由多种建筑材料组成，组成是十分不均匀的，采用卷积神经网络训练其图像样本，可能出现较大的误差。因此，该方法也不合适应用于建筑垃圾堆填场的压实度评价。
因此，针对建筑垃圾堆填场，亟需研发一种包含适合用于该区域压实度评价方法的智能化管理系统。
发明内容
本发明旨在，综合称重模块、PFWD试验法、神经网络算法和YOLO v2-tiny神经网络结构算法提出一种建筑垃圾堆填管理系统，可以有效管理建筑垃圾堆填场，更好实现场地的安全稳定。为岩土工程领域中，建筑垃圾堆填场的安全稳定问题提供一定的技术指导。
本发明提供一种建筑垃圾堆填管理方法和管理系统，用于管理建筑垃圾回收场区。首先判断装载建筑垃圾的车辆是否符合入场标准，若符合，进一步确定堆填区域。然后指挥车辆前往目标区域倾倒建筑垃圾。根据相关数值由压实度预测模块获得该区域的压实度数据，由显示系统显示压实度信息，并通过控制模块实时指导压路机进行整平、碾压工作。
本发明提供一种建筑垃圾堆填管理方法，包括如下步骤：
步骤1：对装载有建筑垃圾H的车辆称重M1，根据车辆类型获得车辆的自重M2和容积V，得到建筑垃圾H的重度γ，γ＝(M1-M2)/V；
步骤2：当重度γ在重度阈值范围内时安排车辆进入堆填区域，否则进入分拣区域；其中，所述堆填区域根据所堆填的建筑垃的圾种类将堆填区域划分为一块或多块堆填分区，根据重度γ的数值大小选择车辆应进入的堆填分区；
步骤3：将堆填分区内海拔高度的最低点设置为目标堆填点，指挥车辆到达所述目标堆填点，实时记录车辆在堆填区域内的行驶轨迹并显示；
步骤4：控制压路机碾压目标堆填点上的建筑垃圾H，记录碾压次数T，根据压路机的重量M3、碾压次数T、建筑垃圾H的重量(M1-M2)，利用预先建立的压实度模型实时在线获得目标堆填点的压实度S；根据压实度S的数值决定是否继续碾压；其中，当压实度S的数值高于设定的压实度安全使用阈值，或，每分钟压实度S的变化速度小于设定的成本阈值时，指挥压路机停止碾压；其中，所述成本阈值的影响因素包括以下的一项或多项：单位时间内压路机司机的工资、单位时间内压路机的油费和单位时间内堆填区域的耗电量；所述压实度安全使用阈值根据以下的一项或多项进行设定：回收所述目标堆填点所在的堆填分区中的建筑垃圾时所需的压实度和所述目标堆填点所在的堆填分区的的建筑垃圾不会发生坍塌时的压实度；
步骤5：记录停止碾压时压实度S的数值和停止碾压时间，作为目标堆填点所在的堆填分区的最新压实度信息进行显示。
在一些实施例中，步骤2包括：
当重度≥15kN/m3且≤25kN/m3时允许装载车辆进入堆填分区；否则，拒绝进入堆填分区，并提示进入分拣区域；
当重度γ≥15kN/m3且≤16.9kN/m3时，提示建筑垃圾类型为：粘土、杂填土、素填土、碎石、卵石、砂质粉土或其一种或多种的混合物；选择进入Y1堆填分区；
当重度γ＞16.9kN/m3且≤17.9kN/m3时，提示建筑垃圾类型为：含泥砾粗砂、粉质粘土、填土、褐黄色粉质粘土或其一种或多种的混合物；选择进入Y2堆填分区；
当重度γ＞17.9kN/m3且≤18.9kN/m3时，提示模块提示建筑垃圾类型为：含泥中砂、灰色砂质粉土、粉质粘土、回填土或其一种或多种的混合物；选择进入Y3堆填分区；
当重度γ＞18.9kN/m3且≤21.9kN/m3时，提示建筑垃圾类型为：淤泥质粉质粘土、灰色淤泥质粘土、淤泥质粘土、淤泥或其一种或多种的混合物；选择进入Y4堆填分区；
当重度γ＞21.9kN/m3且≤25kN/m3时，提示建筑垃圾类型为：灰色充填土、黄土、粉砂或其一种或多种的混合物；选择进入Y5堆填分区。
在一些实施例中，本发明的步骤4中，所述压实度模型包括压实度初始预测模型和压实度终阶预测模型，其中，所述压实度初始预测模型的输入变量仅为建筑垃圾的重量；当压路机的重量和碾压次数均等于建立压实度初始预测模型时的压路机数量和碾压次数时，采用所述压实度初始预测模型输出压实度数值；否则，采用压实度终阶预测模型输出压实度数值；
在一些实施例中，所述压实度初始预测模型和压实度终阶预测模型的建立方法包括：
步骤4.1，指挥压路机对已知重量的建筑垃圾进行碾压，记录碾压次数，碾压结束后利用PFWD便携式落锤弯沉仪法测量压实度，获得一组训练数据包括：建筑垃圾重量a、压路机的重量b、碾压次数c及其对应的压实度S；
步骤4.2，改变建筑垃圾的重量，重复步骤4.1；
步骤4.3，重复步骤4.2以获得多组所述训练数据；以建筑垃圾重量a、压路机的重量b、碾压次数T作为输入值，以压实度S作为输出值，利用BP神经网络训练得到压实度预测初始模型；
步骤4.4，改变碾压次数，重复步骤4.1；
步骤4.5，重复步骤4.4以获得多组所述训练数据；
步骤4.6，改变压路机的重量，重复步骤4.1；
步骤4.7，重复步骤4.6以获得多组所述训练数据；
步骤4.8，利用步骤4.5和步骤4.7中获得的多组训练数据中，以建筑垃圾重量a、压路机的重量b、碾压次数T作为输入值，以压实度S作为输出值，对所述压实度预测初始模型进行二次训练，获得压实度终阶预测模型。
在一些实施例中，在步骤4.1中，压路机的重量和碾压次数分别为所述堆填区域中使用频率最高的压路机的重量和出现频率最高的碾压次数。
在一些实施例中，获得所述碾压次数的方法包括，实验阶段利用数字摄像头拍摄压路机图像，获得视频数据流，将该视频数据流输入YOLO v2-tiny神经网络结构算法，经过图像处理、卷积计算、批标准化计算、激活函数计算、池化计算和后处理操作后获得压路机图像特征；将该神经网络模型保存，形成动态识别系统；正式运营阶段，依靠动态识别系统捕捉并记录压路机位置信息，利用计算机判断压路机经过的区域及碾压次数，最后，将数据传送至压实度预测系统获得该区域压实度数据。
在一些实施例中，每隔预定的时间段利用所述预定的时间段内获得的建筑垃圾重量、压路机的重量、碾压次数及其对应的压实度对压实度模型进行更新。
本发明提供一种建筑垃圾堆填管理系统，执行上述方法，所述系统包括称重模块、动态识别模块、预测模块、显示模块、控制模块；所述控制模块分别与称重模块、动态识别模块、预测模块、显示模块连接，以执行以下操作：
所述称重模块具有称重功能，包括但不限于对预进入堆填分区的车辆进行称重；
所述动态识别模块具有追踪和记录物体动态轨迹的功能，包括但不限于记录堆填场地内车辆的运行轨迹；
所述预测模块根据称重模块的获得车辆内建筑垃圾的类型和预堆填分区，提供车辆预行进路线，预测堆填分区在堆填后的压实度；
所述显示模块与系统中各模块连接并提供信息显示功能，与显示各个堆填分区、各个堆填分区的堆填高度和压实度、所述建筑垃圾类型、所述建筑垃圾预堆填分区、所述车辆的预行进路线和实时轨迹。
在一些实施例中，所述称重模块包括称重传感器，所述称重传感器安装于堆填场地的入口处；所述称重模块包括以下的一项或多项：称重支撑钢板、应变计、传感器和信号处理模块。
在一些实施例中，所述动态识别系统包括视频采集模块、识别模块；所述视频采集模块为数字摄像头，所述数字摄像头获得压路机视频流信息和图像信息；所述识别模块采用YOLO v2-tiny神经网络结构算法；在动态识别系统的构建阶段，通过数字摄像头采集视频流和/或图像信息输入YOLO v2-tiny神经网络算法，构建形成动态识别系统。
在一些实施例中，所述YOLO v2-tiny神经网络结构算法包括9个卷积层、6个池化层、排列在最后区域层和非极大值抑制操作组成的后处理操作；每个卷积层后面都接有最大池化层；所述动态识别系统的处理步骤包括图像处理、卷积计算、批标准化计算、激活函数计算、池化计算和后处理。
在一些实施例中，本发明提供一种建筑垃圾堆填管理系统，其特征在于，所述系统包括称重模块、动态识别模块、预测模块、显示模块、控制模块；所述称重模块对预进入堆填分区的车辆进行称重；所述动态识别模块记录堆填场地内车辆的运行轨迹；所述预测模块根据称重的结果预测车辆内的建筑垃圾类型、所述车辆内的建筑垃圾预堆填分区和规划所述车辆的预行进路线、并预测堆填分区在堆填后的压实度；所述显示模块显示各个堆填分区、各个堆填分区的堆填高度和压实度、所述建筑垃圾类型、所述建筑垃圾预堆填分区、所述车辆的预行进路线和实时轨迹；
其中，根据称重结果预测建筑垃圾类型和预堆填分区包括：
S1：根据称重获得车辆装载的建筑垃圾的重量为W1和运输建筑垃圾的车辆的容积V，计算建筑垃圾的重度γ为：
S2：当γ在15至25kN/m3范围内时允许装载车辆进入堆填分区；否则，拒绝进入堆填分区，并提示进入分拣区域；堆填分区根据场地大小及建筑垃圾的数量综合划分，并依次定为：Y1,Y2,Y3。。。。
S2.1：当重度γ在15至16.9kN/m3时，显示模块提示建筑垃圾类型为：粘土、杂填土、素填土、碎石、卵石、砂质粉土或其一种或多种的混合物；指示进入Y1堆填分区；
S2.2：当重度γ在17至17.9kN/m3时，显示模块提示建筑垃圾类型为：含泥砾粗砂、粉质粘土、填土、褐黄色粉质粘土或其一种或多种的混合物；指示进入Y2堆填分区；
S2.3：当重度γ在18至18.9kN/m3时，显示模块提示建筑垃圾类型为：含泥中砂、灰色砂质粉土、粉质粘土、回填土或其一种或多种的混合物；指示进入Y3堆填分区；
S2.4：当重度γ在19至21.9kN/m3时，显示模块提示建筑垃圾类型为：淤泥质粉质粘土、灰色淤泥质粘土、淤泥质粘土、淤泥或其一种或多种的混合物；指示进入Y4堆填分区；
S2.5：当重度γ在22至25kN/m3时，显示模块提示建筑垃圾类型为：灰色充填土、黄土、粉砂或其一种或多种的混合物；指示进入Y5堆填分区；
其中，预测堆填后的压实度包括：在建筑垃圾堆填场指定的区域内分别进行PFWD压实度测量试验，预测系统预先通过BP神经网络建立建筑垃圾重量、压路机的重量M3、碾压次数和压实度之间的关系，生成预测模型。将建筑垃圾的重量W1、压路机碾压次数T数据，输入预测模型获得目标区域的实时压实度；
其中，所述车辆的预行进路线的规划方法包括：预行进路线的终点为堆填分区中堆填高度最低的点。
在一些实施例中，所述称重模块包括两块称重支撑钢板、应变计、传感器和信号处理模块。
在一些实施例中，所述应变计由一根(或多根)传递微弱电流的导线组成。当电池承受重量时，应变计中的导线会发生轻微的改变或压缩。导线的变化导致通过它的电流的电阻不同。来自每个单元的信号被发送到信号处理模块,在信号处理模块中，传感器测量电流的变化并计算出钢板所支撑的重量。
在一些实施例中，需要分别测量满载建筑垃圾车辆的重量和未载建筑垃圾车辆的重量，从而获得建筑垃圾的重量W1。根据该数据，并结合场地的入场要求判断该车建筑垃圾是否可以进入该区域，若符合要求，则还需要根据堆填规定，前往相应区域倾倒建筑垃圾。
在一些实施例中，所述压实度预测系统由PFWD压实度测量试验和BP神经网络算法组成。
在一些实施例中，所述PFWD压实度测量试验在建筑垃圾堆填场指定的区域内进行，按照PFWD法常规步骤试验并获得压实度数据，并统计该区域内，压路机碾压次数T。为便于训练模型，可将重量、次数、压实度信息均传输至计算机数据库保存。
在一些实施例中，所述BP神经网络模型包括一个输入层、两个BP层和一个输出层，可以在一定程度上保证预测的准确性。在获取建筑垃圾的重量W1、压路机的重量M3、碾压次数T和压实度数据S后，训练集和验证集以0.7：0.3的比例进行横向划分，再将数据按照特征值和目标值进行竖向划分，然后将数据填入输入层，训练神经网络模型，得到训练后的压实度计算模型，建立建筑垃圾的重量W1、压路机的重量M3、碾压次数T和压实度数据S四者之间的联系；将训练后的压实度计算模型保存，形成压实度预测系统。
在一些实施例中，所述动态识别系统包括视频采集模块、识别模块。
在一些实施例中，所述视频采集模块为数字摄像头，通过拍摄场地，获得视频流信息；识别系统为YOLO v2-tiny神经网络结构算法。数字摄像头可提供压路机图像信息，将该图像信息输入YOLO v2-tiny神经网络结构算法处理，识别压路机的特征信息。后期，能够实现压路机图像捕捉并获得压路机位置信息。
在一些实施例中，所述YOLO v2-tiny神经网络结构算法主要由9个卷积层和6个池化层组成，加上最后的由区域层和非极大值抑制操作组成的后处理操作。前六个卷积层后面都接有最大池化层，YOLO v2-tiny其他的具体设置以常规设置为准。其具体步骤包括图像处理、卷积计算、批标准化计算、激活函数计算、池化计算和后处理。
在一些实施例中，所述显示模块为计算机显示器，将各区域预测的压实度数据实时显示在显示器上，并实时指导压路机进行整平、碾压工作。
本发明还提供一种使用上述系统实现建筑垃圾堆填路径记录与压实度评估的系统，包括，
步骤一，根据称重获得车辆装载的建筑垃圾的重量为W1和运输建筑垃圾的车辆的容积V，计算建筑垃圾的重度γ为：
步骤二，根据场地大小及建筑垃圾的数量综合划分堆填分区，并依次定为：Y1,Y2,Y3等。
步骤三，当γ在15至25kN/m3范围内时允许装载车辆进入堆填分区；否则，拒绝进入堆填分区，并提示进入分拣区域。当重度γ在15至16.9kN/m3时，显示模块提示建筑垃圾类型为：粘土、杂填土、素填土、碎石、卵石、砂质粉土或其一种或多种的混合物；指示进入Y1堆填分区；当重度γ在17至17.9kN/m3时，显示模块提示建筑垃圾类型为：含泥砾粗砂、粉质粘土、填土、褐黄色粉质粘土或其一种或多种的混合物；指示进入Y2堆填分区；当重度γ在18至18.9kN/m3时，显示模块提示建筑垃圾类型为：含泥砾粗砂、粉质粘土、填土、褐黄色粉质粘土或其一种或多种的混合物；指示进入Y3堆填分区；
当重度γ在19至21.9kN/m3时，显示模块提示建筑垃圾类型为：含泥砾粗砂、粉质粘土、填土、褐黄色粉质粘土或其一种或多种的混合物；指示进入Y4堆填分区；当重度γ在22至25kN/m3时，显示模块提示建筑垃圾类型为：含泥砾粗砂、粉质粘土、填土、褐黄色粉质粘土或其一种或多种的混合物；指示进入Y5堆填分区；
步骤四，以堆填分区内堆填高度最低的点为终点，设定车辆预行进路线。控制模块指挥车辆前往该区域倾倒建筑垃圾，并预先布置PFWD法相关设备。
步骤五，压路机进行碾压、整平工作。同时，利用PFWD进行压实度试验。获得压路机的重量M3和不同碾压次数T下的压实度数据S；为便于数据储存和计算，将建筑垃圾的重量W1、压路机的重量M3、碾压次数T和压实度数据S传输至计算机数据库保存。
步骤六，将建筑垃圾的重量W1、压路机的重量M3、碾压次数T和压实度数据S按照要求输入BP神经网络，建立建筑垃圾的重量W1、压路机的重量M3、碾压次数T和压实度数据S四者之间的联系，并将该压实度计算模型保存，形成压实度预测模型；
步骤七，安装数字摄像头，前期试验阶段拍摄压路机图像，获得视频数据流，将该视频数据流输入YOLO v2-tiny神经网络结构算法，经过图像处理、卷积计算、批标准化计算、激活函数计算、池化计算和后处理操作后获得压路机图像特征。将该神经网络模型保存，形成动态识别系统。
步骤八，正式运营阶段，依靠动态识别系统捕捉并记录压路机位置信息，利用计算机判断压路机经过的区域及碾压次数C。最后，将数据传送至压实度预测系统获得该区域压实度数据；
步骤九，将场地压实度信息在显示系统中显示，相关工作人员可根据该数据，实时指导压路机进行碾压、整平工作。这样，既有利于后续建筑垃圾的堆存，也有利于场地的安全稳定；
本发明具有的有益效果是：
1)本发明采用的称重模块、压实度预测系统、动态识别系统、显示系统均为高度自动化的系统，可实现一体化管理，减少人力成本。
2)本发明的系统在工作时采用两种压实度模型对压实度进行预测，根据输入值的类型控制变量，从而提高了压实度预测情景下BP神经网络的预测准确率，兼顾了由于数据来源的不同导致的准确率不同，提高了压实度预测的准确率和效率。
3)本发明将堆填区域中按照堆填垃圾的种类不同划分为堆填分区，便于压实度数值预测以及后续的垃圾分类回收，从堆填源头上提高了建筑垃圾管理效率。
4)本发明对进入场地的建筑垃圾进行了分类，稳定性差的成分将不能进入场地，而进入场地的建筑垃圾也将分区域堆填，这将有利于场地的稳定性。
5)本发明采用的数字摄像头可以捕捉堆填场全场地的压路机信息并将其传送至动态识别系统和压实度预测系统。因此，可实现大面积的建筑垃圾堆填路径记录与压实度评估。
6)本发明采用的显示系统可实时显示堆填场，建筑垃圾堆填路径记录与压实度的信息，并实时指导压路机进行整平、碾压工作。
7)使用压实度预测系统实时指导压路机进行碾压、整平工作，对碾压过程中的压实度定量分析，也将有利于场地的稳定性。
本发明通过上述技术方案，极大有助于应对建筑垃圾安全堆填场的安全稳定问题。
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，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地介绍，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他的附图。
图1、图2、图3均为建筑垃圾堆填区域的二维平面图；
图4为神经网络结构示意图；
图5为YOLO v2-tiny神经网络结构示意图；
图6为压实度预测流程图；
图7为场地入场要求和相应的倾倒区域。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例，仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
实施例1
在试运营阶段，收集建立压实度模型的所需数据，并建立动态识别系统，为后期的正式运营做准备。如图5所示，为某场地的平面图，经测量，该场地长约323m、宽约211m，拟将该专利应用于该场地；在场地外围寻找合适地点，安装称重模块相关设备，如图1所示。该模块包括两块称重支撑钢板、应变计、传感器和信号处理模块，应变计由一根(或多根)传递微弱电流的导线组成。当电池承受重量时，应变计中的导线会发生轻微的改变或压缩。导线的变化导致通过它的电流的电阻不同。来自每个单元的信号被发送到信号处理模块，在信号处理模块中，传感器测量电流的变化并计算出钢板所支撑的重量；同时，根据场地大小及建筑垃圾的数量等因素来综合划分堆填分区。如图1所示，该场地为不规则场地，为充分利用场地面积，并且综合考虑建筑垃圾的数量、场地安全等因素，可依场地轮廓，人为划分堆填分区，并依次定为：F1,F2,F3,F4,F5。除此之外，制定建筑垃圾入场要求，如下：
当γ在15至25kN/m3范围内时允许装载车辆进入堆填分区；否则，拒绝进入堆填分区，并提示进入分拣区域；
当重度γ在15至16.9kN/m3时，显示模块提示建筑垃圾类型为：粘土、杂填土、素填土、碎石、卵石、砂质粉土或其一种或多种的混合物；指示进入F1堆填分区；
当重度γ在17至17.9kN/m3时，显示模块提示建筑垃圾类型为：含泥砾粗砂、粉质粘土、填土、褐黄色粉质粘土或其一种或多种的混合物；指示进入F2堆填分区；
当重度γ在18至18.9kN/m3时，显示模块提示建筑垃圾类型为：含泥中砂、灰色砂质粉土、粉质粘土、回填土或其一种或多种的混合物；指示进入F3堆填分区；
当重度γ在19至21.9kN/m3时，显示模块提示建筑垃圾类型为：淤泥质粉质粘土、灰色淤泥质粘土、淤泥质粘土、淤泥或其一种或多种的混合物；指示进入F4堆填分区；
当重度γ在22至25kN/m3时，显示模块提示建筑垃圾类型为：灰色充填土、黄土、粉砂或其一种或多种的混合物；指示进入F5堆填分区；
为便于确定车辆的行进路线，将每个堆填分区分别划分为9宫格，计算并显示每宫格的堆填高度和压实度；
然后，运输建筑垃圾的车辆进入称重传感器，获得建筑垃圾重量W1如下：
空车重量(吨) 满载重量(吨) 土石方重量(KG)
第一辆车 18 18.312 312
第二辆车 18 18.346 346
第三辆车 18 18.371 371
第四辆车 18 18.441 441
第五辆车 18 18.499 499
…… …… …… ……
可根据工程地质的相关定义可计算出其重度γ为：其中，V为运输建筑垃圾车辆的容积。经查，该次使用的车辆容积为：20m3，则计算土石方重度如下：
然后，根据相关的场地入场要求判断其是否符合入场标准及相应的堆填分区，据上述实际数据，车辆的堆填分区如下：
堆填分区
第一辆车 F1
第二辆车 F2
第三辆车 F3
第四辆车 F4
第五辆车 F5
…… ……
在确定堆填分区后，相关工作人员利用控制模块，以9宫格堆填分区内堆填高度最低的点为终点，设定车辆预行进路线，指挥车辆前往该区域倾倒建筑垃圾，并预先布置PFWD法相关设备；然后，在车辆倾倒完建筑垃圾之后，进行PFWD试验，利用PFWD设备将重锤提升至一定高度后自由下落，获取冲击过程中一系列与土体的动应力响应有关的数据，建立起的弯沉或动态模量与压实度的关系，推算出土体的压实度S，该次的结果可以指导当次的碾压工作。当压路机再次进行碾压工作时，重复进行PFWD压实度测量实验，以此类推，直到获得足够多的数据所述实验步骤包括：
所述压实度模型包括压实度初始预测模型和压实度终阶预测模型，其中，所述压实度初始预测模型的输入变量仅为建筑垃圾的重量；当压路机的重量和碾压次数均等于建立压实度初始预测模型时的压路机数量和碾压次数时，采用所述压实度初始预测模型输出压实度数值；否则，采用压实度终阶预测模型输出压实度数值；
所述压实度初始预测模型和压实度终阶预测模型的建立方法包括：
1.指挥压路机对已知重量的建筑垃圾进行碾压，记录碾压次数，碾压结束后利用PFWD便携式落锤弯沉仪法测量压实度，获得一组训练数据包括：建筑垃圾重量a、压路机的重量b、碾压次数c及其对应的压实度S；
2.改变建筑垃圾的重量，重复步骤1；
3.重复步骤2以获得多组所述训练数据；以建筑垃圾重量a、压路机的重量b、碾压次数T作为输入值，以压实度S作为输出值，利用BP神经网络训练得到压实度预测初始模型；
4.改变碾压次数，重复步骤1；
5.重复步骤4以获得多组所述训练数据；
6.改变压路机的重量，重复步骤1；
7.重复步骤6以获得多组所述训练数据；
8.利用步骤5和步骤7中获得的多组训练数据中，以建筑垃圾重量a、压路机的重量b、碾压次数T作为输入值，以压实度S作为输出值，对所述压实度预测初始模型进行二次训练，获得压实度终阶预测模型。
经过上述步骤，每个区域得到50组实验数据，部分具有代表性的数据如下：
对上述250组数据中，70％划分为训练集，30％划分为预测集，利用训练集对模型进行训练，利用预测集检验训练好的模型的准确度，当模型准确的达到90％时视为模型合格。其中，BP神经网络模型包括一个输入层、两个BP层和一个输出层，可以在一定程度上保证预测的准确性。因此在正式运营阶段采集到建筑垃圾重量Q1，压路机碾压次数C数据之后，即可通过压实度预测模型获得目标区域的压实度数据。
同时，安装数字摄像头，对场地进行全方位拍摄，采集上述试验全过程视频流数据，为后期准确识别出压路机，视频流信息应当包含完整的试验过程，且需要能清晰的识别出压路机。将这些视频流信息输入YOLO v2-tiny神经网络算法，形成动态识别模块，YOLOv2-tiny神经网络结构算法主要由9个卷积层和6个池化层组成，加上最后的由区域层和非极大值抑制操作组成的后处理操作。前六个卷积层后面都接有最大池化层，YOLO v2-tiny其他的具体设置以常规设置为准。其具体步骤包括图像处理、卷积计算、批标准化计算、激活函数计算、池化计算和后处理。因此在正式运营阶段，可动态识别压路机的位置信息；所述显示模块为计算机显示屏，可显示建筑垃圾堆填场各区域的压实度信息，控制模块指导压路机的碾压、整平工作；最后，由计算机显示器，将各区域预测的压实度数据、区域堆填高度等信息实时显示在显示器上，相关工作人员需根据该数据判断压路机工作是否符合要求，若不符合则还需要利用控制模块指挥压路机再一次进行碾压工作，直至符合要求为止。
此外，设置成本阈值和压实度安全使用阈值，以便于当压实度S的数值高于设定的压实度安全使用阈值或当随着时间的推进压实度S的变化速度的数值小于设定的成本阈值的数值时，指挥压路机停止碾压。成本阈值设定的出发点为从经济角度为维持盈利状态而设置的经济指标参数，因此和盈利相关的因素均可作为设置成本阈值的参考数值之一。成本阈值的影响因素包括以下的一项或多项：单位时间内压路机司机的工资、单位时间内压路机的油费和单位时间内堆填区域的耗电量；所述压实度安全使用阈值根据以下的一项或多项进行设定：回收所述目标堆填点所在的堆填分区中的建筑垃圾时所需的压实度和所述目标堆填点所在的堆填分区的的建筑垃圾不会发生坍塌时的压实度。本场地中，各区域安全阈值的数量设定如下：
堆填分区 压实度安全使用阈值 成本阈值
F1 20％ 0.2
F2 30％ 0.2
F3 40％ 0.2
F4 50％ 0.2
F5 60％ 0.2
此外，可根据建筑垃圾投入二次使用时所需的压实度动态调整压实度安全使用阈值。
实施例2
本实施例包括实施例1的内容，在实施例1的基础上，如图2所示，该场地平面轮廓为不规则圆弧形，充分利用场地面积，并且综合考虑建筑垃圾的数量、场地安全等因素，可依场地轮廓，人为划分堆填分区，并依次定为：G1,G2,G3。除此之外，制定建筑垃圾入场要求，如下：
当γ在15至25kN/m3范围内时允许装载车辆进入堆填分区；否则，拒绝进入堆填分区，并提示进入分拣区域；
当重度γ在15至17.9kN/m3时，例如重度γ为16kN/m3，17.5kN/m3，显示模块提示建筑垃圾类型为：粘土、杂填土、素填土、碎石、卵石、砂质粉土、含泥砾粗砂、粉质粘土、填土、褐黄色粉质粘土或其一种或多种的混合物；指示进入G1堆填分区；
当重度γ在18至21.9kN/m3时，例如重度γ为19kN/m3，21kN/m3，显示模块提示建筑垃圾类型为：含泥中砂、灰色砂质粉土、粉质粘土、回填土、淤泥质粉质粘土、灰色淤泥质粘土、淤泥质粘土、淤泥或其一种或多种的混合物；指示进入G2堆填分区；
当重度γ在22至25kN/m3时，例如重度γ为23kN/m3，24kN/m3，显示模块提示建筑垃圾类型为：含泥砾粗砂、粉质粘土、填土、褐黄色粉质粘土、含泥砾粗砂、粉质粘土、填土、褐黄色粉质粘土或其一种或多种的混合物；指示进入G3堆填分区。
同样，运输建筑垃圾的车辆进入称重传感器，获得建筑垃圾重量W1如下：
空车重量(吨) 满载重量(吨) 土石方重量(KG)
第一辆车 18 18.349 349
第二辆车 18 18.357 357
第三辆车 18 18.412 412
第四辆车 18 18.437 437
第五辆车 18 18.497 497
…… …… …… ……
计算其重度，如下：
重度(kN/m3)
第一辆车 17.45
第二辆车 17.85
第三辆车 20.6
第四辆车 21.85
第五辆车 24.85
…… ……
每一辆车对应的堆填分区为：
堆填分区
第一辆车 G1
第二辆车 G1
第三辆车 G2
第四辆车 G2
第五辆车 G3
…… ……
则PFWD试验过程数据如下：
实施例3
本实施例包括实施例1的内容，在实施例1的基础上，如图3所示，该场地平面轮廓为不规则形状，充分利用场地面积，并且综合考虑建筑垃圾的数量、场地安全等因素，可依场地轮廓，人为划分堆填分区，并依次定为：O1,O2,O3。除此之外，制定建筑垃圾入场要求，如下：
当γ在15至25kN/m3范围内时允许装载车辆进入堆填分区；否则，拒绝进入堆填分区，并提示进入分拣区域；
当重度γ在15至17.9kN/m3时，显示模块提示建筑垃圾类型为：粘土、杂填土、素填土、碎石、卵石、砂质粉土、含泥砾粗砂、粉质粘土、填土、褐黄色粉质粘土或其一种或多种的混合物；指示进入O1堆填分区；
当重度γ在18至21.9kN/m3时，显示模块提示建筑垃圾类型为：含泥中砂、灰色砂质粉土、粉质粘土、回填土、淤泥质粉质粘土、灰色淤泥质粘土、淤泥质粘土、淤泥或其一种或多种的混合物；指示进入O2堆填分区；
当重度γ在22至25kN/m3时，显示模块提示建筑垃圾类型为：含泥砾粗砂、粉质粘土、填土、褐黄色粉质粘土、含泥砾粗砂、粉质粘土、填土、褐黄色粉质粘土或其一种或多种的混合物；指示进入O3堆填分区。
同样，运输建筑垃圾的车辆进入称重传感器，获得建筑垃圾重量W1如下：
计算其重度，如下：
重度(kN/m3)
第一辆车 18.6
第二辆车 15.95
第三辆车 20.95
第四辆车 21.55
第五辆车 25
…… ……
每一辆车对应的堆填分区为：
堆填分区
第一辆车 O2
第二辆车 O1
第三辆车 O2
第四辆车 O2
第五辆车 O3
…… ……
则PFWD试验过程数据如下：
在本发明中，涉及数值范围的“至”包含本数，例如范围“数a至数b”包括数a和数b。
上述具体实施方式用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围，例如，各种操作步骤以及用于执行操作步骤的组件可以根据特定应用场景或场地的不同而进行适应性调整，又例如，各种操作步骤可以被删除、修改、或与其它步骤组合，都将落入本发明的保护范围。

Claims (9)

1.一种建筑垃圾堆填管理方法，其特征在于，包括如下步骤：
步骤1：对装载有建筑垃圾H的车辆称重M1，根据车辆类型获得车辆的自重M2和容积V，得到建筑垃圾H的重度γ，γ＝(M1-M2)/V；
步骤2：当重度γ在重度阈值范围内时安排车辆进入堆填区域，否则进入分拣区域；其中，所述堆填区域根据所堆填的建筑垃的圾种类将堆填区域划分为一块或多块堆填分区，根据重度γ的数值大小选择车辆应进入的堆填分区；
步骤3：将堆填分区内海拔高度的最低点设置为目标堆填点，指挥车辆到达所述目标堆填点，实时记录车辆在堆填区域内的行驶轨迹并显示；
步骤4：控制压路机碾压目标堆填点上的建筑垃圾H，记录碾压次数T；根据压路机的重量M3、碾压次数T、建筑垃圾H的重量(M1-M2)，利用压实度模型获得目标堆填点的压实度S；
当压实度S的数值高于设定的压实度安全使用阈值，或，每分钟压实度S的变化速度小于设定的成本阈值时，指挥压路机停止碾压；
步骤5：记录停止碾压时压实度S的数值和停止碾压时间，作为目标堆填点所在的堆填分区的最新压实度信息进行显示；
其中，在步骤4中，所述压实度模型包括压实度初始预测模型和压实度终阶预测模型，其中，所述压实度初始预测模型的输入变量仅为建筑垃圾的重量；当压路机的重量和碾压次数均等于建立压实度初始预测模型时的压路机数量和碾压次数时，采用所述压实度初始预测模型输出压实度数值；否则，采用压实度终阶预测模型输出压实度数值；
所述压实度初始预测模型和压实度终阶预测模型的建立方法包括：
步骤4.1，指挥压路机对已知重量的建筑垃圾进行碾压，记录碾压次数，碾压结束后利用PFWD便携式落锤弯沉仪法测量压实度，获得一组训练数据包括：建筑垃圾重量a、压路机的重量b、碾压次数c及其对应的压实度S；
步骤4.2，改变建筑垃圾的重量，重复步骤4.1；
步骤4.3，重复步骤4.2以获得多组所述训练数据；以建筑垃圾重量a、压路机的重量b、碾压次数T作为输入值，以压实度S作为输出值，利用BP神经网络训练得到压实度预测初始模型；
步骤4.4，改变碾压次数，重复步骤4.1；
步骤4.5，重复步骤4.4以获得多组所述训练数据；
步骤4.6，改变压路机的重量，重复步骤4.1；
步骤4.7，重复步骤4.6以获得多组所述训练数据；
步骤4.8，利用步骤4.5和步骤4.7中获得的多组训练数据中，以建筑垃圾重量a、压路机的重量b、碾压次数T作为输入值，以压实度S作为输出值，对所述压实度预测初始模型进行二次训练，获得压实度终阶预测模型。
2.根据权利要求1所述的建筑垃圾堆填管理方法，其特征在于，步骤2包括：
当重度≥15kN/m3且≤25kN/m3时允许装载车辆进入堆填分区；否则，拒绝进入堆填分区，并提示进入分拣区域；
当重度γ≥15kN/m3且≤16.9kN/m3时，提示建筑垃圾类型为：粘土、杂填土、素填土、碎石、卵石、砂质粉土或其一种或多种的混合物；选择进入Y1堆填分区；
当重度γ＞16.9kN/m3且≤17.9kN/m3时，提示建筑垃圾类型为：含泥砾粗砂、粉质粘土、填土、褐黄色粉质粘土或其一种或多种的混合物；选择进入Y2堆填分区；
当重度γ＞17.9kN/m3且≤18.9kN/m3时，提示模块提示建筑垃圾类型为：含泥中砂、灰色砂质粉土、粉质粘土、回填土或其一种或多种的混合物；选择进入Y3堆填分区；
当重度γ＞18.9kN/m3且≤21.9kN/m3时，提示建筑垃圾类型为：淤泥质粉质粘土、灰色淤泥质粘土、淤泥质粘土、淤泥或其一种或多种的混合物；选择进入Y4堆填分区；
当重度γ＞21.9kN/m3且≤25kN/m3时，提示建筑垃圾类型为：灰色充填土、黄土、粉砂或其一种或多种的混合物；选择进入Y5堆填分区。
3.根据权利要求1所述的方法，在步骤4.1中，压路机的重量和碾压次数分别为所述堆填区域中使用频率最高的压路机的重量和出现频率最高的碾压次数。
4.根据权利要求1-3任一项所述的方法，获得所述碾压次数的方法包括，实验阶段利用数字摄像头拍摄压路机图像，获得视频数据流，将该视频数据流输入YOLO v2-tiny神经网络结构算法，经过图像处理、卷积计算、批标准化计算、激活函数计算、池化计算和后处理操作后获得压路机图像特征；将该神经网络模型保存，形成动态识别系统；正式运营阶段，依靠动态识别系统捕捉并记录压路机位置信息，利用计算机判断压路机经过的区域及碾压次数，最后，将数据传送至压实度预测系统获得该区域压实度数据。
5.根据权利要求3所述的方法，其特征在于，每隔预定的时间段利用所述预定的时间段内获得的建筑垃圾重量、压路机的重量、碾压次数及其对应的压实度对压实度模型进行更新。
6.根据权利要求1所述的方法，所述成本阈值的影响因素包括以下的一项或多项：单位时间内压路机司机的工资、单位时间内压路机的油费和单位时间内堆填区域的耗电量；
所述压实度安全使用阈值根据以下的一项或多项设定：回收所述目标堆填点所在的堆填分区中的建筑垃圾时所需的压实度和所述目标堆填点所在的堆填分区的的建筑垃圾不会发生坍塌时的压实度。
7.一种建筑垃圾堆填管理系统，执行权利要求1-6任一项所述的方法，其特征在于，所述系统包括称重模块、动态识别模块、预测模块、显示模块、控制模块；所述控制模块分别与称重模块、动态识别模块、预测模块、显示模块连接，以执行以下操作：
所述称重模块具有称重功能，包括但不限于对预进入堆填分区的车辆进行称重；
所述动态识别模块具有追踪和记录物体动态轨迹的功能，包括但不限于记录堆填场地内车辆的运行轨迹；
所述预测模块根据称重模块的获得车辆内建筑垃圾的类型和预堆填分区，提供车辆预行进路线，预测堆填分区在堆填后的压实度；
所述显示模块与系统中各模块连接并提供信息显示功能，与显示各个堆填分区、各个堆填分区的堆填高度和压实度、所述建筑垃圾类型、所述建筑垃圾预堆填分区、所述车辆的预行进路线和实时轨迹。
8.根据权利要求7所述的系统，其特征在于，所述称重模块包括称重传感器，所述称重传感器安装于堆填场地的入口处；所述称重模块包括以下的一项或多项：称重支撑钢板、应变计、传感器和信号处理模块。
9.根据权利要求7所述的系统，其特征在于，所述动态识别系统包括视频采集模块、识别模块；所述视频采集模块为数字摄像头，所述数字摄像头获得压路机视频流信息和图像信息；所述识别模块采用YOLO v2-tiny神经网络结构算法；在动态识别系统的构建阶段，通过数字摄像头采集视频流和/或图像信息输入YOLO v2-tiny神经网络算法，构建形成动态识别系统；所述YOLO v2-tiny神经网络结构算法包括9个卷积层、6个池化层、排列在最后区域层和非极大值抑制操作组成的后处理操作；每个卷积层后面都接有最大池化层；所述动态识别系统的处理步骤包括图像处理、卷积计算、批标准化计算、激活函数计算、池化计算和后处理。
CN202310258535.8A 2023-03-16 2023-03-16 一种建筑垃圾堆填管理方法和系统 Active CN116452971B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310258535.8A CN116452971B (zh) 2023-03-16 2023-03-16 一种建筑垃圾堆填管理方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310258535.8A CN116452971B (zh) 2023-03-16 2023-03-16 一种建筑垃圾堆填管理方法和系统

Publications (2)

Publication Number Publication Date
CN116452971A CN116452971A (zh) 2023-07-18
CN116452971B true CN116452971B (zh) 2023-11-03

Family

ID=87126414

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310258535.8A Active CN116452971B (zh) 2023-03-16 2023-03-16 一种建筑垃圾堆填管理方法和系统

Country Status (1)

Country Link
CN (1) CN116452971B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113869649A (zh) * 2021-08-31 2021-12-31 浙江绿农生态环境有限公司 一种建筑垃圾再利用方法、系统及电子设备
CN114219993A (zh) * 2021-12-15 2022-03-22 西安建筑科技大学 一种基于cnn的建筑垃圾分类方法
CN114627361A (zh) * 2022-01-18 2022-06-14 苏州深维纵横数据科技有限公司 一种道路垃圾检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113869649A (zh) * 2021-08-31 2021-12-31 浙江绿农生态环境有限公司 一种建筑垃圾再利用方法、系统及电子设备
CN114219993A (zh) * 2021-12-15 2022-03-22 西安建筑科技大学 一种基于cnn的建筑垃圾分类方法
CN114627361A (zh) * 2022-01-18 2022-06-14 苏州深维纵横数据科技有限公司 一种道路垃圾检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
现代卫生填埋场分区填埋的稳定性与优化设计;肖朝昀;徐威;白冰;涂帆;;河南大学学报(自然科学版)(02);第102-105页 *

Also Published As

Publication number Publication date
CN116452971A (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN111074954A (zh) 一种基于bim的深基坑工程安全监测系统
Portelinha et al. Performance of nonwoven geotextile-reinforced walls under wetting conditions: laboratory and field investigations
CN107831217A (zh) 一种填筑连续压实声波检测系统与方法
CN115034697A (zh) 基于多域分析的多元智能压实指标分级优选方法及系统
CN105926570B (zh) 确定强夯有效加固深度的方法
Yao et al. Intelligent compaction methods and quality control
CN116452971B (zh) 一种建筑垃圾堆填管理方法和系统
JP2005030073A (ja) 締固め品質管理方法
CN109797729A (zh) 一种路基砖渣换填层压实度指标的检测方法
CN103669329B (zh) 超深建筑垃圾坑直接强夯法治理工艺
CN109736289A (zh) 一种液压快速夯实地基的施工方法
CN102359914A (zh) 车载式路基压实度快速测定仪
Chamanara Enhancing mine haul truck KPIs via payload balance
CN107288117A (zh) 一种对煤矸石强夯加固的方法
Zornberg et al. Performance of prototype embankment built with tire shreds and nongranular soil
CN108951721A (zh) 一种强夯煤矸石地基动应力的方法
Dobrzycki et al. Site control procedures for applicability and quality of Rapid Impulse Compaction
CN110512582B (zh) 一种路基压实度分层检测方法
JP2004278248A (ja) 厚層転圧工法
Tehrani An investigation of continuous compaction control systems
White et al. Accelerated implementation of intelligent compaction technology for embankment subgrade soils, aggregate base, and asphalt pavement materials
CN112431185B (zh) 水运工程大面积软土地基强夯加固质量的检测方法
CN113790986B (zh) 利用环形跑道监测加筋土沉降变形的室内模型
CN117169051A (zh) 一种胶结坝碾压密实度精确测量方法
CN105926563A (zh) 确定路堤强夯普夯区压实度的方法

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