CN116641289A - 一种基于三维纹理特征的沥青面层压实过程质量监测方法 - Google Patents
一种基于三维纹理特征的沥青面层压实过程质量监测方法 Download PDFInfo
- Publication number
- CN116641289A CN116641289A CN202310651690.6A CN202310651690A CN116641289A CN 116641289 A CN116641289 A CN 116641289A CN 202310651690 A CN202310651690 A CN 202310651690A CN 116641289 A CN116641289 A CN 116641289A
- Authority
- CN
- China
- Prior art keywords
- dimensional texture
- compaction
- parameter
- dimensional
- quality
- 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
- 238000000034 method Methods 0.000 title claims abstract description 103
- 238000005056 compaction Methods 0.000 title claims abstract description 87
- 238000012544 monitoring process Methods 0.000 title claims abstract description 63
- 239000010426 asphalt Substances 0.000 title claims abstract description 55
- 230000008569 process Effects 0.000 title claims abstract description 52
- 239000002344 surface layer Substances 0.000 title claims abstract description 34
- 238000010276 construction Methods 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 239000011800 void material Substances 0.000 claims description 4
- 239000007787 solid Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Biomedical Technology (AREA)
- Fuzzy Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Structural Engineering (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Road Repair (AREA)
Abstract
本发明涉及一种基于三维纹理特征的沥青面层压实过程质量监测方法，包括如下步骤：采集沥青面层压实过程中的三维纹理特征，基于预先构建好的多元回归预测模型，得到压实质量监测指标的预测值，实现沥青面层压实过程质量监测，其中，所述多元回归预测模型的构建过程包括如下步骤：采集压实过程中的多组压实质量监测指标的实际值及对应的三维纹理特征，根据三维纹理特征计算多个三维纹理参数指标的实际值；根据所述压实质量监测指标的实际值以及所述三维纹理参数指标的实际值，筛选出与所述压实质量检测指标相关度高的三维纹理参数指标并确定对应权重值，构建多元回归预测模型。本发明实现沥青面层压实过程无法方便准确监测。
Description
技术领域
本发明涉及道路工程技术领域，尤其是涉及一种基于三维纹理特征的沥青面层压实过程质量监测方法。
背景技术
在沥青面层压实过程中，《沥青路面施工及验收标准》对于施工工艺、施工指标、验收指标提出了严格的要求。沥青面层的压实质量与路面早期破坏紧密相关，压实质量不佳是面早期破坏的主要原因之一，若未严格按照设计要求，可能会造成车辙、坑洞、松散、沉降等一系列路面病害，沥青路面将达不到设计使用年限，而车辆在破损的路面上行驶时，也存在一定的安全隐患。
沥青路面传统压实质量检测方法主要有有损采样法和无损采样法。有损采样法主要为钻芯取样法，检测过程费时费力，工序繁琐，且会对路面造成破坏，效率极低。无损采样法主要为核子密度仪法和无核密度仪法，只能针对压实度进行监测，且为抽样检测法，难以准确代表整体面层的压实质量，且不利于实时监测面层压实情况，不能及时给施工部门提供参考性意见。
中国专利申请号CN202210440015.4公开了一种基于机器视觉的沥青路面施工均匀性检测及评价方法，通过路表图像采集装置，在检测路段的横断面及纵断面方向按照一定间距获取多角度路表图像；对获取的多角度路表图像依次进行图像变形矫正、图像分割、阴影去除和滤波降噪的预处理；将预处理后的多角度路表图像进行3D点云逆向重构获取路表三维纹理模型；提取三维纹理模型的纹理分布特征参数：平均构造深度指标MTD和分形维数D，然后计算沥青路面均匀性指标：平均构造深度比UMTD和分形维数比UD，从而评价沥青路面施工均匀性。
上述申请可以获取路表多角度图像并获取路表纹理特征信息并评价沥青路面施工均匀性。但是，上述申请并无法针对沥青面层压实过程中的多种指标进行质量监测。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于三维纹理特征的沥青面层压实过程质量监测方法，以解决或部分解决目前沥青面层压实过程无法方便准确监测的问题。
本发明的目的可以通过以下技术方案来实现：
本发明的一个方面，提供了一种基于三维纹理特征的沥青面层压实过程质量监测方法，包括如下步骤：
采集沥青面层压实过程中的三维纹理特征，基于预先构建好的多元回归预测模型，得到压实质量监测指标的预测值，实现沥青面层压实过程质量监测，
其中，所述多元回归预测模型的构建过程包括如下步骤：
采集压实过程中的多组压实质量监测指标的实际值及对应的三维纹理特征，根据三维纹理特征计算多个三维纹理参数指标的实际值；
根据所述压实质量监测指标的实际值以及所述三维纹理参数指标的实际值，筛选出与所述压实质量检测指标相关度高的三维纹理参数指标并确定对应权重值，构建多元回归预测模型。
作为优选的技术方案，筛选出与压实质量检测指标相关度高的三维纹理参数指标并确定对应系数的过程具体为：
对所有三维纹理参数指标进行中心化和归一化处理，转换为统一量纲，对三维纹理参数指标进行平移使其中心在原点；
计算样本的协方差矩阵，对协方差矩阵求解特征值和特征向量，并进行降维处理，选取k个最大特征值对应的特征向量，即筛选出k个与压实质量检测指标相关度高的三维纹理参数指标；
采用模糊集理论的隶属度函数方法，确定筛选得到的三维纹理参数指标的权重值。
作为优选的技术方案，所述的三维纹理特征的获取过程包括如下步骤：
获取沥青面层的三维数据并按一定间隔进行网格化处理，针对数据空白值采用插值法或逼近法处理，恢复面层表面细节，获得连续光滑的表面；
对三维数据进行平面修正处理，针对由于检测角度导致的点云平面歪斜问题，对点云平面进行矫正处理；
对三维数据进行滤波去噪处理，采用二维滤波方法，处理数据中的异常值，实现三维纹理特征的提取。
作为优选的技术方案，所述的二维滤波方法为中值滤波、高斯滤波、均值滤波中的至少一种。
作为优选的技术方案，采用3D Hough算法实现点云的矫正处理。
作为优选的技术方案，在多元回归预测模型的构建过程中，压实阶段机械每碾压一次，采集一组压实质量监测指标的实际值及对应的三维纹理特征。
作为优选的技术方案，所述的三维纹理参数指标包括体积参数、轮廓参数、高度参数、功能参数和复合参数，所述的轮廓参数包括平均断面深度、算术平均高度、均方根高度中的至少一个，所述的高度参数包括偏斜度、最大峰高、最大谷深中的至少一个，所述的功能参数包括极点高度、突出峰部高度、突出谷部高度中的至少一个，所述的体积参数包括谷部的空隙容积、中心部的空隙容积、峰部的实体体积中的至少一个，所述的复合参数包括界面扩展比。
作为优选的技术方案，所述的压实质量监测指标为压实度、构造深度、抗滑系数、渗水系数中的至少一个。
本发明的另一个方面，提供了一种电子设备，包括：一个或多个处理器以及存储器，所述存储器内储存有一个或多个程序，所述一个或多个程序包括用于执行上述基于三维纹理特征的沥青面层压实过程质量监测方法的指令。
本发明的另一个方面，提供了一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行上述基于三维纹理特征的沥青面层压实过程质量监测方法的指令。
与现有技术相比，本发明具有以下优点：
(1)实现沥青面层压实过程的方便准确监测：本发明分为模型构建和实际监测两个部分，模型构建阶段根据参数指标与高相关度的监测指标间的关系建立多元回归模型；实际监测阶段，获取高相关度的监测指标的实际值并输入到模型中，得到监测指标的预估值，从而实现监测。在模型构建部分中，通过每次压实阶段后扫描沥青面层的三维数据，预处理并计算三维纹理参数指标，并筛选三维纹理参数，从而建立多元回归模型，直接观测了压实阶段沥青面层的表观纹理变化，归纳三维纹理参数指标与压实质量关联性的变化规律，提升了压实质量监测的准确性。
(2)可靠性高，能够无损监测：本发明的压实质量评价模型通过大量数据建立，采用PCA主成分分析算法筛选三维纹理参数指标，采用模糊集理论建立多元回归模型，可靠性和准确性得到了有效提高，基于三维激光纹理扫描设备能够实现压实阶段沥青面层的快速无损扫描，结果精准，能够实现压实质量的实时监测。
附图说明
图1为实施例中基于三维纹理特征的沥青面层压实过程质量监测方法的流程图；
图2为实施例中使用三维激光扫描设备进行数据采集的示意图；
图3为三维数据预处理后的示意图，
其中，1、三维激光纹理扫描设备，2、垫块，3、沥青路面。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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获得的所有其他实施例，都应属于本发明保护的范围。
实施例1
针对背景技术存在的缺点，本实施例提供了一种基于三维纹理特征的沥青面层压实过程质量监测方法，以解决目前沥青面层压实过程无法实时、准确监测的问题。
参见图1，本方法包括模型构建和实际监测两个部分，模型构建阶段根据参数指标与高相关度的监测指标间的关系建立多元回归模型；实际监测阶段，获取高相关度的监测指标的实际值并输入到模型中，得到监测指标的预估值，从而实现监测。其中，模型构建包括以下步骤：
S1：确定压实质量的监测指标，压实质量的监测指标可选择压实度、构造深度、抗滑系数、渗水系数等。
S2：检测并获取沥青面层施工过程的路表三维数据，获取压实质量监测指标。
压实阶段机械每碾压一次，采用三维激光纹理扫描设备获取一次三维数据，连续获取压实过程的三维数据，并采用其他手段获取目标的压实质量监测指标的实际值。
S3：计算三维纹理参数指标，具体包括：
S31：对三维数据进行预处理，具体包括：
S311：对三维数据进行网格化处理，按一定间隔进行网格化处理，针对数据空白值采用插值法或逼近法处理，恢复面层表面细节，获得连续光滑的表面。
S312：对三维数据进行平面修正处理，针对由于检测角度导致的点云平面歪斜问题，采用3D Hough算法矫正点云平面。
S313：对三维数据进行滤波去噪处理，采用二维滤波方法，处理数据中的异常值，降低噪声影响，更精准地提取三维点云特征，二维滤波方法为中值滤波、高斯滤波、均值滤波中的一种。
S32：计算三维纹理参数指标。三维纹理参数指标包括轮廓参数、高度参数、功能参数、体积参数和复合参数，所述的轮廓参数包括平均断面深度MPD、算术平均高度Ra、均方根高度Rq等，所述的高度参数包括偏斜度Ssk、最大峰高Sp、最大谷深Sv等，所述的功能参数包括极点高度Sxp、突出峰部高度Spk、突出谷部高度Svk等，所述的体积参数包括谷部的空隙容积Vvv、中心部的空隙容积Vvc、峰部的实体体积Vmc等，所述的复合参数包括界面扩展比Sdr。
S4：建立各参数指标与压实质量的相互关系，筛选参数指标。采用PCA主成分分析算法，筛选与压实质量关联性较大的三维纹理参数指标，具体包括：
S41：对所有三维纹理参数指标进行中心化和归一化处理，转换为统一量纲，对参数进行平移使其中心在原点，消除不同特征数值大小的影响；
S42：计算样本的协方差矩阵，度量两个随机三维纹理参数指标的联合分布线性相关程度；
S43：对协方差矩阵求解特征值和特征向量，并进行降维处理，选取k个最大特征值对应的特征向量，即筛选出k个主成分的三维纹理参数指标；
S5：确定各参数权重值，建立三维纹理参数与压实过程质量的拟合模型，采用模糊集理论的隶属度函数方法，确定各参数指标的权重值，建立多元回归模型。
在实际监测部分中，首先采集沥青面层压实过程中的三维纹理数据，然后使用上述S3中的方法对三维纹理数据进行处理，计算得到上述S4中与压实质量关联性较大的三维纹理参数指标的实际值，并输入构建好的多元回归预测模型中，得到压实质量监测指标的预测值，实现沥青面层压实过程质量监测。
下面以压实度作为监测指标进行说明，采用三维激光纹理扫描设备按图2所示采集数据。其中三维激光纹理扫描设备1垂直架设于沥青路面3上方，为避免三维激光纹理扫描设备1与沥青路面3表面直接接触，其四周安装有1～2cm高度的垫块2。扫描间隔为0.05mm，每碾压一次，采集一次沥青面层三维数据，并用核子密度仪获取压实度值。三维数据的x，y方向以500mm为单位网格化，拉格朗日插值法插值，进行平面矫正，中值滤波方法去除异常值，处理结果如图3所示。采用PCA主成分法筛选指标，发现压实度与平均断面深度MPD、算数平均高度Ra、突出峰部高度Spk、峰部的实体体积Vmc、界面拓展比Sdr关联性大。用模糊集理论的隶属度函数确定参数的权重值，构建多元回归模型。利用该模型计算压实度值，与压实度实际值的相关系数为0.9475，可以很好的满足实际压实质量监测的需求。
本发明基于沥青面层的三维纹理特征，提供了新的沥青面层压实过程质量监测的方法与体系，为沥青面层压实过程的质量监测提出新方法，为路面施工信息化提供新思路。
实施例2
本实施例提供了一种电子设备，包括：一个或多个处理器以及存储器，所述存储器内储存有一个或多个程序，所述一个或多个程序包括用于执行如实施例1所述基于三维纹理特征的沥青面层压实过程质量监测方法的指令。
实施例3
本实施例提供了一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如实施例1所述基于三维纹理特征的沥青面层压实过程质量监测方法的指令。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于三维纹理特征的沥青面层压实过程质量监测方法，其特征在于，包括如下步骤：
采集沥青面层压实过程中的三维纹理特征，基于预先构建好的多元回归预测模型，得到压实质量监测指标的预测值，实现沥青面层压实过程质量监测，
其中，所述多元回归预测模型的构建过程包括如下步骤：
采集压实过程中的多组压实质量监测指标的实际值及对应的三维纹理特征，根据三维纹理特征计算多个三维纹理参数指标的实际值；
根据所述压实质量监测指标的实际值以及所述三维纹理参数指标的实际值，筛选出与所述压实质量检测指标相关度高的三维纹理参数指标并确定对应权重值，构建多元回归预测模型。
2.根据权利要求1所述的一种基于三维纹理特征的沥青面层压实过程质量监测方法，其特征在于，筛选出与压实质量检测指标相关度高的三维纹理参数指标并确定对应系数的过程具体为：
对所有三维纹理参数指标进行中心化和归一化处理，转换为统一量纲，对三维纹理参数指标进行平移使其中心在原点；
计算样本的协方差矩阵，对协方差矩阵求解特征值和特征向量，并进行降维处理，选取k个最大特征值对应的特征向量，即筛选出k个与压实质量检测指标相关度高的三维纹理参数指标；
采用模糊集理论的隶属度函数方法，确定筛选得到的三维纹理参数指标的权重值。
3.根据权利要求1所述的一种基于三维纹理特征的沥青面层压实过程质量监测方法，其特征在于，所述的三维纹理特征的获取过程包括如下步骤：
获取沥青面层的三维数据并按一定间隔进行网格化处理，针对数据空白值采用插值法或逼近法处理，恢复面层表面细节，获得连续光滑的表面；
对三维数据进行平面修正处理，针对由于检测角度导致的点云平面歪斜问题，对点云平面进行矫正处理；
对三维数据进行滤波去噪处理，采用二维滤波方法，处理数据中的异常值，实现三维纹理特征的提取。
4.根据权利要求3所述的一种基于三维纹理特征的沥青面层压实过程质量监测方法，其特征在于，所述的二维滤波方法为中值滤波、高斯滤波、均值滤波中的至少一种。
5.根据权利要求3所述的一种基于三维纹理特征的沥青面层压实过程质量监测方法，其特征在于，采用3D Hough算法实现点云的矫正处理。
6.根据权利要求1所述的一种基于三维纹理特征的沥青面层压实过程质量监测方法，其特征在于，在多元回归预测模型的构建过程中，压实阶段机械每碾压一次，采集一组压实质量监测指标的实际值及对应的三维纹理特征。
7.根据权利要求1所述的一种基于三维纹理特征的沥青面层压实过程质量监测方法，其特征在于，所述的三维纹理参数指标包括体积参数、轮廓参数、高度参数、功能参数和复合参数，所述的轮廓参数包括平均断面深度、算术平均高度、均方根高度中的至少一个，所述的高度参数包括偏斜度、最大峰高、最大谷深中的至少一个，所述的功能参数包括极点高度、突出峰部高度、突出谷部高度中的至少一个，所述的体积参数包括谷部的空隙容积、中心部的空隙容积、峰部的实体体积中的至少一个，所述的复合参数包括界面扩展比。
8.根据权利要求1所述的一种基于三维纹理特征的沥青面层压实过程质量监测方法，其特征在于，所述的压实质量监测指标为压实度、构造深度、抗滑系数、渗水系数中的至少一个。
9.一种电子设备，其特征在于，包括：一个或多个处理器以及存储器，所述存储器内储存有一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述基于三维纹理特征的沥青面层压实过程质量监测方法的指令。
10.一种计算机可读存储介质，其特征在于，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述基于三维纹理特征的沥青面层压实过程质量监测方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310651690.6A CN116641289A (zh) | 2023-06-02 | 2023-06-02 | 一种基于三维纹理特征的沥青面层压实过程质量监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310651690.6A CN116641289A (zh) | 2023-06-02 | 2023-06-02 | 一种基于三维纹理特征的沥青面层压实过程质量监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116641289A true CN116641289A (zh) | 2023-08-25 |
Family
ID=87639708
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310651690.6A Pending CN116641289A (zh) | 2023-06-02 | 2023-06-02 | 一种基于三维纹理特征的沥青面层压实过程质量监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116641289A (zh) |
-
2023
- 2023-06-02 CN CN202310651690.6A patent/CN116641289A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ni et al. | Zernike‐moment measurement of thin‐crack width in images enabled by dual‐scale deep learning | |
| Zhang et al. | Automatic pavement defect detection using 3D laser profiling technology | |
| Oliveira et al. | Automatic road crack detection and characterization | |
| CN110473187B (zh) | 一种面向对象的线扫描三维路面裂缝提取方法 | |
| CN110544233B (zh) | 基于人脸识别应用的深度图像质量评价方法 | |
| CN105445160A (zh) | 一种沥青混合料的空隙特征及其提取方法 | |
| CN115797354B (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
| CN114581764B (zh) | 基于深度学习算法的地下结构裂纹病害判别方法 | |
| CN104992429A (zh) | 一种基于图像局部增强的山体裂缝检测方法 | |
| CN115825410B (zh) | 基于路面构造预估轮胎路面作用噪声水平的方法 | |
| Baltazart et al. | Ongoing tests and improvements of the MPS algorithm for the automatic crack detection within grey level pavement images | |
| CN112184725B (zh) | 一种沥青路面图像的结构光光条中心提取方法 | |
| CN103886602A (zh) | 一种基于纹理的射线图像缺陷检测方法 | |
| CN113362276A (zh) | 板材视觉检测方法及系统 | |
| Lang et al. | Pavement cracking detection and classification based on 3d image using multiscale clustering model | |
| Chen et al. | 3D pavement data decomposition and texture level evaluation based on step extraction and pavement-transformer | |
| CN109556542B (zh) | 复杂点阵镂空结构ct尺寸测量方法 | |
| CN113850914A (zh) | 一种线激光三维扫描点云数据的矩阵换方法 | |
| Mustaffar et al. | Automated pavement imaging program (APIP) for pavement cracks classification and quantification-a photogrammetric approach | |
| CN116641289A (zh) | 一种基于三维纹理特征的沥青面层压实过程质量监测方法 | |
| CN117036326A (zh) | 一种基于多模态融合的缺陷检测方法 | |
| Jia et al. | Research on Industrial Production Defect Detection Method Based on Machine Vision Technology in Industrial Internet of Things. | |
| Nguyen et al. | A novel automatic concrete surface crack identification using isotropic undecimated wavelet transform | |
| CN116563608A (zh) | 一种隧道衬砌典型病害图像的识别方法及装置 | |
| CN116242774A (zh) | 适用于农村公路的轻量化三维检测方法及装置 |
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 |