CN116975981A - 一种基于bim的城市道路铺设方法及系统 - Google Patents
一种基于bim的城市道路铺设方法及系统 Download PDFInfo
- Publication number
- CN116975981A CN116975981A CN202311009291.6A CN202311009291A CN116975981A CN 116975981 A CN116975981 A CN 116975981A CN 202311009291 A CN202311009291 A CN 202311009291A CN 116975981 A CN116975981 A CN 116975981A
- Authority
- CN
- China
- Prior art keywords
- target
- road
- disease
- vibration
- urban
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 201000010099 disease Diseases 0.000 claims abstract description 119
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 119
- 238000004088 simulation Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims description 76
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 15
- 230000007774 longterm Effects 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 description 17
- 230000008439 repair process Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Structural Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Mathematical Optimization (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于BIM的城市道路铺设方法及系统,涉及数据处理技术领域,通过从交通道路BIM模型中获取目标城市道路的目标建筑信息以构建目标道路模型,基于所述目标道路应用记录对所述目标道路模型进行仿真得到第一目标仿真数据,并作为道路病害预测模型的输入信息,得到目标病害预测结果;根据所述目标病害预测结果对所述目标城市道路进行预修复铺设。解决现有技术中存在进行城市道路修复铺设的方案生成依赖于工作人员的主观经验,导致道路修复铺设效果较差,难于满足城市长期通行需求的技术问题。达到了提高城市交通道路修复铺设方案生成科学性和针对性,保障修复后城市道路的使用年限,适配城市道路长期通行需求的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于BIM的城市道路铺设方法及系统。
背景技术
目前对城市道路进行修复铺设的方案的主要仰赖于工作人员的主观经验制定生成,而工作人员基于个人经验判断制定的方案可能存在偏差和不足,无法全面考虑到各种复杂因素对修复效果的影响,存在导致道路修复铺设的效果不佳,无法很好地满足城市长期通行需求的风险。综上所述,现阶段存在进行城市道路修复铺设的方案生成依赖于工作人员的主观经验,导致道路修复铺设效果较差,难于满足城市长期通行需求的缺陷。
发明内容
本申请提供了一种基于BIM的城市道路铺设方法及系统,用于针对解决现有技术中存在进行城市道路修复铺设的方案生成依赖于工作人员的主观经验,导致道路修复铺设效果较差,难于满足城市长期通行需求的技术问题。
鉴于上述问题,本申请提供了一种基于BIM的城市道路铺设方法及系统。
本申请的第一个方面,提供了一种基于BIM的城市道路铺设方法,所述方法包括:从城市的交通道路BIM模型中获取目标城市道路的目标建筑信息,所述目标建筑信息包括所述目标城市道路的多维度建筑信息;构建目标道路模型,所述目标道路模型为基于所述目标建筑信息构建的所述目标城市道路的孪生模型;获取目标道路应用记录,所述目标道路应用记录是指所述目标城市道路自投入使用后的所有行驶记录;基于所述目标道路应用记录中的第一应用记录对所述目标道路模型进行仿真得到第一目标仿真数据;将所述第一目标仿真数据作为道路病害预测模型的输入信息,得到目标病害预测结果;根据所述目标病害预测结果对所述目标城市道路进行预修复铺设。
本申请的第二个方面,提供了一种基于BIM的城市道路铺设系统,所述系统包括:建设信息获取模块,用于从城市的交通道路BIM模型中获取目标城市道路的目标建筑信息,所述目标建筑信息包括所述目标城市道路的多维度建筑信息;道路模型构建模块,用于构建目标道路模型,所述目标道路模型为基于所述目标建筑信息构建的所述目标城市道路的孪生模型;应用记录调用模块,用于获取目标道路应用记录,所述目标道路应用记录是指所述目标城市道路自投入使用后的所有行驶记录;道路模型仿真模块,用于基于所述目标道路应用记录中的第一应用记录对所述目标道路模型进行仿真得到第一目标仿真数据;预测结果生成模块,用于将所述第一目标仿真数据作为道路病害预测模型的输入信息,得到目标病害预测结果;预测结果参考模块,用于根据所述目标病害预测结果对所述目标城市道路进行预修复铺设。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的方法通过从城市的交通道路BIM模型中获取目标城市道路的目标建筑信息,所述目标建筑信息包括所述目标城市道路的多维度建筑信息;构建目标道路模型,所述目标道路模型为基于所述目标建筑信息构建的所述目标城市道路的孪生模型;获取目标道路应用记录,所述目标道路应用记录是指所述目标城市道路自投入使用后的所有行驶记录;基于所述目标道路应用记录中的第一应用记录对所述目标道路模型进行仿真得到第一目标仿真数据;将所述第一目标仿真数据作为道路病害预测模型的输入信息,得到目标病害预测结果;根据所述目标病害预测结果对所述目标城市道路进行预修复铺设。达到了提高城市交通道路修复铺设方案生成科学性和针对性,保障修复后城市道路的使用年限,适配城市道路长期通行需求的技术效果。
附图说明
图1为一个实施例中一种基于BIM的城市道路铺设方法的流程示意图;
图2为一个实施例中一种基于BIM的城市道路铺设中获得目标病害估测结果的流程示意图;
图3为一个实施例中一种基于BIM的城市道路铺设中获得目标病害估测结果的另一流程示意图;
图4为一个实施例中一种基于BIM的城市道路铺设系统的结构框图。
附图标记说明:建设信息获取模块1,道路模型构建模块2,应用记录调用模块3,道路模型仿真模块4,预测结果生成模块5,预测结果参考模块6。
具体实施方式
本申请提供了一种基于BIM的城市道路铺设方法及系统,用于针对解决现有技术中存在进行城市道路修复铺设的方案生成依赖于工作人员的主观经验,导致道路修复铺设效果较差,难于满足城市长期通行需求的技术问题。达到了提高城市交通道路修复铺设方案生成科学性和针对性,保障修复后城市道路的使用年限,适配城市道路长期通行需求的技术效果。
本发明技术方案中对数据的获取、存储、使用、处理等均符合相关规定。
参考附图,下面将对本发明的技术方案进行清晰、详尽的描述。需要明确的是,所描述的实施例仅代表本发明的部分实施方式,而非全部。因此,应理解到本发明并不受所描述示例实施例的限制。基于本发明的实施例,本领域的普通技术人员在没有做出创造性劳动的前提下所得到的其他所有实施例,均属于本发明的保护范围。另外,为了便于描述,附图中仅展示了与本发明相关的部分内容,并非全部内容。
实施例一
如图1所示,本申请提供了一种基于BIM的城市道路铺设方法,所述方法包括:
A100:从城市的交通道路BIM模型中获取目标城市道路的目标建筑信息,所述目标建筑信息包括所述目标城市道路的多维度建筑信息;
具体而言,应理解的,BIM模型是一种数字化的建筑信息管理方法,可以集成和可视化各种建筑数据,包括设计、施工、运营等方面的信息。
在本实施例中,通过使用城市交通道路的BIM(BuildingInformationModeling,建筑信息模型)模型来获取目标城市道路的建设信息。具体的,利用交通道路BIM模型获取目标城市道路的所述目标建筑信息,所述目标建筑信息为包括但不限于道路设计图纸、道路尺寸和几何形状、道路材料和结构、交通标志和灯光设施、排水系统、道路坡度和曲线的多维度建筑信息。
A200:构建目标道路模型,所述目标道路模型为基于所述目标建筑信息构建的所述目标城市道路的孪生模型;
具体而言,在本实施例中,在获得包括目标城市道路的多维度建筑信息的所述目标建筑信息的基础上,采用数字孪生技术,以多维度建筑信息中道路的几何形状、尺寸、材料属性和用途等信息进行三维建模,将建模所得的道路模型与所述目标建筑信息中道路与交通信号灯等关联设备的空间位置相关数据进行集成以增加模型的真实性和准确性,完成构建所述目标道路模型。
A300:获取目标道路应用记录,所述目标道路应用记录是指所述目标城市道路自投入使用后的所有行驶记录;
A400:基于所述目标道路应用记录中的第一应用记录对所述目标道路模型进行仿真得到第一目标仿真数据;
具体而言,在本实施例中,所述目标道路应用记录包括所述目标城市道路自投入使用后的所有行驶记录,所述行驶记录包括但不限于行驶距离、行驶速度、交通流量、交通事故情况。所述目标城市道路在投入使用起始便布设有交通管理系统和智能交通系统等先进设备,基于交通管理系统和智能交通系统来收集和整理道路应用数据,构成数据量实时动态变化的所述目标道路应用记录。
应理解的,由于道路通行时间节点与交通管理系统和智能交通系统启动时间节点的非同步性,所述目标道路应用记录中存在目标驾驶道路未投入使用阶段的记录,因而本实施例获得目标驾驶道路投入使用的时间节点作为第一应用时间,基于所述第一应用时间在所述目标道路应用记录中进行数据采集,获得从第一应用时间到当前时间节点的所述第一应用记录。
采用所述第一应用记录与建模所得的所述目标道路模型进行仿真,以增加所述目标道路模型的真实性和准确性,得到包含道路建筑信息以及道路通行情况的所述第一目标仿真数据。
A500:将所述第一目标仿真数据作为道路病害预测模型的输入信息,得到目标病害预测结果;
在一个实施例中,如图2所示,所述方法应用于一种基于BIM的城市道路铺设系统,所述系统与试验车辆通信连接,且所述试验车辆上装载有智能监测组件,在所述将所述第一目标仿真数据作为道路病害预测模型的输入信息,得到目标病害预测结果之后,本申请提供的方法步骤A500还包括:
A510:基于所述目标城市道路的预定限速区间生成目标试验方案,所述目标试验方案包括第一行驶方案和第二行驶方案;
A520:依次在所述第一行驶方案和所述第二行驶方案下控制所述试验车辆在所述目标城市道路上进行行驶测试,并分别通过所述智能监测组件得到第一测试数据和第二测试数据;
A530:分析所述第一测试数据和所述第二测试数据生成所述目标城市道路的目标病害估测结果,所述目标病害估测结果用于对所述目标病害预测结果进行校验。
在一个实施例中,如图3所示,所述智能监测组件包括多个振动传感器,且所述多个振动传感器分别均匀布设于所述试验车辆,所述分析所述第一测试数据和所述第二测试数据生成所述目标城市道路的目标病害估测结果,本申请提供的方法步骤A530还包括:
A531:从所述第一测试数据中提取第一振动传感器的第一振动时序,所述第一振动传感器是指所述多个振动传感器中的任意一个传感器;
A532:结合所述目标城市道路的道路长度和所述第一行驶方案中的第一预定行驶速度,得到第一位置时序,其中,所述第一预定行驶速度为所述预定限速区间中的任意一个速度;
A533:分析所述第一位置时序与所述第一振动时序的映射关系确定所述目标病害估测结果。
在一个实施例中,所述分析所述第一位置时序与所述第一振动时序的映射关系确定所述目标病害估测结果,本申请提供的方法步骤A533还包括:
A533-100:提取所述第一振动时序中的第一振动数据,且所述第一振动数据对应第一时间;
A533-200:从所述第一测试数据中提取第二振动传感器的第二振动时序,所述第二振动传感器是指在所述试验车辆上与所述第一振动传感器相邻的传感器;
A533-300:通过预定支持度函数得到所述第一时间下的所述第二振动时序的第二振动数据对所述第一振动数据的异常支持度;
A533-400:当所述异常支持度达到预定支持度阈值时,将所述第一振动数据作为第一异常振动数据;
A533-500:在所述第一位置时序中匹配所述第一时间的第一位置,并将所述第一位置作为第一病害位置;
A533-600:基于所述第一病害位置生成所述目标病害估测结果。
具体而言,在本实施例中,所述道路病害预测模型为基于知识图谱构建的道路相似性分析模型。具体的,采集获得多组样本道路模型-样本道路应用记录-样本道路缺陷记录,将道路模型作为第一属性,多个样本道路模型作为第一属性值,将道路应用记录作为第二属性,将多个样本道路应用记录作为第二属性值,将道路缺陷记录作为第三属性,将多个样本道路缺陷记录作为第三属性值,基于第一属性、第一属性值、第二属性、第二属性值、第三属性、第三属性值,进行道路相似性分析模型的构建。
对道路模型相似度预设第一权重,对道路应用记录相似度预设第二权重,基于所述第一目标仿真数据调用目标道路模型,采用构建三维坐标系进行目标道路模型与样本道路模型进行重合度计算方法,获得多个样本重合度,作为多个道路模型相似度。采用计算应用记录偏离度的方法,获得第一应用记录与样本道路应用记录的重合度,获得多个样本重合度,作为多个道路应用记录相似度,进一步基于样本道路模型-样本道路应用记录的关联关系,结合第一权重和第二权重,计算获得多组样本道路模型-样本道路应用记录与第一目标仿真数据的多个相似度指数。
序列化多个相似度指数,以提取最大相似度指数对应的样本道路缺陷记录,作为表征目标驾驶道路可能存在的故障分布的所述目标病害预测结果。
在所述将所述第一目标仿真数据作为道路病害预测模型的输入信息,得到目标病害预测结果之后,本实施例通过对目标驾驶道路进行实地测试,以对所述目标病害预测结果中的道路缺陷故障分布进行补充完善。
具体而言,在本实施例中,通过驾驶所述试验车辆行驶于目标驾驶道路进行行驶测试,以获得所述目标病害估测结果,所述目标病害估测结果为当前目标驾驶道路存在的缺陷故障在道路上的分布位置,道路缺陷故障类型包括但不限于道路裂缝、道路坍塌、道路坑槽,所述目标病害估测结果用于对所述目标病害预测结果中的道路缺陷故障进行补充完善,以获得能够反映当前目标驾驶道路存在的全部故障缺陷分布状况的所述目标病害预测结果。
具体而言,应理解的,在本实施例中,一种基于BIM的城市道路铺设方法应用于一种基于BIM的城市道路铺设系统,所述系统与试验车辆通信连接,且所述试验车辆上装载有智能监测组件,所述智能监测组件包括多个振动传感器,且所述多个振动传感器分别均匀布设于所述试验车辆。
所述目标城市道路的道路类型包括但不限于高速公路、城际公路以及城市快速路,且由于不同类型道路的机动车行驶速度要求差异性,本实施例交互确定所述目标城市道路的道路类型,进而获得表征所述目标城市道路对于机动车限速情况的所述预定限速区间,基于所述预定限速区间的速度限制内选定第一预定行驶速度和第二预定行驶速度,分别生成所述目标试验方案的第一行驶方案和第二行驶方案。
依次在所述第一行驶方案的第一预定行驶速度和所述第二行驶方案的第二预定行驶速度下控制所述试验车辆在所述目标城市道路上进行行驶测试,并分别通过所述智能监测组件得到第一测试数据和第二测试数据。所述第一测试数据为所述试验车辆在第一预定行驶速度下,车身布设的多个振动传感器在道路行驶全程记录下的振动数据。所述第二测试数据为所述试验车辆在第二预定行驶速度下,车身布设的多个振动传感器在道路行驶全程记录下的振动数据。
具体而言,在本实施例中,通过分析所述第一测试数据和所述第二测试数据生成表征所述目标城市道路的故障缺陷部分实测情况的所述目标病害估测结果,所述目标病害估测结果用于对所述目标病害预测结果进行校验和补充完善。
本实施例分析确定所述目标病害估测结果的具体方法如下,从所述第一测试数据中提取第一振动传感器的第一振动时序,所述第一振动传感器是指所述多个振动传感器中的任意一个传感器。
所述第一预定行驶速度为所述预定限速区间中的任意一个速度,所述试验车辆在第一行驶方案中恒定于所述第一预定行驶速度。结合所述目标城市道路的道路长度和所述第一行驶方案中的第一预定行驶速度,得到第一位置时序,所述第一位置时序为所述试验车辆到达所述目标城市道路上任意位置的时间先后顺序,所述第一位置时序用于后续进行道路故障空间位置的确定。
应理解的,所述第一振动时序中包括多个振动数据,且每一振动数据有采集时间标识,基于此,本实施例从所述第一振动时序中随机提取获得第一振动数据,所述第一振动数据具有对应第一时间的采集时间标识。
采用相同方法,从所述第一测试数据中提取第二振动传感器的第二振动时序,所述第二振动传感器是指在所述试验车辆上与所述第一振动传感器相邻的传感器,进一步获得所述第一时间下的所述第二振动时序的第二振动数据。
构建预定支持度函数,所述预定支持度函数表达如下:
sup(x1,x2)=k[1+(x1-x2)e]-1;
其中,x1为所述第一振动数据,x2是指与所述第一振动数据的传感器类型一致且部署位置相邻的传感器监测到的所述第二振动数据,sup(x1,x2)是指x2对所述x1的所述异常支持度,k是指所述预定支持度函数的幅度,且k∈[0,1],e是指衰减因子,且e≥0;
将所述第二振动数据对所述第一振动数据带入预定支持度函数得到所述第一时间下的所述第二振动时序的第二振动数据对所述第一振动数据的异常支持度。
预构建支持度阈值,本实施例对于所述支持度阈值的数值设定不做限制,可根据实际需要进行设置。当所述异常支持度达到预定支持度阈值时,将所述第一振动数据作为第一异常振动数据;在所述第一位置时序中匹配所述第一时间的第一位置,并将所述第一位置作为第一病害位置。采用相同方法遍历所述第一测试数据和所述第二测试数据,获得K个病害位置,构成所述目标病害估测结果,所述目标病害位置估测结果包括所述目标驾驶道路全路存在故障缺陷的路面位置信息集合,采用所述目标病害位置估测结果进行所述目标病害预测结果的病害位置补充完善。本实施例达到了提高对于目标驾驶道路现存故障病害位置识别精准度的技术效果,间接实现了提高所述目标病害预测结果的信息完整度和可信度的技术效果。
A600:根据所述目标病害预测结果对所述目标城市道路进行预修复铺设。
具体而言,本实施例参考所述目标病害预测结果对所述目标城市道路存在的故障缺陷进行针对性的高效预修复铺设,达到提高城市交通道路修复铺设方案生成科学性和针对性,保障修复后城市道路的使用年限,适配城市道路长期通行需求的技术效果。
在一个实施例中,所述智能监测组件还包括CCD图像传感器,在所述基于所述第一病害位置生成所述目标病害估测结果之后,本申请提供的方法步骤A533-600还包括:
A533-610:将所述第一测试数据中提取到的所述CCD图像传感器的第一图像时序与所述第二测试数据中提取到的所述CCD图像传感器的第二图像时序进行校准增强,得到目标图像时序,所述目标图像时序为所述目标城市道路的道路路面图像序列;
A533-620:对从所述道路路面图像序列中匹配到的第二时间下的第一图像帧进行局部二值转换得到第一二值码集合;
A533-630:若所述第一二值码集合存在任意一个二值码为预设二值码,则将所述第二时间下的第二位置作为第二病害位置;
A533-640:将所述第二病害位置添加至所述目标病害估测结果。
在一个实施例中,所述对从所述道路路面图像序列中匹配到的所述第二时间下的第一图像帧进行局部二值转换得到第一二值码集合,本申请提供的方法步骤A533-620还包括:
A533-621:基于预设像素单位将所述第一图像帧划分为第一图像单位集合,所述第一图像单位集合包括多个像素单位;
A533-622:获取所述多个像素单位中第一像素单位的第一二值码,并基于所述第一二值码组建所述第一二值码集合。
具体而言,应理解的,本实施例中所述智能监测组件还包括CCD图像传感器,所述CCD图像传感器布设于试验车辆车底,用于在振动传感器进行振动数据采集的同时,同步进行目标驾驶道路的道路路面图像采集。
本实施例在所述基于所述第一病害位置生成所述目标病害估测结果之后,将所述第一测试数据中提取到的所述CCD图像传感器的第一图像时序与所述第二测试数据中提取到的所述CCD图像传感器的第二图像时序进行校准增强,得到目标图像时序,所述目标图像时序为所述目标城市道路的道路路面图像序列,所述目标图像序列中每张道路路面图像具有时间序列标识。
所述第二时间为采集获得所述道路路面图像序列中第一张道路路面图像的时间序列标识,从所述道路路面图像序列中匹配到的所述第二时间下的第一图像帧。
基于预设像素单位(例如3*3像素)将所述第一图像帧划分为第一图像单位集合,所述第一图像单位集合包括多个像素单位,对于每个像素单位,获取第一个像素的灰度值,将第一个像素的灰度值转换为二值码,从而获得所述多个像素单位中第一像素单位的第一二值码,并基于所述第一二值码组建所述第一二值码集合。
在本实施例中,所述预设二值码为存在缺陷故障的路面图像的所有可能二值码构成的数据集合。采用所述第一二值码集合遍历所述预设二值码,若所述第一二值码集合存在任意一个二值码为预设二值码,则认为所述第二位置对于目标驾驶道路的路面存在缺陷故障,将所述第二时间下的第二位置作为第二病害位置;将所述第二病害位置添加至所述目标病害估测结果。本实施例通过分析路面图像采集结果,实现了提高所述目标病害估测结果的完整度和可信度的技术效果。
在一个实施例中,所述系统与云电脑通信连接,本申请提供的方法步骤还包括:
A533-631:通过所述云电脑获取所述目标城市道路的同类道路的历史道路路面图像序列;
A533-632:筛选所述历史道路路面图像序列中的第一道路病害图像序列,所述第一道路病害图像序列中包括第一历史道路病害图像;
A533-633:将所述第一历史道路病害图像的第一历史二值码集合添加至所述预设二值码。
具体而言,在本实施例中,一种基于BIM的城市道路铺设方法应用于一种基于BIM的城市道路铺设系统,且所述系统与云电脑通信连接。
本实施例通过交互所述云电脑获取所述目标城市道路的同类道路的历史道路路面图像序列。筛选所述历史道路路面图像序列中存在路面故障缺陷的图像,构成所述第一道路病害图像序列。
基于所述第一道路病害图像序列随机提取获得第一历史道路病害图像,所述第一历史道路病害图像为存在道路故障缺陷的局部图像,采用获得第一二值码集合相同方法,获得所述第一历史道路病害图像的第一历史二值码集合,将所述第一历史道路病害图像的第一历史二值码集合添加至所述预设二值码,采用相同方法获得所述第一道路病害图像序列的历史二值码集合序列并添加至所述预设二值码中,本实施例通过交互云电脑获得所述目标城市道路的同类道路的历史道路路面图像序列,并采用二值码获取进行所述预设二值码的数据填充,实现了涵盖所有道路缺陷故障图像二值码的所述预设二值码的技术效果。
在一个实施例中,如图4所示,提供了一种基于BIM的城市道路铺设系统,包括:建设信息获取模块1,道路模型构建模块2,应用记录调用模块3,道路模型仿真模块4,预测结果生成模块5,预测结果参考模块6,其中:
建设信息获取模块1,用于从城市的交通道路BIM模型中获取目标城市道路的目标建筑信息,所述目标建筑信息包括所述目标城市道路的多维度建筑信息;
道路模型构建模块2,用于构建目标道路模型,所述目标道路模型为基于所述目标建筑信息构建的所述目标城市道路的孪生模型;
应用记录调用模块3,用于获取目标道路应用记录,所述目标道路应用记录是指所述目标城市道路自投入使用后的所有行驶记录;
道路模型仿真模块4,用于基于所述目标道路应用记录中的第一应用记录对所述目标道路模型进行仿真得到第一目标仿真数据;
预测结果生成模块5,用于将所述第一目标仿真数据作为道路病害预测模型的输入信息,得到目标病害预测结果;
预测结果参考模块6,用于根据所述目标病害预测结果对所述目标城市道路进行预修复铺设。
在一个实施例中,所述系统还包括:
试验方案生成单元,用于基于所述目标城市道路的预定限速区间生成目标试验方案,所述目标试验方案包括第一行驶方案和第二行驶方案;
行驶测试执行单元,用于依次在所述第一行驶方案和所述第二行驶方案下控制所述试验车辆在所述目标城市道路上进行行驶测试,并分别通过所述智能监测组件得到第一测试数据和第二测试数据;
估测结果生成单元,用于分析所述第一测试数据和所述第二测试数据生成所述目标城市道路的目标病害估测结果,所述目标病害估测结果用于对所述目标病害预测结果进行校验。
在一个实施例中,所述系统还包括:
振动时序提取单元,用于从所述第一测试数据中提取第一振动传感器的第一振动时序,所述第一振动传感器是指所述多个振动传感器中的任意一个传感器;
位置时序获得单元,用于结合所述目标城市道路的道路长度和所述第一行驶方案中的第一预定行驶速度,得到第一位置时序,其中,所述第一预定行驶速度为所述预定限速区间中的任意一个速度;
估测结果分析单元,用于分析所述第一位置时序与所述第一振动时序的映射关系确定所述目标病害估测结果。
在一个实施例中,所述系统还包括:
振动数据提取单元,用于提取所述第一振动时序中的第一振动数据,且所述第一振动数据对应第一时间;
测试数据提取单元,用于从所述第一测试数据中提取第二振动传感器的第二振动时序,所述第二振动传感器是指在所述试验车辆上与所述第一振动传感器相邻的传感器;
异常数据分析单元,用于通过预定支持度函数得到所述第一时间下的所述第二振动时序的第二振动数据对所述第一振动数据的异常支持度;
异常振动输出单元,用于当所述异常支持度达到预定支持度阈值时,将所述第一振动数据作为第一异常振动数据;
病害位置匹配单元,用于在所述第一位置时序中匹配所述第一时间的第一位置,并将所述第一位置作为第一病害位置;
病害估测输出单元,用于基于所述第一病害位置生成所述目标病害估测结果。
在一个实施例中,所述系统还包括:
图像时序输出单元,用于将所述第一测试数据中提取到的所述CCD图像传感器的第一图像时序与所述第二测试数据中提取到的所述CCD图像传感器的第二图像时序进行校准增强,得到目标图像时序,所述目标图像时序为所述目标城市道路的道路路面图像序列;
图像转换执行单元,用于对从所述道路路面图像序列中匹配到的第二时间下的第一图像帧进行局部二值转换得到第一二值码集合;
病害位置判断单元,用于若所述第一二值码集合存在任意一个二值码为预设二值码,则将所述第二时间下的第二位置作为第二病害位置;
估测结果新增单元,用于将所述第二病害位置添加至所述目标病害估测结果。
在一个实施例中,所述系统还包括:
像素单位预设单元,用于基于预设像素单位将所述第一图像帧划分为第一图像单位集合,所述第一图像单位集合包括多个像素单位;
数集组件执行单元,用于获取所述多个像素单位中第一像素单位的第一二值码,并基于所述第一二值码组建所述第一二值码集合。
在一个实施例中,所述系统还包括:
图像序列获取单元,用于通过所述云电脑获取所述目标城市道路的同类道路的历史道路路面图像序列;
图像序列筛选单元,用于筛选所述历史道路路面图像序列中的第一道路病害图像序列,所述第一道路病害图像序列中包括第一历史道路病害图像;
数据添加执行单元,用于将所述第一历史道路病害图像的第一历史二值码集合添加至所述预设二值码。
综上所述,任何一项方法或步骤都可以被编写成计算机指令或程序,并存储于各种类型的计算机存储器中。通过各类计算机处理器对计算机指令或程序进行识别,即可实现上述任何一项方法或步骤。
基于本发明的上述具体实施例,本技术领域的技术人员在不脱离本发明原理的前提下,对本发明所作的任何改进和修饰,皆应落入本发明的专利保护范围。
Claims (8)
1.一种基于BIM的城市道路铺设方法,其特征在于,包括:
从城市的交通道路BIM模型中获取目标城市道路的目标建筑信息,所述目标建筑信息包括所述目标城市道路的多维度建筑信息;
构建目标道路模型,所述目标道路模型为基于所述目标建筑信息构建的所述目标城市道路的孪生模型;
获取目标道路应用记录,所述目标道路应用记录是指所述目标城市道路自投入使用后的所有行驶记录;
基于所述目标道路应用记录中的第一应用记录对所述目标道路模型进行仿真得到第一目标仿真数据;
将所述第一目标仿真数据作为道路病害预测模型的输入信息,得到目标病害预测结果;
根据所述目标病害预测结果对所述目标城市道路进行预修复铺设。
2.如权利要求1所述方法,其特征在于,所述方法应用于一种基于BIM的城市道路铺设系统,所述系统与试验车辆通信连接,且所述试验车辆上装载有智能监测组件,在所述将所述第一目标仿真数据作为道路病害预测模型的输入信息,得到目标病害预测结果之后,还包括:
基于所述目标城市道路的预定限速区间生成目标试验方案,所述目标试验方案包括第一行驶方案和第二行驶方案;
依次在所述第一行驶方案和所述第二行驶方案下控制所述试验车辆在所述目标城市道路上进行行驶测试,并分别通过所述智能监测组件得到第一测试数据和第二测试数据;
分析所述第一测试数据和所述第二测试数据生成所述目标城市道路的目标病害估测结果,所述目标病害估测结果用于对所述目标病害预测结果进行校验。
3.如权利要求2所述方法,其特征在于,所述智能监测组件包括多个振动传感器,且所述多个振动传感器分别均匀布设于所述试验车辆,所述分析所述第一测试数据和所述第二测试数据生成所述目标城市道路的目标病害估测结果,包括:
从所述第一测试数据中提取第一振动传感器的第一振动时序,所述第一振动传感器是指所述多个振动传感器中的任意一个传感器;
结合所述目标城市道路的道路长度和所述第一行驶方案中的第一预定行驶速度,得到第一位置时序,其中,所述第一预定行驶速度为所述预定限速区间中的任意一个速度;
分析所述第一位置时序与所述第一振动时序的映射关系确定所述目标病害估测结果。
4.如权利要求3所述方法,其特征在于,所述分析所述第一位置时序与所述第一振动时序的映射关系确定所述目标病害估测结果,包括:
提取所述第一振动时序中的第一振动数据,且所述第一振动数据对应第一时间;
从所述第一测试数据中提取第二振动传感器的第二振动时序,所述第二振动传感器是指在所述试验车辆上与所述第一振动传感器相邻的传感器;
通过预定支持度函数得到所述第一时间下的所述第二振动时序的第二振动数据对所述第一振动数据的异常支持度;
当所述异常支持度达到预定支持度阈值时,将所述第一振动数据作为第一异常振动数据;
在所述第一位置时序中匹配所述第一时间的第一位置,并将所述第一位置作为第一病害位置;
基于所述第一病害位置生成所述目标病害估测结果。
5.如权利要求4所述方法,其特征在于,所述智能监测组件还包括CCD图像传感器,在所述基于所述第一病害位置生成所述目标病害估测结果之后,还包括:
将所述第一测试数据中提取到的所述CCD图像传感器的第一图像时序与所述第二测试数据中提取到的所述CCD图像传感器的第二图像时序进行校准增强,得到目标图像时序,所述目标图像时序为所述目标城市道路的道路路面图像序列;
对从所述道路路面图像序列中匹配到的第二时间下的第一图像帧进行局部二值转换得到第一二值码集合;
若所述第一二值码集合存在任意一个二值码为预设二值码,则将所述第二时间下的第二位置作为第二病害位置;
将所述第二病害位置添加至所述目标病害估测结果。
6.如权利要求5所述方法,其特征在于,所述对从所述道路路面图像序列中匹配到的所述第二时间下的第一图像帧进行局部二值转换得到第一二值码集合,包括:
基于预设像素单位将所述第一图像帧划分为第一图像单位集合,所述第一图像单位集合包括多个像素单位;
获取所述多个像素单位中第一像素单位的第一二值码,并基于所述第一二值码组建所述第一二值码集合。
7.如权利要求5所述方法,其特征在于,所述系统与云电脑通信连接,所述方法包括:
通过所述云电脑获取所述目标城市道路的同类道路的历史道路路面图像序列;
筛选所述历史道路路面图像序列中的第一道路病害图像序列,所述第一道路病害图像序列中包括第一历史道路病害图像;
将所述第一历史道路病害图像的第一历史二值码集合添加至所述预设二值码。
8.一种基于BIM的城市道路铺设系统,其特征在于,所述系统包括:
建设信息获取模块,用于从城市的交通道路BIM模型中获取目标城市道路的目标建筑信息,所述目标建筑信息包括所述目标城市道路的多维度建筑信息;
道路模型构建模块,用于构建目标道路模型,所述目标道路模型为基于所述目标建筑信息构建的所述目标城市道路的孪生模型;
应用记录调用模块,用于获取目标道路应用记录,所述目标道路应用记录是指所述目标城市道路自投入使用后的所有行驶记录;
道路模型仿真模块,用于基于所述目标道路应用记录中的第一应用记录对所述目标道路模型进行仿真得到第一目标仿真数据;
预测结果生成模块,用于将所述第一目标仿真数据作为道路病害预测模型的输入信息,得到目标病害预测结果;
预测结果参考模块,用于根据所述目标病害预测结果对所述目标城市道路进行预修复铺设。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311009291.6A CN116975981B (zh) | 2023-08-11 | 2023-08-11 | 一种基于bim的城市道路铺设方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311009291.6A CN116975981B (zh) | 2023-08-11 | 2023-08-11 | 一种基于bim的城市道路铺设方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116975981A true CN116975981A (zh) | 2023-10-31 |
CN116975981B CN116975981B (zh) | 2024-02-09 |
Family
ID=88471342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311009291.6A Active CN116975981B (zh) | 2023-08-11 | 2023-08-11 | 一种基于bim的城市道路铺设方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116975981B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190094005A (ko) * | 2018-02-02 | 2019-08-12 | 한국도로공사 | 도로 노면 손상 탐지를 위한 영상 처리 및 딥러닝 이미지 분류 장치 및 방법 |
CN110636134A (zh) * | 2019-09-29 | 2019-12-31 | 江西建设职业技术学院 | 一种城市道路损伤监测维护方法及系统 |
CN111583413A (zh) * | 2020-03-24 | 2020-08-25 | 交通运输部科学研究院 | 一种路面病害bim参数化建模与增强现实移动巡检方法 |
CN113918538A (zh) * | 2021-10-14 | 2022-01-11 | 河北工业大学 | 一种基于人工神经网络的新建道路养护数据迁移系统 |
CN114912702A (zh) * | 2022-05-24 | 2022-08-16 | 路网新通(北京)交通科技有限公司 | 基于大数据的道路性能预测方法、装置、设备及存储介质 |
CN115984273A (zh) * | 2023-03-20 | 2023-04-18 | 深圳思谋信息科技有限公司 | 道路病害检测方法、装置、计算机设备及可读存储介质 |
CN116030074A (zh) * | 2022-12-30 | 2023-04-28 | 深圳云天励飞技术股份有限公司 | 一种道路病害的识别方法、重识别方法及相关设备 |
CN116167267A (zh) * | 2023-02-27 | 2023-05-26 | 东南大学 | 一种基于数字孪生的沥青路面车辙评估与养护决策系统 |
CN116289444A (zh) * | 2023-01-28 | 2023-06-23 | 广西北投交通养护科技集团有限公司 | 基于智能化的路面病害实时监测与预测装置及方法 |
CN116305420A (zh) * | 2023-01-30 | 2023-06-23 | 中国公路工程咨询集团有限公司 | 一种公路养护数字孪生体构建方法、系统、设备及介质 |
-
2023
- 2023-08-11 CN CN202311009291.6A patent/CN116975981B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190094005A (ko) * | 2018-02-02 | 2019-08-12 | 한국도로공사 | 도로 노면 손상 탐지를 위한 영상 처리 및 딥러닝 이미지 분류 장치 및 방법 |
CN110636134A (zh) * | 2019-09-29 | 2019-12-31 | 江西建设职业技术学院 | 一种城市道路损伤监测维护方法及系统 |
CN111583413A (zh) * | 2020-03-24 | 2020-08-25 | 交通运输部科学研究院 | 一种路面病害bim参数化建模与增强现实移动巡检方法 |
CN113918538A (zh) * | 2021-10-14 | 2022-01-11 | 河北工业大学 | 一种基于人工神经网络的新建道路养护数据迁移系统 |
CN114912702A (zh) * | 2022-05-24 | 2022-08-16 | 路网新通(北京)交通科技有限公司 | 基于大数据的道路性能预测方法、装置、设备及存储介质 |
CN116030074A (zh) * | 2022-12-30 | 2023-04-28 | 深圳云天励飞技术股份有限公司 | 一种道路病害的识别方法、重识别方法及相关设备 |
CN116289444A (zh) * | 2023-01-28 | 2023-06-23 | 广西北投交通养护科技集团有限公司 | 基于智能化的路面病害实时监测与预测装置及方法 |
CN116305420A (zh) * | 2023-01-30 | 2023-06-23 | 中国公路工程咨询集团有限公司 | 一种公路养护数字孪生体构建方法、系统、设备及介质 |
CN116167267A (zh) * | 2023-02-27 | 2023-05-26 | 东南大学 | 一种基于数字孪生的沥青路面车辙评估与养护决策系统 |
CN115984273A (zh) * | 2023-03-20 | 2023-04-18 | 深圳思谋信息科技有限公司 | 道路病害检测方法、装置、计算机设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116975981B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264709B (zh) | 基于图卷积网络的道路的交通流量的预测方法 | |
Wang et al. | Pavement crack width measurement based on Laplace's equation for continuity and unambiguity | |
CN112132264A (zh) | 基于时空残差感知网络的区域尾气排放预测方法及系统 | |
Dimitriou et al. | A deep learning framework for simulation and defect prediction applied in microelectronics | |
CN113343461A (zh) | 自动驾驶车辆的仿真方法、装置、电子设备及存储介质 | |
CN108711148A (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN114444180A (zh) | 装配式建筑结构的全生命周期参数预测与监测方法及系统 | |
CN115795616A (zh) | 公路数字系统及基于公路数字系统的路面信息分析方法 | |
CN115171045A (zh) | 一种基于yolo的电网作业现场违章识别方法及终端 | |
Zou et al. | Automatic segmentation, inpainting, and classification of defective patterns on ancient architecture using multiple deep learning algorithms | |
CN115755193A (zh) | 路面结构内部病害识别方法 | |
CN116975981B (zh) | 一种基于bim的城市道路铺设方法及系统 | |
CN114384547A (zh) | 一种基于雷达传感器模型的保真度检测的评估方法及系统 | |
CN116309610B (zh) | 一种基于人工智能的车辆管理方法及系统 | |
CN117237639A (zh) | 一种基于YOLOv8语义分割的路面裂缝检测系统 | |
US20230314169A1 (en) | Method and apparatus for generating map data, and non-transitory computer-readable storage medium | |
CN116227813A (zh) | 基于点云数据的铁路桥梁施工进度管理方法、系统和装置 | |
KR20230144646A (ko) | 미지의-불안전한 시나리오들을 생성하는 것, 자동화된 차량들을 개선하는 것, 컴퓨터 시스템 | |
CN111767904B (zh) | 一种交通事件检测方法、装置、终端及存储介质 | |
CN112734203B (zh) | 基于路面的车辆损伤计算方法、装置、系统及存储介质 | |
CN114493093A (zh) | 一种自动驾驶预测模块的评测方法及装置 | |
Riya et al. | Pothole detection methods | |
CN117874435B (zh) | 分布式边缘数据采集方法、装置、电子设备及存储介质 | |
CN117789066B (zh) | 基于深度学习的无人机多视角影像钢轨线自动提取方法 | |
CN116664582B (zh) | 一种基于神经视觉网络的路面检测方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |