CN117077448B - 道路脱空区域面积演化预测方法、电子设备及存储介质 - Google Patents

道路脱空区域面积演化预测方法、电子设备及存储介质 Download PDF

Info

Publication number
CN117077448B
CN117077448B CN202311336659.XA CN202311336659A CN117077448B CN 117077448 B CN117077448 B CN 117077448B CN 202311336659 A CN202311336659 A CN 202311336659A CN 117077448 B CN117077448 B CN 117077448B
Authority
CN
China
Prior art keywords
road
area
disease
image
matrix
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
CN202311336659.XA
Other languages
English (en)
Other versions
CN117077448A (zh
Inventor
孟安鑫
邹雄伟
孙茂棚
周崇毅
刘星
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.)
Shenzhen Urban Transport Planning Center Co Ltd
Original Assignee
Shenzhen Urban Transport Planning Center Co Ltd
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 Shenzhen Urban Transport Planning Center Co Ltd filed Critical Shenzhen Urban Transport Planning Center Co Ltd
Priority to CN202311336659.XA priority Critical patent/CN117077448B/zh
Publication of CN117077448A publication Critical patent/CN117077448A/zh
Application granted granted Critical
Publication of CN117077448B publication Critical patent/CN117077448B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/12—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with electromagnetic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
    • 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
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Multimedia (AREA)
  • Geology (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Geophysics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Mathematical Optimization (AREA)
  • Electromagnetism (AREA)

Abstract

道路脱空区域面积演化预测方法、电子设备及存储介质，属于路面脱空病害检测技术领域。为准确计算道路脱空区域面积的演化规律。本发明采用探地雷达采集道路内部图像，对采集的道路内部图像进行图像降噪处理，得到重构的道路内部图像设置增益系数，对重构后的道路内部图像进行初步病害识别，得到初步病害识别的道路内部图像；进行病害目标区域的提取，得到病害道路内部脱空区域图像数据；计算病害道路脱空区域实际面积；构建病害道路脱空区域面积演化模型。本发明可用于辅助养护人员对脱空区域面积的范围及其变化趋势进行量化判断，即使掌握脱空在水平方向的发育速度，并进行对应的养护决策方案制定。

Description

道路脱空区域面积演化预测方法、电子设备及存储介质
技术领域
本发明属于路面脱空病害检测技术领域，具体涉及道路脱空区域面积演化预测方法、电子设备及存储介质。
背景技术
道路是车辆安全行驶的基础。近年来，受到城市道路地下管网漏损、雨水冲刷、周边施工扰动因素的影响，道路内部会出现材料松散，并逐渐演化为脱空。脱空的出现，会使得道路出现沉降、变形、结构承载力下降，进而演化为空洞，甚至引发道路塌陷等事件，成为道路车辆安全行驶的严重威胁。道路塌陷事件呈逐年增加趋势，严重威胁人们的出行安全，成为社会关注的重点问题。道路内部脱空区域的面积越大，表明道路内部脱空范围越大，对道路技术状况和承载能力的影响范围越大。当发现道路内部脱空区域面积较大时，需要道路检测和养护人员迅速采取措施，对道路内部病害成因进行分析，并开展修复工作。
另一方面，道路内部脱空面积与道路结构稳定性相关，道路内部脱空区域面积越大，道路面层区域失稳可能性越大；同时，道路内部脱空面积与行车的舒适程度关系密切，道路内部脱空区域较大时，将显著影响车上乘客的舒适度，降低道路服务质量。
申请号为201810335666.0、发明名称为“一种用3D探地雷达评价道路技术状况的方法”的发明专利，采用三维探地雷达采集的多通道数据，通过信号处理的方式，转换成三维图像和波形图，然后直接进行结构层内部松散面积的测量。
申请号201910128568.4、发明名称为“一种基于探地雷达图像的层间脱空识别方法”的发明专利，通过对探地雷达图像依次进行中值滤波、二值化处理，然后对多余区域进行删除，提取得到了脱空区域成像。
但上述方法中，较少考虑雷达采集图像中，直达波和噪声对空洞区域回波信号的干扰，脱空识别准确率不高的情况；同时，由于受到电磁波传播特性以及地质条件复杂情况的影响，直接采用雷达平面图形进行脱空区域的面积计算，计算结果与实际面积存在偏差。而且没有考虑道路脱空区域面积的演化规律，道路脱空区域面积的演化规律反映了在外力作用影响或道路结构、材料本身影响下，脱空区域的劣化速度，劣化速度越快，对道路的影响越大，对道路安全行驶的威胁越大。
发明内容
本发明要解决的问题是准确计算道路脱空区域面积的演化规律，提出道路脱空区域面积演化预测方法、电子设备及存储介质。
为实现上述目的，本发明通过以下技术方案实现：
一种道路脱空区域面积演化预测方法，包括如下步骤：
S1、采用探地雷达采集道路内部图像，对采集的道路内部图像进行图像降噪处理，得到重构的道路内部图像；
S2、将步骤S1得到的重构的道路内部图像设置增益系数，对重构后的道路内部图像进行初步病害识别，得到初步病害识别的道路内部图像；
S3、将步骤S2得到的初步病害识别的道路内部图像进行病害目标区域的提取，得到病害道路内部脱空区域图像数据；
S4、基于步骤S3得到的病害道路内部脱空区域图像数据得到病害道路脱空区域，将内窥镜深入病害道路脱空区域，通过内窥镜显示器确定病害道路脱空区域的顶板位置和底板位置，测量顶板位置和底板位置的距离，为病害道路脱空区域的实际高度，将病害道路脱空区域中注水，直至注满水，并记录注水的体积为病害道路脱空区域实际体积/>，然后计算病害道路内部脱空区域面积、病害道路脱空区域实际面积；
S5、根据步骤S4计算得到的病害道路脱空区域实际面积构建病害道路脱空区域面积演化模型；
步骤S5的具体实现方法包括如下步骤：
S5.1、采集不同时刻、/>、…、/>的病害道路内部脱空区域雷达图像，按照步骤S1-S4的方法计算病害道路内部脱空区域面积/>、/>、…、/>，根据病害道路脱空区域实际面积计算表达式计算病害道路脱空区域实际面积/>、/>、…、/>；
S5.2、利用威布尔分布的可靠度函数拟合/>、/>、…、/>与/>、/>、…、/>的关系，构建病害道路脱空区域面积演化模型；
威布尔分布的可靠度函数的计算表达式为：
；
其中，、/>、/>依次为偏移参数、尺度参数、形状参数；
得到病害道路脱空区域面积演化模型，计算表达式为：
。
进一步的，步骤S1的具体实现方法包括如下步骤：
S1.1、采用探地雷达采集道路内部图像，将采集的道路内部图像数据构建为道路内部图像数据矩阵A，
；
其中，为采集的道路内部图像的第i个波的时域数据，m为通道总数；
；
其中，为采集的道路内部图像的第i个波的第/>个振幅数据，n为总个数；
S1.2、构建道路内部图像的背景噪声频率矩阵：
S1.2.1、建立直角坐标系，其中，以道路内部图像左上角的顶点为坐标原点，水平向右为x轴正方向，竖直向下为y轴正方向，并定义1个像素的长度为单位长度，设置道路内部图像尺寸为a×b，a为沿x轴方向的图像长度，b为沿y轴方向的图像长度；
S1.2.2、人工选定没有病害的道路区域位置，并随机框选出10×b尺寸的没有病害的道路区域，设置没有病害的道路区域的波形时域数据矩阵为R，包括10个单道波的波形时域数据，表达式为：
；
；
其中，为第i个单道波的波形时域数据，/>为第i个单道波中第g个振幅数据，T为矩阵转置；
S1.2.3、采用傅里叶变换的方式，分别将单道波形时域数据转换为单道波形频域数据，计算表达式为：
；
其中，为第i个单道波的波形频域数据，/>为虚数单位，/>为频率，/>为时间；得到没有病害的道路区域的波形频域数据矩阵/>；
S1.2.4、根据步骤S1.2.2的单道波的波形时域数据计算频率，构建背景噪声频率矩阵，其中，/>为第i个单道波的波形时域数据计算得到的频率，m为通道总数；
S1.3、将步骤S1.1采集的道路内部图像的时域数据转换为频域数据，转换表达式为：
；
其中，为采集的道路内部图像的第i个波的频域数据，得到采集的道路内部图像的波形频域数据矩阵/>；
然后根据步骤S1.1采集的道路内部图像的波形时域数据计算频率，构建道路内部图像的频率矩阵，其中，/>为采集的道路内部图像的第i个波形时域数据计算的频率；
以背景噪声频率矩阵C为比较对象，遍历L中所有元素，删除L中与C相同的元素，然后删除F中对应的元素，得到遍历后的道路内部图像的波形频域数据矩阵，其中Gp为第p个遍历后的道路内部图像的波形频域数据；
S1.4、将步骤S1.3得到的遍历后的道路内部图像的波形频域数据矩阵中的频域数据转换为时域数据，采用傅里叶变换的计算表达式为：
；
其中，为第i个遍历后的道路内部图像的波形频域数据对应的时域数据，得到遍历后的道路内部图像的波形频域数据矩阵对应的时域矩阵H为：
；
；
其中，为第i个遍历后的道路内部图像的波形频域数据对应的时域数据的第/>个振幅数据；
S1.5、将步骤S1.4得到的遍历后的道路内部图像的波形频域数据矩阵对应的时域矩阵进行道路内部图像的重构；
S1.5.1、首先将遍历后的道路内部图像的波形频域数据矩阵对应的时域矩阵H中的进行遍历，得到最大值/>和最小值/>；
S1.5.2、对H中的振幅数据进行标准化处理，映射到灰度图像的灰度值范围0~255区间内，计算表达式为：
；
其中，为/>标准化处理后的振幅数据；
S1.5.3、基于步骤S1.5.2标准化处理后的振幅数据构建单道矩阵，表达式为，然后基于单道矩阵构建全部通道矩阵；
S1.5.4、将步骤S1.5.3得到的全部通道矩阵K中的元素值作为灰度值，以二维图像的x轴方向作为雷达采样数据的运动方向，以二维图像的y轴方向作为道路深度方向，绘制灰度图M，得到重构的道路内部图像。
进一步的，步骤S2的具体实现方法包括如下步骤：
S2.1、将步骤S1得到的重构的道路内部图像沿图像的竖直方向进行划分，设置划分数量为Nh，每张划分图像的高度为Hh，宽度为a；
S2.2、设置第i个划分图像的图像矩阵为{，/>}，则得到第i个划分图像的图像矩阵的平均值/>，表达式为：
；
S2.3、基于步骤S2.2得到的划分图像的图像矩阵的平均值构建均值矩阵{，}，然后计算/>与/>的差值矩阵/>，表达式为：
；
S2.4、对步骤S2.3得到的差值矩阵进行全部元素取绝对值运算，构建差值矩阵的绝对值矩阵，表达式为：
；
然后计算差值矩阵的绝对值矩阵的标准差，表达式为：
；
S2.5、根据步骤S4得到的差值矩阵的绝对值矩阵的标准差构建标准差矩阵；
S2.6、设定临界标准差为，将标准差矩阵的标准差/>与临界标准差/>进行对比，当/>时，设置增益系数为/>，/>的值根据实际地质条件、道路材料类型、雷达参数、病害类型参数确定；当/>时，设置增益系数为1；
S2.7、根据步骤S2.6计算得到的增益系数，构建标准差矩阵对应的增益系数矩阵/>，用于对道路内部病害区域位置回波图像的特征增强，得到初步病害识别的道路内部图像。
进一步的，步骤S3的具体实现方法包括如下步骤：
S3.1、采用最大类间方差法，对步骤S2得到的初步病害识别的道路内部图像进行二值化处理；
S3.2、将步骤S3.1二值化处理后的初步病害识别的道路内部图像统计全部连通区域内像素总数量，然后删除像素总数量小于500的连通区域，保留像素总数量大于等于500的连通区域，并将删除像素处理后的初步病害识别的道路内部图像的连通区域编号为N1，N2…Ni…Nc；
S3.3、对步骤S3.2删除像素处理后的初步病害识别的道路内部图像建立坐标系，以图像左上角的顶点为坐标原点，水平向右为x轴正方向，竖直向下为y轴正方向，提取删除像素处理后的初步病害识别的道路内部图像的全部连通区域中像素的坐标点，设置连通区域Ni的最左侧像素点坐标为、最右侧像素点坐标为/>、最顶端像素点坐标为/>，定义坐标表达式为：
；
；
；
其中，为连通区域Ni的最左侧像素点的x轴坐标，/>为连通区域Ni的最左侧像素点的y轴坐标；
S3.4、采用计算倾角的方法筛选出具有双曲线特征的区域，分别求取顶端像素点到最左侧像素点、最右侧像素点的倾角Ag 1和Ag 2，表达式为：
；
；
然后提取顶端像素点到最左侧像素点、最右侧像素点的倾角的最大值，记为，表达式为：
；
设置临界角度，提取连通区域Ni中/>的区域为双曲线区域/>；
S3.5、提取所有连通区域的双曲线区域，进行重新编号为，其中，/>为双曲线区域的总数量；
S3.6、基于步骤S3.5得到的所有双曲线区域的全部双曲线的顶点坐标，依次提取所有双曲线区域过顶点坐标的单道波形时域数据，依次记录为：，
其中，，/>为第i个双曲线区域过顶点坐标的单道波形时域数据，/>为第i个双曲线区域过顶点坐标的单道波形时域数据中的第l个振幅数据；
S3.7、采用小波变换的方法将步骤S3.6得到的双曲线区域过顶点坐标的单道波形时域数据转换为频域数据，计算表达式为：
；
；
其中，为第i个双曲线区域过顶点坐标的单道波形频域数据，/>为尺度，/>为平移量，/>为基本小波；
然后计算第i个双曲线区域过顶点坐标的单道波形的相位，计算表达式为：
；
其中，为/>的虚部，/>为/>的实部；
S3.8、基于电磁波理论设置发射位置处电磁波为，将反射位置处电磁波为/>，构建方向函数/>，表达式为：
；
计算方向函数，当时，表明电磁波从高介电常数向低介电常数介质传播，病害位置处材料的介电常数小于发射位置，判断第i个双曲线区域为病害道路内部脱空区域；
S3.9、计算所有双曲线区域过顶点坐标的单道波形的相位，判断所有双曲线区域的道路内部脱空情况，得到病害道路内部脱空区域图像数据。
进一步的，步骤S4的具体实现方法包括如下步骤：
S4.1、采用钻机钻探病害道路，在病害道路现场验证步骤S3中得到的病害道路内部脱空区域图像数据，得到病害道路脱空区域；
S4.2、将内窥镜深入病害道路脱空区域，通过内窥镜显示器确定病害道路脱空区域的顶板位置和底板位置，测量顶板位置和底板位置的距离，为病害道路脱空区域的实际高度；
然后向步骤S4.1得到的病害道路脱空区域中注水，直至注满水，并记录注水的体积为病害道路脱空区域实际体积，然后计算病害道路脱空区域实际面积/>，计算表达式为：
；
S4.3、采集步骤S4.1验证的病害道路内部脱空区域图像数据，首先提取病害道路内部脱空区域图像数据的平面图像对应的像素总数量记为，然后统计病害道路内部脱空区域图像数据中脱空区域对应的像素总数量记为/>，然后计算病害道路内部脱空区域面积/>，计算表达式为：
；
其中，为1个像素代表的道路实际区域面积；
S4.4、选取10个病害道路脱空区域，重复步骤S5.1-S5.3，依次得到病害道路脱空区域实际面积，/>…/>，计算得到病害道路内部脱空区域面积，/>，/>…/>；
S4.5、基于步骤S4.4选取的10个病害道路脱空区域，采用二次函数拟合与/>，得到病害道路脱空区域实际面积计算表达式为：
；
其中，、/>、/>分别为病害道路脱空区域实际面积计算表达式的二次项参数、一次项参数、常数项参数；
S4.6、基于步骤S4.5得到的病害道路脱空区域实际面积计算表达式计算病害道路脱空区域实际面积。
一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现所述的一种道路脱空区域面积演化预测方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种道路脱空区域面积演化预测方法。
本发明的有益效果：
本发明所述的一种道路脱空区域面积演化预测方法，采用一种用于道路内部探地雷达图像的降噪方法对雷达图像进行了降噪处理；然后，采用一种基于道路内部探地雷达图像降噪方法的病害识别方法，提高了脱空区域识别的准确率；接着，通过建立图像尺寸信息与实际脱空区域尺寸信息的关系模型，实现了脱空区域高度的准确计算；然后，基于实际测量得到的脱空区域体积与高度，计算得到脱空区域的实际面积，结合基于图像处理计算得到的脱空区域计算面积，建立脱空区域实际面积与计算面积间的关系方程，实现脱空区域面积的准确计算；最后，基于不同时间计算得到的脱空区域面积信息，结合威布尔分布，提出脱空面积演化规律分析方法。
本发明所述的一种道路脱空区域面积演化预测方法，可用于辅助养护人员对脱空区域面积的范围及其变化趋势进行量化判断，及时掌握脱空在水平方向的发育速度，并进行对应的养护决策方案制定。
本发明所述的一种道路脱空区域面积演化预测方法，可以用于评价道路脱空区域的结构稳定性，当结构稳定性较差时，可基于道路脱空面积制定道路超前养护策略，确定道路脱空修复方案和修复时间，同时，降低修复维修成本。
本发明所述的一种道路脱空区域面积演化预测方法，可以用于构建道路内部脱空演化模型，此模型可用于分析相似道路内部脱空演化规律，降低相似道路的数据采集成本，提供可借鉴的养护维修方案。
附图说明
图1为本发明所述的一种道路脱空区域面积演化预测方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施方式，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅用以解释本发明，并不用于限定本发明，即所描述的具体实施方式仅仅是本发明一部分实施方式，而不是全部的具体实施方式。通常在此处附图中描述和展示的本发明具体实施方式的组件可以以各种不同的配置来布置和设计，本发明还可以具有其他实施方式。
因此，以下对在附图中提供的本发明的具体实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定具体实施方式。基于本发明的具体实施方式，本领域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具体实施方式，都属于本发明保护的范围。
为能进一步了解本发明的发明内容、特点及功效，兹例举以下具体实施方式，并配合附图1详细说明如下。
具体实施方式一
一种道路脱空区域面积演化预测方法，包括如下步骤：
S1、采用探地雷达采集道路内部图像，对采集的道路内部图像进行图像降噪处理，得到重构的道路内部图像；
进一步的，步骤S1的具体实现方法包括如下步骤：
S1.1、采用探地雷达采集道路内部图像，将采集的道路内部图像数据构建为道路内部图像数据矩阵A，
；
其中，为采集的道路内部图像的第i个波的时域数据，m为通道总数；
；
其中，为采集的道路内部图像的第i个波的第/>个振幅数据，n为总个数；
S1.2、构建道路内部图像的背景噪声频率矩阵：
S1.2.1、建立直角坐标系，其中，以道路内部图像左上角的顶点为坐标原点，水平向右为x轴正方向，竖直向下为y轴正方向，并定义1个像素的长度为单位长度，设置道路内部图像尺寸为a×b，a为沿x轴方向的图像长度，b为沿y轴方向的图像长度；
S1.2.2、人工选定没有病害的道路区域位置，并随机框选出10×b尺寸的没有病害的道路区域，设置没有病害的道路区域的波形时域数据矩阵为R，包括10个单道波的波形时域数据，表达式为：
；
；
其中，为第i个单道波的波形时域数据，/>为第i个单道波中第g个振幅数据，T为矩阵转置；
S1.2.3、采用傅里叶变换的方式，分别将单道波形时域数据转换为单道波形频域数据，计算表达式为：
；
其中，为第i个单道波的波形频域数据，/>为虚数单位，/>为频率，/>为时间；得到没有病害的道路区域的波形频域数据矩阵/>；
S1.2.4、根据步骤S1.2.2的单道波的波形时域数据计算频率，构建背景噪声频率矩阵，其中，/>为第i个单道波的波形时域数据计算得到的频率，m为通道总数；
S1.3、将步骤S1.1采集的道路内部图像的时域数据转换为频域数据，转换表达式为：
；
其中，为采集的道路内部图像的第i个波的频域数据，得到采集的道路内部图像的波形频域数据矩阵/>；
然后根据步骤S1.1采集的道路内部图像的波形时域数据计算频率，构建道路内部图像的频率矩阵，其中，/>为采集的道路内部图像的第i个波形时域数据计算的频率；
以背景噪声频率矩阵C为比较对象，遍历L中所有元素，删除L中与C相同的元素，然后删除F中对应的元素，得到遍历后的道路内部图像的波形频域数据矩阵，其中Gp为第p个遍历后的道路内部图像的波形频域数据；
S1.4、将步骤S1.3得到的遍历后的道路内部图像的波形频域数据矩阵中的频域数据转换为时域数据，采用傅里叶变换的计算表达式为：
；
其中，为第i个遍历后的道路内部图像的波形频域数据对应的时域数据，得到遍历后的道路内部图像的波形频域数据矩阵对应的时域矩阵H为：
；
；
其中，为第i个遍历后的道路内部图像的波形频域数据对应的时域数据的第/>个振幅数据；
S1.5、将步骤S1.4得到的遍历后的道路内部图像的波形频域数据矩阵对应的时域矩阵进行道路内部图像的重构；
S1.5.1、首先将遍历后的道路内部图像的波形频域数据矩阵对应的时域矩阵H中的进行遍历，得到最大值/>和最小值/>；
S1.5.2、对H中的振幅数据进行标准化处理，映射到灰度图像的灰度值范围0~255区间内，计算表达式为：
；
其中，为/>标准化处理后的振幅数据；
S1.5.3、基于步骤S1.5.2标准化处理后的振幅数据构建单道矩阵，表达式为，然后基于单道矩阵构建全部通道矩阵/>；
S1.5.4、将步骤S1.5.3得到的全部通道矩阵K中的元素值作为灰度值，以二维图像的x轴方向作为雷达采样数据的运动方向，以二维图像的y轴方向作为道路深度方向，绘制灰度图M，得到重构的道路内部图像；
S2、将步骤S1得到的重构的道路内部图像设置增益系数，对重构后的道路内部图像进行初步病害识别，得到初步病害识别的道路内部图像；
进一步的，步骤S2的具体实现方法包括如下步骤：
S2.1、将步骤S1得到的重构的道路内部图像沿图像的竖直方向进行划分，设置划分数量为Nh，每张划分图像的高度为Hh，宽度为a；
S2.2、设置第i个划分图像的图像矩阵为{，/>}，则得到第i个划分图像的图像矩阵的平均值/>，表达式为：
；
S2.3、基于步骤S2.2得到的划分图像的图像矩阵的平均值构建均值矩阵{，}，然后计算/>与/>的差值矩阵/>，表达式为：
；
S2.4、对步骤S2.3得到的差值矩阵进行全部元素取绝对值运算，构建差值矩阵的绝对值矩阵，表达式为：
；
然后计算差值矩阵的绝对值矩阵的标准差，表达式为：
；/>
S2.5、根据步骤S4得到的差值矩阵的绝对值矩阵的标准差构建标准差矩阵；
S2.6、设定临界标准差为，将标准差矩阵的标准差/>与临界标准差/>进行对比，当/>时，设置增益系数为/>，/>的值根据实际地质条件、道路材料类型、雷达参数、病害类型参数确定；当/>时，设置增益系数为1；
S2.7、根据步骤S2.6计算得到的增益系数，构建标准差矩阵对应的增益系数矩阵/>，用于对道路内部病害区域位置回波图像的特征增强，得到初步病害识别的道路内部图像；
S3、将步骤S2得到的初步病害识别的道路内部图像进行病害目标区域的提取，得到病害道路内部脱空区域图像数据；
进一步的，步骤S3的具体实现方法包括如下步骤：
S3.1、采用最大类间方差法，对步骤S2得到的初步病害识别的道路内部图像进行二值化处理；
S3.2、将步骤S3.1二值化处理后的初步病害识别的道路内部图像统计全部连通区域内像素总数量，然后删除像素总数量小于500的连通区域，保留像素总数量大于等于500的连通区域，并将删除像素处理后的初步病害识别的道路内部图像的连通区域编号为N1，N2…Ni…Nc；
S3.3、对步骤S3.2删除像素处理后的初步病害识别的道路内部图像建立坐标系，以图像左上角的顶点为坐标原点，水平向右为x轴正方向，竖直向下为y轴正方向，提取删除像素处理后的初步病害识别的道路内部图像的全部连通区域中像素的坐标点，设置连通区域Ni的最左侧像素点坐标为、最右侧像素点坐标为/>、最顶端像素点坐标为/>，定义坐标表达式为：
；
；
；
其中，为连通区域Ni的最左侧像素点的x轴坐标，/>为连通区域Ni的最左侧像素点的y轴坐标；
S3.4、采用计算倾角的方法筛选出具有双曲线特征的区域，分别求取顶端像素点到最左侧像素点、最右侧像素点的倾角和/>，表达式为：
；
；
然后提取顶端像素点到最左侧像素点、最右侧像素点的倾角的最大值，记为，表达式为：/>
；
设置临界角度，提取连通区域Ni中/>的区域为双曲线区域/>；
S3.5、提取所有连通区域的双曲线区域，进行重新编号为，其中，/>为双曲线区域的总数量；
S3.6、基于步骤S3.5得到的所有双曲线区域的全部双曲线的顶点坐标，依次提取所有双曲线区域过顶点坐标的单道波形时域数据，依次记录为：，
其中，，/>为第i个双曲线区域过顶点坐标的单道波形时域数据，/>为第i个双曲线区域过顶点坐标的单道波形时域数据中的第l个振幅数据；
S3.7、采用小波变换的方法将步骤S3.6得到的双曲线区域过顶点坐标的单道波形时域数据转换为频域数据，计算表达式为：
；
；
其中，为第i个双曲线区域过顶点坐标的单道波形频域数据，/>为尺度，/>为平移量，/>为基本小波；
然后计算第i个双曲线区域过顶点坐标的单道波形的相位，计算表达式为：
；
其中，为/>的虚部，/>为/>的实部；
S3.8、基于电磁波理论设置发射位置处电磁波为，将反射位置处电磁波为/>，构建方向函数/>，表达式为：
；
计算方向函数，当时，表明电磁波从高介电常数向低介电常数介质传播，病害位置处材料的介电常数小于发射位置，判断第i个双曲线区域为病害道路内部脱空区域；
当时，表明电磁波从低介电常数向高介电常数介质传播，病害位置处材料的介电常数大于发射位置；
S3.9、计算所有双曲线区域过顶点坐标的单道波形的相位，判断所有双曲线区域的道路内部脱空情况，得到病害道路内部脱空区域图像数据；
S4、基于步骤S3得到的病害道路内部脱空区域图像数据得到病害道路脱空区域，将内窥镜深入病害道路脱空区域，通过内窥镜显示器确定病害道路脱空区域的顶板位置和底板位置，测量顶板位置和底板位置的距离，为病害道路脱空区域的实际高度，将病害道路脱空区域中注水，直至注满水，并记录注水的体积为病害道路脱空区域实际体积/>，然后计算病害道路内部脱空区域面积、病害道路脱空区域实际面积；
进一步的，步骤S4的具体实现方法包括如下步骤：
S4.1、采用钻机钻探病害道路，在病害道路现场验证步骤S3中得到的病害道路内部脱空区域图像数据，得到病害道路脱空区域；
S4.2、将内窥镜深入病害道路脱空区域，通过内窥镜显示器确定病害道路脱空区域的顶板位置和底板位置，测量顶板位置和底板位置的距离，为病害道路脱空区域的实际高度；
然后向步骤S4.1得到的病害道路脱空区域中注水，直至注满水，并记录注水的体积为病害道路脱空区域实际体积，然后计算病害道路脱空区域实际面积/>，计算表达式为：
；
S4.3、采集步骤S4.1验证的病害道路内部脱空区域图像数据，首先提取病害道路内部脱空区域图像数据的平面图像对应的像素总数量记为，然后统计病害道路内部脱空区域图像数据中脱空区域对应的像素总数量记为/>，然后计算病害道路内部脱空区域面积/>，计算表达式为：
；
其中，为1个像素代表的道路实际区域面积；
S4.4、选取10个病害道路脱空区域，重复步骤S5.1-S5.3，依次得到病害道路脱空区域实际面积，/>…/>，计算得到病害道路内部脱空区域面积/>，/>…/>；
S4.5、基于步骤S4.4选取的10个病害道路脱空区域，采用二次函数拟合与/>，得到病害道路脱空区域实际面积计算表达式为：
；
其中，、/>、/>分别为病害道路脱空区域实际面积计算表达式的二次项参数、一次项参数、常数项参数；
S4.6、基于步骤S4.5得到的病害道路脱空区域实际面积计算表达式计算病害道路脱空区域实际面积；
S5、根据步骤S4计算得到的病害道路脱空区域实际面积构建病害道路脱空区域面积演化模型；
进一步的，步骤S5的具体实现方法包括如下步骤：
S5.1、采集不同时刻、/>、…、/>的病害道路内部脱空区域雷达图像，按照步骤S1-S5的方法计算病害道路内部脱空区域面积/>、/>、…、/>，根据病害道路脱空区域实际面积计算表达式计算病害道路脱空区域实际面积/>、/>、…、/>；
S5.2、利用威布尔分布的可靠度函数拟合/>、/>、…、/>与/>、/>、…、/>的关系，构建病害道路脱空区域面积演化模型；/>
威布尔分布的可靠度函数的计算表达式为：
；
其中，、/>、/>依次为偏移参数、尺度参数、形状参数；
得到病害道路脱空区域面积演化模型，计算表达式为：
。
具体实施方式二
一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现所述的一种道路脱空区域面积演化预测方法的步骤。
本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的一种道路脱空区域面积演化预测方法的步骤。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
具体实施方式三
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种道路脱空区域面积演化预测方法。
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的基于CREO软件的可修改由关系驱动的建模数据的建模方法的步骤。
所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然在上文中已经参考具体实施方式对本申请进行了描述，然而在不脱离本申请的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本申请所披露的具体实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本申请并不局限于文中公开的特定具体实施方式，而是包括落入权利要求的范围内的所有技术方案。

Claims (5)

1.一种道路脱空区域面积演化预测方法，其特征在于，包括如下步骤：
S1、采用探地雷达采集道路内部图像，对采集的道路内部图像进行图像降噪处理，得到重构的道路内部图像；
S2、将步骤S1得到的重构的道路内部图像设置增益系数，对重构后的道路内部图像进行初步病害识别，得到初步病害识别的道路内部图像；
步骤S2的具体实现方法包括如下步骤：
S2.1、将步骤S1得到的重构的道路内部图像沿图像的竖直方向进行划分，设置划分数量为Nh，每张划分图像的高度为Hh，宽度为a；
S2.2、设置第i个划分图像的图像矩阵为则得到第i个划分图像的图像矩阵的平均值/>表达式为：
S2.3、基于步骤S2.2得到的划分图像的图像矩阵的平均值构建均值矩阵 然后计算/>与/>的差值矩阵/>表达式为：
S2.4、对步骤S2.3得到的差值矩阵进行全部元素取绝对值运算，构建差值矩阵的绝对值矩阵表达式为：
然后计算差值矩阵的绝对值矩阵的标准差表达式为：
S2.5、根据步骤S4得到的差值矩阵的绝对值矩阵的标准差构建标准差矩阵
S2.6、设定临界标准差为STcv，将标准差矩阵的标准差与临界标准差STcv进行对比，当/>时，设置增益系数为GCi，GCi的值根据实际地质条件、道路材料类型、雷达参数、病害类型参数确定；当/>时，设置增益系数为1；
S2.7、根据步骤S2.6计算得到的增益系数，构建标准差矩阵STha对应的增益系数矩阵GC＝[GC1，GC2，GC3...GCNh]，用于对道路内部病害区域位置回波图像的特征增强，得到初步病害识别的道路内部图像；
S3、将步骤S2得到的初步病害识别的道路内部图像进行病害目标区域的提取，得到病害道路内部脱空区域图像数据；
S4、基于步骤S3得到的病害道路内部脱空区域图像数据得到病害道路脱空区域，将内窥镜深入病害道路脱空区域，通过内窥镜显示器确定病害道路脱空区域的顶板位置和底板位置，测量顶板位置和底板位置的距离，为病害道路脱空区域的实际高度Hha，将病害道路脱空区域中注水，直至注满水，并记录注水的体积为病害道路脱空区域实际体积Va，然后计算病害道路内部脱空区域面积、病害道路脱空区域实际面积；
步骤S4的具体实现方法包括如下步骤：
S4.1、采用钻机钻探病害道路，在病害道路现场验证步骤S3中得到的病害道路内部脱空区域图像数据，得到病害道路脱空区域；
S4.2、将内窥镜深入病害道路脱空区域，通过内窥镜显示器确定病害道路脱空区域的顶板位置和底板位置，测量顶板位置和底板位置的距离，为病害道路脱空区域的实际高度Hha；
然后向步骤S4.1得到的病害道路脱空区域中注水，直至注满水，并记录注水的体积为病害道路脱空区域实际体积Va，然后计算病害道路脱空区域实际面积Aa，计算表达式为：
S4.3、采集步骤S4.1验证的病害道路内部脱空区域图像数据，首先提取病害道路内部脱空区域图像数据的平面图像对应的像素总数量记为Nup，然后统计病害道路内部脱空区域图像数据中脱空区域对应的像素总数量记为Np，然后计算病害道路内部脱空区域面积Ac，计算表达式为：
其中，Sp为1个像素代表的道路实际区域面积；
S4.4、选取10个病害道路脱空区域，重复步骤S4.1-S4.3，依次得到病害道路脱空区域实际面积Aa1，Aa2…Aa10，计算得到病害道路内部脱空区域面积Ac1，Ac2…Ac10；
S4.5、基于步骤S4.4选取的10个病害道路脱空区域，采用二次函数拟合Aa与Ac，得到病害道路脱空区域实际面积计算表达式为：
Aa＝aa(Ac)2+baAc+ca
其中，aa、ba、ca分别为病害道路脱空区域实际面积计算表达式的二次项参数、一次项参数、常数项参数；
S4.6、基于步骤S4.5得到的病害道路脱空区域实际面积计算表达式计算病害道路脱空区域实际面积；
S5、根据步骤S4计算得到的病害道路脱空区域实际面积构建病害道路脱空区域面积演化模型；
步骤S5的具体实现方法包括如下步骤：
S5.1、采集不同时刻t1、t2、…、tn的病害道路内部脱空区域雷达图像，按照步骤S1-S4的方法计算病害道路内部脱空区域面积根据病害道路脱空区域实际面积计算表达式计算病害道路脱空区域实际面积/>
S5.2、利用威布尔分布的可靠度函数KA拟合t1、t2、…、tn与的关系，构建病害道路脱空区域面积演化模型；
威布尔分布的可靠度函数KA的计算表达式为：
其中，t0、η、β依次为偏移参数、尺度参数、形状参数，t为时刻；
得到病害道路脱空区域面积演化模型计算表达式为：
2.根据权利要求1所述的一种道路脱空区域面积演化预测方法，其特征在于，步骤S1的具体实现方法包括如下步骤：
S1.1、采用探地雷达采集道路内部图像，将采集的道路内部图像数据构建为道路内部图像数据矩阵A，
A＝[D1，D2...Di...Dm]
其中，Di为采集的道路内部图像的第i个波的时域数据，m为通道总数；
Di＝[di1，di2...dil...din]T
其中，dil为采集的道路内部图像的第i个波的第l个振幅数据，n为总个数；
S1.2、构建道路内部图像的背景噪声频率矩阵：
S1.2.1、建立直角坐标系，其中，以道路内部图像左上角的顶点为坐标原点，水平向右为x轴正方向，竖直向下为y轴正方向，并定义1个像素的长度为单位长度，设置道路内部图像尺寸为a*b，a为沿x轴方向的图像长度，b为沿y轴方向的图像长度；
S1.2.2、人工选定没有病害的道路区域位置，并随机框选出10*b尺寸的没有病害的道路区域，设置没有病害的道路区域的波形时域数据矩阵为R，包括10个单道波的波形时域数据，表达式为：
R＝[R1，R2...Ri...R10]
Ri＝[ri1，ri2...rig...rin]T
其中，Ri为第i个单道波的波形时域数据，rig为第i个单道波中第g个振幅数据，T为矩阵转置；
S1.2.3、采用傅里叶变换的方式，分别将单道波形时域数据转换为单道波形频域数据，计算表达式为：
其中，Si为第i个单道波的波形频域数据，j为虚数单位，w为频率，t为时间；得到没有病害的道路区域的波形频域数据矩阵S＝[S1，S2...Si...S10]；
S1.2.4、根据步骤S1.2.2的单道波的波形时域数据计算频率，构建背景噪声频率矩阵C＝[w1，w2...wi...wm]，其中，wi为第i个单道波的波形时域数据计算得到的频率，m为通道总数；
S1.3、将步骤S1.1采集的道路内部图像的时域数据转换为频域数据，转换表达式为：
其中，Fi为采集的道路内部图像的第i个波的频域数据，得到采集的道路内部图像的波形频域数据矩阵F＝[F1，F2...Fi...Fm]；
然后根据步骤S1.1采集的道路内部图像的波形时域数据计算频率，构建道路内部图像的频率矩阵L＝[wL1，wL2...wLi...wLm]，其中，wLi为采集的道路内部图像的第i个波形时域数据计算的频率；
以背景噪声频率矩阵C为比较对象，遍历L中所有元素，删除L中与C相同的元素，然后删除F中对应的元素，得到遍历后的道路内部图像的波形频域数据矩阵G＝[G1，G2...Gi...Gp]，其中Gp为第p个遍历后的道路内部图像的波形频域数据；
S1.4、将步骤S1.3得到的遍历后的道路内部图像的波形频域数据矩阵中的频域数据转换为时域数据，采用傅里叶变换的计算表达式为：
其中，Hi为第i个遍历后的道路内部图像的波形频域数据对应的时域数据，得到遍历后的道路内部图像的波形频域数据矩阵对应的时域矩阵H为：
H＝[H1，H2...Hi...Hp]
Hi＝[hi1，hi2...hil...hin]T
其中，hil为第i个遍历后的道路内部图像的波形频域数据对应的时域数据的第l个振幅数据；
S1.5、将步骤S1.4得到的遍历后的道路内部图像的波形频域数据矩阵对应的时域矩阵进行道路内部图像的重构；
S1.5.1、首先将遍历后的道路内部图像的波形频域数据矩阵对应的时域矩阵H中的Hi进行遍历，得到最大值hmax和最小值hmin；
S1.5.2、对H中的振幅数据进行标准化处理，映射到灰度图像的灰度值范围0～255区间内，计算表达式为：
其中，kil为hil标准化处理后的振幅数据；
S1.5.3、基于步骤S1.5.2标准化处理后的振幅数据构建单道矩阵Ki，表达式为Ki＝[ki1，ki2...kil...kin]T，然后基于单道矩阵构建全部通道矩阵K＝[K1，K2...Kl...Kp]；
S1.5.4、将步骤S1.5.3得到的全部通道矩阵K中的元素值作为灰度值，以二维图像的x轴方向作为雷达采样数据的运动方向，以二维图像的y轴方向作为道路深度方向，绘制灰度图M，得到重构的道路内部图像。
3.根据权利要求2所述的一种道路脱空区域面积演化预测方法，其特征在于，步骤S3的具体实现方法包括如下步骤：
S3.1、采用最大类间方差法，对步骤S2得到的初步病害识别的道路内部图像进行二值化处理；
S3.2、将步骤S3.1二值化处理后的初步病害识别的道路内部图像统计全部连通区域内像素总数量，然后删除像素总数量小于500的连通区域，保留像素总数量大于等于500的连通区域，并将删除像素处理后的初步病害识别的道路内部图像的连通区域编号为N1，N2…Ni…Nc；
S3.3、对步骤S3.2删除像素处理后的初步病害识别的道路内部图像建立坐标系，以图像左上角的顶点为坐标原点，水平向右为x轴正方向，竖直向下为y轴正方向，提取删除像素处理后的初步病害识别的道路内部图像的全部连通区域中像素的坐标点，设置连通区域Ni的最左侧像素点坐标为Cole、最右侧像素点坐标为Cori、最顶端像素点坐标为Cotp，定义坐标表达式为：
Cole＝(xle,yle)
Cori＝(xri,yri)
Cotp＝(xtp,ytp)
其中，xle为连通区域Ni的最左侧像素点的x轴坐标，yle为连通区域Ni的最左侧像素点的y轴坐标，xri为连通区域Ni的最右侧像素点的x轴坐标，yri为连通区域Ni的最右侧像素点的y轴坐标；xtp为连通区域Ni的最顶端像素点的x轴坐标，ytp为连通区域Ni的最顶端像素点的y轴坐标；
S3.4、采用计算倾角的方法筛选出具有双曲线特征的区域，分别求取顶端像素点到最左侧像素点、最右侧像素点的倾角Ag1和Ag2，表达式为：
然后提取顶端像素点到最左侧像素点、最右侧像素点的倾角的最大值，记为Agmax，表达式为：
Agmax＝max(Ag1,Ag2)；
设置临界角度Agr，提取连通区域Ni中Agmax≥Agr的区域为双曲线区域Ni'；
S3.5、提取所有连通区域的双曲线区域，进行重新编号为N1',N'2,...,Ni',...,N'c'，其中，c'为双曲线区域的总数量；
S3.6、基于步骤S3.5得到的所有双曲线区域的全部双曲线的顶点坐标，依次提取所有双曲线区域过顶点坐标的单道波形时域数据，依次记录为：Dtp1,Dtp2,...,Dtpi,...,Dtpc'，
其中，Dtpi＝[dtp1 dtp2 ... dtpl ... dtpn]T，Dtpi为第i个双曲线区域过顶点坐标的单道波形时域数据，dtpl为第i个双曲线区域过顶点坐标的单道波形时域数据中的第l个振幅数据；
S3.7、采用小波变换的方法将步骤S3.6得到的双曲线区域过顶点坐标的单道波形时域数据转换为频域数据，计算表达式为：
其中，Ftpi为第i个双曲线区域过顶点坐标的单道波形频域数据，α为尺度，τ为平移量，ψ为基本小波，t为时刻；
然后计算第i个双曲线区域过顶点坐标的单道波形的相位θtpi，计算表达式为：
其中，Im[Ftpi]为Ftpi的虚部，Re[Ftpi]为Ftpi的实部；
S3.8、基于电磁波理论设置发射位置处电磁波为θtri，将反射位置处电磁波为θfli，构建方向函数DRi，表达式为：
DRi＝θtri·θfli
计算方向函数，当DRi＞0时，表明电磁波从高介电常数向低介电常数介质传播，病害位置处材料的介电常数小于发射位置，判断第i个双曲线区域为病害道路内部脱空区域；
S3.9、计算所有双曲线区域过顶点坐标的单道波形的相位，判断所有双曲线区域的道路内部脱空情况，得到病害道路内部脱空区域图像数据。
4.一种电子设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1-3任一项所述的一种道路脱空区域面积演化预测方法的步骤。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-3任一项所述的一种道路脱空区域面积演化预测方法。
CN202311336659.XA 2023-10-17 2023-10-17 道路脱空区域面积演化预测方法、电子设备及存储介质 Active CN117077448B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311336659.XA CN117077448B (zh) 2023-10-17 2023-10-17 道路脱空区域面积演化预测方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311336659.XA CN117077448B (zh) 2023-10-17 2023-10-17 道路脱空区域面积演化预测方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN117077448A CN117077448A (zh) 2023-11-17
CN117077448B true CN117077448B (zh) 2024-03-26

Family

ID=88717635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311336659.XA Active CN117077448B (zh) 2023-10-17 2023-10-17 道路脱空区域面积演化预测方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117077448B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109903306A (zh) * 2019-02-21 2019-06-18 东南大学 一种基于探地雷达图像的层间脱空识别方法
CN112948952A (zh) * 2021-04-08 2021-06-11 郑州航空工业管理学院 一种盾构隧道衬砌背后空洞的演化预测方法
CN113255605A (zh) * 2021-06-29 2021-08-13 深圳市城市交通规划设计研究中心股份有限公司 一种路面病害检测方法、装置、终端设备及存储介质
CN115311229A (zh) * 2022-08-05 2022-11-08 武汉中观自动化科技有限公司 基于激光雷达的路面病害检测分类方法、系统和存储介质
CN115542278A (zh) * 2022-08-01 2022-12-30 长安大学 一种基于探地雷达原始数据的路面病害区域判断方法
WO2023123568A1 (zh) * 2021-12-29 2023-07-06 中路交科科技股份有限公司 一种探地雷达图像人工智能识别方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109903306A (zh) * 2019-02-21 2019-06-18 东南大学 一种基于探地雷达图像的层间脱空识别方法
CN112948952A (zh) * 2021-04-08 2021-06-11 郑州航空工业管理学院 一种盾构隧道衬砌背后空洞的演化预测方法
CN113255605A (zh) * 2021-06-29 2021-08-13 深圳市城市交通规划设计研究中心股份有限公司 一种路面病害检测方法、装置、终端设备及存储介质
WO2023123568A1 (zh) * 2021-12-29 2023-07-06 中路交科科技股份有限公司 一种探地雷达图像人工智能识别方法及装置
CN115542278A (zh) * 2022-08-01 2022-12-30 长安大学 一种基于探地雷达原始数据的路面病害区域判断方法
CN115311229A (zh) * 2022-08-05 2022-11-08 武汉中观自动化科技有限公司 基于激光雷达的路面病害检测分类方法、系统和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
混凝土路面脱空区的探地雷达正演模拟;唐志成;王齐仁;吴秋霜;;勘察科学技术(05);第31-34段 *

Also Published As

Publication number Publication date
CN117077448A (zh) 2023-11-17

Similar Documents

Publication Publication Date Title
Liu et al. Automatic pixel-level detection of vertical cracks in asphalt pavement based on GPR investigation and improved mask R-CNN
CN112462346B (zh) 一种基于卷积神经网络的探地雷达路基病害目标检测方法
CN115424232B (zh) 一种路面坑槽的识别和评价方法、电子设备及存储介质
CN114296075B (zh) 一种探地雷达图像人工智能识别方法及装置
CN111476088B (zh) 沥青路面水损害识别模型构建方法、识别方法及系统
Li et al. Deep learning-based pavement subsurface distress detection via ground penetrating radar data
CN111798411B (zh) 一种基于探地雷达和深度学习的混凝土内钢筋智能定位方法
CN111639587B (zh) 基于多尺度谱空卷积神经网络的高光谱图像分类方法
CN105445160A (zh) 一种沥青混合料的空隙特征及其提取方法
CN117078235B (zh) 全面评估的路网养护维修方法、电子设备及存储介质
CN115616674A (zh) 探地雷达训练数据集模拟扩增与道路无损检测方法及系统
Gui et al. Object-based crack detection and attribute extraction from laser-scanning 3D profile data
CN102254185A (zh) 基于对比度敏感函数的背景杂波量化方法
CN117077448B (zh) 道路脱空区域面积演化预测方法、电子设备及存储介质
CN117079145B (zh) 一种道路状况综合评价方法、电子设备及存储介质
CN114494371A (zh) 基于多尺度相位一致性的光学图像和sar图像配准方法
CN117077450B (zh) 道路脱空区域体积演化预测方法、电子设备及存储介质
CN104732190B (zh) 一种基于正交纹理相关分析的合成孔径声纳目标检测方法
CN117079147B (zh) 一种道路内部病害识别方法、电子设备及存储介质
CN117079268B (zh) 一种道路内部病害三维数据集构建方法及其使用方法
CN114926431A (zh) 一种基于电成像测井图像的页岩裂缝发育模式识别方法
CN117077500B (zh) 道路内部脱空的数值模拟建模方法、电子设备及存储介质
CN117077449B (zh) 道路脱空区域高度演化预测方法、电子设备及存储介质
CN117115049B (zh) 探地雷达道路内部图像的降噪方法、电子设备及存储介质
CN112927204B (zh) 一种基于关键渗水点识别的路面渗水性能评估方法

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