CN117077452A - 一种道路使用寿命综合评估方法、电子设备及存储介质 - Google Patents
一种道路使用寿命综合评估方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117077452A CN117077452A CN202311336749.9A CN202311336749A CN117077452A CN 117077452 A CN117077452 A CN 117077452A CN 202311336749 A CN202311336749 A CN 202311336749A CN 117077452 A CN117077452 A CN 117077452A
- Authority
- CN
- China
- Prior art keywords
- road
- void
- service life
- area
- disease
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 75
- 239000011800 void material Substances 0.000 claims abstract description 196
- 201000010099 disease Diseases 0.000 claims abstract description 103
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 103
- 238000000034 method Methods 0.000 claims abstract description 66
- 238000005315 distribution function Methods 0.000 claims abstract description 29
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 230000000149 penetrating effect Effects 0.000 claims abstract description 19
- 230000008859 change Effects 0.000 claims description 57
- 238000012545 processing Methods 0.000 claims description 40
- 238000010606 normalization Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000013135 deep learning Methods 0.000 claims description 18
- 230000007547 defect Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000005553 drilling Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 9
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000010426 asphalt Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001360 synchronised 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]
- G06F30/20—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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V10/40—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
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
-
- 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
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Geometry (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Human Resources & Organizations (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Pure & Applied Mathematics (AREA)
- Electromagnetism (AREA)
Abstract
一种道路使用寿命综合评估方法、电子设备及存储介质,属于道路使用寿命评估技术领域。为解决道路内外部损坏状况及演化速度对路面使用寿命的影响的问题。本发明采集路面病害图像,计算路面损坏状况指数;基于探地雷达脱空病害图像,构建道路内部脱空病害识别卷积神经网络模型,计算道路内部脱空区域参数;构建道路内部使用寿命评估指标;构建道路使用寿命综合评估指标;计算道路使用寿命综合评估指标,进行初步道路使用寿命评估;采用三参数威布尔分布函数构建道路路段的寿命分布函数模型,基于得到的初步道路使用寿命评估数据将得到的道路路段的寿命分布函数模型进行优化,得到优化后的道路路段的寿命分布函数模型。本发明实现路面寿命综合评估。
Description
技术领域
本发明属于道路使用寿命评估技术领域,具体涉及一种道路使用寿命综合评估方法、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。良好的道路技术状况对于保障车辆安全行驶具有重要意义。目前,行业内在道路技术状况评定过程中,主要是通过对道路表面的病害分布状况,包含裂缝、坑槽、车辙、沉陷、波浪、拥包等道路表面病害,在对路面检查的基础上,进行技术状况等级评定,但是没有考虑到道路内部病害会产生空洞引发道路塌陷。
申请号为201711226166.5、发明名称为“一种基于驾驶模拟的城市道路提升改造需求综合评价方法”的发明专利,对待评价城市道路的设施性能和路侧景观两项指标进行评估,根据两项指标的评分和权重进行加权求和得到待评价的城市道路的提升改造需求综合评分。然而,此种方法在对道路设施性能分析时,忽略了道路内部病害的影响。与路表病害相比,道路内部病害隐蔽性强、破坏力更大。
申请号为201510968939.1、发明名称为“一种基于线结构光和地质雷达的道路综合检测方法及系统”的发明专利,将线结构光与地质雷达搭载至同一设备中,实现了路面三维数据与道路内部结构信息的同步采集,解决了道路信息采集单一的问题。然而,缺乏对数据处理方式的改进,路面病害和道路内部病害的处理过程相对独立,养护人员决策过程中需人为判断道路养护维修等级,主观性较强,数据利用不充分、融合效果差,较难做出科学、合理决策。
申请号为202111013320.7、发明名称为“一种基于养护优先级排序的公路网养护规划方法”的发明专利,通过搜集公路网中各路段基础信息,确定各路段的养护性质,提出养护优先级排序方法,并结合养护资金和各路段的路面技术状况预测信息,确定未来几年的养护规划。然而,此种方法尚没有考虑道路内部病害的影响,导致难以做出最优的养护决策。
申请号为201810172774.0、发明名称为“基于模糊综合评价的道路网选取方法”的发明专利,将交通流、通达重要性、历史重要性及经济重要性四种因素,纳入到道路选取时需要考虑的因素。采用模糊数学原理,对不确定性因素进行综合评价,并将其运用到道路选取过程中。此种方法主要面向的是地图比例尺缩放过程中道路重要信息的展示,然而,在道路评价以及道路养护决策过程中,此类方法无法直接提供参考。
而目前,道路内部病害检测逐渐开展和普及,使得同时获取道路表面状态信息和道路内部状态信息成为可能,可以考虑基于两类数据的优势,对道路整体状态进行评价。
发明内容
本发明要解决的问题是综合考虑道路内外部损坏状况及演化速度对路面使用寿命的影响,提出一种道路使用寿命综合评估方法、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:
一种道路使用寿命综合评估方法,包括如下步骤:
S1、采集路面病害图像,对采集的路面病害图像进行路面病害的识别及路面病害尺寸数据的提取,然后基于提取的路面病害尺寸数据计算路面损坏状况指数;
S2、基于探地雷达脱空病害图像,构建道路内部脱空病害识别卷积神经网络模型,然后采用探地雷达采集道路内部图像,将采集的道路内部图像利用得到的道路内部脱空病害识别卷积神经网络模型进行病害识别,并计算道路内部脱空区域参数;
S3、基于步骤S2得到的道路内部脱空区域参数,构建道路内部使用寿命评估指标;
S4、对步骤S3得到的道路内部使用寿命评估指标、步骤S1得到的路面损坏状况指数进行归一化处理,构建道路使用寿命综合评估指标;
S5、根据步骤S4的方法计算道路使用寿命综合评估指标,进行初步道路使用寿命评估;
S6、采用三参数威布尔分布函数构建道路路段的寿命分布函数模型、道路路段平均出现损伤的时间函数模型,基于步骤S5得到的初步道路使用寿命评估数据将得到的道路路段的寿命分布函数模型、道路路段平均出现损伤的时间函数模型进行优化,得到优化后的道路路段的寿命分布函数模型、优化后的道路路段平均出现损伤的时间函数模型。
进一步的,步骤S1的具体实现方法包括如下步骤:
S1.1、采用车载相机拍摄的方式,拍摄道路图像,选取20000张路面病害图像,构建路面病害图像数据集;路面病害包括龟裂、块状裂缝、纵向裂缝、横向裂缝、沉陷、车辙、波浪拥包、坑槽、松散、泛油、修补;
S1.2、采用标注软件labelimg对路面病害图像数据集的图像进行标记,将路面病害图像数据集划分为训练集、验证集、测试集,其中,训练集12000张图像、验证集4000张图像、测试集4000张图像;
S1.3、构建UNet深度学习网络结构:
S1.3.1、设置UNet深度学习网络结构由编码器和解码器组成,编码器包括4个下采样模块,每个下采样模块包括两个3×3的卷积层、1个ReLU激活函数、1个2×2的池化层;解码器包括4个上采样模块,每个上采样模块包括1个上采样的卷积层、特征拼接concat、2个3×3的卷积层、1个ReLU激活函数,图像先通过编码器,后通过解码器,图像尺寸为572×572;
S1.3.2、将步骤S1.2标记后的数据集输入到S1.3.1建立的UNet深度学习网络结构中,通过误差反向传播方法,计算神经网络单元的权重和偏置,完成UNet深度学习网络结构的训练,得到UNet深度学习网络结构;
S1.3.3、采用步骤S1.3.2的UNet深度学习网络结构,进行路面病害的识别及路面病害区域数据提取,路面病害区域数据包括:路面病害在图像中的位置、路面病害的轮廓、路面病害的实体区域;
S1.4、采用张正友标定方法,确定图像像素数据与路面病害实际尺寸的换算关系:
S1.4.1、制作黑白棋盘格,用相机对黑白棋盘格进行不同角度的拍摄,拍摄图像为30张;
S1.4.2、对步骤S1.4.1拍摄的图像中的标定板角点进行检测,得到标定板角点的像素坐标值,根据已知的棋盘格大小和世界坐标系原点,计算得到标定板角点的物理坐标值;
S1.4.3、求解步骤S1.4.1拍摄的每张图像对应的相机内参矩阵和外参矩阵:
首先建立相机成像模型为:
;
其中,Z为尺度因子,(u,v)为图像中任意一点在像素坐标系下的像素坐标,(U,V,W)为图像中任意一点在世界坐标系下的世界坐标,AA为内参矩阵,BB为外参矩阵;
其中,Z为尺度因子,(u,v)为图像中任意一点在像素坐标系下的像素坐标,(U,V,W)为图像中任意一点在世界坐标系下的世界坐标,AA为内参矩阵,BB为外参矩阵;
建立多组像素坐标与世界坐标的关系,求得内参矩阵AA和外参矩阵AA,建立路面病害的道路图像像素数据与路面病害实际尺寸的换算关系;
S1.5、基于步骤S1.1-S1.4得到路面病害类型和尺寸信息后,计算路面损坏状况指数PCI,计算表达式为:
;
;
其中,为路面损坏率,/>为第ni类路面损坏的面积;/>为调查的路面面积,/>为第ni类路面损坏的权重,/>为线性调节系数,/>为指数调节系数,/>为损坏类型总数。
进一步的,步骤S2的具体实现方法包括如下步骤:
S2.1、构建道路内部脱空病害识别卷积神经网络模型;
S2.1.1、基于探地雷达脱空病害图像建立道路内部病害数据集:采用LabelImg软件,使用矩形框标记探地雷达脱空病害图像中的病害并标注病害类别,保存标注文件的命名与探地雷达脱空病害图像的命名一致,得到道路内部病害数据集;
S2.1.2、将步骤S2.1.1得到的道路内部病害数据集按照6:2:2的比例,随机分为训练集、验证集、测试集;
S2.1.3、将步骤S2.1.2得到的训练集、验证集、测试集,输入到卷积神经网络中进行训练、验证和测试,输出卷积神经网络模型的模型参数,包括网络层数、各层神经元节点数量、学习率、权重、偏置、激活函数、损失函数、卷积核,得到道路内部脱空病害识别卷积神经网络模型;
S2.2、采集道路内部图像,利用得到的道路内部脱空病害识别卷积神经网络模型进行病害识别,并计算道路内部脱空区域参数;
S2.2.1、采用探地雷达采集道路内部图像,将采集的道路内部图像利用步骤S2.1得到的道路内部脱空病害识别卷积神经网络模型进行病害识别,得到病害道路内部图像;
S2.2.2、采用钻机钻探步骤S2.2.1得到病害道路内部图像的病害道路,得到道路脱空区域;
S2.2.3、将内窥镜深入道路脱空区域,通过内窥镜显示器确定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,为道路脱空区域高度;
S2.2.4、然后向步骤S2.2.2得到的道路脱空区域中注水,直至注满水,并记录注水的体积为道路脱空区域体积;
S2.2.5、计算道路脱空区域面积,计算表达式为:
。
进一步的,步骤S3的具体实现方法包括如下步骤:
S3.1、设置道路脱空区域的总数量为;
S3.2、构建道路内部使用寿命评估指标:包括道路脱空区域的总数量、道路脱空区域的平均高度、平均体积、平均面积、高度变化梯度、体积变化梯度、数量变化梯度、面积变化梯度;
S3.2.1、道路脱空区域的平均高度的计算表达式为:
;
其中,道路第i个脱空区域的高度为;
S3.2.2、道路脱空区域的平均体积的计算表达式为:
;
其中,道路第i个脱空区域的体积为;
S3.2.3、道路脱空区域的平均面积的计算表达式为:
;
其中,道路第i个脱空区域的面积为;
S3.2.4、道路脱空区域的高度变化梯度的计算表达式为:
;
其中,、/>分别为第i个数据采集时间和第i+1个数据采集时间,/>为第i个数据采集时间的道路脱空区域的平均高度,/>为第i+1个数据采集时间的道路脱空区域的平均高度;
S3.2.5、道路脱空区域的体积变化梯度的计算表达式为:
;
其中,为第i个数据采集时间的道路脱空区域的平均体积,/>为第i+1个数据采集时间的道路脱空区域的平均体积;
S3.2.6、道路脱空区域的数量变化梯度的计算表达式为:
;
其中,为第i个数据采集时间的道路脱空区域的数量,/>为第i+1个数据采集时间的道路脱空区域的数量;
S3.2.7、道路脱空区域的面积变化梯度的计算表达式为:
;
其中,为第i个数据采集时间的道路脱空区域的平均面积,/>为第i+1个数据采集时间的道路脱空区域的平均面积。
进一步的,步骤S4的具体实现方法包括如下步骤:
S4.1、以50m为道路划分长度,将道路划分为NP段,其中,NP为道路路段总数量;
S4.2、以道路建成开始运营的时间点作为时间零点,针对每一段道路,分别检测每一段道路运行t时间后的道路脱空区域和道路表面病害,并计算每一段道路脱空区域的道路内部使用寿命评估指标、路面损坏状况指数;
S4.3、遍历步骤S4.2计算的每一段道路脱空区域的道路内部使用寿命评估指标、路面损坏状况指数,得到最大值,包括道路脱空区域的总数量最大值、道路脱空区域的平均高度最大值/>、平均体积最大值/>、平均面积最大值/>、高度变化梯度最大值/>、体积变化梯度最大值/>、数量变化梯度最大值/>、面积变化梯度最大值/>、路面损坏状况指数最大值/>;
S4.4、对步骤S4.2得到的每一段道路脱空区域的道路内部使用寿命评估指标利用步S4.3得到的最大值为基准,进行归一化处理,计算公式为:
;
其中,为归一化处理的道路脱空区域的平均高度;
;
其中,为归一化处理的道路脱空区域的总数量;
;
其中,为归一化处理的道路脱空区域的平均体积;
;
其中,为归一化处理的道路脱空区域的平均面积;
;
其中,为归一化处理的道路脱空区域的高度变化梯度;
;
其中,为归一化处理的道路脱空区域的数量变化梯度;
;
其中,为归一化处理的道路脱空区域的体积变化梯度;
;
其中,为归一化处理的道路脱空区域的面积变化梯度;
;
其中,为归一化处理的路面损坏状况指数;
然后建立道路使用寿命综合评估指标TK,计算表达式为:
;
其中,zk1为归一化处理的道路脱空区域的平均高度的权重系数,zk2为归一化处理的道路脱空区域的总数量的权重系数,zk3为归一化处理的道路脱空区域的平均体积的权重系数,zk4为归一化处理的道路脱空区域的平均面积的权重系数,zk5为归一化处理的道路脱空区域的高度变化梯度的权重系数,zk6为归一化处理的道路脱空区域的数量变化梯度的权重系数,zk7为归一化处理的道路脱空区域的体积变化梯度的权重系数,zk8为归一化处理的道路脱空区域的面积变化梯度的权重系数;zk9为归一化处理的路面损坏状况指数的权重系数;
S4.5、根据步骤S4.4的方法计算第i个路段在ti时刻的道路使用寿命综合评估指标。
进一步的,步骤S5的具体实现方法包括如下步骤:
S5.1、统计MK条道路运行15年后的道路检测数据,根据步骤S4的方法计算每条道路使用寿命综合评估指标,为第j条道路运行15年后的道路使用寿命综合评估指标,然后计算MK条道路的道路使用寿命综合评估指标的平均值/>和道路使用寿命综合评估指标的标准差/>;
S5.2、构建道路使用寿命综合评估指标的阈值,计算表达式为:
;
当≤/>时,判断为道路完好,当/>>/>时,判断为道路损坏;
S5.3、对步骤S5.2中判断为道路损坏的路段,采集第i个路段第1次出现损坏时的时间,然后建立路段第1次出现损坏的时间矩阵FT,/>;
S5.4、统计道路运行时间对应的道路路段第1次出现损坏的路段数量/>,然后计算道路运行/>时间对应的道路路段第1次出现损坏的路段数量占道路路段总数量的百分比,计算表达式为:
;
其中,为道路运行/>时间对应的道路路段第1次出现损坏的路段数量占道路路段总数量的百分比。
进一步的,步骤S6的具体实现方法包括如下步骤:
S6.1、采用三参数威布尔函数,构建道路路段的寿命分布函数模型,计算表达式为:
;
其中,为道路路段服役时间,/>为威布尔分布的位置参数,/>为威布尔分布的尺度参数,/>为威布尔分布的形状参数,/>为道路路段服役时间内道路路段累计出现损伤的概率;
构建道路路段平均出现损伤的时间函数模型,计算表达式为:
;
其中,为道路路段服役时间内道路路段平均出现损伤的时间;
S6.2、建立参数、/>、/>和道路使用寿命的关系,计算表达式为:
;
;
其中,为道路路段的道路使用寿命最小值,/>、/>、/>分别为/>的二次项回归参数、一次项回归参数、常数项回归参数;
;
;
;
其中,为道路路段的道路使用寿命最大值与最小值的差值;/>、/>、/>分别为/>的二次项回归参数、一次项回归参数、常数项回归参数;
;
;
其中,为道路路段的中的道路使用寿命的平均值,/>、/>、/>分别为/>的二次项回归参数、一次项回归参数、常数项回归参数;
S6.3、基于步骤S6.2构建的参数、/>、/>和道路使用寿命的关系,优化步骤S6.1得到的道路路段的寿命分布函数模型;
优化后的道路路段的寿命分布函数模型的计算表达式为:
;
优化后的道路路段平均出现损伤的时间函数模型的计算表达式为:
;
S6.4、采用步骤S5得到的和/>,带入步骤S6.1构建的道路路段的寿命分布函数模型,采用最小二乘法拟合求解,计算得到/>、/>、/>;
基于步骤S6.2得到的和道路使用寿命的关系、计算得到的/>和统计得到的,采用最小二乘法拟合求解,计算得到/>、/>、/>;
基于步骤S6.2得到的和道路使用寿命的关系、计算得到的/>和得到的/>,采用最小二乘法拟合求解,计算得到/>、/>、/>;
基于步骤S6.2得到的和道路使用寿命的关系、计算得到的/>和得到的/>,采用最小二乘法拟合求解,计算得到/>、/>、/>。
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使用寿命综合评估方法的步骤。
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使用寿命综合评估方法。
本发明的有益效果:
本发明所述的一种道路使用寿命综合评估方法,同时考虑了道路内部脱空区域高度、体积、面积的精准识别与计算、表面与道路内部状况演化速度,采集道路路面图像,通过路面病害智能识别与尺寸信息提取的方式,计算得到路面损坏状况指数;通过融合道路路面损坏状况指数与道路内部脱空尺寸信息,考虑表面和内部状况演化速度,提出了一种综合考虑道路内外部损坏状况及演化速度的路面使用寿命评价方法,用于指导道路的综合养护维修,提高了养护决策的科学性、准确性,降低养护成本,实现了基于道路内外部损坏状况的路面寿命评估,可用于预测道路内部和表面综合状况的发展情况,制定相应养护方案,提高养护效率和质量,延长道路寿命,避免交通事故发生。
本发明所述的一种道路使用寿命综合评估方法,适用于道路内部和道路表面检测数据相对完善的场景,可对路面寿命进行快速直接评估,分析结果的全面且准确,有效指导道路养护。
附图说明
图1为本发明所述的一种道路使用寿命综合评估方法的流程图。
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:
一种道路使用寿命综合评估方法,包括如下步骤:
S1、采集路面病害图像,对采集的路面病害图像进行路面病害的识别及路面病害尺寸数据的提取,然后基于提取的路面病害尺寸数据计算路面损坏状况指数;
进一步的,步骤S1的具体实现方法包括如下步骤:
S1.1、采用车载相机拍摄的方式,拍摄道路图像,选取20000张路面病害图像,构建路面病害图像数据集;路面病害包括龟裂、块状裂缝、纵向裂缝、横向裂缝、沉陷、车辙、波浪拥包、坑槽、松散、泛油、修补;
S1.2、采用标注软件labelimg对路面病害图像数据集的图像进行标记,将路面病害图像数据集划分为训练集、验证集、测试集,其中,训练集12000张图像、验证集4000张图像、测试集4000张图像;
S1.3、构建UNet深度学习网络结构:
S1.3.1、设置UNet深度学习网络结构由编码器和解码器组成,编码器包括4个下采样模块,每个下采样模块包括两个3×3的卷积层、1个ReLU激活函数、1个2×2的池化层;解码器包括4个上采样模块,每个上采样模块包括1个上采样的卷积层、特征拼接concat、2个3×3的卷积层、1个ReLU激活函数,图像先通过编码器,后通过解码器,图像尺寸为572×572;
S1.3.2、将步骤S1.2标记后的数据集输入到S1.3.1建立的UNet深度学习网络结构中,通过误差反向传播方法,计算神经网络单元的权重和偏置,完成UNet深度学习网络结构的训练,得到UNet深度学习网络结构;
S1.3.3、采用步骤S1.3.2的UNet深度学习网络结构,进行路面病害的识别及路面病害区域数据提取,路面病害区域数据包括:路面病害在图像中的位置、路面病害的轮廓、路面病害的实体区域;
S1.4、采用张正友标定方法,确定图像像素数据与路面病害实际尺寸的换算关系:
S1.4.1、制作黑白棋盘格,用相机对黑白棋盘格进行不同角度的拍摄,拍摄图像为30张;
S1.4.2、对步骤S1.4.1拍摄的图像中的标定板角点进行检测,得到标定板角点的像素坐标值,根据已知的棋盘格大小和世界坐标系原点,计算得到标定板角点的物理坐标值;
S1.4.3、求解步骤S1.4.1拍摄的每张图像对应的相机内参矩阵和外参矩阵:
首先建立相机成像模型为:
;
其中,Z为尺度因子,(u,v)为图像中任意一点在像素坐标系下的像素坐标,(U,V,W)为图像中任意一点在世界坐标系下的世界坐标,AA为内参矩阵,BB为外参矩阵;
建立多组像素坐标与世界坐标的关系,求得内参矩阵AA和外参矩阵AA,建立路面病害的道路图像像素数据与路面病害实际尺寸的换算关系;
S1.5、基于步骤S1.1-S1.4得到路面病害类型和尺寸信息后,计算路面损坏状况指数PCI,计算表达式为:
;
;
其中,为路面损坏率,/>为第ni类路面损坏的面积;/>为调查的路面面积,/>为第ni类路面损坏的权重,/>为线性调节系数,/>为指数调节系数,/>为损坏类型总数;
在获取到路面病害类型和尺寸信息后,依据《公路技术状况评定标准》(JTG5210—2018),路面损坏采用路面损坏状况指数(PCI)评价;代表了各种损坏的折合损坏面积之和与路面调查面积之百分比;对于沥青路面/>采用15.00;对于沥青路面/>采用0.412;
S2、基于探地雷达脱空病害图像,构建道路内部脱空病害识别卷积神经网络模型,然后采用探地雷达采集道路内部图像,将采集的道路内部图像利用得到的道路内部脱空病害识别卷积神经网络模型进行病害识别,并计算道路内部脱空区域参数;
进一步的,步骤S2的具体实现方法包括如下步骤:
S2.1、构建道路内部脱空病害识别卷积神经网络模型;
S2.1.1、基于探地雷达脱空病害图像建立道路内部病害数据集:采用LabelImg软件,使用矩形框标记探地雷达脱空病害图像中的病害并标注病害类别,保存标注文件的命名与探地雷达脱空病害图像的命名一致,得到道路内部病害数据集;
S2.1.2、将步骤S2.1.1得到的道路内部病害数据集按照6:2:2的比例,随机分为训练集、验证集、测试集;
S2.1.3、将步骤S2.1.2得到的训练集、验证集、测试集,输入到卷积神经网络中进行训练、验证和测试,输出卷积神经网络模型的模型参数,包括网络层数、各层神经元节点数量、学习率、权重、偏置、激活函数、损失函数、卷积核,得到道路内部脱空病害识别卷积神经网络模型;
S2.2、采集道路内部图像,利用得到的道路内部脱空病害识别卷积神经网络模型进行病害识别,并计算道路内部脱空区域参数;
S2.2.1、采用探地雷达采集道路内部图像,将采集的道路内部图像利用步骤S2.1得到的道路内部脱空病害识别卷积神经网络模型进行病害识别,得到病害道路内部图像;
S2.2.2、采用钻机钻探步骤S2.2.1得到病害道路内部图像的病害道路,得到道路脱空区域;
S2.2.3、将内窥镜深入道路脱空区域,通过内窥镜显示器确定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,为道路脱空区域高度;
S2.2.4、然后向步骤S2.2.2得到的道路脱空区域中注水,直至注满水,并记录注水的体积为道路脱空区域体积;
S2.2.5、计算道路脱空区域面积,计算表达式为:
;
S3、基于步骤S2得到的道路内部脱空区域参数,构建道路内部使用寿命评估指标;
进一步的,步骤S3的具体实现方法包括如下步骤:
S3.1、设置道路脱空区域的总数量为;
S3.2、构建道路内部使用寿命评估指标:包括道路脱空区域的总数量、道路脱空区域的平均高度、平均体积、平均面积、高度变化梯度、体积变化梯度、数量变化梯度、面积变化梯度;
S3.2.1、道路脱空区域的平均高度的计算表达式为:
;
其中,道路第i个脱空区域的高度为;
S3.2.2、道路脱空区域的平均体积的计算表达式为:
;
其中,道路第i个脱空区域的体积为;
S3.2.3、道路脱空区域的平均面积的计算表达式为:
;
其中,道路第i个脱空区域的面积为;
S3.2.4、道路脱空区域的高度变化梯度的计算表达式为:
;
其中,、/>分别为第i个数据采集时间和第i+1个数据采集时间,/>为第i个数据采集时间的道路脱空区域的平均高度,/>为第i+1个数据采集时间的道路脱空区域的平均高度;
S3.2.5、道路脱空区域的体积变化梯度的计算表达式为:/>
;
其中,为第i个数据采集时间的道路脱空区域的平均体积,/>为第i+1个数据采集时间的道路脱空区域的平均体积;
S3.2.6、道路脱空区域的数量变化梯度的计算表达式为:
;
其中,为第i个数据采集时间的道路脱空区域的数量,/>为第i+1个数据采集时间的道路脱空区域的数量;
S3.2.7、道路脱空区域的面积变化梯度的计算表达式为:
;
其中,为第i个数据采集时间的道路脱空区域的平均面积,/>为第i+1个数据采集时间的道路脱空区域的平均面积;
S4、对步骤S3得到的道路内部使用寿命评估指标、步骤S1得到的路面损坏状况指数进行归一化处理,构建道路使用寿命综合评估指标;
进一步的,步骤S4的具体实现方法包括如下步骤:
S4.1、以50m为道路划分长度,将道路划分为NP段,其中,NP为道路路段总数量;
S4.2、以道路建成开始运营的时间点作为时间零点,针对每一段道路,分别检测每一段道路运行t时间后的道路脱空区域和道路表面病害,并计算每一段道路脱空区域的道路内部使用寿命评估指标、路面损坏状况指数;
S4.3、遍历步骤S4.2计算的每一段道路脱空区域的道路内部使用寿命评估指标、路面损坏状况指数,得到最大值,包括道路脱空区域的总数量最大值、道路脱空区域的平均高度最大值/>、平均体积最大值/>、平均面积最大值/>、高度变化梯度最大值/>、体积变化梯度最大值/>、数量变化梯度最大值/>、面积变化梯度最大值/>、路面损坏状况指数最大值/>;
S4.4、对步骤S4.2得到的每一段道路脱空区域的道路内部使用寿命评估指标利用步S4.3得到的最大值为基准,进行归一化处理,计算公式为:
;
其中,为归一化处理的道路脱空区域的平均高度;
;
其中,为归一化处理的道路脱空区域的总数量;
;
其中,为归一化处理的道路脱空区域的平均体积;/>
;
其中,为归一化处理的道路脱空区域的平均面积;
;
其中,为归一化处理的道路脱空区域的高度变化梯度;
;
其中,为归一化处理的道路脱空区域的数量变化梯度;
;
其中,为归一化处理的道路脱空区域的体积变化梯度;
;
其中,为归一化处理的道路脱空区域的面积变化梯度;
;
其中,为归一化处理的路面损坏状况指数;
然后建立道路使用寿命综合评估指标TK,计算表达式为:
;
其中,zk1为归一化处理的道路脱空区域的平均高度的权重系数,zk2为归一化处理的道路脱空区域的总数量的权重系数,zk3为归一化处理的道路脱空区域的平均体积的权重系数,zk4为归一化处理的道路脱空区域的平均面积的权重系数,zk5为归一化处理的道路脱空区域的高度变化梯度的权重系数,zk6为归一化处理的道路脱空区域的数量变化梯度的权重系数,zk7为归一化处理的道路脱空区域的体积变化梯度的权重系数,zk8为归一化处理的道路脱空区域的面积变化梯度的权重系数;zk9为归一化处理的路面损坏状况指数的权重系数;
S4.5、根据步骤S4.4的方法计算第i个路段在ti时刻的道路使用寿命综合评估指标;
S5、根据步骤S4的方法计算道路使用寿命综合评估指标,进行初步道路使用寿命评估;
进一步的,步骤S5的具体实现方法包括如下步骤:
S5.1、统计MK条道路运行15年后的道路检测数据,根据步骤S4的方法计算每条道路使用寿命综合评估指标,为第j条道路运行15年后的道路使用寿命综合评估指标,然后计算MK条道路的道路使用寿命综合评估指标的平均值/>和道路使用寿命综合评估指标的标准差/>;/>
S5.2、构建道路使用寿命综合评估指标的阈值,计算表达式为:
;
当≤/>时,判断为道路完好,当/>>/>时,判断为道路损坏;
S5.3、对步骤S5.2中判断为道路损坏的路段,采集第i个路段第1次出现损坏时的时间,然后建立路段第1次出现损坏的时间矩阵FT,/>;
S5.4、统计道路运行时间对应的道路路段第1次出现损坏的路段数量/>,然后计算道路运行/>时间对应的道路路段第1次出现损坏的路段数量占道路路段总数量的百分比,计算表达式为:
;
其中,为道路运行/>时间对应的道路路段第1次出现损坏的路段数量占道路路段总数量的百分比;
S6、采用三参数威布尔分布函数构建道路路段的寿命分布函数模型、道路路段平均出现损伤的时间函数模型,基于步骤S5得到的初步道路使用寿命评估数据将得到的道路路段的寿命分布函数模型、道路路段平均出现损伤的时间函数模型进行优化,得到优化后的道路路段的寿命分布函数模型、优化后的道路路段平均出现损伤的时间函数模型;
进一步的,步骤S6的具体实现方法包括如下步骤:
S6.1、采用三参数威布尔函数,构建道路路段的寿命分布函数模型,计算表达式为:
;
其中,为道路路段服役时间,/>为威布尔分布的位置参数,/>为威布尔分布的尺度参数,/>为威布尔分布的形状参数,/>为道路路段服役时间内道路路段累计出现损伤的概率;
构建道路路段平均出现损伤的时间函数模型,计算表达式为:
;
其中,为道路路段服役时间内道路路段平均出现损伤的时间;
S6.2、建立参数、/>、/>和道路使用寿命的关系,计算表达式为:
;
;
其中,为道路路段的道路使用寿命最小值,/>、/>、/>分别为/>的二次项回归参数、一次项回归参数、常数项回归参数;
;/>
;
;
其中,为道路路段的道路使用寿命最大值与最小值的差值;/>、/>、/>分别为/>的二次项回归参数、一次项回归参数、常数项回归参数;
;
;
其中,为道路路段的中的道路使用寿命的平均值,/>、/>、/>分别为/>的二次项回归参数、一次项回归参数、常数项回归参数;
S6.3、基于步骤S6.2构建的参数、/>、/>和道路使用寿命的关系,优化步骤S6.1得到的道路路段的寿命分布函数模型;
优化后的道路路段的寿命分布函数模型的计算表达式为:
;
优化后的道路路段平均出现损伤的时间函数模型的计算表达式为:
;
S6.4、采用步骤S5得到的和/>,带入步骤S6.1构建的道路路段的寿命分布函数模型,采用最小二乘法拟合求解,计算得到/>、/>、/>;
基于步骤S6.2得到的和道路使用寿命的关系、计算得到的/>和统计得到的,采用最小二乘法拟合求解,计算得到/>、/>、/>;
基于步骤S6.2得到的和道路使用寿命的关系、计算得到的/>和得到的/>,采用最小二乘法拟合求解,计算得到/>、/>、/>;
基于步骤S6.2得到的和道路使用寿命的关系、计算得到的/>和得到的/>,采用最小二乘法拟合求解,计算得到/>、/>、/>。
本实施方式所述的一种道路使用寿命综合评估方法,同时考虑了道路内部脱空区域高度、体积、面积的精准识别与计算、表面与道路内部状况演化速度,采集道路路面图像,通过路面病害智能识别与尺寸信息提取的方式,计算得到路面损坏状况指数;融合道路路面损坏状况指数与道路内部脱空尺寸信息,考虑表面和内部状况演化速度,提出了一种综合考虑道路内外部损坏状况及演化速度的路面使用寿命评价方法,用于指导道路的综合养护维修。提高了养护决策的科学性、准确性,降低养护成本。
具体实施方式二:
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使用寿命综合评估方法的步骤。
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使用寿命综合评估方法的步骤。
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:
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使用寿命综合评估方法。
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,可以实现上述的一种道路使用寿命综合评估方法的步骤。
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 (9)
1.一种道路使用寿命综合评估方法,其特征在于,包括如下步骤:
S1、采集路面病害图像,对采集的路面病害图像进行路面病害的识别及路面病害尺寸数据的提取,然后基于提取的路面病害尺寸数据计算路面损坏状况指数;
S2、基于探地雷达脱空病害图像,构建道路内部脱空病害识别卷积神经网络模型,然后采用探地雷达采集道路内部图像,将采集的道路内部图像利用得到的道路内部脱空病害识别卷积神经网络模型进行病害识别,并计算道路内部脱空区域参数;
S3、基于步骤S2得到的道路内部脱空区域参数,构建道路内部使用寿命评估指标;
S4、对步骤S3得到的道路内部使用寿命评估指标、步骤S1得到的路面损坏状况指数进行归一化处理,构建道路使用寿命综合评估指标;
S5、根据步骤S4的方法计算道路使用寿命综合评估指标,进行初步道路使用寿命评估;
S6、采用三参数威布尔分布函数构建道路路段的寿命分布函数模型、道路路段平均出现损伤的时间函数模型,基于步骤S5得到的初步道路使用寿命评估数据将得到的道路路段的寿命分布函数模型、道路路段平均出现损伤的时间函数模型进行优化,得到优化后的道路路段的寿命分布函数模型、优化后的道路路段平均出现损伤的时间函数模型。
2.根据权利要求1所述的一种道路使用寿命综合评估方法,其特征在于,步骤S1的具体实现方法包括如下步骤:
S1.1、采用车载相机拍摄的方式,拍摄道路图像,选取20000张路面病害图像,构建路面病害图像数据集;路面病害包括龟裂、块状裂缝、纵向裂缝、横向裂缝、沉陷、车辙、波浪拥包、坑槽、松散、泛油、修补;
S1.2、采用标注软件labelimg对路面病害图像数据集的图像进行标记,将路面病害图像数据集划分为训练集、验证集、测试集,其中,训练集12000张图像、验证集4000张图像、测试集4000张图像;
S1.3、构建UNet深度学习网络结构:
S1.3.1、设置UNet深度学习网络结构由编码器和解码器组成,编码器包括4个下采样模块,每个下采样模块包括两个3×3的卷积层、1个ReLU激活函数、1个2×2的池化层;解码器包括4个上采样模块,每个上采样模块包括1个上采样的卷积层、特征拼接concat、2个3×3的卷积层、1个ReLU激活函数,图像先通过编码器,后通过解码器,图像尺寸为572×572;
S1.3.2、将步骤S1.2标记后的数据集输入到S1.3.1建立的UNet深度学习网络结构中,通过误差反向传播方法,计算神经网络单元的权重和偏置,完成UNet深度学习网络结构的训练,得到UNet深度学习网络结构;
S1.3.3、采用步骤S1.3.2的UNet深度学习网络结构,进行路面病害的识别及路面病害区域数据提取,路面病害区域数据包括:路面病害在图像中的位置、路面病害的轮廓、路面病害的实体区域;
S1.4、采用张正友标定方法,确定图像像素数据与路面病害实际尺寸的换算关系:
S1.4.1、制作黑白棋盘格,用相机对黑白棋盘格进行不同角度的拍摄,拍摄图像为30张;
S1.4.2、对步骤S1.4.1拍摄的图像中的标定板角点进行检测,得到标定板角点的像素坐标值,根据已知的棋盘格大小和世界坐标系原点,计算得到标定板角点的物理坐标值;
S1.4.3、求解步骤S1.4.1拍摄的每张图像对应的相机内参矩阵和外参矩阵:
首先建立相机成像模型为:
;
其中,Z为尺度因子,(u,v)为图像中任意一点在像素坐标系下的像素坐标,(U,V,W)为图像中任意一点在世界坐标系下的世界坐标,AA为内参矩阵,BB为外参矩阵;
建立多组像素坐标与世界坐标的关系,求得内参矩阵AA和外参矩阵AA,建立路面病害的道路图像像素数据与路面病害实际尺寸的换算关系;
S1.5、基于步骤S1.1-S1.4得到路面病害类型和尺寸信息后,计算路面损坏状况指数PCI,计算表达式为:
;
;
其中,为路面损坏率,/>为第ni类路面损坏的面积;/>为调查的路面面积,/>为第ni类路面损坏的权重,/>为线性调节系数,/>为指数调节系数,/>为损坏类型总数。
3.根据权利要求1或2所述的一种道路使用寿命综合评估方法,其特征在于,步骤S2的具体实现方法包括如下步骤:
S2.1、构建道路内部脱空病害识别卷积神经网络模型;
S2.1.1、基于探地雷达脱空病害图像建立道路内部病害数据集:采用LabelImg软件,使用矩形框标记探地雷达脱空病害图像中的病害并标注病害类别,保存标注文件的命名与探地雷达脱空病害图像的命名一致,得到道路内部病害数据集;
S2.1.2、将步骤S2.1.1得到的道路内部病害数据集按照6:2:2的比例,随机分为训练集、验证集、测试集;
S2.1.3、将步骤S2.1.2得到的训练集、验证集、测试集,输入到卷积神经网络中进行训练、验证和测试,输出卷积神经网络模型的模型参数,包括网络层数、各层神经元节点数量、学习率、权重、偏置、激活函数、损失函数、卷积核,得到道路内部脱空病害识别卷积神经网络模型;
S2.2、采集道路内部图像,利用得到的道路内部脱空病害识别卷积神经网络模型进行病害识别,并计算道路内部脱空区域参数;
S2.2.1、采用探地雷达采集道路内部图像,将采集的道路内部图像利用步骤S2.1得到的道路内部脱空病害识别卷积神经网络模型进行病害识别,得到病害道路内部图像;
S2.2.2、采用钻机钻探步骤S2.2.1得到病害道路内部图像的病害道路,得到道路脱空区域;
S2.2.3、将内窥镜深入道路脱空区域,通过内窥镜显示器确定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,为道路脱空区域高度;
S2.2.4、然后向步骤S2.2.2得到的道路脱空区域中注水,直至注满水,并记录注水的体积为道路脱空区域体积;
S2.2.5、计算道路脱空区域面积,计算表达式为:
。
4.根据权利要求3所述的一种道路使用寿命综合评估方法,其特征在于,步骤S3的具体实现方法包括如下步骤:
S3.1、设置道路脱空区域的总数量为;
S3.2、构建道路内部使用寿命评估指标:包括道路脱空区域的总数量、道路脱空区域的平均高度、平均体积、平均面积、高度变化梯度、体积变化梯度、数量变化梯度、面积变化梯度;
S3.2.1、道路脱空区域的平均高度的计算表达式为:
;
其中,道路第i个脱空区域的高度为;
S3.2.2、道路脱空区域的平均体积的计算表达式为:
;
其中,道路第i个脱空区域的体积为;
S3.2.3、道路脱空区域的平均面积的计算表达式为:
;
其中,道路第i个脱空区域的面积为;
S3.2.4、道路脱空区域的高度变化梯度的计算表达式为:
;
其中,、/>分别为第i个数据采集时间和第i+1个数据采集时间,/>为第i个数据采集时间的道路脱空区域的平均高度,/>为第i+1个数据采集时间的道路脱空区域的平均高度;
S3.2.5、道路脱空区域的体积变化梯度的计算表达式为:
;
其中,为第i个数据采集时间的道路脱空区域的平均体积,/>为第i+1个数据采集时间的道路脱空区域的平均体积;
S3.2.6、道路脱空区域的数量变化梯度的计算表达式为:
;
其中,为第i个数据采集时间的道路脱空区域的数量,/>为第i+1个数据采集时间的道路脱空区域的数量;
S3.2.7、道路脱空区域的面积变化梯度的计算表达式为:
;
其中,为第i个数据采集时间的道路脱空区域的平均面积,/>为第i+1个数据采集时间的道路脱空区域的平均面积。
5.根据权利要求4所述的一种道路使用寿命综合评估方法,其特征在于,步骤S4的具体实现方法包括如下步骤:
S4.1、以50m为道路划分长度,将道路划分为NP段,其中,NP为道路路段总数量;
S4.2、以道路建成开始运营的时间点作为时间零点,针对每一段道路,分别检测每一段道路运行t时间后的道路脱空区域和道路表面病害,并计算每一段道路脱空区域的道路内部使用寿命评估指标、路面损坏状况指数;
S4.3、遍历步骤S4.2计算的每一段道路脱空区域的道路内部使用寿命评估指标、路面损坏状况指数,得到最大值,包括道路脱空区域的总数量最大值、道路脱空区域的平均高度最大值/>、平均体积最大值/>、平均面积最大值/>、高度变化梯度最大值/>、体积变化梯度最大值/>、数量变化梯度最大值/>、面积变化梯度最大值/>、路面损坏状况指数最大值/>;
S4.4、对步骤S4.2得到的每一段道路脱空区域的道路内部使用寿命评估指标利用步S4.3得到的最大值为基准,进行归一化处理,计算公式为:
;
其中,为归一化处理的道路脱空区域的平均高度;
;
其中,为归一化处理的道路脱空区域的总数量;
;
其中,为归一化处理的道路脱空区域的平均体积;
;
其中,为归一化处理的道路脱空区域的平均面积;
;
其中,为归一化处理的道路脱空区域的高度变化梯度;
;
其中,为归一化处理的道路脱空区域的数量变化梯度;
;
其中,为归一化处理的道路脱空区域的体积变化梯度;
;
其中,为归一化处理的道路脱空区域的面积变化梯度;
;
其中,为归一化处理的路面损坏状况指数;
然后建立道路使用寿命综合评估指标TK,计算表达式为:
;
其中,zk1为归一化处理的道路脱空区域的平均高度的权重系数,zk2为归一化处理的道路脱空区域的总数量的权重系数,zk3为归一化处理的道路脱空区域的平均体积的权重系数,zk4为归一化处理的道路脱空区域的平均面积的权重系数,zk5为归一化处理的道路脱空区域的高度变化梯度的权重系数,zk6为归一化处理的道路脱空区域的数量变化梯度的权重系数,zk7为归一化处理的道路脱空区域的体积变化梯度的权重系数,zk8为归一化处理的道路脱空区域的面积变化梯度的权重系数;zk9为归一化处理的路面损坏状况指数的权重系数;
S4.5、根据步骤S4.4的方法计算第i个路段在ti时刻的道路使用寿命综合评估指标。
6.根据权利要求5所述的一种道路使用寿命综合评估方法,其特征在于,步骤S5的具体实现方法包括如下步骤:
S5.1、统计MK条道路运行15年后的道路检测数据,根据步骤S4的方法计算每条道路使用寿命综合评估指标,为第j条道路运行15年后的道路使用寿命综合评估指标,然后计算MK条道路的道路使用寿命综合评估指标的平均值/>和道路使用寿命综合评估指标的标准差/>;
S5.2、构建道路使用寿命综合评估指标的阈值,计算表达式为:
;
当≤/>时,判断为道路完好,当/>>/>时,判断为道路损坏;
S5.3、对步骤S5.2中判断为道路损坏的路段,采集第i个路段第1次出现损坏时的时间,然后建立路段第1次出现损坏的时间矩阵FT,/>;
S5.4、统计道路运行时间对应的道路路段第1次出现损坏的路段数量/>,然后计算道路运行/>时间对应的道路路段第1次出现损坏的路段数量占道路路段总数量的百分比,计算表达式为:
;
其中,为道路运行/>时间对应的道路路段第1次出现损坏的路段数量占道路路段总数量的百分比。
7.根据权利要求6所述的一种道路使用寿命综合评估方法,其特征在于,步骤S6的具体实现方法包括如下步骤:
S6.1、采用三参数威布尔函数,构建道路路段的寿命分布函数模型,计算表达式为:
;
其中,为道路路段服役时间,/>为威布尔分布的位置参数,/>为威布尔分布的尺度参数,/>为威布尔分布的形状参数,/>为道路路段服役时间内道路路段累计出现损伤的概率;
基于道路路段的寿命分布函数模型,构建道路路段平均出现损伤的时间函数模型,计算表达式为:
;
其中,为道路路段服役时间内道路路段平均出现损伤的时间;
S6.2、建立参数、/>、/>和道路使用寿命的关系,计算表达式为:
;
;
其中,为道路路段的道路使用寿命最小值,/>、/>、/>分别为/>的二次项回归参数、一次项回归参数、常数项回归参数;
;
;
;
其中,为道路路段的道路使用寿命最大值与最小值的差值;/>、/>、/>分别为/>的二次项回归参数、一次项回归参数、常数项回归参数;
;
;
其中,为道路路段的中的道路使用寿命的平均值,/>、/>、/>分别为/>的二次项回归参数、一次项回归参数、常数项回归参数;
S6.3、基于步骤S6.2构建的参数、/>、/>和道路使用寿命的关系,优化步骤S6.1得到的道路路段的寿命分布函数模型;
优化后的道路路段的寿命分布函数模型的计算表达式为:
;
优化后的道路路段平均出现损伤的时间函数模型的计算表达式为:
;
S6.4、采用步骤S5得到的和/>,带入步骤S6.1构建的道路路段的寿命分布函数模型,采用最小二乘法拟合求解,计算得到/>、/>、/>;
基于步骤S6.2得到的和道路使用寿命的关系、计算得到的/>和统计得到的,采用最小二乘法拟合求解,计算得到/>、/>、/>;
基于步骤S6.2得到的和道路使用寿命的关系、计算得到的/>和得到的/>,采用最小二乘法拟合求解,计算得到/>、/>、/>;
基于步骤S6.2得到的和道路使用寿命的关系、计算得到的/>和得到的/>,采用最小二乘法拟合求解,计算得到/>、/>、/>。
8.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1-7任一项所述的一种道路使用寿命综合评估方法的步骤。
9.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1-7任一项所述的一种道路使用寿命综合评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311336749.9A CN117077452B (zh) | 2023-10-17 | 2023-10-17 | 一种道路使用寿命综合评估方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311336749.9A CN117077452B (zh) | 2023-10-17 | 2023-10-17 | 一种道路使用寿命综合评估方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117077452A true CN117077452A (zh) | 2023-11-17 |
CN117077452B CN117077452B (zh) | 2024-02-27 |
Family
ID=88713788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311336749.9A Active CN117077452B (zh) | 2023-10-17 | 2023-10-17 | 一种道路使用寿命综合评估方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117077452B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117518281A (zh) * | 2023-12-29 | 2024-02-06 | 山东高速集团有限公司 | 一种基于三维探地雷达量化评价路面隐形病害的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272930A (zh) * | 2022-07-28 | 2022-11-01 | 广西北投交通养护科技集团有限公司 | 一种基于探地雷达的路面状态评估方法 |
CN115424232A (zh) * | 2022-11-04 | 2022-12-02 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种路面坑槽的识别和评价方法、电子设备及存储介质 |
CN116029980A (zh) * | 2022-11-18 | 2023-04-28 | 武汉科技大学 | 一种基于改进SegNet的沥青路面损坏检测及评估方法 |
-
2023
- 2023-10-17 CN CN202311336749.9A patent/CN117077452B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272930A (zh) * | 2022-07-28 | 2022-11-01 | 广西北投交通养护科技集团有限公司 | 一种基于探地雷达的路面状态评估方法 |
CN115424232A (zh) * | 2022-11-04 | 2022-12-02 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种路面坑槽的识别和评价方法、电子设备及存储介质 |
CN116029980A (zh) * | 2022-11-18 | 2023-04-28 | 武汉科技大学 | 一种基于改进SegNet的沥青路面损坏检测及评估方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117518281A (zh) * | 2023-12-29 | 2024-02-06 | 山东高速集团有限公司 | 一种基于三维探地雷达量化评价路面隐形病害的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117077452B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tran et al. | One stage detector (RetinaNet)-based crack detection for asphalt pavements considering pavement distresses and surface objects | |
CN117078235B (zh) | 全面评估的路网养护维修方法、电子设备及存储介质 | |
Peraka et al. | Pavement asset management systems and technologies: A review | |
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 | |
CN104134080A (zh) | 一种道路路基塌陷和边坡坍塌的自动检测方法及系统 | |
CN117077452B (zh) | 一种道路使用寿命综合评估方法、电子设备及存储介质 | |
JP2011179874A (ja) | 舗装路面のクラックの抽出と損傷レベルの評価方法 | |
JP2023139099A (ja) | 学習用データ収集装置、学習用データ収集方法、及びプログラム | |
CN109543616B (zh) | 一种震后目标实物的损毁评估方法、装置、设备及介质 | |
CN117079145B (zh) | 一种道路状况综合评价方法、电子设备及存储介质 | |
CN114677501A (zh) | 一种基于二维高斯边界框重叠度度量的车牌检测方法 | |
Dogan et al. | Detection of damages caused by earthquake and reinforcement corrosion in RC buildings with Deep Transfer Learning | |
CN113255580A (zh) | 抛洒物识别、车辆抛洒滴漏识别方法和装置 | |
CN113505769A (zh) | 目标检测方法及应用其的车辆抛洒滴漏识别方法 | |
Kargah-Ostadi et al. | Evaluation framework for automated pavement distress identification and quantification applications | |
CN113420621A (zh) | 一种路面病害程度识别方法、装置、设备及存储介质 | |
CN117422699A (zh) | 公路检测方法、装置、计算机设备及存储介质 | |
Mehajabin et al. | Real-time deep learning based road deterioration detection for smart cities | |
CN116363088A (zh) | 基于无人机的高速公路混凝土路面裂缝检测方法、电子设备及存储介质 | |
CN115984687A (zh) | 河工动床模型试验水边界测量方法、装置、设备及介质 | |
CN115438547A (zh) | 基于路面服役状态的整体评价方法及系统 | |
CN113917451A (zh) | 一种高速公路沥青路面状况的检测方法、装置以及系统 | |
KR20230100787A (ko) | 도로의 정비보수를 위한 인공지능을 활용한 능동 도로 통합관리 시스템 | |
CN117078234B (zh) | 一种优化的路网养护维修方法、电子设备及存储介质 | |
CN117077451B (zh) | 一种道路内部使用寿命评估方法、电子设备及存储介质 |
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 |