CN117079062A - 一种基于路面裂缝分析方法的动静态影响参数分析方法 - Google Patents

一种基于路面裂缝分析方法的动静态影响参数分析方法 Download PDF

Info

Publication number
CN117079062A
CN117079062A CN202311336924.4A CN202311336924A CN117079062A CN 117079062 A CN117079062 A CN 117079062A CN 202311336924 A CN202311336924 A CN 202311336924A CN 117079062 A CN117079062 A CN 117079062A
Authority
CN
China
Prior art keywords
crack
image
energy
average energy
average
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
Application number
CN202311336924.4A
Other languages
English (en)
Other versions
CN117079062B (zh
Inventor
黎曦
陈振武
贾磊
孟安鑫
安茹
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 CN202311336924.4A priority Critical patent/CN117079062B/zh
Publication of CN117079062A publication Critical patent/CN117079062A/zh
Application granted granted Critical
Publication of CN117079062B publication Critical patent/CN117079062B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • 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
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • 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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Road Repair (AREA)

Abstract

本发明提出一种基于路面裂缝分析方法的动静态影响参数分析方法，属于路面裂缝影响因素分析技术领域。包括：S1.采集路面图像对裂缝图像进行识别和提取得到二值化图像；S2.将二值化图像转换为坐标系拆分为若干正弦函数和余弦函数的组合获得裂缝图像的能量分布对路面裂缝能量进行分析；S3.分析影响裂缝图像的能量分布的静态参数，得到静态参数对裂缝平均能量的影响程度；S4.分析裂缝平均能量变化速率的影响程度；S5.得到静态参数对裂缝平均能量及变化速率的综合影响程度。解决道路运行过程中，周围环境、车辆荷载、道路材料等因素对裂缝随时间变化的影响程度尚不明确的问题，为道路设计和养护过程提供综合决策方法。

Description

一种基于路面裂缝分析方法的动静态影响参数分析方法
技术领域
本申请涉及动静态影响参数分析方法，尤其涉及一种基于路面裂缝分析方法的动静态影响参数分析方法，属于路面裂缝影响因素分析技术领域。
背景技术
道路运营过程中，由于车辆荷载、周围环境的作用以及材料性能衰退等因素的影响，道路表面会逐渐出现裂缝、坑槽、车辙、松散等病害，其中，线性裂缝出现最早、数量最多，伴随着道路的整个使用期，并随着路龄的增长而加重。道路裂缝的危害不仅仅是影响路容美观和行车舒适度，如果不及时对裂缝进行密封修补，更容易进一步扩展，使雨水和其它杂物沿裂缝进入面层结构与路基，对道路造成结构性的破坏，导致路面承载能力下降，加速路面局部或成片损坏，从而缩短道路的使用寿命。
道路养护人员在针对道路线性裂缝的养护工作中，将线性裂缝的长度和宽度指标作为重要的参考依据；裂缝的长度和宽度仅能表示裂缝的整体几何特性，而裂缝的发育和延伸需要依据对裂缝能量的评估，即，当裂缝某一区域能量较大时，表明此处进一步扩展和延伸的概率较大。
现有道路设计过程中，主要依据道路规范进行设计，而不同地区的道路材料和道路服役环境，均会对路面裂缝产生不同的影响，目前的研究中，尚未考虑这么影响以及不同因素产生影响间的差异。目前道路规划、设计、建设、养护过程中，通常会包含面层级配、路面层厚度、面层材料、基层材料、路基土材料、交通量、温度、湿度、降雨量等静态数据，这些数据的获取难度较低，但没有充分利用，没有建立起数据与裂缝间的联系。另一方面，道路运行过程中，由于部分地区对道路养护工作较为重视，具体表现在道路检测频率相对较高、数据保存相对完好、不同时间采集的数据可同时获取并且没有数据壁垒，此种情况下，可以较地成本的获取不同时间对应的裂缝状态，即裂缝的动态信息，例如裂缝的能量变化速率。通过建立能量变化速率与面层级配、路面层厚度、面层材料、基层材料、路基土材料、交通量、温度、湿度、降雨量等静态数据间的关系，可进一步明确裂缝信息与各类影响因素的关系，进一步提高动态裂缝信息与静态参数间关系分析准确性。
现有技术主要通过图像处理的方式，显示从背景图像中识别裂缝的目的，在道路运行过程中，周围环境、车辆荷载、道路材料等因素对裂缝随时间变化的影响程度尚不明确。
发明内容
在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
鉴于此，为解决现有技术中存在道路运行过程中，周围环境、车辆荷载、道路材料等因素对裂缝随时间变化的影响程度尚不明确的技术问题，本发明提供一种基于路面裂缝分析方法的动静态影响参数分析方法。裂缝能量的影响包含对某一时刻裂缝能量的影响，以及裂缝能量随时间变化过程中的影响。因此，可以通过建立各参数与裂缝能量的关系，判定各参数对裂缝能量的影响程度，进而指导道路靶向设计，并为养护人员的维修决策工作提供指导依据，实现道路周边温度、湿度、降雨量、交通量等信息对裂缝能量以及对裂缝能量变化速率的影响分析。可用于指导路面的路面层厚度、面层材料、路基土材料等的设计，合理降低裂缝出现的时间和分布范围，提高道路使用寿命，降低成本。
方案一、一种基于路面裂缝分析方法的动静态影响参数分析方法，包括以下步骤：
S1.采集路面图像，对裂缝图像进行识别和提取，得到二值化图像；
S2.将二值化图像转换为坐标系，拆分为若干正弦函数和余弦函数的组合，获得裂缝图像的能量分布，对路面裂缝能量进行分析；
S3.分析影响裂缝图像的能量分布的静态参数，对静态参数影响程度进行分析，得到静态参数对裂缝平均能量的影响程度；
S4.基于静态参数分析裂缝平均能量变化速率的影响程度；
S5.基于静态参数对裂缝平均能量的影响程度和裂缝平均能量变化速率的影响程度，得到静态参数对裂缝平均能量及变化速率的综合影响程度。
优选的，采集路面图像，对裂缝图像进行识别和提取的方法包括以下步骤：
S11.采用道路检测车搭载工业相机的方式，采集路面图像；
S12.利用神经网络识别包含裂缝的图像，将图像依次编码为A1-An，n为含裂缝图像的总数量；
S13.将RGB图像转变为灰度图像；将RGB图像转变为灰度图像的方法是：提取RGB图像在R、G、B三个通道的数值，依次记为a、b、c，结合由心理学公式确定的彩色图像与灰度图像间的关系，采用下式计算图像灰度值d：
；
S14.对灰度图像进行线性裂缝区域和背景区域的区分，得到新的二值化图像，将二值化图像依次编码为F1-Fn，n为含线性裂缝图像的总数量，方法包括以下步骤：
S141.统计全部图像像素值，确定像素值的分布范围，最小值记为dmin，最大值记为dmax，像素分布范围即为（dmin，dmax）；
S142.设灰度值阈值dt，以灰度值阈值dt为初始临界点，将像素分布范围划分为两个区间：C区间（dmin，dt）和D区间（dt，dmax）,统计C区间和D区间范围内像素的数量n1和n2，并计算C、D两个区间像素数量在整个图像中的权重e1和e2，计算两个区间的平均像素值dc1和dd2，计算C、D区间图像像素方差E：
；
其中，灰度值阈值dt取值范围为[dmin,dmax]，且像素增加步长为1个像素；
S143.遍历全部灰度值阈值dt，依次得到C、D区间图像像素方差，记录方差中最大值Emax，方差对应的灰度值阈值dt为线性裂缝图像背景与线性裂缝区域的临界像素值，将线性裂缝图像背景与线性裂缝区域的临界像素值对应的灰度值阈值记为最终灰度值阈值dtm；S144.以最终灰度值阈值dtm为最终分界点，将图像划分为由像素值0和1组成的二值化图像，其中，灰度值小于dtm的像素点，全部变为0；灰度值大于等于dtm的像素点，像素值变为1，从而得到新的二值化图像，将二值化图像依次编码为F1-Fn，n为含裂缝图像的总数量。
优选的，将二值化图像转换为坐标系，拆分为若干正弦函数和余弦函数的组合，获得裂缝图像的能量分布，对路面裂缝能量进行分析，包括以下步骤：
S21.将二值化图像转换为坐标系：以图像左上角点为坐标原点建立坐标系，以水平向右为x轴正方向，以竖直向下为y轴正方向，由二值化图像形成的图像矩阵记为g(x,y)；
S22.将二值化图像拆分为若干正弦函数和余弦函数的组合，将二值化图像拆分成若干频率、振幅已知的正、余弦函数的和；
S23.获得裂缝图像的能量分布，分析不同频率函数对应的能量大小。
优选的，将二值化图像拆分成若干频率、振幅已知的正、余弦函数的和，求解方法是：
；
式中，j为虚数单位，e=0,1,2,…,J-1; f=0,1,2,…,K-1；J为图像矩阵沿x轴方向的像素数量，K为图像矩阵/>沿y轴方向的像素数量；JS为x方向的角频率，KS为y方向的角频率。
优选的，获得裂缝图像的能量分布，分析不同频率函数对应的能量大小方法是：图像在一个周期信号的能量分布计算如下：
；
式中，L为x方向图像信号周期，M为y方向图像信号周期；
各个频率对应的能量值为裂缝图像的能量分布，将第i个频率记为Pi，其对应的能量记为Hi，图像中频率数量记为h；提出裂缝平均能量指标Ha：
；
裂缝平均能量指标表征图像中，路面裂缝的能量大小，能量越大，表明严重程度越大，裂缝进一步扩展的潜力越大。
优选的，分析影响裂缝图像的能量分布的静态参数，对静态参数影响程度进行分析，得到静态参数对裂缝平均能量的影响程度的方法包括以下步骤：
S31.确定影响裂缝图像的能量分布的静态参数包括面层级配、路面层厚度、面层材料、基层材料、路基土材料、交通量、温度、湿度和降雨量；将参数依次编码为N1-N9；裂缝平均能量编码为Ha；
S32.量化参数N1-N9，包括：面层级配采用4.75mm筛孔通过率值N01；路面层厚度采用路面层厚度值N02；面层材料采用面层材料模量值N03；基层材料采用基层材料模量值N04；路基土材料采用路基土材料模量值N05；交通量采用年均交通量值N06；温度采用年均温度值N07；湿度采用年均湿度值N08；降雨量采用年均降雨量值N09；
S33.针对采集到的n张裂缝图像，获取相应的面层级配对应的4.75mm筛孔通过率值，依次记为N011-N01n，对应的裂缝平均能量记为Ha1-Han；
计算4.75mm筛孔通过率的平均值N01a和裂缝平均能量的平均值Haa，算法如下：
；
；
计算4.75mm筛孔通过率与裂缝平均能量的相关程度Q1得到筛孔通过率对裂缝平均能量的影响程度，算法如下：
；
S34.重复S31-S33，依次计算路面层厚度、面层材料、基层材料、路基土材料、交通量、温度、湿度、降雨量与裂缝平均能量的相关程度Q2-Q9；按照从大到小的顺序，对Q1-Q9进行排序，得到各参数对裂缝平均能量的影响程度。
优选的，基于静态参数分析裂缝平均能量变化速率的影响程度的方法包括以下步骤：
S41.计算裂缝平均能量变化速率：依次获取并计算时间t1和t2的裂缝平均能量，分别记为Hat1，Hat2，计算裂缝平均能量变化速率的算法如下：
；
S42.针对采集到的n张裂缝图像，获取裂缝平均能量变化速率记为Hav1- Havn；计算4.75mm筛孔通过率值平均值N01a和裂缝平均能量变化速率的平均值Hava：
；
；
S43.计算4.75mm筛孔通过率与裂缝平均能量变化速率的相关程度Q1v，得到筛孔通过率对裂缝平均能量变化速率的影响程度，算法如下：
；
S44.重复S41-S43，依次计算路面层厚度、面层材料、基层材料、路基土材料、交通量、温度、湿度、降雨量与裂缝平均能量变化速率的相关程度Q2v-Q9v，按照从大到小的顺序，对Q1v-Q9v进行排序，得到静态参数对裂缝平均能量变化速率的影响程度。
优选的，基于静态参数对裂缝平均能量的影响程度和裂缝平均能量变化速率的影响程度，得到静态参数对裂缝平均能量及变化速率的综合影响程度的方法是：
；
式中，i取值为1-9，依次对应面层级配、路面层厚度、面层材料、基层材料、路基土材料、交通量、温度、湿度和降雨量；表示第i个参数对裂缝平均能量影响程度对应的权重系数，/>表示第i个参数对裂缝平均能量变化速率影响程度对应的权重系数；/>和根据实际情况设置；
将Ri按照从大到小的顺序排序，得到各参数对裂缝平均能量及其变化速率的综合影响程度。
方案二、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方案一所述的一种基于路面裂缝分析方法的动静态影响参数分析方法的步骤。
方案三、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方案一所述的一种基于路面裂缝分析方法的动静态影响参数分析方法。
本发明的有益效果如下：本发明为了明确道路运行过程中，各参数对裂缝能量的影响，选取了9个静态影响参数和1个动态影响参数，基于裂缝能量变化速率与各参数的关系，优化道路设计参数，在建立裂缝能量变化速率与各参数关系时，主要在道路检测数据频率相对较高、数据保存较好的省市或行政区管辖的道路进行数据采集，此类区域数据壁垒少、数据丰富、数据获取成本低，可以进一步提高裂缝能量变化速率与各参数的关系分析结果的准确性。本发明还可以更全面和准确地评估裂缝与各道路参数间的关系，更准确地指导道路设计和养护，延缓裂缝发育速度，提高道路使用寿命，降低成本，同时，考虑到裂缝能量是随时间变化的，因此，提出平均能量变化速率指标，并建立包含裂缝平均能量静态指标和裂缝平均能量变化速率动态指标的综合相关程度因子，可用于对比评价各因素的综合影响程度，为道路设计和养护过程提供综合决策方法。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为一种基于路面裂缝分析方法的动静态影响参数分析方法流程示意图；
图2为S2流程示意图。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例1、参照图1-图2说明本实施方式，一种基于路面裂缝分析方法的动静态影响参数分析方法，包括以下步骤：
S1.采集路面图像，对裂缝图像进行识别和提取，得到二值化图像，方法包括以下步骤：
S11.采用道路检测车搭载工业相机的方式，采集路面图像；
S12.利用神经网络识别包含裂缝的图像，将图像依次编码为A1-An，n为含裂缝图像的总数量；
具体的，算法选用常规的卷积神经网络，首先选择路面裂缝数据集对模型进行训练，确定模型中全部参数，包含网络层数、各层神经元节点数量、学习率、权重、偏置、激活函数、损失函数、卷积核等。采用训练好的卷积神经网络模型，进行图像的智能识别，提取出全部包含裂缝的图像，图像依次编码为A1-An，n为含裂缝图像的总数量；
S13.将RGB图像转变为灰度图像；RGB图像类型在图像处理过程中，难度较大，因此，将RGB图像转变为灰度图像进行处理：提取RGB图像在R、G、B三个通道的数值，依次记为a、b、c，结合由心理学公式确定的彩色图像与灰度图像间的关系，采用下式计算图像灰度值d：
；
S14.为了消除背景的干扰，将裂缝区域和背景区域进行区分，通过确定裂缝区域和背景区域的像素灰度值阈值dt，对两部分区域进行划分；
具体的，对灰度图像进行线性裂缝区域和背景区域的区分，得到新的二值化图像，将二值化图像依次编码为F1-Fn，n为含线性裂缝图像的总数量，方法包括以下步骤：
S141.统计全部图像像素值，确定像素值的分布范围，最小值记为dmin，最大值记为dmax，像素分布范围即为（dmin，dmax）；
S142.设灰度值阈值dt，以灰度值阈值dt为初始临界点，将像素分布范围划分为两个区间：C区间（dmin，dt）和D区间（dt，dmax）,统计C区间和D区间范围内像素的数量n1和n2，并计算C、D两个区间像素数量在整个图像中的权重e1和e2，计算两个区间的平均像素值dc1和dd2，计算C、D区间图像像素方差E：
；
其中，灰度值阈值dt取值范围为[dmin,dmax]，且像素增加步长为1个像素；
S143.遍历全部灰度值阈值dt，依次得到C、D区间图像像素方差，记录方差中最大值Emax，方差对应的灰度值阈值dt为线性裂缝图像背景与线性裂缝区域的临界像素值，将线性裂缝图像背景与线性裂缝区域的临界像素值对应的灰度值阈值记为最终灰度值阈值dtm；
S144.以最终灰度值阈值dtm为最终分界点，将图像划分为由像素值0和1组成的二值化图像，其中，灰度值小于dtm的像素点，全部变为0；灰度值大于等于dtm的像素点，像素值变为1，从而得到新的二值化图像，将二值化图像依次编码为F1-Fn，n为含裂缝图像的总数量。
S2.将二维图像拆分为若干正弦函数和余弦函数的组合，为了方便表达，基于欧拉公式，将正弦函数和余弦函数转变为复指数函数进行表达。对于正弦函数和余弦函数而言，最重要的是确定函数的频率、振幅；
具体的，将二值化图像转换为坐标系，拆分为若干正弦函数和余弦函数的组合，获得裂缝图像的能量分布，对路面裂缝能量进行分析，包括以下步骤：
S21.将二值化图像转换为坐标系：以图像左上角点为坐标原点建立坐标系，以水平向右为x轴正方向，以竖直向下为y轴正方向，由二值化图像形成的图像矩阵记为g(x,y)；
S22.将二值化图像拆分为若干正弦函数和余弦函数的组合，将二值化图像拆分成若干频率、振幅已知的正、余弦函数的和，求解方法是：
；
式中，j为虚数单位，e=0,1,2,…,J-1; f=0,1,2,…,K-1；J为图像矩阵沿x轴方向的像素数量，K为图像矩阵/>沿y轴方向的像素数量；JS为x方向的角频率，KS为y方向的角频率。
S23.裂缝的二值图像由多个频率和振幅的正弦函数和余弦函数构成，因此，接下来，将分析不同频率函数对应的能量大小。分析过程中，为了保证图像信号能量计算有解，选取函数的一个周期进行分析；
具体的，获得裂缝图像的能量分布，分析不同频率函数对应的能量大小，方法是：图像在一个周期信号的能量分布计算如下：
；
式中，L为x方向图像信号周期，M为y方向图像信号周期；
各个频率对应的能量值为裂缝图像的能量分布，将第i个频率记为Pi，其对应的能量记为Hi，图像中频率数量记为h；提出裂缝平均能量指标Ha：
；
裂缝平均能量指标表征图像中，路面裂缝的能量大小，能量越大，表明严重程度越大，裂缝进一步扩展的潜力越大，养护维修时需要重点关注。同时，道路养护决策过程中，可结合路面裂缝的能量，优化养护方案，合理规划养护成本，提高养护质量。
S3.分析影响裂缝图像的能量分布的静态参数，对静态参数影响程度进行分析，得到静态参数对裂缝平均能量的影响程度，包括以下步骤：
S31.确定影响裂缝图像的能量分布的参数包括面层级配、路面层厚度、面层材料、基层材料、路基土材料、交通量、温度、湿度和降雨量；将参数依次编码为N1-N9；裂缝平均能量编码为Ha；
S32.量化参数N1-N9，包括：面层级配采用4.75mm筛孔通过率值N01；路面层厚度采用路面层厚度值N02；面层材料采用面层材料模量值N03；基层材料采用基层材料模量值N04；路基土材料采用路基土材料模量值N05；交通量采用年均交通量值N06；温度采用年均温度值N07；湿度采用年均湿度值N08；降雨量采用年均降雨量值N09；
S33.针对采集到的n张裂缝图像，获取相应的面层级配对应的4.75mm筛孔通过率值，依次记为N011-N01n，对应的裂缝平均能量记为Ha1-Han；
计算4.75mm筛孔通过率的平均值N01a和裂缝平均能量的平均值Haa，算法如下：
；
；
计算4.75mm筛孔通过率与裂缝平均能量的相关程度Q1得到筛孔通过率对裂缝平均能量的影响程度，算法如下：
。
S34.重复S31-S33，依次计算路面层厚度、面层材料、基层材料、路基土材料、交通量、温度、湿度、降雨量与裂缝平均能量的相关程度Q2-Q9；按照从大到小的顺序，对Q1-Q9进行排序，得到各参数对裂缝平均能量的影响程度。
S4.基于静态参数分析裂缝平均能量变化速率的影响程度，方法包括以下步骤：
S41.计算裂缝平均能量变化速率：依次获取并计算时间t1和t2的裂缝平均能量，分别记为Hat1，Hat2，计算裂缝平均能量变化速率的算法如下：
；
S42.针对采集到的n张裂缝图像，获取裂缝平均能量变化速率记为Hav1- Havn；计算4.75mm筛孔通过率值平均值N01a和裂缝平均能量变化速率的平均值Hava：
；
；
S43.计算4.75mm筛孔通过率与裂缝平均能量变化速率的相关程度Q1v，得到筛孔通过率对裂缝平均能量变化速率的影响程度，算法如下：
；
S44.重复S41-S43，依次计算路面层厚度、面层材料、基层材料、路基土材料、交通量、温度、湿度、降雨量与裂缝平均能量变化速率的相关程度Q2v-Q9v，按照从大到小的顺序，对Q1v-Q9v进行排序，得到静态参数对裂缝平均能量变化速率的影响程度。
S5.基于静态参数对裂缝平均能量的影响程度和裂缝平均能量变化速率的影响程度，得到静态参数对裂缝平均能量及变化速率的综合影响程度，方法是：
面层级配、路面层厚度、面层材料、基层材料、路基土材料、交通量、温度、湿度、降雨量等同时影响裂缝平均能量以及裂缝平均能量变化速率，且影响程度会存在差异。因此，为了方便道路设计、养护人员设计和决策，需要同时考虑上述参数对裂缝平均能量以及裂缝平均能量变化速率的影响差异，因此，提出综合相关程度因子R：
；
式中，i取值为1-9，依次对应面层级配、路面层厚度、面层材料、基层材料、路基土材料、交通量、温度、湿度和降雨量；表示第i个参数对裂缝平均能量影响程度对应的权重系数，/>表示第i个参数对裂缝平均能量变化速率影响程度对应的权重系数；/>和根据实际情况设置；进而提高公式的灵活性及其与实际工程的吻合程度。
将Ri按照从大到小的顺序排序，得到各参数对裂缝平均能量及其变化速率的综合影响程度。
本发明实现了道路周边温度、湿度、降雨量、交通量等信息对裂缝能量以及对裂缝能量变化速率的影响分析。可用于指导路面的路面层厚度、面层材料、路基土材料等的设计，合理降低裂缝出现的时间和分布范围，提高道路使用寿命，降低成本。
本发明增加了动态影响参数：裂缝能量变化速率，以及综合相关程度因子。这是考虑到实际的业务需求。在进行道路检测过程中，有的时候，检测频率低，就没有办法得到不同时间的道路裂缝数据，因此就没办法计算裂缝能量变化速率。因此，本发明对于检测频率相对较高的道路路段，能够获取不同时间的裂缝能量，进而计算裂缝能量变化速率；
实施例2、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基于路面裂缝分析方法的动静态影响参数分析方法的步骤。
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。
实施例3、计算机可读存储介质实施例
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基于路面裂缝分析方法的动静态影响参数分析方法的步骤。
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。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (10)

1.一种基于路面裂缝分析方法的动静态影响参数分析方法，其特征在于，包括以下步骤：
S1.采集路面图像，对裂缝图像进行识别和提取，得到二值化图像；
S2.将二值化图像转换为坐标系，拆分为若干正弦函数和余弦函数的组合，获得裂缝图像的能量分布，对路面裂缝能量进行分析；
S3.分析影响裂缝图像的能量分布的静态参数，对静态参数影响程度进行分析，得到静态参数对裂缝平均能量的影响程度；
S4.基于静态参数分析裂缝平均能量变化速率的影响程度；
S5.基于静态参数对裂缝平均能量的影响程度和裂缝平均能量变化速率的影响程度，得到静态参数对裂缝平均能量及变化速率的综合影响程度。
2.根据权利要求1所述一种基于路面裂缝分析方法的动静态影响参数分析方法，其特征在于，采集路面图像，对裂缝图像进行识别和提取的方法包括以下步骤：
S11.采用道路检测车搭载工业相机的方式，采集路面图像；
S12.利用神经网络识别包含裂缝的图像，将图像依次编码为A1-An，n为含裂缝图像的总数量；
S13.将RGB图像转变为灰度图像；将RGB图像转变为灰度图像的方法是：提取RGB图像在R、G、B三个通道的数值，依次记为a、b、c，结合由心理学公式确定的彩色图像与灰度图像间的关系，采用下式计算图像灰度值d：
；
S14.对灰度图像进行线性裂缝区域和背景区域的区分，得到新的二值化图像，将二值化图像依次编码为F1-Fn，n为含线性裂缝图像的总数量，方法包括以下步骤：
S141.统计全部图像像素值，确定像素值的分布范围，最小值记为dmin，最大值记为dmax，像素分布范围即为（dmin，dmax）；
S142.设灰度值阈值dt，以灰度值阈值dt为初始临界点，将像素分布范围划分为两个区间：C区间（dmin，dt）和D区间（dt，dmax）,统计C区间和D区间范围内像素的数量n1和n2，并计算C、D两个区间像素数量在整个图像中的权重e1和e2，计算两个区间的平均像素值dc1和dd2，计算C、D区间图像像素方差E：
；
其中，灰度值阈值dt取值范围为[dmin,dmax]，且像素增加步长为1个像素；
S143.遍历全部灰度值阈值dt，依次得到C、D区间图像像素方差，记录方差中最大值Emax，方差对应的灰度值阈值dt为线性裂缝图像背景与线性裂缝区域的临界像素值，将线性裂缝图像背景与线性裂缝区域的临界像素值对应的灰度值阈值记为最终灰度值阈值dtm；
S144.以最终灰度值阈值dtm为最终分界点，将图像划分为由像素值0和1组成的二值化图像，其中，灰度值小于dtm的像素点，全部变为0；灰度值大于等于dtm的像素点，像素值变为1，从而得到新的二值化图像，将二值化图像依次编码为F1-Fn，n为含裂缝图像的总数量。
3.根据权利要求2所述一种基于路面裂缝分析方法的动静态影响参数分析方法，其特征在于，将二值化图像转换为坐标系，拆分为若干正弦函数和余弦函数的组合，获得裂缝图像的能量分布，对路面裂缝能量进行分析，包括以下步骤：
S21.将二值化图像转换为坐标系：以图像左上角点为坐标原点建立坐标系，以水平向右为x轴正方向，以竖直向下为y轴正方向，由二值化图像形成的图像矩阵记为g(x,y)；
S22.将二值化图像拆分为若干正弦函数和余弦函数的组合，将二值化图像拆分成若干频率、振幅已知的正、余弦函数的和；
S23.获得裂缝图像的能量分布，分析不同频率函数对应的能量大小。
4.根据权利要求3所述一种基于路面裂缝分析方法的动静态影响参数分析方法，其特征在于，将二值化图像拆分成若干频率、振幅已知的正、余弦函数的和，求解方法是：
；
式中，j为虚数单位，e=0,1,2,…,J-1; f=0,1,2,…,K-1；J为图像矩阵沿x轴方向的像素数量，K为图像矩阵/>沿y轴方向的像素数量；JS为x方向的角频率，KS为y方向的角频率。
5.根据权利要求4所述一种基于路面裂缝分析方法的动静态影响参数分析方法，其特征在于，获得裂缝图像的能量分布，分析不同频率函数对应的能量大小方法是：图像在一个周期信号的能量分布计算如下：
；
式中，L为x方向图像信号周期，M为y方向图像信号周期；
各个频率对应的能量值为裂缝图像的能量分布，将第i个频率记为Pi，其对应的能量记为Hi，图像中频率数量记为h；提出裂缝平均能量指标Ha：
；
裂缝平均能量指标表征图像中，路面裂缝的能量大小，能量越大，表明严重程度越大，裂缝进一步扩展的潜力越大。
6.根据权利要求5所述一种基于路面裂缝分析方法的动静态影响参数分析方法，其特征在于，分析影响裂缝图像的能量分布的静态参数，对静态参数影响程度进行分析，得到静态参数对裂缝平均能量的影响程度的方法包括以下步骤：
S31.确定影响裂缝图像的能量分布的静态参数包括面层级配、路面层厚度、面层材料、基层材料、路基土材料、交通量、温度、湿度和降雨量；将参数依次编码为N1-N9；裂缝平均能量编码为Ha；
S32.量化参数N1-N9，包括：面层级配采用4.75mm筛孔通过率值N01；路面层厚度采用路面层厚度值N02；面层材料采用面层材料模量值N03；基层材料采用基层材料模量值N04；路基土材料采用路基土材料模量值N05；交通量采用年均交通量值N06；温度采用年均温度值N07；湿度采用年均湿度值N08；降雨量采用年均降雨量值N09；
S33.针对采集到的n张裂缝图像，获取相应的面层级配对应的4.75mm筛孔通过率值，依次记为N011-N01n，对应的裂缝平均能量记为Ha1-Han；
计算4.75mm筛孔通过率的平均值N01a和裂缝平均能量的平均值Haa，算法如下：
；
；
计算4.75mm筛孔通过率与裂缝平均能量的相关程度Q1得到筛孔通过率对裂缝平均能量的影响程度，算法如下：
；
S34.重复S31-S33，依次计算路面层厚度、面层材料、基层材料、路基土材料、交通量、温度、湿度、降雨量与裂缝平均能量的相关程度Q2-Q9；按照从大到小的顺序，对Q1-Q9进行排序，得到各参数对裂缝平均能量的影响程度。
7.根据权利要求6所述一种基于路面裂缝分析方法的动静态影响参数分析方法，其特征在于，基于静态参数分析裂缝平均能量变化速率的影响程度的方法包括以下步骤：
S41.计算裂缝平均能量变化速率：依次获取并计算时间t1和t2的裂缝平均能量，分别记为Hat1，Hat2，计算裂缝平均能量变化速率的算法如下：
；
S42.针对采集到的n张裂缝图像，获取裂缝平均能量变化速率记为Hav1- Havn；计算4.75mm筛孔通过率值平均值N01a和裂缝平均能量变化速率的平均值Hava：
；
；
S43.计算4.75mm筛孔通过率与裂缝平均能量变化速率的相关程度Q1v，得到筛孔通过率对裂缝平均能量变化速率的影响程度，算法如下：
；
S44.重复S41-S43，依次计算路面层厚度、面层材料、基层材料、路基土材料、交通量、温度、湿度、降雨量与裂缝平均能量变化速率的相关程度Q2v-Q9v，按照从大到小的顺序，对Q1v-Q9v进行排序，得到静态参数对裂缝平均能量变化速率的影响程度。
8.根据权利要求7所述一种基于路面裂缝分析方法的动静态影响参数分析方法，其特征在于，基于静态参数对裂缝平均能量的影响程度和裂缝平均能量变化速率的影响程度，得到静态参数对裂缝平均能量及变化速率的综合影响程度的方法是：
；
式中，i取值为1-9，依次对应面层级配、路面层厚度、面层材料、基层材料、路基土材料、交通量、温度、湿度和降雨量；表示第i个参数对裂缝平均能量影响程度对应的权重系数，/>表示第i个参数对裂缝平均能量变化速率影响程度对应的权重系数；/>和/>根据实际情况设置；
将Ri按照从大到小的顺序排序，得到各参数对裂缝平均能量及其变化速率的综合影响程度。
9.一种电子设备，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1-8任一项所述的一种基于路面裂缝分析方法的动静态影响参数分析方法的步骤。
10.一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1-8任一项所述的一种基于路面裂缝分析方法的动静态影响参数分析方法。
CN202311336924.4A 2023-10-17 2023-10-17 一种基于路面裂缝分析方法的动静态影响参数分析方法 Active CN117079062B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311336924.4A CN117079062B (zh) 2023-10-17 2023-10-17 一种基于路面裂缝分析方法的动静态影响参数分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311336924.4A CN117079062B (zh) 2023-10-17 2023-10-17 一种基于路面裂缝分析方法的动静态影响参数分析方法

Publications (2)

Publication Number Publication Date
CN117079062A true CN117079062A (zh) 2023-11-17
CN117079062B CN117079062B (zh) 2023-12-26

Family

ID=88706487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311336924.4A Active CN117079062B (zh) 2023-10-17 2023-10-17 一种基于路面裂缝分析方法的动静态影响参数分析方法

Country Status (1)

Country Link
CN (1) CN117079062B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001088502A2 (de) * 2000-05-15 2001-11-22 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e. V. Verfahren und vorrichtung zur bestimmung zumindest eines bruchmechanischen materialparameters
FR2922344A1 (fr) * 2007-10-12 2009-04-17 Helios Sarl Procede de detection de desordres dans un ouvrage en beton ou en maconnerie
CN103985140A (zh) * 2014-05-22 2014-08-13 中国人民解放军国防科学技术大学 一种基于频域处理的抗噪运动目标检测方法
CN104483330A (zh) * 2014-11-11 2015-04-01 浙江大学 混凝土表面裂缝实时监测系统与开裂风险的动态评估方法
CN106959365A (zh) * 2017-01-16 2017-07-18 长沙理工大学 一种钢筋混凝土主梁结构锈胀裂缝开裂参数监测方法
CN109580657A (zh) * 2019-01-23 2019-04-05 郑州工程技术学院 一种桥梁质量检测中的裂缝检测方法
CN109710968A (zh) * 2018-11-14 2019-05-03 中国石油天然气股份有限公司 一种基岩潜山裂缝预测方法及装置
KR20200028776A (ko) * 2018-09-07 2020-03-17 동의대학교 산학협력단 콘크리트 균열 검출에 대한 영상 처리 기법의 향상된 이진화 방법
CN111505010A (zh) * 2020-04-28 2020-08-07 张地林 一种基于云平台的桥梁安全检测系统
CN114693615A (zh) * 2022-03-17 2022-07-01 常州工学院 一种基于域适应的深度学习混凝土桥梁裂缝实时检测方法
CN115581445A (zh) * 2022-09-09 2023-01-10 华侨大学 一种基于能量调制的激光散斑血流成像方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001088502A2 (de) * 2000-05-15 2001-11-22 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e. V. Verfahren und vorrichtung zur bestimmung zumindest eines bruchmechanischen materialparameters
FR2922344A1 (fr) * 2007-10-12 2009-04-17 Helios Sarl Procede de detection de desordres dans un ouvrage en beton ou en maconnerie
CN103985140A (zh) * 2014-05-22 2014-08-13 中国人民解放军国防科学技术大学 一种基于频域处理的抗噪运动目标检测方法
CN104483330A (zh) * 2014-11-11 2015-04-01 浙江大学 混凝土表面裂缝实时监测系统与开裂风险的动态评估方法
CN106959365A (zh) * 2017-01-16 2017-07-18 长沙理工大学 一种钢筋混凝土主梁结构锈胀裂缝开裂参数监测方法
KR20200028776A (ko) * 2018-09-07 2020-03-17 동의대학교 산학협력단 콘크리트 균열 검출에 대한 영상 처리 기법의 향상된 이진화 방법
CN109710968A (zh) * 2018-11-14 2019-05-03 中国石油天然气股份有限公司 一种基岩潜山裂缝预测方法及装置
CN109580657A (zh) * 2019-01-23 2019-04-05 郑州工程技术学院 一种桥梁质量检测中的裂缝检测方法
CN111505010A (zh) * 2020-04-28 2020-08-07 张地林 一种基于云平台的桥梁安全检测系统
CN114693615A (zh) * 2022-03-17 2022-07-01 常州工学院 一种基于域适应的深度学习混凝土桥梁裂缝实时检测方法
CN115581445A (zh) * 2022-09-09 2023-01-10 华侨大学 一种基于能量调制的激光散斑血流成像方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张宏等: "频域滤波的水泥路面图像降噪增强方法", 《土木建筑与环境工程》, vol. 37, no. 3 *

Also Published As

Publication number Publication date
CN117079062B (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
Piryonesi et al. Examining the relationship between two road performance indicators: Pavement condition index and international roughness index
CN115393727B (zh) 一种路面线性裂缝识别方法、电子设备及存储介质
Tran et al. A two-step sequential automated crack detection and severity classification process for asphalt pavements
CN108596396B (zh) 一种基于养护历史修正的路面性能预测和养护方法及装置
CN115294139A (zh) 基于图像的边坡裂缝监测方法
CN107988864B (zh) 桥梁变形与轨道随机不平顺检测装置与方法
CN117078233B (zh) 一种基于路网养护综合评价指标的养护决策方法
CN117078738B (zh) 一种线性裂缝宽度计算方法
Saliminejad et al. A spatial‐Bayesian technique for imputing pavement network repair data
CN105740280A (zh) 检测变量重要性的方法和装置
Chatterjee et al. Smart infrastructure monitoring: Development of a decision support system for vision-based road crack detection
Fang et al. Prediction modelling of rutting depth index for asphalt pavement using de-noising method
CN114283383A (zh) 一种智慧城市公路养护方法、计算机设备及介质
CN117079062B (zh) 一种基于路面裂缝分析方法的动静态影响参数分析方法
CN117077453A (zh) 一种道路路面使用寿命评估方法、电子设备及存储介质
CN117115665B (zh) 一种基于路面裂缝分析方法的静态影响参数分析方法
CN117115576B (zh) 一种基于图像的路面裂缝能量分析方法
Tsai et al. A cost-effective and objective full-depth patching identification method using 3D sensing technology with automated crack detection and classification
CN117094703B (zh) 一种面向道路裂缝的路网养护维修顺序确定方法
Al-Suleiman et al. Assessment of the effect of alligator cracking on pavement condition using WSN-image processing
CN115393147A (zh) 基于道路基础设施领域知识的检测智能指引方法
Schellander et al. Towards a reproducible snow load map–an example for Austria
CN117078737A (zh) 一种线性裂缝长度计算方法
CN117079144B (zh) 一种非均匀光照下沥青路面检测图像线性裂缝提取方法
CN117351367B (zh) 一种公路养护巡检方法、介质以及设备

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