CN117079145B - 一种道路状况综合评价方法、电子设备及存储介质 - Google Patents
一种道路状况综合评价方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117079145B CN117079145B CN202311336756.9A CN202311336756A CN117079145B CN 117079145 B CN117079145 B CN 117079145B CN 202311336756 A CN202311336756 A CN 202311336756A CN 117079145 B CN117079145 B CN 117079145B
- Authority
- CN
- China
- Prior art keywords
- road
- void
- disease
- image
- pavement
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 56
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 166
- 201000010099 disease Diseases 0.000 claims abstract description 163
- 239000011800 void material Substances 0.000 claims abstract description 122
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000013135 deep learning Methods 0.000 claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 26
- 230000000149 penetrating effect Effects 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 23
- 210000002569 neuron Anatomy 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 21
- 230000007547 defect Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 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
- 238000011835 investigation Methods 0.000 claims description 5
- 238000005553 drilling Methods 0.000 claims description 4
- 206010040844 Skin exfoliation Diseases 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000035618 desquamation Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 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
- 238000013519 translation Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 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
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- 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
- 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
- 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
- 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
- G06V10/40—Extraction of image or video features
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Remote Sensing (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Geometry (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种道路状况综合评价方法、电子设备及存储介质,属于道路评价技术领域。为解决综合考虑道路表面状况与道路内部状况进行道路状况评价。本发明采集路面病害图像,对采集的路面病害图像利用UNet深度学习网络结构进行路面病害的识别及路面病害尺寸数据的提取,基于提取的路面病害尺寸数据计算路面损坏状况指数;采集探地雷达脱空病害图像,进行脱空病害图像融合,构建道路内部脱空病害识别卷积神经网络模型,将融合时域信息、频域信息的脱空病害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,计算道路内部脱空区域参数;构建道路状况综合评价指标;进行道路状况综合评价。本发明指标更加综合、指导做出更加合理的决策方案。
Description
技术领域
本发明属于道路评价技术领域,具体涉及一种道路状况综合评价方法、电子设备及存储介质。
背景技术
路网是在一定区域内各种道路组成的相互联络、交织成网状分布的道路系统,路网中道路的服役性能状态维护,是道路养护的重点任务。而目前,面向路网的养护决策过程中,通常是人工依据路面技术状况等信息,或者直接采用历史决策方案,进行养护决策。此类方法主观性强,难以保证决策效果的最优化。
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202011297613.8、发明名称为“一种基于模糊综合评价的城市道路风险分级系统及方法”的发明专利,通过视频采集获取了影响交通风险的多种因素,并使用模糊综合评价法对多种因素进行综合评价,获得道路风险等级信息。然而,此种方法面向的对象是交通车辆、行人,尚没有考虑交通设施本体的状态对交通风险的影响。
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,在道路评价以及路网级道路养护决策过程中,此类方法无法直接提供参考。
目前,道路表观病害检测较为普遍,道路内部病害检测项目也逐渐增加,同时获取道路表面病害和内部病害数据逐渐成为可能,可基于路网中道路的内外部病害数据,综合评价路网服役状况,指导道路养护决策。
发明内容
本发明要解决的问题是综合考虑道路表面状况与道路内部状况进行道路状况评价,提出一种道路状况综合评价方法、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:
一种道路状况综合评价方法,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利用UNet深度学习网络结构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、采集探地雷达脱空病害图像,进行脱空病害图像融合,构建道路内部脱空病害识别卷积神经网络模型,然后将融合时域信息、频域信息的脱空病害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S1得到的路面损坏状况指数、步骤S2得到的道路内部脱空区域参数,构建道路状况综合评价指标;
S4、基于步骤S1-S3的方法计算全部道路的道路状况综合评价指标,进行道路状况综合评价。
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M;
S1.3.3、构建权重矩阵,计算全部神经元对应的权重,权重矩阵D的计算表达式为:
;
其中,mi为第mi个神经网络层,O为神经网络的总层数,j为当前层的第j个神经元,k为下一层的第k个神经元,E为神经元之间的权重值;
计算得到全部神经元的权重值,并按照从大到小的顺序进行排列,设置神经元保留率为F,删除率为1-F,得到新的Unet深度学习网络模型;
S1.3.4、将步骤S1.2标记后的数据集输入到步骤S1.3.3得到的新的Unet深度学习网络模型,通过误差反向传播算法,计算神经网络单元的权重和偏置,直至新的Unet深度学习网络模型的压缩率为M的50%,完成新的Unet深度学习网络模型的训练;
S1.3.5、采用步骤S1.3.4的新的Unet深度学习网络模型,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。
进一步的,步骤S2的具体实现方法包括如下步骤:
S2.1、采集探地雷达脱空病害图像,进行脱空病害图像融合:
S2.1.1、将探地雷达采集到的脱空病害图像通过小波变换的方式,提取到脱空病害图像的频率信息,计算表达式为:
;
其中,为原始脱空病害图像,/>为小波基函数,/>为小波变换后的频域脱空病害图像,m和n分别为脱空病害图像的宽度和高度,N为脱空病害图像的大小,N=m×n;g和h为脱空病害图像的尺度和平移参数;
然后进行信息融合,得到包含时域信息和频域信息的图像,
S2.1.2、融合原始脱空病害图像和小波变换后的频域脱空病害图像/>,计算表达式为:
;
其中,为原始脱空病害图像所占权重,/>为小波变换后的频域脱空病害图像所占权重,/>为融合时域信息、频域信息的脱空病害图像;
S2.2、构建道路内部脱空病害识别卷积神经网络模型;
S2.2.1、基于融合时域信息、频域信息的脱空病害图像建立道路内部病害数据集:采用LabelImg软件,使用矩形框标记融合时域信息、频域信息的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融合时域信息、频域信息的脱空病害图像的命名一致,得到道路内部病害数据集;
S2.2.2、将步骤S2.2.1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;
S2.2.3、将步骤S2.2.2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;
S2.3、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;
S2.3.1、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S2.2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;
S2.3.2、采用钻机钻探步骤S2.3.1得到病害道路内部图像的病害道路,得到道路脱空区域;
S2.3.3、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;
S2.3.4、然后向步骤S2.3.2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;
S2.3.5、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、构建道路状况综合评价指标NPCI,计算表达式为:
;
其中,为道路内部空洞相对于路面病害的重要程度,VR为道路内部脱空损坏率,/>为道路内部脱空损坏率的调整系数;
的计算表达式为:
;
其中,为道路内部空洞相对于路面病害的权重值;
S3.2、道路内部空洞相对于路面病害的权重值通过专家打分的方式获取,选取N名专家进行的打分,将打分结果按照从大到小的顺序排序,删除前六分之一和后六分之一的数值,剩余打分结果取平均值为道路内部空洞相对于路面病害的权重值;
道路内部脱空损坏率的计算表达式为:
;
其中,VV为路面调查体积,为路面脱空区域的数量;
道路内部脱空损坏率的调整系数通过专家打分的方式获取,选取N名专家进行的打分,将打分结果按照从大到小的顺序排序,删除前六分之一和后六分之一的数值,剩余打分结果取平均值为道路内部脱空损坏率的调整系数;
S3.3、最终得到道路状况综合评价指标的计算表达式为:
。
进一步的,步骤S4将全部道路对应的道路状况综合评价指标进行从大到小的顺序排序,排名最后的为路面病害和道路内部病害综合严重程度最大的道路。
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状况综合评价方法的步骤。
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状况综合评价方法。
本发明的有益效果:
本发明所述的一种道路状况综合评价方法,针对Unet深度学习网络模型的复杂度降低的方法,提高了模型的计算速度,降低算力需求和部署难度,提高检测效率。
本发明所述的一种道路状况综合评价方法,解决了道路内部病害识别过程中,由于采集图像为时域图像,病害的特征不明显,导致病害识别准确率不高。通过基于时域图像与频域图像融合的方法,实现了病害的特征增强,提高病害识别准确率。
本发明所述的一种道路状况综合评价方法,量化评价道路综合状态,指导道路养护决策,提出路网状况评价方法,指导路网养护决策。
本发明所述的一种道路状况综合评价方法,实现了基于道路表面状况和道路内部状况综合评价的路网状况评价方法。与传统的路面技术状况评价相比,本发明考虑了道路内部状况,指标更加综合、覆盖范围更加广泛,可指导做出更加合理的决策方案。
本发明所述的一种道路状况综合评价方法,适用于道路内部和道路表面检测数据相对完善的场景,有效提高路网中道路评价效果和养护维修决策准确性,方法简单、快捷、易操作,易于推广。
附图说明
图1为本发明所述的一种道路状况综合评价方法的流程图。
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:
一种道路状况综合评价方法,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利用UNet深度学习网络结构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M;
S1.3.3、构建权重矩阵,计算全部神经元对应的权重,权重矩阵D的计算表达式为:
;
其中,mi为第mi个神经网络层,O为神经网络的总层数,j为当前层的第j个神经元,k为下一层的第k个神经元,E为神经元之间的权重值;
计算得到全部神经元的权重值,并按照从大到小的顺序进行排列,设置神经元保留率为F,删除率为1-F,得到新的Unet深度学习网络模型;
S1.3.4、将步骤S1.2标记后的数据集输入到步骤S1.3.3得到的新的Unet深度学习网络模型,通过误差反向传播算法,计算神经网络单元的权重和偏置,直至新的Unet深度学习网络模型的压缩率为M的50%,完成新的Unet深度学习网络模型的训练;
S1.3.5、采用步骤S1.3.4的新的Unet深度学习网络模型,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;
S2、采集探地雷达脱空病害图像,进行脱空病害图像融合,构建道路内部脱空病害识别卷积神经网络模型,然后将融合时域信息、频域信息的脱空病害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、采集探地雷达脱空病害图像,进行脱空病害图像融合:
S2.1.1、将探地雷达采集到的脱空病害图像通过小波变换的方式,提取到脱空病害图像的频率信息,计算表达式为:
;
其中,为原始脱空病害图像,/>为小波基函数,/>为小波变换后的频域脱空病害图像,m和n分别为脱空病害图像的宽度和高度,N为脱空病害图像的大小,N=m×n;g和h为脱空病害图像的尺度和平移参数;
然后进行信息融合,得到包含时域信息和频域信息的图像,
S2.1.2、融合原始脱空病害图像和小波变换后的频域脱空病害图像/>,计算表达式为:
;
其中,为原始脱空病害图像所占权重,/>为小波变换后的频域脱空病害图像所占权重,/>为融合时域信息、频域信息的脱空病害图像;
S2.2、构建道路内部脱空病害识别卷积神经网络模型;
S2.2.1、基于融合时域信息、频域信息的脱空病害图像建立道路内部病害数据集:采用LabelImg软件,使用矩形框标记融合时域信息、频域信息的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融合时域信息、频域信息的脱空病害图像的命名一致,得到道路内部病害数据集;
S2.2.2、将步骤S2.2.1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;
S2.2.3、将步骤S2.2.2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;
S2.3、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;
S2.3.1、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S2.2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;
S2.3.2、采用钻机钻探步骤S2.3.1得到病害道路内部图像的病害道路,得到道路脱空区域;
S2.3.3、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;
S2.3.4、然后向步骤S2.3.2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;
S2.3.5、计算道路脱空区域面积,计算表达式为:
;
S3、基于步骤S1得到的路面损坏状况指数、步骤S2得到的道路内部脱空区域参数,构建道路状况综合评价指标;
进一步的,步骤S3的具体实现方法包括如下步骤:
S3.1、构建道路状况综合评价指标NPCI,计算表达式为:
;
其中,为道路内部空洞相对于路面病害的重要程度,VR为道路内部脱空损坏率,/>为道路内部脱空损坏率的调整系数;
的计算表达式为:
;
其中,为道路内部空洞相对于路面病害的权重值;
S3.2、道路内部空洞相对于路面病害的权重值通过专家打分的方式获取,选取N名专家进行的打分,将打分结果按照从大到小的顺序排序,删除前六分之一和后六分之一的数值,剩余打分结果取平均值为道路内部空洞相对于路面病害的权重值;
道路内部脱空损坏率的计算表达式为:
;
其中,VV为路面调查体积,为路面脱空区域的数量;
道路内部脱空损坏率的调整系数通过专家打分的方式获取,选取N名专家进行的打分,将打分结果按照从大到小的顺序排序,删除前六分之一和后六分之一的数值,剩余打分结果取平均值为道路内部脱空损坏率的调整系数;
S3.3、最终得到道路状况综合评价指标的计算表达式为:
;
S4、基于步骤S1-S3的方法计算全部道路的道路状况综合评价指标,进行道路状况综合评价;
进一步的,步骤S4将全部道路对应的道路状况综合评价指标进行从大到小的顺序排序,排名最后的为路面病害和道路内部病害综合严重程度最大的道路。
本实施方式所述的一种道路状况综合评价方法,实现了基于道路表面状况和道路内部状况综合评价的路网状况评价方法。与传统的路面技术状况评价相比,本实施方式考虑了道路内部状况,指标更加综合、覆盖范围更加广泛,可指导做出更加合理的决策方案。
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状况综合评价方法的步骤。
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状况综合评价方法的步骤。
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状况综合评价方法。
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状况综合评价方法的步骤。
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 (6)
1.一种道路状况综合评价方法,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利用UNet深度学习网络结构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、采集探地雷达脱空病害图像,进行脱空病害图像融合,构建道路内部脱空病害识别卷积神经网络模型,然后将融合时域信息、频域信息的脱空病害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;
步骤S2的具体实现方法包括如下步骤:
S2.1、采集探地雷达脱空病害图像,进行脱空病害图像融合:
S2.1.1、将探地雷达采集到的脱空病害图像通过小波变换的方式,提取到脱空病害图像的频域信息,计算表达式为:
其中,Xm,n为原始脱空病害图像,ψg,h(m,n)为小波基函数,Ym,n为小波变换后的频域脱空病害图像,m和n分别为脱空病害图像的宽度和高度,N为脱空病害图像的大小,N=m×n;g和h为脱空病害图像的尺度和平移参数;
然后进行信息融合,得到包含时域信息和频域信息的图像,
S2.1.2、融合原始脱空病害图像Xm,n和小波变换后的频域脱空病害图像Ym,n,计算表达式为:
XYm,n=δ1Xm,n+δ2Ym,n
其中,δ1为原始脱空病害图像所占权重,δ2为小波变换后的频域脱空病害图像所占权重,XYm,n为融合时域信息、频域信息的脱空病害图像;
S2.2、构建道路内部脱空病害识别卷积神经网络模型;
S2.2.1、基于融合时域信息、频域信息的脱空病害图像建立道路内部病害数据集:采用Labelimg软件,使用矩形框标记融合时域信息、频域信息的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融合时域信息、频域信息的脱空病害图像的命名一致,得到道路内部病害数据集;
S2.2.2、将步骤S2.2.1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;
S2.2.3、将步骤S2.2.2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;
S2.3、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;
S2.3.1、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S2.2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;
S2.3.2、采用钻机钻探步骤S2.3.1得到的病害道路内部图像的病害道路,得到道路脱空区域;
S2.3.3、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Hha;
S2.3.4、然后向步骤S2.3.2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Va;
S2.3.5、计算道路脱空区域面积Sa,计算表达式为:
S3、基于步骤S1得到的路面损坏状况指数、步骤S2得到的道路内部脱空区域参数,构建道路状况综合评价指标;
S4、基于步骤S1-步骤S3的方法计算全部道路的道路状况综合评价指标,进行道路状况综合评价。
2.根据权利要求1所述的一种道路状况综合评价方法,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M;
S1.3.3、构建权重矩阵,计算全部神经元对应的权重,权重D的计算表达式为:
其中,mi为第mi个神经网络层,O为神经网络的总层数,j为当前层的第j个神经元,k为下一层的第k个神经元,E为神经元之间的权重值;
计算得到全部神经元的权重值占比,并按照从大到小的顺序进行排列,设置神经元保留率为F,删除率为1-F,得到新的Unet深度学习网络模型;
S1.3.4、将步骤S1.2标记后的数据集输入到步骤S1.3.3得到的新的Unet深度学习网络模型,通过误差反向传播算法,计算神经网络单元的权重和偏置,直至新的Unet深度学习网络模型的压缩率为M的50%,完成新的Unet深度学习网络模型的训练;
S1.3.5、采用步骤S1.3.4的新的Unet深度学习网络模型,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,DR为路面损坏率,Ani为第ni类路面损坏的面积;AW为调查的路面面积,wni为第ni类路面损坏的权重,α0为线性调节系数,α1为指数调节系数,ni0为损坏类型总数。
3.根据权利要求2所述的一种道路状况综合评价方法,其特征在于,步骤S3的具体实现方法包括如下步骤:
S3.1、构建道路状况综合评价指标NPCI,计算表达式为:
其中,β0为道路内部空洞相对于路面病害的重要程度,VR为道路内部脱空损坏率,α2为道路内部脱空损坏率的调整系数;
β0的计算表达式为:
β0=α0·c0
其中,c0为道路内部空洞相对于路面病害的权重值;
S3.2、道路内部空洞相对于路面病害的权重值通过专家打分的方式获取,选取N'名专家进行c0的打分,将打分结果按照从大到小的顺序排序,删除前六分之一和后六分之一的数值,剩余打分结果取平均值为道路内部空洞相对于路面病害的权重值;
道路内部脱空损坏率的计算表达式为:
其中,VV为路面调查体积,j0为路面脱空区域的数量;
道路内部脱空损坏率的调整系数通过专家打分的方式获取,选取N'名专家进行α2的打分,将打分结果按照从大到小的顺序排序,删除前六分之一和后六分之一的数值,剩余打分结果取平均值为道路内部脱空损坏率的调整系数;
S3.3、最终得到道路状况综合评价指标的计算表达式为:
4.根据权利要求3所述的一种道路状况综合评价方法,其特征在于,步骤S4将全部道路对应的道路状况综合评价指标进行从大到小的顺序排序,排名最后的为路面病害和道路内部病害综合严重程度最大的道路。
5.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1-4任一项所述的一种道路状况综合评价方法的步骤。
6.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1-4任一项所述的一种道路状况综合评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311336756.9A CN117079145B (zh) | 2023-10-17 | 2023-10-17 | 一种道路状况综合评价方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311336756.9A CN117079145B (zh) | 2023-10-17 | 2023-10-17 | 一种道路状况综合评价方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117079145A CN117079145A (zh) | 2023-11-17 |
CN117079145B true CN117079145B (zh) | 2024-03-26 |
Family
ID=88713811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311336756.9A Active CN117079145B (zh) | 2023-10-17 | 2023-10-17 | 一种道路状况综合评价方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117079145B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117518281B (zh) * | 2023-12-29 | 2024-06-18 | 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 (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021174857A1 (zh) * | 2020-03-03 | 2021-09-10 | 长安大学 | 沥青路面水损害识别模型构建方法、识别方法及系统 |
CN114187516A (zh) * | 2021-12-14 | 2022-03-15 | 中国地质大学(武汉) | 一种基于bp神经网络的探地雷达地下空洞目标识别方法 |
CN114236538A (zh) * | 2021-12-21 | 2022-03-25 | 江苏现代工程检测有限公司 | 一种三维探地雷达评价沥青路面结构内部状况的方法 |
CN114998645A (zh) * | 2022-05-10 | 2022-09-02 | 中南大学 | 基于三维gpr正演技术的道路空洞形态分类方法 |
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 |
CN115879343A (zh) * | 2022-12-14 | 2023-03-31 | 西南交通大学 | 一种无砟轨道自密实混凝土脱空两阶段识别方法 |
-
2023
- 2023-10-17 CN CN202311336756.9A patent/CN117079145B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021174857A1 (zh) * | 2020-03-03 | 2021-09-10 | 长安大学 | 沥青路面水损害识别模型构建方法、识别方法及系统 |
CN114187516A (zh) * | 2021-12-14 | 2022-03-15 | 中国地质大学(武汉) | 一种基于bp神经网络的探地雷达地下空洞目标识别方法 |
CN114236538A (zh) * | 2021-12-21 | 2022-03-25 | 江苏现代工程检测有限公司 | 一种三维探地雷达评价沥青路面结构内部状况的方法 |
CN114998645A (zh) * | 2022-05-10 | 2022-09-02 | 中南大学 | 基于三维gpr正演技术的道路空洞形态分类方法 |
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 |
CN115879343A (zh) * | 2022-12-14 | 2023-03-31 | 西南交通大学 | 一种无砟轨道自密实混凝土脱空两阶段识别方法 |
Non-Patent Citations (2)
Title |
---|
Deep learning-based pavement subsurface distress detection via ground penetrating radar data;Yishun Li et al.;Automation in Construction;第1-11页 * |
SAR车辆图像智能识别网络的轻量化设计;张亚坤;万方中国学位论文全文数据库;第2-3页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117079145A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mandal et al. | Automated road crack detection using deep convolutional neural networks | |
CN117078235B (zh) | 全面评估的路网养护维修方法、电子设备及存储介质 | |
CN107316064B (zh) | 一种基于卷积神经网络的沥青路面裂缝分类识别方法 | |
Nguyen et al. | Pavement crack detection using convolutional neural network | |
CN117079145B (zh) | 一种道路状况综合评价方法、电子设备及存储介质 | |
CN110569730B (zh) | 一种基于U-net神经网络模型的路面裂缝自动识别方法 | |
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 | |
CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
CN103473557A (zh) | 一种空谱一体化的高光谱遥感图像分类方法 | |
CN114937033A (zh) | 一种基于深度卷积神经网络的农村公路路面病害智能检测方法 | |
CN113269224B (zh) | 一种场景图像分类方法、系统及存储介质 | |
CN113505769B (zh) | 目标检测方法及应用其的车辆抛洒滴漏识别方法 | |
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 | |
CN116524369B (zh) | 遥感影像分割模型构建方法、装置及遥感影像解译方法 | |
CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
CN111242144A (zh) | 电网设备异常的检测方法和装置 | |
CN104200215A (zh) | 一种大口径光学元件表面灰尘与麻点识别方法 | |
CN117197137B (zh) | 基于高光谱图像的组织样本分析方法及系统 | |
CN111325724B (zh) | 隧道裂纹区域检测方法和装置 | |
CN117422699A (zh) | 公路检测方法、装置、计算机设备及存储介质 | |
CN117291913A (zh) | 一种水工混凝土结构表观裂缝测量方法 | |
CN116052110A (zh) | 一种路面标线缺损智能定位方法及系统 | |
CN116091850A (zh) | 一种矿区土地覆盖分类模型建立及分类方法 | |
CN114693922A (zh) | 一种基于对抗神经网络的语义分割方法 | |
CN114821098A (zh) | 一种基于灰度梯度融合特征及cnn的高速路面破损检测算法 |
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 |