CN117079149B - 基于机器学习的路面状况检测系统及方法 - Google Patents
基于机器学习的路面状况检测系统及方法 Download PDFInfo
- Publication number
- CN117079149B CN117079149B CN202311344894.1A CN202311344894A CN117079149B CN 117079149 B CN117079149 B CN 117079149B CN 202311344894 A CN202311344894 A CN 202311344894A CN 117079149 B CN117079149 B CN 117079149B
- Authority
- CN
- China
- Prior art keywords
- detection
- road surface
- road
- data
- detection period
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 201
- 238000010801 machine learning Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 13
- 238000002474 experimental method Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000002354 daily effect Effects 0.000 claims 2
- 230000003203 everyday effect Effects 0.000 claims 1
- 238000012360 testing method Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 8
- 230000000737 periodic effect Effects 0.000 abstract description 2
- 210000005036 nerve Anatomy 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 239000010426 asphalt Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012876 topography 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
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了基于机器学习的路面状况检测系统及方法，其检测方法包括采集道路路面图像，对采集到的路面图像进行预处理；根据第一路面图像与第二路面图像的道路路面状况，基于卷积神将网络回归模型预测下次检测的检测周期；获取当前检测道路的道路类型与道路承载数据，并获取从当前时间到下次检测的检测周期时间内的气象因素数据；根据获取到的数据调整预测得到的检测周期。通过改变现有定期检测的方式，根据道路类型、道路承载、气象因素等变化的影响构建道路路面状况的变化情况，实时调整道路路面状况检测的检测周期，以便及时发现道路路面状况出现问题，保障驾驶安全和路面达到良好的行车条件。
Description
技术领域
本申请涉及道路路面状况检测技术领域，更具体地说，涉及基于机器学习的路面状况检测系统及方法。
背景技术
为了保证道路使用质量及运营安全，管养部门需要定期对路面健康状况进行检测，道路路面状况检测是指利用传感器和其他技术手段来实时监测和评估道路的状况，例如路面破损和坑洼，通过识别道路上的裂缝、坑洼和其他损坏，以便及时进行修复，保障驾驶安全和路面达到良好的行车条件。
现有技术CN116558578A中的道路路面状况检测方法是基于采集到的路况传感数据利用路面路况检测模型来直接预测相应的道路路面状况，其中路面路况检测模型集成了多个路面模型模块，将多个路面模型模块通过集成学习方式进行训练，使得路面路况检测模型能够较佳地处理复杂多样化的路面传感特征，从而实现实时、精准地识别道路的路面状况。考虑到裂缝、坑洼等道路病害是在服役过程中逐渐产生的，其发展是一个长期且无规律性变化的过程，并且会受到车流量、地质因素、气象因素等影响，定期检测难以把握控制道路病害的发展，尤其是在检测周期未依据道路特性合理设置的情况下，恐无法及时发现道路病害，造成交通安全事故的发生。
发明内容
1．要解决的技术问题。
本申请的目的在于提供基于机器学习的路面状况检测系统及方法，解决了上述背景技术中提出的技术问题，实现了在检测过程中根据道路路面状况的变化情况调整检测周期，以及时发现控制道路病害的技术效果。
2.技术方案。
基于上述目的，本申请提供了基于机器学习的道路路面状况检测方法，包括以下步骤。
S100、采集道路路面图像，对采集到的路面图像进行预处理。
S200、根据第一路面图像与第二路面图像的道路路面状况，基于卷积神经网络回归模型预测下次检测的检测周期。
S300、获取道路数据，所述道路数据包括但不限于当前检测道路的道路类型与道路承载数据，并获取从当前时间到下次检测的检测周期时间内的气象因素数据。
S400、根据S300中获取到的数据调整S200中预测得到的检测周期。
S500、将此次检测获取的道路路面图像替换上次检测获取的道路路面进行存储。
作为道路路面状况检测方法的优选方案，在步骤S200中先判定道路路面状况检测是否为首次，若为首次检测道路路面状况，则检测周期为预设值；若非首次检测道路路面状况，将上次检测获取的道路路面图像作为第一路面图像，此次检测获取的道路路面图像作为第二路面图像。
作为道路路面状况检测方法的优选方案，所述基于卷积神经网络回归模型预测下次检测的检测周期，具体包括：S210、在多段道路上对路面状况进行实时监测，收集路面状况变化大时的监测图像，对监测图像进行图像预处理，并人工标记对应的检测周期，构建为数据集，并划分为训练样本数据和验证样本数据。
S220、将训练样本数据输入卷积神经网络模型，对卷积神经网络模型进行训练。
S230、将验证样本数据输入训练后的卷积神经网络模型进行调优，得到所述卷积神经网络回归模型，所述卷积神经网络回归模型的输入为第一路面图像和第二路面图像，输出为对应的检测周期。
S240、将检测道路的第一路面图像和第二路面图像输入所述卷积神经网络回归模型，得到对应的下次检测的检测周期。
作为道路路面状况检测方法的优选方案，所述步骤S300包括：S310、通过大数据获取当前检测道路的道路类型。
S320、调取当前检测道路区域近期时间段内的监控视频，获取该时间段内当前检测道路经过的车辆数量及重量，计算得到每日经过车辆重量平均值，进一步得到道路承载。
m=(∑n i=1xi*yi)/n。
其中，xi为每日经过车辆重量平均值，yi为每日经过的车辆数量，n为时间段对应的天数。
S330、通过大数据分析获取从当前时间至下次预测的检测周期时间内的气象因素值，通过基于单一变量的实验获取气象因素曲线。
作为道路路面状况检测方法的优选方案，所述步骤S400包括：S410、通过基于单一变量的实验得到检测周期对于包括但不限于道路类型、道路承载数据、气象因素的曲线。
S420、将获取到的数据代入曲线，调整检测周期。
作为道路路面状况检测方法的优选方案，所述基于单一变量获取曲线的方法，包括：选取拟合函数为指数函数y=ae(ω1x1+ω2x2+...+ωnxn),其中a为常数，ω1，ω2，...ωn为变量对应权重，n为变量个数。
对函数两边取对数，有lny=lna+ω1x1+ω2x2+...+ωnxn,令y’=lny，c0=lna，于是y’=c0+ω1x1+ω2x2+...+ωnxn，转为线性模型，通过最小二乘法求解，得到拟合曲线。
本申请还提供了基于机器学习的路面状况检测系统，包括：图像采集模块，用于获取检测道路路面图像。
预处理模块，用于对获取到的道路路面图像进行预处理。
机器学习模块，用于搭建、训练、调优基于预测检测周期为目标任务的卷积神经网络模型，所述卷积神经网络模型输入为第一路面图像和第二路面图像，输出为对应的检测周期。
信息获取模块，用于获取当前检测道路的道路类型、地质因素数据与道路承载等相关道路数据，获取从当前时间到下次检测的检测周期时间内的气象因素数据。
检测周期调整模块，用于根据获取到的数据调整检测周期。
存储模块，用于存储上次检测的道路路面图像。
作为路面状况检测系统的优选方案，所述信息获取模块中，通过大数据分析获取从当前时间至下次预测的检测周期时间内的气象因素值，通过基于单一变量的实验获取气象因素曲线。
f气象因素=∑λiΔAi。
其中，ΔAi为气象因素均值与设定标准值的差值，λi为对应权重。
作为路面状况检测系统的优选方案，所述检测周期调整模块基于信息获取模块得到的道路类型、道路承载数据、气象因素曲线，通过基于单一变量的实验获取检测周期曲线。
f检测周期=f预测检测周期-∑θiBi-γθi+1f气象因素。
其中，Bi包括但不限于道路类型、地质因素、道路承载，θi为对应权重，γ为地质因素影响权重。
通过检测周期调整模块将获取到的数据代入检测周期曲线，对机器学习模块预测得到的检测周期进行动态调整得到新的检测周期，基于机器学习的路面状况检测系统按照新的检测周期进行道路路面检测。
一种路面状况检测设备，包括装载有可执行基于机器学习的道路路面状况检测方法的计算机程序。
3.有益效果。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点。
本申请通过改变现有技术中定期检测的方式，获取道路路面状况的变化图像，预测检测周期，再根据影响道路路面状况变化的地质因素、气象因素以及道路承载量，动态调整道路路面状况检测的检测周期，能够及时发现道路路面状况出现问题，降低路面状况变化严重而检测不及时对交通安全造成危害。
附图说明
图1为本申请一较佳实施例公开的基于机器学习的路面状况检测系统架构示意图。
图2为本申请一较佳实施例公开的基于机器学习的道路路面状况检测方法流程示意图。
具体实施方式
鉴于现有道路路面检测系统及方法存在的检测周期设置不合理和环境及道路洁净程度影响检测结果准确性，本申请提供了两个实施例予以解决，以下结合说明书附图对本申请作进一步详细说明。
参见图1，本申请实施例一提供了基于机器学习的路面状况检测系统，包括：图像采集模块A，用于获取检测道路路面图像；预处理模块B，用于对获取到的道路路面图像进行预处理；机器学习模块C，用于搭建、训练、调优基于预测检测周期为目标任务的卷积神经网络模型，所述卷积神经网络模型输入为第一路面图像和第二路面图像，输出为对应的检测周期；信息获取模块D，用于获取当前检测道路的道路类型与道路承载数据，获取从当前时间到下次检测的检测周期时间内的地质因素数据和气象因素数据；检测周期调整模块E，用于根据获取到的数据进一步调整检测周期；存储模块F，用于存储上次检测的道路路面图像。
其中，预处理模块B包括图像去噪/增强子模块，用于将彩色图像进行图像灰度化，并根据图像的局部方差来调整滤波器的输出进行图像去噪，将图像的直方图通过积分概率密度函数转化进行图像增强。
参见图2，本申请实施例提供了基于机器学习的道路路面状况检测方法，包括以下步骤。
S1、采集道路路面图像，对采集到的路面图像进行预处理。
S2、若为首次检测道路路面状况，则检测周期为预设值；若非首次检测道路路面状况，将上次检测获取的道路路面图像作为第一路面图像，此次检测获取的道路路面图像作为第二路面图像。
S3、根据第一路面图像与第二路面图像的道路路面状况，基于卷积神经网络回归模型预测下次检测的检测周期。
S4、获取当前检测道路的道路类型与道路承载等相关道路数据，获取从当前时间到下次检测的检测周期时间内的气象因素数据。
S5、根据获取到的数据进一步调整检测周期。
S6、将此次检测获取的道路路面图像替换上次检测获取的道路路面进行存储。
在本实施例中，对采集到的路面图像进行预处理的方法，包括：采用最大值法，将彩色图像中的三分量亮度的最大值作为灰度图的灰度值进行图像灰度化；采用自适应维纳滤波器，根据图像的局部方差来调整滤波器的输出进行图像去噪；采用直方图均衡化，将图像的直方图通过积分概率密度函数转化进行图像增强。
在本实施例中，所述步骤S3根据第一路面图像与第二路面图像的道路路面状况判断下次检测的检测周期的方法，包括：在多段道路上对路面状况进行实时监测，收集路面状况变化大时的监测图像，在本实施例中，共获取道路路面图像1520张，对监测图像进行图像预处理，并人工标记对应的检测周期，构建为数据集，并划分为训练样本数据和验证样本数据，将训练样本数据输入卷积神经网络模型，对卷积神经网络模型进行训练，将验证样本数据输入训练后的卷积神经网络模型进行调优，得到所述卷积神经网络回归模型，所述卷积神经网络回归模型的输入为第一路面图像和第二路面图像，输出为对应的检测周期。
在本实施例中，采用k折交叉验证算法对卷积神经网络模型进行调优，最终调整超参数学习速率为0.001、迭代次数为50、批大小为10；模型预测得到的检测周期R2为0.913，其平均绝对误差MAE为7.8%，平均相对误差为4.3%。
将检测道路的第一路面图像和第二路面图像输入所述卷积神经网络回归模型，得到对应的下次检测的检测周期。
在本实施例中，所述卷积神经网络模型将AlexNet作为的卷积神经网络架构，修改模型的输入层、卷积层、池化层、全连接层和输出层，定义输入层：为第一路面图像和第二路面图像分别定义输入层，其输入层尺寸与每个图像尺寸匹配；共享权重层：为了提取相同的特征，在模型的卷积层、池化层和全连接层共享权重；合并层：将第一路面图像和第二路面图像的特征表示合并在一起；后续层：在合并层之后添加更多的卷积层、全连接层和激活函数等，以进一步处理和学习特征；最后，添加一个输出层，其神经元数量为回归目标的维度，使用线性激活函数作为输出层，以预测连续值。
在本实施例中，通过大数据获取当前检测道路的道路类型和地质因素，所述道路类型p为支路（p=1）、快速路（p=2）、主干路、次干路、公路、高速公路、沥青路面、次高级路面、刚性路面、水泥混凝土路面、柔性路面、乡村道路中的一种；调取当前检测道路区域近一周的监控视频，获取一周内当前检测道路经过的车辆数量及重量，xi，i∈{1，2，3，4，5，6，7}为每日经过车辆重量平均值，yi，i∈{1，2，3，4，5，6，7}为每日经过的车量数量，道路承载m=(∑7 i=1xi*yi)/7，需要说明的是，检测时间段的时长可根据检测需求进行适应性调整。
通过大数据分析获取从当前检测时间至预测的检测周期时间内的气象因素值，气象因素包括但不限于温度、降雨量、风速、气压，如获取时间段内的温度均值、降雨量均值、风速均值、气压均值，并通过基于单一变量的实验获取气象因素曲线f气象因素=λ1Δa+λ2Δb+λ3Δc+λ4Δd，λ1为温度均值对应权重，λ2为降雨量均值对应权重，λ3为风速均值对应权重，λ4为气压均值对应权重，Δa为温度均值与设定标准温度的差值，Δb为降雨量均值与设定标准降雨量的差值，Δc为风速均值与设定标准风速的差值，Δd为气压均值与设定标准气压的差值。
以非山区道路为例，通过基于单一变量的实验得到检测周期对于道路类型、道路承载数据、气象因素的曲线f检测周期=f预测检测周期-θ1p-θ2m-θ3f气象因素，其中θ1为道路类型对应权重，θ2为道路承载数据对应权重，θ3为气象因素对应权重。
在本实施例中，所述基于单一变量获取曲线的方法，包括：选取拟合函数为指数函数y=ae(ω1x1+ω2x2+...+ωnxn),a为常数，ω1，ω2，...ωn为变量对应权重，n为变量个数，对函数两边取对数，有lny=lna+ω1x1+ω2x2+...+ωnxn，令y’=lny，c0=lna，于是y’=c0+ω1x1+ω2x2+...+ωnxn，转为线性模型，通过最小二乘法求解，得到拟合曲线。
在本实施例中，各权重参数为λ1=0.324，λ2=0.376，λ3=0.211，λ4=0.089；θ1=0.413，θ2=0.231，θ3=0.336，设定的标准气象数据为气温25℃、降雨量10毫米、风速6m/s、气压101kPa。
而对于山区道路，由于山区一般地形地质条件复杂，起主要影响作用的地质因素不同，其对应的作用机理也存在差异，其中降雨量会诱发地质灾害，尤其是短时强降雨或暴雨，在地质灾害衡量中，暴雨使主要的参考指标之一。因此，在本实施例中，利用天气因素来表征地质因素的影响，当降雨量达到暴雨橙色预警标准时，将天气因素中的降雨量平均值对应的权重λ2提高且随着降雨量的增加而增大，如3小时内降雨量每升高10毫米其权重增大0.02，通过基于单一变量的实验得到检测周期对于道路类型、道路承载数据、气象因素的曲线f检测周期=f预测检测周期-θ1p-θ2m-γθ3f气象因素，其中γ为地质因素影响权重且γ≥1，在出现暴雨天气时，γ＞1且随着降雨量的增加而增大。
在当前时间距离下次检测周期的时间剩余三分之一时，通过大数据分析获取上次检测时间至当前时间段内的气象因素值，并按照上述方法获取道路数据，将获取到的道路类型、道路承载数据、气象因素等数据等代入检测周期曲线，对预测的检测周期进行调整，当当前日期与调整后的检测周期时间间隔小于设定数据获取周期（如7天）时，系统提醒通知工作人员做好检测准备工作，否则继续进行道路数据及气象因素数据的获取，并进一步对检测周期进行动态调整，使基于机器学习的路面状况检测系统按照调整后的检测周期进行道路路面检测，综合考虑地质因素、气象因素以及道路承载量对道路路面状况变化的影响，动态调整道路路面状况检测的检测周期，以便及时发现道路路面状况出现问题，保障驾驶安全和路面达到良好的行车条件。
Claims (10)
1.基于机器学习的道路路面状况检测方法，其特征在于，包括以下步骤：
S100、采集道路路面图像，对采集到的路面图像进行预处理；
S200、将上次检测获取的道路路面图像作为第一路面图像，此次检测获取的道路路面图像作为第二路面图像，根据第一路面图像与第二路面图像的道路路面状况，基于卷积神经网络回归模型预测下次检测的检测周期，所述卷积神经网络模型输入为第一路面图像和第二路面图像，输出为预测下次检测的检测周期；
S300、获取道路数据，所述道路数据包括但不限于当前检测道路的道路类型与道路承载数据，并获取从当前时间到下次检测的检测周期时间内的气象因素数据；
S400、根据S300中获取到的数据调整S200中预测得到的检测周期；
S500、将此次检测获取的道路路面图像替换上次检测获取的道路路面进行存储。
2.根据权利要求1所述的基于机器学习的道路路面状况检测方法，其特征在于，所述步骤S200中先判定道路路面状况检测是否为首次，若为首次检测道路路面状况，则检测周期为预设值；若非首次检测道路路面状况，将上次检测获取的道路路面图像作为第一路面图像，此次检测获取的道路路面图像作为第二路面图像。
3.根据权利要求1所述的基于机器学习的道路路面状况检测方法，其特征在于，所述基于卷积神经网络回归模型预测下次检测的检测周期，具体包括：
S210、在多段道路上对路面状况进行实时监测，收集路面状况变化大时的监测图像，对监测图像进行图像预处理，并人工标记对应的检测周期，构建为数据集，并划分为训练样本数据和验证样本数据；
S220、将训练样本数据输入卷积神经网络模型，对卷积神经网络模型进行训练；
S230、将验证样本数据输入训练后的卷积神经网络模型进行调优，得到所述卷积神经网络回归模型，所述卷积神经网络回归模型的输入为第一路面图像和第二路面图像，输出为对应的检测周期；
S240、将检测道路的第一路面图像和第二路面图像输入所述卷积神经网络回归模型，得到对应的下次检测的检测周期。
4.根据权利要求1所述的基于机器学习的道路路面状况检测方法，其特征在于，所述步骤S300包括：
S310、通过大数据获取当前检测道路的道路类型；
S320、调取当前检测道路区域近期时间段内的监控视频，获取该时间段内当前检测道路经过的车辆数量及重量，计算得到每日经过车辆重量平均值，进一步得到道路承载：
m=(∑n i=1xi*yi)/n
其中，xi为每日经过车辆重量平均值，yi为每日经过的车辆数量，n为时间段对应的天数；
S330、通过大数据分析获取从当前时间至下次预测的检测周期时间内的气象因素值，通过基于单一变量的实验获取气象因素曲线。
5.根据权利要求1所述的基于机器学习的道路路面状况检测方法，其特征在于，所述步骤S400包括：
S410、通过基于单一变量的实验得到检测周期对于包括但不限于道路类型、道路承载数据、气象因素的曲线；
S420、将获取到的数据代入曲线，调整检测周期。
6.根据权利要求4或5所述的基于机器学习的道路路面状况检测方法，其特征在于，基于单一变量获取曲线的方法，包括：
选取拟合函数为指数函数y=ae(ω1x1+ω2x2+...+ωnxn),其中a为常数，ω1，ω2，...ωn为变量对应权重，n为变量个数；
对函数两边取对数，有lny=lna+ω1x1+ω2x2+...+ωnxn,令y’=lny，c0=lna，于是y’=c0+ω1x1+ω2x2+...+ωnxn，转为线性模型，通过最小二乘法求解，得到拟合曲线。
7.基于机器学习的路面状况检测系统，其特征在于，包括：
图像采集模块，用于获取检测道路路面图像；
预处理模块，用于对获取到的道路路面图像进行预处理；
机器学习模块，用于搭建、训练、测试基于预测检测周期为目标任务的卷积神经网络模型，将上次检测获取的道路路面图像作为第一路面图像，此次检测获取的道路路面图像作为第二路面图像，所述卷积神经网络模型输入为第一路面图像和第二路面图像，输出为预测下次检测的检测周期；
信息获取模块，用于获取包括当前检测道路的道路类型与道路承载的道路数据，获取从当前时间到下次检测的检测周期时间内的气象因素数据；
检测周期调整模块，用于根据信息获取模块获取到的道路类型、道路承载数据、气象因素数据调整由机器学习模块预测下次检测的检测周期；
存储模块，用于存储上次检测的道路路面图像。
8.根据权利要求7所述的基于机器学习的路面状况检测系统，其特征在于，所述信息获取模块中，通过大数据分析获取从当前时间至下次预测的检测周期时间内的气象因素值，通过基于单一变量的实验获取气象因素曲线：
f气象因素=∑λiΔAi
其中，ΔAi为各气象因素均值与设定标准值的差值，λi为对应权重。
9.根据权利要求8所述的基于机器学习的路面状况检测系统，其特征在于，所述检测周期调整模块基于信息获取模块得到的道路数据和气象因素曲线，通过基于单一变量的实验获取检测周期曲线：
f检测周期=f预测检测周期-∑θiBi-γθi+1f气象因素
其中，Bi包括但不限于道路类型、地质因素、道路承载，θi为对应权重，γ为地质因素影响权重；
通过检测周期调整模块将获取到的数据代入检测周期曲线，对机器学习模块预测得到的检测周期进行动态调整得到新的检测周期，基于机器学习的路面状况检测系统按照新的检测周期进行道路路面检测。
10.一种路面状况检测设备，其特征在于，包括装载有可执行如权利要求1-6任一项所述的基于机器学习的道路路面状况检测方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311344894.1A CN117079149B (zh) | 2023-10-18 | 2023-10-18 | 基于机器学习的路面状况检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311344894.1A CN117079149B (zh) | 2023-10-18 | 2023-10-18 | 基于机器学习的路面状况检测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117079149A CN117079149A (zh) | 2023-11-17 |
| CN117079149B true CN117079149B (zh) | 2024-02-09 |
Family
ID=88708445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311344894.1A Active CN117079149B (zh) | 2023-10-18 | 2023-10-18 | 基于机器学习的路面状况检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117079149B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117610745A (zh) * | 2024-01-23 | 2024-02-27 | 山东省国土测绘院 | 一种自然资源动态监测系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9804909B1 (en) * | 2015-01-23 | 2017-10-31 | EMC IP Holding Company LLC | Scalable predictive early warning system for data backup event log |
| CN108710757A (zh) * | 2018-05-18 | 2018-10-26 | 山东大学 | 基于时变参数预测模型的机械运行状态监测方法及装置 |
| CN112241808A (zh) * | 2020-09-28 | 2021-01-19 | 四川省交通运输发展战略和规划科学研究院 | 路面技术状况预测方法、装置、电子设备及存储介质 |
| CN112988538A (zh) * | 2021-03-12 | 2021-06-18 | 山东英信计算机技术有限公司 | 人工智能开发平台监控告警数据预测方法、装置及介质 |
| CN115267143A (zh) * | 2022-09-28 | 2022-11-01 | 江苏筑升土木工程科技有限公司 | 道路空洞缺陷检测系统及检测方法 |
| US11620901B1 (en) * | 2022-06-02 | 2023-04-04 | Iteris, Inc. | Short-term traffic speed prediction and forecasting using machine learning analysis of spatiotemporal traffic speed dependencies in probe and weather data |
| CN116289444A (zh) * | 2023-01-28 | 2023-06-23 | 广西北投交通养护科技集团有限公司 | 基于智能化的路面病害实时监测与预测装置及方法 |
-
2023
- 2023-10-18 CN CN202311344894.1A patent/CN117079149B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9804909B1 (en) * | 2015-01-23 | 2017-10-31 | EMC IP Holding Company LLC | Scalable predictive early warning system for data backup event log |
| CN108710757A (zh) * | 2018-05-18 | 2018-10-26 | 山东大学 | 基于时变参数预测模型的机械运行状态监测方法及装置 |
| CN112241808A (zh) * | 2020-09-28 | 2021-01-19 | 四川省交通运输发展战略和规划科学研究院 | 路面技术状况预测方法、装置、电子设备及存储介质 |
| CN112988538A (zh) * | 2021-03-12 | 2021-06-18 | 山东英信计算机技术有限公司 | 人工智能开发平台监控告警数据预测方法、装置及介质 |
| US11620901B1 (en) * | 2022-06-02 | 2023-04-04 | Iteris, Inc. | Short-term traffic speed prediction and forecasting using machine learning analysis of spatiotemporal traffic speed dependencies in probe and weather data |
| CN115267143A (zh) * | 2022-09-28 | 2022-11-01 | 江苏筑升土木工程科技有限公司 | 道路空洞缺陷检测系统及检测方法 |
| CN116289444A (zh) * | 2023-01-28 | 2023-06-23 | 广西北投交通养护科技集团有限公司 | 基于智能化的路面病害实时监测与预测装置及方法 |
Non-Patent Citations (2)
| Title |
|---|
| "Pothole Detection Based on Disparity Transformation and Road Surface Modeling";R. Fan等;《IEEE Transactions on Image Processing》;第29卷;全文 * |
| 基于路面使用性能可靠性的检测周期优化研究;崔洪军;闫寒;李霞;;科学技术与工程(第35期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117079149A (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110807562B (zh) | 一种区域性桥梁风险预测方法及系统 | |
| CN117079149B (zh) | 基于机器学习的路面状况检测系统及方法 | |
| CN111553902B (zh) | 一种基于大数据的公路路面安全监测系统 | |
| US20230083004A1 (en) | Method of monitoring health status of bridges in normal traffic conditions | |
| CN110751829B (zh) | 一种基于图像自学习的车辆排队消散时间预测方法 | |
| CN113496314B (zh) | 一种神经网络模型预测道路交通流量的方法 | |
| CN116448773B (zh) | 一种图像-振动特征融合的路面病害检测方法及系统 | |
| CN114819305B (zh) | 一种基于碳排放度量尺度下的路径规划方法 | |
| CN111881970A (zh) | 一种基于深度学习的外破图像智能识别方法 | |
| CN114493038A (zh) | 一种全天时全路网的交通流量估计方法 | |
| CN115439643A (zh) | 一种基于单目测量的道路病害尺寸分析与管理方法 | |
| CN115755228A (zh) | 一种积水路段预测方法 | |
| CN114855570A (zh) | 市政道路的养护策略处理方法、装置和计算机设备 | |
| CN114971418A (zh) | 基于道路养护的数据的智能管理系统 | |
| García-Segura et al. | Integration of deep learning techniques and sustainability-based concepts into an urban pavement management system | |
| CN109344903B (zh) | 基于车载感知数据的城市道路路面故障实时检测方法 | |
| JPH064795A (ja) | 交通状況監視方法と装置および交通流監視制御システム | |
| KR100794591B1 (ko) | 차량정보 자동계측시스템 | |
| Wu et al. | Advances in sustainable winter road maintenance and management for future smart cities | |
| CN108920655B (zh) | 一种道路天气信息系统时空覆盖范围量化方法及装置 | |
| KR20190141322A (ko) | 신경회로망을 이용한 도로 노면의 크랙 검출 시스템 및 그 검출 방법 | |
| CN110705854A (zh) | 一种驾驶水平评估方法及系统 | |
| CN115239689A (zh) | 一种路面信息的检测、计算方法、检测系统、设备及计算机可读存储介质 | |
| CN113762021A (zh) | 一种基于循环神经网络和注意力引导机制的复杂路面裂缝检测方法 | |
| JP2000322682A (ja) | 交通流予測システム、交通流予測装置及び交通流予測方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |