CN117289261A - 一种基于探地雷达的路面裂缝检测的自动识别方法 - Google Patents
一种基于探地雷达的路面裂缝检测的自动识别方法 Download PDFInfo
- Publication number
- CN117289261A CN117289261A CN202311511330.2A CN202311511330A CN117289261A CN 117289261 A CN117289261 A CN 117289261A CN 202311511330 A CN202311511330 A CN 202311511330A CN 117289261 A CN117289261 A CN 117289261A
- Authority
- CN
- China
- Prior art keywords
- pavement
- crack
- pavement crack
- damage
- model
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 59
- 230000000149 penetrating effect Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000003062 neural network model Methods 0.000 claims abstract description 39
- 238000012795 verification Methods 0.000 claims abstract description 31
- 238000010586 diagram Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 239000010426 asphalt Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000004568 cement Substances 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000011835 investigation Methods 0.000 description 23
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000009659 non-destructive testing Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Road Repair (AREA)
Abstract
本发明提出了一种基于探地雷达的路面裂缝检测的自动识别方法,包括以下步骤:采集路面裂缝的b‑scan图和实际路面裂缝图;对b‑scan图和实际路面裂缝图进行数据处理,根据数据处理结果制作数据集,将数据集划分为训练集和验证集;构建地面裂缝判定模型和目标识别神经网络模型,通过训练集和验证集对地面裂缝判定模型和目标识别神经网络模型进行训练和验证,得到路面裂缝判定识别模型;将所述路面裂缝判定识别模型部署到嵌入式系统,并将嵌入式系统外接摄像机和探地雷达;通过摄像机和探地雷达采集路面数据,将所述路面数据导入路面裂缝判定识别模型得到路面裂缝数据,根据所述路面裂缝数据对路面裂缝进行等级评估。
Description
技术领域
本发明涉及路面裂缝检测技术领域,尤其涉及一种基于探地雷达的路面裂缝检测的自动识别方法。
背景技术
在保障道路安全中,路面裂缝检测是一项重要任务。人工检测裂缝是一件耗时耗力的工作,因此往往采用探地雷达进行裂缝检测。探地雷达是一种使用电磁波进行地下探测的无损探测技术,使用探地雷达的原理是通过发射器向地面发射高频的电磁波,当遇到不同的介质会引起电磁波在地面的反射、透射和衍射等现象,这些反射的电磁波被接收器并将其转化为数字信号,对其进行处理可以实现对路面裂缝信息的准确采集,但是在检测的过程中由于裂缝的强度不均匀性和背景的复杂性,还可能存在强度相似的阴影,会给检测带来一些难度,现在大多数的检测都是通过人工进行,会导致一些识别错误问题的出现。
中国专利CN115616674A《探地雷达训练数据集模拟扩增与道路无损检测方法及系统》公开了一种探地雷达复杂工况训练数据集模拟扩增与道路无损检测方法,该方法通过探地雷达进行道路无损检测。该方法采用卷积神经网络模型仅对探地雷达采集到的雷达图像进行处理,而不考虑实际图像的影响,该方法所分析的图像数据存在干扰,且该方法仅仅关注道路是否无损,而不是关注于路面裂缝检测。
发明内容
有鉴于此,本发明提出了一种基于探地雷达的路面裂缝检测的自动识别方法,通过结合摄像机和探地雷达的方式,克服了现有技术中仅通过单一手段进行裂缝识别时可能出现的识别效果不佳的问题,构建路面裂缝判定识别模型对摄像机采集的路面裂缝图片和探地雷达采集的路面裂缝雷达图像进行识别,从而判断路面裂缝的裂缝等级,进而评估路面裂缝的状况。
本发明的技术方案是这样实现的:本发明提供了一种基于探地雷达的路面裂缝检测的自动识别方法,包括以下步骤:
S1,采集路面裂缝的b-scan图和实际路面裂缝图;
S2,对b-scan图和实际路面裂缝图进行数据处理,根据数据处理结果制作数据集,将数据集划分为训练集和验证集;
S3,构建地面裂缝判定模型和目标识别神经网络模型,通过训练集和验证集对地面裂缝判定模型和目标识别神经网络模型进行训练和验证,得到路面裂缝判定识别模型,所述路面裂缝判定识别模型包括优化后的地面裂缝判定模型和目标识别神经网络模型;
S4,将所述路面裂缝判定识别模型部署到嵌入式系统,并将嵌入式系统外接摄像机和探地雷达;
S5,通过摄像机和探地雷达采集路面数据,将所述路面数据导入路面裂缝判定识别模型得到路面裂缝数据,根据所述路面裂缝数据对路面裂缝进行等级评估。
优选的,步骤S2包括以下步骤:
S21,将实际路面裂缝图转化为灰度图像,增加对比度,提取边缘特征,连接临近裂缝得到连通域,删除非裂缝噪点区域,提取连通域的骨架,测量骨架的长度和宽度,得到第一数据集;
S22,对b-scan图加入高斯滤波并进行裁剪,得到第二数据集;
S23,将第一数据集划分为第一训练集和第一验证集,将第二数据集划分为第二训练集和第二验证集。
优选的,步骤S3包括以下步骤:
S31,所述地面裂缝判定模型为RCNN神经网络模型,所述目标识别模型为YOLOv5神经网络模型,通过第一训练集和第一验证集对RCNN神经网络模型进行训练和验证,通过第二训练集的第二验证集对YOLOv5神经网络模型进行训练和验证;
S32,根据训练和验证的结果,计算准确率、召回率和mAP值,根据所述准确率、召回率和mAP值对RCNN神经网络模型和YOLOv5神经网络模型进行评估和优化,得到路面裂缝判定识别模型。
优选的,步骤S4还包括:
构建嵌入式系统,将路面裂缝判定识别模型移植到嵌入式系统,使用嵌入式开发工具链对移植后的路面裂缝判定识别模型进行编译,得到可执行文件,将可执行文件烧录到嵌入式系统,集成嵌入式系统和移植后的路面裂缝判定识别模型。
优选的,步骤S5包括:
S51,将探地雷达和摄像机外接到嵌入式系统上,通过探地雷达和摄像机采集路面数据,所述路面数据包括路面裂缝图片和路面裂缝雷达图像;
S52,将路面裂缝图片和路面裂缝雷达图像导入嵌入式系统,通过移植后的路面裂缝判定识别模型进行识别,得到路面裂缝数据,根据所述路面裂缝数据计算路面损坏状况指数和路面破坏率;
S53,根据所述路面损坏状况指数评估路面裂缝的裂缝等级,显示所述裂缝等级。
优选的,步骤S51包括:
通过探地雷达采集路面裂缝雷达图像,所述路面裂缝雷达图像为b-scan图,根据路面裂缝雷达图像判断地下裂缝情况,通过摄像机采集路面裂缝图片,所述路面裂缝图片为实际路面裂缝图,根据路面裂缝图片判断路面表面裂缝情况。
优选的,步骤S52包括:
根据所述路面裂缝数据计算路面损坏状况指数和路面破坏率,具体计算公式为:
Ai=0.01×GNi;
其中,PCI为路面损坏状况指数,DR为路面破损率,a0为路面第一系数,a1为路面第二系数,i为路面损坏类型,i0为损坏类型总数,wi为第i类路面损坏权重系数,Ai为第i类路面损坏的累计面积,A为路面检测计算面积,GNi为第i类路面损坏的网格数。
优选的,所述路面损坏类型i包括损坏程度,所述损坏程度包括轻、中、重,所述第i类路面损坏权重系数wi包括人工调查权重和自动检测权重,所述路面包括沥青路面和水泥混凝土路面。
优选的,步骤S53包括:
根据所述路面损坏状况指数评估路面裂缝的裂缝等级,将裂缝等级分为优、良、中、次、差,并显示到显示器上。
优选的,根据所述路面损坏状况指数评估路面裂缝的裂缝等级时,对于高速公路的路面和非高速公路的路面采用两个不同标准评估裂缝等级。
本发明的一种基于探地雷达的路面裂缝检测的自动识别方法相对于现有技术具有以下有益效果:
(1)结合摄像机和探地雷达采集的两种数据集进行路面裂缝检测,提高了识别的准确性和精度,通过构建神经网络模型进行训练和验证,识别路面裂缝的数据并评估裂缝等级,提高了工作效率;
(2)将优化后的模型移植到嵌入式系统中,在实际应用中能够快速地进行裂缝识别和评估,提高了工作效率;
(3)根据路面损坏指数评估路面裂缝的裂缝等级,能够及时发现路面问题,指导维修工作,提高了路面的安全性和可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种基于探地雷达的路面裂缝检测的自动识别方法流程图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
提供了一种基于探地雷达的路面裂缝检测的自动识别方法,如图1所示,包括以下步骤:
S1,采集路面裂缝的b-scan图和实际路面裂缝图;
S2,对b-scan图和实际路面裂缝图进行数据处理,根据数据处理结果制作数据集,将数据集划分为训练集和验证集;
S3,构建地面裂缝判定模型和目标识别神经网络模型,通过训练集和验证集对地面裂缝判定模型和目标识别神经网络模型进行训练和验证,得到路面裂缝判定识别模型,所述路面裂缝判定识别模型包括优化后的地面裂缝判定模型和目标识别神经网络模型;
S4,将所述路面裂缝判定识别模型部署到嵌入式系统,并将嵌入式系统外接摄像机和探地雷达;
S5,通过摄像机和探地雷达采集路面数据,将所述路面数据导入路面裂缝判定识别模型得到路面裂缝数据,根据所述路面裂缝数据对路面裂缝进行等级评估。
应说明的是:现有的路面裂缝检测方法往往只有一重识别,即通过算法模型对探地雷达采集到的雷达图像进行识别,直接判断路面裂缝的状况,然而仅仅通过探地雷达采集到的雷达图像来判断路面裂缝状况是不够严谨的,且精度也会较低,所以需要加入对照组进行对比;
本发明采用双重识别方式,即先通过摄像机采集路面裂缝的实际图片,再通过探地雷达采集路面裂缝的b-scan图,从而构建两种数据集,将数据集划分为训练集和验证集,有效地训练和验证神经网络模型;
本发明采用RCNN神经网络模型和YOLOv5神经网络模型,通过RCNN神经网络模型对摄像机采集的路面裂缝的实际图片进行模型训练,通过YOLOv5神经网络模型对探地雷达采集的b-scan图进行模型训练,然后进行模型验证;
最后将训练和验证好的模型部署到嵌入式系统,将嵌入式系统与摄像机和探地雷达外接,使得嵌入式系统直接对摄像机和探地雷达采集到的数据进行识别和判定,根据识别判定结果进行裂缝等级评估,得到路面裂缝的状况。
S21,将实际路面裂缝图转化为灰度图像,增加对比度,提取边缘特征,连接临近裂缝得到连通域,删除非裂缝噪点区域,提取连通域的骨架,测量骨架的长度和宽度,得到第一数据集;
S22,对b-scan图加入高斯滤波并进行裁剪,得到第二数据集;
S23,将第一数据集划分为第一训练集和第一验证集,将第二数据集划分为第二训练集和第二验证集。
应说明的是:对于训练集和验证集两种数据集分别进行处理,通过摄像机采集地面裂缝的图片,将原始彩色图片转换为灰度图像。转化为灰度图像后通过增加对比度,让图片的裂缝特征更加突出,增强裂缝的可见性和清晰度,根据Canny边缘检测,提取边缘特征,用形态学连接临近裂缝,找出所有连通域,删除非裂缝噪点区域,对每个连通域提取骨架,测量骨架的长度和宽度,提取出长度和宽度为路面检测计算面积提供依据。对于b-scan图像,使用高斯滤波来减噪和增强图像质量,通过裁剪的方法,将b-scan图像中有信息的部分提取出来。数据处理完成后,将两种数据集分别划分为训练集和验证集。
S31,所述地面裂缝判定模型为RCNN神经网络模型,所述目标识别模型为YOLOv5神经网络模型,通过第一训练集和第一验证集对RCNN神经网络模型进行训练和验证,通过第二训练集的第二验证集对YOLOv5神经网络模型进行训练和验证;
S32,根据训练和验证的结果,计算准确率、召回率和mAP值,根据所述准确率、召回率和mAP值对RCNN神经网络模型和YOLOv5神经网络模型进行评估和优化,得到路面裂缝判定识别模型。
应说明的是:导入相关模块,导入深度学习框架pytorch,以及其他相关模块如Numpy、Matplotlib,根据已知的神经网络算法结构,构建RCNN神经网络模型和YOLOv5神经网络模型;
将数据集划分好训练集和验证集,对于RCNN神经网络模型,使用训练集进行模型训练,并使用验证集进行模型验证。对于YOLOv5算法模型,同样将数据集划分为训练集和验证集,使用训练集进行模型训练,并使用验证集进行模型验证。对于RCNN神经网络模型和YOLOv5算法模型,计算模型的准确率、召回率、mAP值,根据评估结果对模型进行优化,例如调整超参数、增加或减少层数等操作。优化后的模型,将最终的最优模型参数和最优模型权重导出。
准确率,召回率和F值都是利用无序的文当集合进行计算,而搜索引擎返回的结果通常是有序的,因此有必要对这些指标进行扩展以考虑位置信息。
构建嵌入式系统,将路面裂缝判定识别模型移植到嵌入式系统,使用嵌入式开发工具链对移植后的路面裂缝判定识别模型进行编译,得到可执行文件,将可执行文件烧录到嵌入式系统,集成嵌入式系统和移植后的路面裂缝判定识别模型。
应说明的是:将训练完成的路面裂缝判定识别模型的模型参数和权重系数,导入到初始模型当中,为嵌入式系统配置合适的嵌入式操作系统、编译器、调试器和目标板,将路面裂缝判定识别模型进行移植,使训练完成的路面裂缝判定识别模型能够在嵌入式系统上运行。使用嵌入式开发工具链对移植后的路面裂缝判定识别模型进行编译,生成可执行文件。然后将可执行文件烧录到嵌入式系统中。在嵌入式系统上运行路面裂缝判定识别模型,进行测试和验证,确保模型能够在目标板上正确运行。将优化后的路面裂缝判定识别模型与嵌入式系统进行集成,使其成为嵌入式系统的一部分,能够在实际应用中自动执行任务。
S51,将探地雷达和摄像机外接到嵌入式系统上,通过探地雷达和摄像机采集路面数据,所述路面数据包括路面裂缝图片和路面裂缝雷达图像;
S52,将路面裂缝图片和路面裂缝雷达图像导入嵌入式系统,通过移植后的路面裂缝判定识别模型进行识别,得到路面裂缝数据,根据所述路面裂缝数据计算路面损坏状况指数和路面破坏率;
S53,根据所述路面损坏状况指数评估路面裂缝的裂缝等级,显示所述裂缝等级。
通过探地雷达采集路面裂缝雷达图像,所述路面裂缝雷达图像为b-scan图,根据路面裂缝雷达图像判断地下裂缝情况,通过摄像机采集路面裂缝图片,所述路面裂缝图片为实际路面裂缝图,根据路面裂缝图片判断路面表面裂缝情况。
应说明的是:在部署完成后的嵌入式系统上外接摄像机和探地雷达,摄像机拍摄路面裂缝的实际图片,探地雷达采集路面裂缝的b-scan图,将实际图片和b-scan图送入嵌入式系统中,通过模型进行识别和判定,得到路面裂缝数据,所述路面裂缝数据包括路面第一系数a0,路面第二系数a1,路面损坏类型i,损坏类型总数i0,第i类路面损坏权重系数wi,第i类路面损坏的累计面积Ai,路面检测计算面积A和第i类路面损坏的网格数GNi。
根据所述路面裂缝数据计算路面损坏状况指数和路面破坏率,具体计算公式为:
Ai=0.01×GNi;
其中,PCI为路面损坏状况指数,DR为路面破损率,a0为路面第一系数,a1为路面第二系数,i为路面损坏类型,i0为损坏类型总数,wi为第i类路面损坏权重系数,Ai为第i类路面损坏的累计面积,A为路面检测计算面积,GNi为第i类路面损坏的网格数。
所述路面损坏类型i包括损坏程度,所述损坏程度包括轻、中、重,所述第i类路面损坏权重系数wi包括人工调查权重和自动检测权重,所述路面包括沥青路面和水泥混凝土路面;
根据雷达采集的地下的路面裂缝雷达图像判断地下裂缝情况,通过摄像机拍摄的路面裂缝图片判断地上的路面表面裂缝情况。
应说明的是:本发明中,考虑沥青路面和水泥混凝土两种路面:
对于沥青路面,路面第一系数a0和路面第二系数a1分别取15.00和0.412,对于水泥混凝土路面,a0和a1分别取10.66和0.461,i为路面损坏类型,i包括损坏程度,损坏程度包括轻、中、重三个损坏程度,
对于沥青路面,有21种路面损坏类型:
其中,第1-3种的损坏名称均为龟裂,损坏程度依次为轻、中、重,第i类路面损坏的累计面积均为所测面积,人工调查权重依次为0.6、0.8、1.0,自动检测权重均为1.0;
第4-5种的损坏名称为块状裂缝,损坏程度依次为轻和重,第i类路面损坏的累计面积为所测面积,人工调查权重依次为0.6和0.8,自动检测权重为1.0;
第6-7种的损坏名称为纵向裂缝,损坏程度依次为轻和重,第i类路面损坏的累计面积为所测长度×0.2米,人工调查权重依次为0.6和1.0,自动检测权重为2.0;
第8-9种的损坏名称为横向裂缝,损坏程度依次为轻和重,第i类路面损坏的累计面积为所测长度×0.2米,人工调查权重依次为0.6和1.0,自动检测权重为2.0;
第10-11种的损坏名称为沉陷,损坏程度依次为轻和重,第i类路面损坏的累计面积为所测面积,人工调查权重依次为0.6和1.0,自动检测权重为1.0;
第12-13种的损坏名称为车辙,损坏程度依次为轻和重,第i类路面损坏的累计面积为所测长度×0.2米,人工调查权重依次为0.6和1.0,无自动检测权重;
第14-15种的损坏名称为波浪拥包,损坏程度依次为轻和重,第i类路面损坏的累计面积为所测面积,人工调查权重依次为0.6和1.0,自动检测权重为1.0;
第16-17种的损坏名称为坑槽,损坏程度依次为轻和重,第i类路面损坏的累计面积为所测面积,人工调查权重依次为0.8和1.0,自动检测权重为1.0;
第18-19种的损坏名称为松散,损坏程度依次为轻和重,第i类路面损坏的累计面积为所测面积,人工调查权重依次为0.6和1.0,自动检测权重为1.0;
第20种的损坏名称为泛油,无损坏程度,第i类路面损坏的累计面积为所测面积,人工调查权重为0.2,自动检测权重为0.2;
第21种的损坏名称为修补,无损坏程度,第i类路面损坏的累计面积为所测面积或所测长度×0.2米,人工调查权重为0.1,自动检测权重为0.1。
对于水泥混凝土路面,有20种路面损坏类型:
其中,第1-2种的损坏名称为破碎版,损坏程度依次为轻和重,第i类路面损坏的累计面积为所测面积,人工调查权重依次为0.8和1.0,自动检测权重均为1.0;
第3-5种的损坏名称为裂缝,损坏程度依次为轻、中、重,第i类路面损坏的累计面积为所测长度×1米,人工调查权重依次为0.6、0.8、1.0,自动检测权重为10;
第6-8种的损坏名称为板角裂,损坏程度依次为轻、中、重,第i类路面损坏的累计面积为所测面积,人工调查权重依次为0.6、0.8、1.0,自动检测权重为1.0;
第9-10种的损坏名称为错台,损坏程度依次为轻和重,第i类路面损坏的累计面积为所测长度×1.0米,人工调查权重依次为0.6和1.0,自动检测权重为10;
第11种的损坏名称为拱起,无损坏程度,第i类路面损坏的累计面积为所测面积,人工调查权重为1.0,自动检测权重为1.0;
第12-14种的损坏名称为边角剥落,损坏程度依次为轻、中、重,第i类路面损坏的累计面积为所测长度×1.0米,人工调查权重依次为0.6、0.8、1.0,自动检测权重为10;
第15-16种的损坏名称为接缝料损坏,损坏程度依次为轻和重,第i类路面损坏的累计面积为所测长度×1.0米,人工调查权重依次为0.4和0.6,自动检测权重为6;
第17种的损坏名称为坑洞,无损坏程度,第i类路面损坏的累计面积为所测面积,人工调查权重为1.0,自动检测权重为1.0;
第18种的损坏名称为唧泥,无损坏程度,第i类路面损坏的累计面积为所测长度×1.0米,人工调查权重为1.0,自动检测权重为10;
第19种的损坏名称为露骨,无损坏程度,第i类路面损坏的累计面积为所测面积,人工调查权重为0.3,自动检测权重为0.3;
第20种的损坏名称为修补,无损坏程度,第i类路面损坏的累计面积为所测面积或所测长度×0.2米,人工调查权重为0.1,自动检测权重为0.1或0.2。
GNi为第i类路面损坏的网格数,之所以将GNi×0.01,意思是将网格划分为0.1×0.1m2大小。
通过所述路面第一系数a0、路面第二系数a1、人工调查权重或自动检测权重、第i类路面损坏的累计面积Ai和路面检测计算面积A,计算得到路面损坏状况指数PCI,从而对路面裂缝的状况进行分级。
根据所述路面损坏状况指数评估路面裂缝的裂缝等级,将裂缝等级分为优、良、中、次、差,并显示到显示器上。
根据所述路面损坏状况指数评估路面裂缝的裂缝等级时,对于高速公路的路面和非高速公路的路面采用两个不同标准评估裂缝等级。
应说明的是:本发明中考虑高速公路路面和非高速公路路面两种情况:
对于高速公路路面,将PCI值在92及以上的路面裂缝的裂缝等级为优,将PCI值在92以下、80及以上的路面裂缝的裂缝等级为良,将PCI值在80以下、70及以上的路面裂缝的裂缝等级为中,将PCI值在70以下、60及以上的路面裂缝的裂缝等级为次,将PCI值在60以下的路面裂缝的裂缝等级为差;
对于非高速公路路面,将PCI值在90及以上的路面裂缝的裂缝等级为优,将PCI值在90以下、80及以上的路面裂缝的裂缝等级为良,将PCI值在80以下、70及以上的路面裂缝的裂缝等级为中,将PCI值在70以下、60及以上的路面裂缝的裂缝等级为次,将PCI值在60以下的路面裂缝的裂缝等级为差。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于探地雷达的路面裂缝检测的自动识别方法,其特征在于,包括以下步骤:
S1,采集路面裂缝的b-scan图和实际路面裂缝图;
S2,对b-scan图和实际路面裂缝图进行数据处理,根据数据处理结果制作数据集,将数据集划分为训练集和验证集;
S3,构建地面裂缝判定模型和目标识别神经网络模型,通过训练集和验证集对地面裂缝判定模型和目标识别神经网络模型进行训练和验证,得到路面裂缝判定识别模型,所述路面裂缝判定识别模型包括优化后的地面裂缝判定模型和目标识别神经网络模型;
S4,将所述路面裂缝判定识别模型部署到嵌入式系统,并将嵌入式系统外接摄像机和探地雷达;
S5,通过摄像机和探地雷达采集路面数据,将所述路面数据导入路面裂缝判定识别模型得到路面裂缝数据,根据所述路面裂缝数据对路面裂缝进行等级评估。
2.如权利要求1所述的一种基于探地雷达的路面裂缝检测的自动识别方法,其特征在于,步骤S2包括以下步骤:
S21,将实际路面裂缝图转化为灰度图像,增加对比度,提取边缘特征,连接临近裂缝得到连通域,删除非裂缝噪点区域,提取连通域的骨架,测量骨架的长度和宽度,得到第一数据集;
S22,对b-scan图加入高斯滤波并进行裁剪,得到第二数据集;
S23,将第一数据集划分为第一训练集和第一验证集,将第二数据集划分为第二训练集和第二验证集。
3.如权利要求2所述的一种基于探地雷达的路面裂缝检测的自动识别方法,其特征在于,步骤S3包括以下步骤:
S31,所述地面裂缝判定模型为RCNN神经网络模型,所述目标识别模型为YOLOv5神经网络模型,通过第一训练集和第一验证集对RCNN神经网络模型进行训练和验证,通过第二训练集的第二验证集对YOLOv5神经网络模型进行训练和验证;
S32,根据训练和验证的结果,计算准确率、召回率和mAP值,根据所述准确率、召回率和mAP值对RCNN神经网络模型和YOLOv5神经网络模型进行评估和优化,得到路面裂缝判定识别模型。
4.如权利要求3所述的一种基于探地雷达的路面裂缝检测的自动识别方法,其特征在于,步骤S4还包括:
构建嵌入式系统,将路面裂缝判定识别模型移植到嵌入式系统,使用嵌入式开发工具链对移植后的路面裂缝判定识别模型进行编译,得到可执行文件,将可执行文件烧录到嵌入式系统,集成嵌入式系统和移植后的路面裂缝判定识别模型。
5.如权利要求1所述的一种基于探地雷达的路面裂缝检测的自动识别方法,其特征在于,步骤S5包括:
S51,将探地雷达和摄像机外接到嵌入式系统上,通过探地雷达和摄像机采集路面数据,所述路面数据包括路面裂缝图片和路面裂缝雷达图像;
S52,将路面裂缝图片和路面裂缝雷达图像导入嵌入式系统,通过移植后的路面裂缝判定识别模型进行识别,得到路面裂缝数据,根据所述路面裂缝数据计算路面损坏状况指数和路面破坏率;
S53,根据所述路面损坏状况指数评估路面裂缝的裂缝等级,显示所述裂缝等级。
6.如权利要求5所述的一种基于探地雷达的路面裂缝检测的自动识别方法,其特征在于,步骤S51包括:
通过探地雷达采集路面裂缝雷达图像,所述路面裂缝雷达图像为b-scan图,根据路面裂缝雷达图像判断地下裂缝情况,通过摄像机采集路面裂缝图片,所述路面裂缝图片为实际路面裂缝图,根据路面裂缝图片判断路面表面裂缝情况。
7.如权利要求5所述的一种基于探地雷达的路面裂缝检测的自动识别方法,其特征在于,步骤S52包括:
根据所述路面裂缝数据计算路面损坏状况指数和路面破坏率,具体计算公式为:
其中,PCI为路面损坏状况指数,DR为路面破损率,a0为路面第一系数,a1为路面第二系数,i为路面损坏类型,i0为损坏类型总数,wi为第i类路面损坏权重系数,Ai为第i类路面损坏的累计面积,A为路面检测计算面积,GNi为第i类路面损坏的网格数。
8.如权利要求7所述的一种基于探地雷达的路面裂缝检测的自动识别方法,其特征在于,所述路面损坏类型i包括损坏程度,所述损坏程度包括轻、中、重,所述第i类路面损坏权重系数wi包括人工调查权重和自动检测权重,所述路面包括沥青路面和水泥混凝土路面。
9.如权利要求5所述的一种基于探地雷达的路面裂缝检测的自动识别方法,其特征在于,步骤S53包括:
根据所述路面损坏状况指数评估路面裂缝的裂缝等级,将裂缝等级分为优、良、中、次、差,并显示到显示器上。
10.如权利要求9所述的一种基于探地雷达的路面裂缝检测的自动识别方法,其特征在于,根据所述路面损坏状况指数评估路面裂缝的裂缝等级时,对于高速公路的路面和非高速公路的路面采用两个不同标准评估裂缝等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311511330.2A CN117289261A (zh) | 2023-11-09 | 2023-11-09 | 一种基于探地雷达的路面裂缝检测的自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311511330.2A CN117289261A (zh) | 2023-11-09 | 2023-11-09 | 一种基于探地雷达的路面裂缝检测的自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117289261A true CN117289261A (zh) | 2023-12-26 |
Family
ID=89253710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311511330.2A Pending CN117289261A (zh) | 2023-11-09 | 2023-11-09 | 一种基于探地雷达的路面裂缝检测的自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117289261A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118112224A (zh) * | 2024-04-30 | 2024-05-31 | 东南大学 | 基于组合赋值与模糊聚类的路面结构裂缝评价方法 |
-
2023
- 2023-11-09 CN CN202311511330.2A patent/CN117289261A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118112224A (zh) * | 2024-04-30 | 2024-05-31 | 东南大学 | 基于组合赋值与模糊聚类的路面结构裂缝评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peraka et al. | Pavement asset management systems and technologies: A review | |
CN112258496A (zh) | 一种基于全卷积神经网络的地下排水管道病害分割方法 | |
Radopoulou et al. | Patch detection for pavement assessment | |
US20220276182A1 (en) | Method for constructing recognition model of moisture damage of asphalt pavement and method and system for recognizing moisture damage of asphalt pavement | |
CN104599280B (zh) | 一种道路裂缝交叉点提取方法及系统 | |
CN105547602B (zh) | 一种地铁隧道管片渗漏水的远距离测量方法 | |
CN117289261A (zh) | 一种基于探地雷达的路面裂缝检测的自动识别方法 | |
CN115393727B (zh) | 一种路面线性裂缝识别方法、电子设备及存储介质 | |
CN113009447B (zh) | 基于深度学习和探地雷达的道路地下空洞检测预警方法 | |
CN107871133B (zh) | 边缘检测网络的优化方法、路面病害的识别方法及系统 | |
CN110133639B (zh) | 一种传力杆施工质量检测方法 | |
CN111489352A (zh) | 一种基于数字图像处理的隧道缝隙检测与测量方法及装置 | |
CN105115469A (zh) | 水稻稻穗表型参数自动测量和穗重预测方法 | |
Salari et al. | Pavement distress evaluation using 3D depth information from stereo vision | |
Kargah-Ostadi et al. | Evaluation framework for automated pavement distress identification and quantification applications | |
CN117876381B (zh) | 用于混凝土结构裂缝识别和分析的ai视觉检测方法和系统 | |
CN113538385B (zh) | 基于深度学习的隧道表观病害类型及等级判别方法 | |
CN113421236A (zh) | 基于深度学习的建筑墙面渗漏水表观发育状况预测方法 | |
Vijayan et al. | A survey on surface crack detection in concretes using traditional, image processing, machine learning, and deep learning techniques | |
Rajab et al. | Application of image processing to measure road distresses | |
Safaei | Pixel and region-based image processing algorithms for detection and classification of pavement cracks | |
CN114282298B (zh) | 一种道路技术状况处理方法 | |
Hu et al. | A machine learning-based framework for automatic bridge deck condition assessment using ground penetrating radar | |
CN117541483B (zh) | 一种扩散板的结构性能评估方法及系统 | |
CN117077500B (zh) | 道路内部脱空的数值模拟建模方法、电子设备及存储介质 |
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 |