CN117522175B - 一种道路养护决策方法及系统 - Google Patents
一种道路养护决策方法及系统 Download PDFInfo
- Publication number
- CN117522175B CN117522175B CN202410022448.7A CN202410022448A CN117522175B CN 117522175 B CN117522175 B CN 117522175B CN 202410022448 A CN202410022448 A CN 202410022448A CN 117522175 B CN117522175 B CN 117522175B
- Authority
- CN
- China
- Prior art keywords
- road
- decision level
- pci
- decision
- mode
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 61
- 201000010099 disease Diseases 0.000 claims abstract description 170
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 170
- 238000001514 detection method Methods 0.000 claims abstract description 93
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000008439 repair process Effects 0.000 claims description 82
- 238000007689 inspection Methods 0.000 claims description 34
- 230000001965 increasing effect Effects 0.000 claims description 24
- 238000011282 treatment Methods 0.000 claims description 17
- 238000011161 development Methods 0.000 claims description 12
- 238000012986 modification Methods 0.000 claims description 11
- 230000004048 modification Effects 0.000 claims description 11
- 238000003801 milling Methods 0.000 claims description 10
- 238000007789 sealing Methods 0.000 claims description 10
- 239000007787 solid Substances 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 5
- 230000001788 irregular Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 208000037921 secondary disease Diseases 0.000 claims description 3
- 239000000463 material Substances 0.000 description 14
- 238000010276 construction Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 8
- 239000010426 asphalt Substances 0.000 description 7
- 238000004140 cleaning Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000003449 preventive effect Effects 0.000 description 6
- 238000011835 investigation Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000011384 asphalt concrete Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000003292 glue Substances 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 239000003566 sealing material Substances 0.000 description 2
- 239000002002 slurry Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000002352 surface water Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008531 maintenance mechanism Effects 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Road Repair (AREA)
Abstract
本发明涉及道路养护技术领域，提供一种道路养护决策方法及系统，该方法包括确定目标道路的PCI；根据PCI确定目标道路养护的初步决策等级；控制道路检测设备获取目标道路的检测数据；控制工作站根据检测数据确定道路病害数据；工作站为基于道路病害模型的道路病害识别与处理平台；根据道路病害数据确定目标道路养护的深度决策等级；根据目标道路养护的初步决策等级和目标道路养护的深度决策等级确定目标道路养护决策模式。基于道路检测设备和工作站对道路病害进行自动化检测，有更高的效率和准确度，能节省人力资源和成本，根据初步决策等级和深度决策等级确定目标道路养护决策模式，实现对道路养护方式的合理决策，以维护道路安全和舒适性。
Description
技术领域
本发明涉及道路养护技术领域，尤其涉及一种道路养护决策方法及系统。
背景技术
随着道路建设的快速发展和日趋完善，道路里程不断增加，道路交通量近年来逐步递增，伴随道路的超负荷运行，直接导致道路病害日益增多，对道路使用性能影响很大，不仅直接影响公路整体性能和寿命，也直接关系着行车安全性、舒适性和经济性。因此，道路养护是维持道路使用质量的重要环节。
而传统的道路养护管理手段与当前大规模养护需求之间的矛盾日益尖锐。针对道路检测修复工作，主要仍依赖巡查人员使用文字描述病害位置，缺乏有利的道路病害修复巡检模型，且需耗费大量时间和人力资源。由于道路修复工程范围广泛且复杂，人工检测存在较强的主观性，不同的检测员可能会产生不一致的结果，这会给道路修复决策工作带来一定的困难。
随着道路养护决策理念的进步，传统的人工检测决策方式已跟不上时代发展的浪潮。因此，需要一种合理的道路养护决策方法来避免决策者做出盲目的养护决策。
发明内容
本发明提供一种道路养护决策方法及系统，用以解决现有技术中人工检测决策方式效率和准确度低的缺陷，本发明基于道路检测设备和工作站对道路病害进行自动化检测，具有更高的效率和准确度，能够节省人力资源和成本，并且根据初步决策等级和深度决策等级确定目标道路养护决策模式，实现对道路养护方式的合理决策，以维护道路安全和舒适性。
本发明提供一种道路养护决策方法，包括：确定目标道路的PCI；根据所述PCI确定目标道路养护的初步决策等级；控制道路检测设备获取目标道路的检测数据；控制工作站根据所述检测数据确定道路病害数据；所述工作站为基于道路病害模型的道路病害识别与处理平台；根据所述道路病害数据确定目标道路养护的深度决策等级；根据所述目标道路养护的初步决策等级和所述目标道路养护的深度决策等级确定目标道路养护决策模式。
根据本发明提供的一种道路养护决策方法，所述控制道路检测设备获取目标道路的检测数据，包括：控制所述道路检测设备采用全巡检方式进行目标道路检测，得到目标道路的全部图像数据。
根据本发明提供的一种道路养护决策方法，所述控制工作站根据所述检测数据确定道路病害数据之前，还包括：控制临时存储器对所述检测数据进行存储，以便将所述检测数据导入所述工作站。
根据本发明提供的一种道路养护决策方法，所述控制临时存储器对所述检测数据进行存储，包括：控制所述临时存储器对全部所述图像数据进行存储；所述临时存储器为闪存驱动器或固态存储器。
根据本发明提供的一种道路养护决策方法，所述控制工作站根据所述检测数据确定道路病害数据，包括：控制所述工作站基于预训练的深度学习神经网络模型对全部所述图像数据进行分析和识别，得到道路病害的特征信息；根据所述特征信息确定道路良性修补率和道路病害新增率。
根据本发明提供的一种道路养护决策方法，所述道路病害的特征信息为基于道路病害数据集对所述图像数据标注的病害类型和病害位置的信息；所述病害类型包括修补不规范、漏修、修补后病害二次发展和新增病害。
根据本发明提供的一种道路养护决策方法，所述根据所述特征信息确定道路良性修补率和道路病害新增率，包括：根据所述特征信息，基于第一预设公式确定所述道路良性修补率；所述第一预设公式为：
；
其中，为所述道路良性修补率，/>为规范修复且无修补后病害二次发展修补数量，为上次巡检病害总量；
根据所述特征信息，基于第二预设公式确定所述道路病害新增率；所述第二预设公式为：
；
其中，为所述道路病害新增率，/>为新增病害数量，/>为上次巡检病害总量。
根据本发明提供的一种道路养护决策方法，所述根据所述PCI确定目标道路养护的初步决策等级，包括：所述初步决策等级分为五个等级，优级PCI≥92、良级PCI在80-92、中级PCI在70-80、次级PCI在60-70、差级PCI＜60。
根据本发明提供的一种道路养护决策方法，所述根据所述道路病害数据确定目标道路养护的深度决策等级，包括：所述道路良性修补率分为四个等级，优级δ Ⅰ道路良性修补率≥90%、良级δ Ⅱ道路良性修补率80%-90%、中级δ Ⅲ道路良性修补率60%-80%、差级δ Ⅳ道路良性修补率＜60%；所述道路病害新增率分为四个等级，优级ε Ⅰ道路病害新增率小于10%、良级ε Ⅱ道路病害新增率10%-20%、中级ε Ⅲ道路病害新增率20%-50%、差级ε Ⅳ道路病害新增率＞50%；所述深度决策等级分为四个等级，深度决策等级Ⅰ级包括δ Ⅰ和ε Ⅰ、δ Ⅰ和ε Ⅱ、δ Ⅱ和ε Ⅰ、δ Ⅱ和ε Ⅱ；深度决策等级Ⅱ级包括δ Ⅲ和ε Ⅰ、δ Ⅲ和ε Ⅱ、δ Ⅳ和ε Ⅰ、δ Ⅳ和ε Ⅱ；深度决策等级Ⅲ级包括δ Ⅰ和ε Ⅲ、δ Ⅰ和ε Ⅳ、δ Ⅱ和ε Ⅲ、δ Ⅱ和ε Ⅳ；深度决策等级Ⅳ级包括δ Ⅲ和ε Ⅲ、δ Ⅲ和ε Ⅳ、δ Ⅳ和ε Ⅲ、δ Ⅳ和ε Ⅳ。
根据本发明提供的一种道路养护决策方法，所述根据所述目标道路养护的初步决策等级和所述目标道路养护的深度决策等级确定目标道路养护决策模式，包括：所述目标道路养护决策模式分为六种模式，模式一对应初步决策等级优级PCI、良级PCI和深度决策等级Ⅰ级；模式二对应初步决策等级优级PCI、良级PCI和深度决策等级Ⅱ级、Ⅲ级、Ⅳ级；模式三对应初步决策等级中级PCI和深度决策等级Ⅰ级；模式四对应初步决策等级中级PCI和深度决策等级Ⅱ级、Ⅲ级、Ⅳ级；模式五对应初步决策等级次级PCI、差级PCI和深度决策等级Ⅰ级；模式六对应初步决策等级次级PCI、差级PCI和深度决策等级Ⅱ级、Ⅲ级、Ⅳ级；所述模式一为日常巡检；所述模式二为日常巡检和专项抽检；所述模式三为修补；所述模式四为修补和专项整改；所述模式五为罩面封层和铣刨；所述模式六为罩面封层、铣刨、专家诊断和专项整改。
本发明还提供一种道路养护决策系统，包括：PCI确定模块，用于确定目标道路的PCI；初步决策等级确定模块，用于根据所述PCI确定目标道路养护的初步决策等级；检测设备控制模块，用于控制道路检测设备获取目标道路的检测数据；工作站控制模块，用于控制工作站根据所述检测数据确定道路病害数据；所述工作站为基于道路病害模型的道路病害识别与处理平台；深度决策等级确定模块，用于根据所述道路病害数据确定目标道路养护的深度决策等级；决策模式确定模块，用于根据所述目标道路养护的初步决策等级和所述目标道路养护的深度决策等级确定目标道路养护决策模式。
根据本发明提供的一种道路养护决策系统，还包括存储控制模块，所述存储控制模块用于控制临时存储器对所述检测数据进行存储，以便将所述检测数据导入所述工作站。
本发明提供的一种道路养护决策方法及系统，该方法包括确定目标道路的PCI；根据PCI确定目标道路养护的初步决策等级；控制道路检测设备获取目标道路的检测数据；控制工作站根据检测数据确定道路病害数据；工作站为基于道路病害模型的道路病害识别与处理平台；根据道路病害数据确定目标道路养护的深度决策等级；根据目标道路养护的初步决策等级和目标道路养护的深度决策等级确定目标道路养护决策模式。本发明基于道路检测设备和工作站对道路病害进行自动化检测，具有更高的效率和准确度，能够节省人力资源和成本，并且根据初步决策等级和深度决策等级确定目标道路养护决策模式，实现对道路养护方式的合理决策，以维护道路安全和舒适性。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的一种道路养护决策方法的流程示意图；
图2是本发明提供的一种道路养护决策系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
近年来道路基础设施总量大幅度增加，对社会经济发展起了非常重要的作用。不仅使得道路的交通运输效率和运输能力不断提升，也使公路里程数大幅提升，但这带来一个难以回避的问题，即在行车载荷作用、自然因素和人为原因等多种因素影响下，道路会逐渐产生各种损坏、变形及其他缺陷等病害。常见的病害有：裂缝、坑槽、车辙、松散、沉陷、表面破损等。以裂缝病害为例，道路裂缝病害会破坏道路结构的整体性和连续性，并且会成为路表水侵入路基道路结构层的天然通道，若不及时处置，还有可能使裂缝继续延展形成龟裂造成道路脱落，引起结构性破坏，影响道路的行车舒适性与安全性。因此，作为道路养护工作的重点和难点的道路病害检测对道路养护管理确定道路养护策略至关重要。
日常路况巡查缺乏专业检测设备，病害特别是道路破损通常通过人工观测确定，工程量计量验收也经常通过人工测量确定，存在工作琐碎、工作强度大、耗时长、劳动成本高、效率低、因人为因素易引发主观误判、可重复性差、准确度有限，管理漏洞大、安全隐患严重，难以满足信息时效性的需求等缺点。
请参考图1，图1为本发明提供的一种道路养护决策方法的流程示意图。
为了解决现有技术所存在的技术问题，本发明提供一种道路养护决策方法，包括：
101：确定目标道路的PCI；
102：根据PCI确定目标道路养护的初步决策等级；
103：控制道路检测设备获取目标道路的检测数据；
104：控制工作站根据检测数据确定道路病害数据；工作站为基于道路病害模型的道路病害识别与处理平台；
105：根据道路病害数据确定目标道路养护的深度决策等级；
106：根据目标道路养护的初步决策等级和目标道路养护的深度决策等级确定目标道路养护决策模式。
具体的，首先确定目标道路的PCI（Pavement Condition Index，路面状况指数），确定目标道路PCI的方式可以通过道路检测设备进行路面病害巡检得到，也可以采用其他方式获得；然后根据PCI确定目标道路养护的初步决策等级。通过道路检测设备对道路进行数字化信息的采集，得到目标道路的检测数据，这里的检测数据可以为图像数据；道路检测设备可以搭载在道路智能巡检设备上。然后可以将检测数据存入临时存储器，然后将临时存储器内的检测数据导入工作站；或者由工作站直接读取道路检测设备的检测数据。工作站会根据检测数据，基于道路病害模型识别道路病害，并确定道路病害数据，这里的道路病害数据例如为道路良性修补率及道路病害新增率。道路病害数据可以根据病害程度进行等级划分，然后根据道路病害数据确定目标道路养护的深度决策等级，从而根据目标道路养护的初步决策等级和目标道路养护的深度决策等级确定目标道路养护决策模式。本发明有利于分析目标路段修复效果、病害的发生及再次出现的时间周期，从而有助于道路管养部门及养护机构准确掌握养护效果情况，为道路养护管理单位选择最佳养护方案提供依据。
在上述实施例的基础上：
作为一种优选的实施例，控制道路检测设备获取目标道路的检测数据，包括：控制道路检测设备采用全巡检方式进行目标道路检测，得到目标道路的全部图像数据。
具体的，可以将便携式的道路检测设备装配在车辆上，并使该车辆在待测道路上以适宜的速度行驶，道路检测设备可以包括摄像头。值得注意的是，该车辆上的摄像头阵列宜沿道路横截面依次排开，从而可以同时对道路的一个横截面进行拍照，减少由于摄像头畸变引起的失真。道路检测设备可以采用全巡检的方式对目标路段道路进行全巡检，得到目标道路的全部图像数据，节省了时间和人力资源，效率和准确度较高。
作为一种优选的实施例，控制工作站根据检测数据确定道路病害数据之前，还包括：控制临时存储器对检测数据进行存储，以便将检测数据导入工作站。
作为一种优选的实施例，控制临时存储器对检测数据进行存储，包括：控制临时存储器对全部图像数据进行存储；临时存储器为闪存驱动器或固态存储器。
在本实施例中，可以采用临时存储器对检测数据进行存储，临时存储与道路检测设备通讯连接，可以实时地存储道路检测设备采集的道路检测数据，之后将临时储存器内的道路图像数据导入工作站。值得注意的是，临时储存器可为内置的闪存驱动器或固态存储器，比如eMMC（Embedded Multi Media Card，嵌入式多媒体卡）、UFS（Universal FlashStorage，通用闪存存储器）或SSD（Solid-State Disk，固态硬盘）。
作为一种优选的实施例，控制工作站根据检测数据确定道路病害数据，包括：控制工作站基于预训练的深度学习神经网络模型对全部图像数据进行分析和识别，得到道路病害的特征信息；根据特征信息确定道路良性修补率和道路病害新增率。
作为一种优选的实施例，道路病害的特征信息为基于道路病害数据集对图像数据标注的病害类型和病害位置的信息；病害类型包括修补不规范、漏修、修补后病害二次发展和新增病害。
作为一种优选的实施例，根据特征信息确定道路良性修补率和道路病害新增率，包括：根据特征信息，基于第一预设公式确定道路良性修补率；第一预设公式为：
；
其中，为道路良性修补率，/>为规范修复且无修补后病害二次发展修补数量，/>为上次巡检病害总量；
根据特征信息，基于第二预设公式确定道路病害新增率；第二预设公式为：
；
其中，为道路病害新增率，/>为新增病害数量，/>为上次巡检病害总量。
在本实施例中，工作站为基于计算机处理硬件搭载的深度学习神经网络的可交互式道路病害识别、处理软件平台，可选的，深度学习神经网络可为yolo或其他已经存在的深度学习模型。
工作站所得到的道路病害处理后图像会自动生成并统计修补不规范、漏修、修补后病害二次发展及新增病害的数量，然后基于第一预设公式和第二预设公式计算道路良性修补率与道路病害新增率。值得说明的是，道路良性修补率及道路病害新增率的计算均需要用到上次巡检数据，所以巡检方式使用便携式道路检测设备可在保证巡检频率的同时有效的压缩检测成本。
其中，修补不规范是指修补长度、面积等未达到公路技术状况评定标准；漏修指与上次检测相比未检测到修补痕迹；修补后病害二次发展是指在修补痕迹上检测到存在裂缝、坑槽等病害存在；新增病害是指检测到上次巡检未出现的病害。
作为一种优选的实施例，根据PCI确定目标道路养护的初步决策等级，包括：初步决策等级分为五个等级，优级PCI≥92、良级PCI在80-92、中级PCI在70-80、次级PCI在60-70、差级PCI＜60。
PCI是标识路面损坏状况的重要指标，与车辆行驶安全性和舒适性密切相关。其中，PCI是评估和描述道路路面状况的一种标准化的指标，用于衡量路面的质量、损坏程度和维护需求。PCI通常采用0到100的分数来表示，数值越高代表路面状况越好，而数值越低则表示路面状况越差。根据PCI确定目标道路养护的初步决策等级如表1所示。
表1 初步决策等级表
作为一种优选的实施例，根据道路病害数据确定目标道路养护的深度决策等级，包括：
道路良性修补率分为四个等级，优级δ Ⅰ道路良性修补率≥90%、良级δ Ⅱ道路良性修补率80%-90%、中级δ Ⅲ道路良性修补率60%-80%、差级δ Ⅳ道路良性修补率＜60%；
道路病害新增率分为四个等级，优级ε Ⅰ道路病害新增率小于10%、良级ε Ⅱ道路病害新增率10%-20%、中级ε Ⅲ道路病害新增率20%-50%、差级ε Ⅳ道路病害新增率＞50%；
深度决策等级分为四个等级，深度决策等级Ⅰ级包括δ Ⅰ和ε Ⅰ、δ Ⅰ和ε Ⅱ、δ Ⅱ和ε Ⅰ、δ Ⅱ和ε Ⅱ；深度决策等级Ⅱ级包括δ Ⅲ和ε Ⅰ、δ Ⅲ和ε Ⅱ、δ Ⅳ和ε Ⅰ、δ Ⅳ和ε Ⅱ；深度决策等级Ⅲ级包括δ Ⅰ和ε Ⅲ、δ Ⅰ和ε Ⅳ、δ Ⅱ和ε Ⅲ、δ Ⅱ和ε Ⅳ；深度决策等级Ⅳ级包括δ Ⅲ和ε Ⅲ、δ Ⅲ和ε Ⅳ、δ Ⅳ和ε Ⅲ、δ Ⅳ和ε Ⅳ。
根据道路病害数据确定目标道路养护的深度决策等级如表2所示。
表2 深度决策等级表
作为一种优选的实施例，根据目标道路养护的初步决策等级和目标道路养护的深度决策等级确定目标道路养护决策模式，包括：目标道路养护决策模式分为六种模式，模式一对应初步决策等级优级PCI、良级PCI和深度决策等级Ⅰ级；模式二对应初步决策等级优级PCI、良级PCI和深度决策等级Ⅱ级、Ⅲ级、Ⅳ级；模式三对应初步决策等级中级PCI和深度决策等级Ⅰ级；模式四对应初步决策等级中级PCI和深度决策等级Ⅱ级、Ⅲ级、Ⅳ级；模式五对应初步决策等级次级PCI、差级PCI和深度决策等级Ⅰ级；模式六对应初步决策等级次级PCI、差级PCI和深度决策等级Ⅱ级、Ⅲ级、Ⅳ级；模式一为日常巡检；模式二为日常巡检和专项抽检；模式三为修补；模式四为修补和专项整改；模式五为罩面封层和铣刨；模式六为罩面封层、铣刨、专家诊断和专项整改。
目标道路养护决策模式表如表3所示。
表3 目标道路养护决策模式表
目标道路养护决策模式方案如表4所示。
表4 目标道路养护决策模式方案表
其中，日常巡检决策库包括：路面平整度：检查路面是否平整，有无凹凸不平或者坑洼。裂缝和破损：检查路面是否有裂缝、龟裂或者破损的情况。标线和标牌：检查路面上的标线和标牌是否清晰可见，有无磨损或者缺失。排水系统：检查路面的排水系统是否畅通，有无积水或者漏水的情况。路肩和护栏：检查路肩和护栏是否完好，有无损坏或者松动的情况。植被和杂物：检查路面周围的植被和杂物是否清理干净，有无影响交通安全的情况。
专项抽检决策库包括：车流量：车流量大小监控。行车压力：大中型货车、大中型客车监控、超重监控。路基条件：路基承载力检测。环境因素：环境因素调查，如化学物质、盐、污染物等。修复料种类及质量：修复料种类及质量调查。修复措施、方法：修复措施评估。修复施工质量：施工质量调查。
修补决策库包括：补洞：对路面上的坑洞进行修补，通常使用沥青混凝土或者其他路面修补材料进行填充。封裂缝：对路面上的裂缝进行封闭，可以使用特制的封裂缝胶或者其他密封材料进行修补。补坑：对路面上的凹陷或者损坏部分进行修补，通常需要清理坑洞并填充合适的路面修补材料。补漏沥青：对路面上的漏沥沥青进行修补，通常需要清理漏沥沥青的部分并进行重新铺设。
专项整改决策库包括：车流量：车流量控制。行车压力：货车、客车超重监测。路基条件：路基承载力修复。环境因素：路面场地深度清理。修复料种类及质量：修复料改进。修复措施、方法：修复措施整改。修复施工质量：施工质量监督。
需要注意的是，等级划分标准可以根据具体情况进行调整和定制。不同地区、不同道路类型和不同交通量可能需要不同的标准来调整和优化评价路面修复效果。
另外，指标结合可以用权重分配法，综合评价路面修复效果，可以使用加权平均法来结合道路良性修补率和道路病害新增率这两个指标。
首先，需要确定道路良性修补率和道路病害新增率在综合评价中的权重。权重可以根据实际需求和重要性进行分配。例如，如果道路良性修补率对于路面维护和修复工作的效果更为关键，可以给予其较高的权重。
然后，对道路良性修补率和道路病害新增率进行归一化处理，将其转化为0到1之间的比例值。这可以确保两个指标在综合评价中具有相同的重要性。
之后，根据确定的权重，对归一化后的道路良性修补率和道路病害新增率进行加权平均计算。加权平均可以通过将每个指标的值乘以其对应的权重，并将结果相加得到。
最后，根据加权平均的结果，可以得到一个综合的路面修复效果评价值。根据具体的评价标准，可以将评价值划分为不同的等级，如优秀、良好、一般或较差，以便更直观地理解路面修复效果。
当然，对于道路养护也可以采取季节性预防性养护，例如，春季的预防性养护措施为处理温度收缩裂缝、其他裂缝，利用低温春雨期养护材料对翻浆、松散等病害进行处理；夏季的预防性养护措施为处理泛油问题，消除波浪、拥包等问题，修复冬、春季临时修补的破损；秋季的预防性养护措施为冬季预防性养护处理，如乳化沥青吸浆封层、冻胀防治、裂缝灌封等；冬季的预防性养护措施为路面防雪、防冰处理，路面养护材料采购。
下面对本发明提供的道路养护决策系统进行描述，下文描述的道路养护决策系统与上文描述的道路养护方法可相互对应参照。
请参考图2，图2为本发明提供的一种道路养护决策系统的结构示意图。
本发明还提供一种道路养护决策系统，包括：PCI确定模块201，用于确定目标道路的PCI；初步决策等级确定模块202，用于根据PCI确定目标道路养护的初步决策等级；检测设备控制模块203，用于控制道路检测设备获取目标道路的检测数据；工作站控制模块204，用于控制工作站根据检测数据确定道路病害数据；工作站为基于道路病害模型的道路病害识别与处理平台；深度决策等级确定模块205，用于根据道路病害数据确定目标道路养护的深度决策等级；决策模式确定模块206，用于根据目标道路养护的初步决策等级和目标道路养护的深度决策等级确定目标道路养护决策模式。
本发明实施例中，通过采集道路的道路图像，并对道路图像进行道路病害分析，可以自动获得道路养护决策等级及输出相应养护决策措施。
作为一种优选的实施例，还包括存储控制模块，存储控制模块用于控制临时存储器对检测数据进行存储，以便将检测数据导入工作站。
PCI确定模块201用于确定目标道路的PCI。确定目标道路PCI的方式可以通过道路检测设备进行路面病害巡检得到，也可以采用其他方式获得。
初步决策等级确定模块202用于根据PCI确定目标道路养护的初步决策等级。初步决策等级分为五个等级，优级PCI≥92、良级PCI在80-92、中级PCI在70-80、次级PCI在60-70、差级PCI＜60。PCI是标识路面损坏状况的重要指标，与车辆行驶安全性和舒适性密切相关。其中，PCI是评估和描述道路路面状况的一种标准化的指标，用于衡量路面的质量、损坏程度和维护需求。PCI通常采用0到100的分数来表示，数值越高代表路面状况越好，而数值越低则表示路面状况越差。根据PCI确定目标道路养护的初步决策等级如表1所示。
检测设备控制模块203可以获得连续的道路表观图像。该模块配备了相应的道路检测设备，如摄像头或传感器，以移动方式安装在巡检车辆上。为了保证获取到高质量的道路图像数据，该模块包含图像质量控制功能，包括自动曝光调节、白平衡校准、图像清晰度评估等，以确保采集到的图像具有足够的清晰度和准确性。
本发明的道路养护决策系统还包括存储控制模块。采集到的图像数据会被保存在本地存储设备，该模块还提供数据管理功能，如数据索引、查询和备份等，以便对图像数据进行有效的管理和检索；内置的闪存驱动器或固态存储器，可选的，可为嵌入式多媒体卡（eMMC）、通用闪存存储器（UFS）或固态硬盘（SSD）。特别的，存储在内置存储器的道路图像数据应及时传输给服务器进行处理，以免因长期闲置而失去参考价值。
工作站控制模块204可以对采集的道路病害图像数据进行图像分析。首先对采集到的道路病害图像进行去除图像噪声、增强对比度、调整亮度和色彩平衡等预处理，以提高图像质量和清晰度，通过对图像进行分析，提取出与道路病害相关的特征信息，包括病害分类和定位。
工作站控制模块204还可以对病害图像进行归类。通过与预先训练好的病害识别模型进行比对和匹配，识别并分类，包括：规范修复且无修补后病害二次发展、修补后病害继续发展、漏修病害、新增病害，同时统计各类病害数量并生产病害报告。
工作站控制模块204还可以计算道路良性修补率及道路病害新增率。其中，道路良性修补率根据第一预设公式得到；道路病害新增率根据第二预设公式得到。
深度决策等级确定模块205用于根据道路病害数据确定目标道路养护的深度决策等级。根据道路病害数据确定目标道路养护的深度决策等级如表2所示。
道路良性修补率分为四个等级，优级δ Ⅰ道路良性修补率≥90%、良级δ Ⅱ道路良性修补率80%-90%、中级δ Ⅲ道路良性修补率60%-80%、差级δ Ⅳ道路良性修补率＜60%；
道路病害新增率分为四个等级，优级ε Ⅰ道路病害新增率小于10%、良级ε Ⅱ道路病害新增率10%-20%、中级ε Ⅲ道路病害新增率20%-50%、差级ε Ⅳ道路病害新增率＞50%；
深度决策等级分为四个等级，深度决策等级Ⅰ级包括δ Ⅰ和ε Ⅰ、δ Ⅰ和ε Ⅱ、δ Ⅱ和ε Ⅰ、δ Ⅱ和ε Ⅱ；深度决策等级Ⅱ级包括δ Ⅲ和ε Ⅰ、δ Ⅲ和ε Ⅱ、δ Ⅳ和ε Ⅰ、δ Ⅳ和ε Ⅱ；深度决策等级Ⅲ级包括δ Ⅰ和ε Ⅲ、δ Ⅰ和ε Ⅳ、δ Ⅱ和ε Ⅲ、δ Ⅱ和ε Ⅳ；深度决策等级Ⅳ级包括δ Ⅲ和ε Ⅲ、δ Ⅲ和ε Ⅳ、δ Ⅳ和ε Ⅲ、δ Ⅳ和ε Ⅳ。
决策模式确定模块206用于根据目标道路养护的初步决策等级和目标道路养护的深度决策等级确定目标道路养护决策模式。
目标道路养护决策模式分为六种模式，模式一对应初步决策等级优级PCI、良级PCI和深度决策等级Ⅰ级；模式二对应初步决策等级优级PCI、良级PCI和深度决策等级Ⅱ级、Ⅲ级、Ⅳ级；模式三对应初步决策等级中级PCI和深度决策等级Ⅰ级；模式四对应初步决策等级中级PCI和深度决策等级Ⅱ级、Ⅲ级、Ⅳ级；模式五对应初步决策等级次级PCI、差级PCI和深度决策等级Ⅰ级；模式六对应初步决策等级次级PCI、差级PCI和深度决策等级Ⅱ级、Ⅲ级、Ⅳ级；模式一为日常巡检；模式二为日常巡检和专项抽检；模式三为修补；模式四为修补和专项整改；模式五为罩面封层和铣刨；模式六为罩面封层、铣刨、专家诊断和专项整改。目标道路养护决策模式表如表3所示。目标道路养护决策模式方案如表4所示。
其中，日常巡检决策库包括：路面平整度：检查路面是否平整，有无凹凸不平或者坑洼。裂缝和破损：检查路面是否有裂缝、龟裂或者破损的情况。标线和标牌：检查路面上的标线和标牌是否清晰可见，有无磨损或者缺失。排水系统：检查路面的排水系统是否畅通，有无积水或者漏水的情况。路肩和护栏：检查路肩和护栏是否完好，有无损坏或者松动的情况。植被和杂物：检查路面周围的植被和杂物是否清理干净，有无影响交通安全的情况。
专项抽检决策库包括：车流量：车流量大小监控。行车压力：大中型货车、大中型客车监控、超重监控。路基条件：路基承载力检测。环境因素：环境因素调查，如化学物质、盐、污染物等。修复料种类及质量：修复料种类及质量调查。修复措施、方法：修复措施评估。修复施工质量：施工质量调查。
修补决策库包括：补洞：对路面上的坑洞进行修补，通常使用沥青混凝土或者其他路面修补材料进行填充。封裂缝：对路面上的裂缝进行封闭，可以使用特制的封裂缝胶或者其他密封材料进行修补。补坑：对路面上的凹陷或者损坏部分进行修补，通常需要清理坑洞并填充合适的路面修补材料。补漏沥青：对路面上的漏沥沥青进行修补，通常需要清理漏沥沥青的部分并进行重新铺设。
专项整改决策库包括：车流量：车流量控制。行车压力：货车、客车超重监测。路基条件：路基承载力修复。环境因素：路面场地深度清理。修复料种类及质量：修复料改进。修复措施、方法：修复措施整改。修复施工质量：施工质量监督。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种道路养护决策方法，其特征在于，包括：
确定目标道路的PCI；
根据所述PCI确定目标道路养护的初步决策等级；
控制道路检测设备获取目标道路的检测数据；
所述控制道路检测设备获取目标道路的检测数据，包括：
控制所述道路检测设备采用全巡检方式进行目标道路检测，得到目标道路的全部图像数据；
控制工作站根据所述检测数据确定道路病害数据；所述工作站为基于道路病害模型的道路病害识别与处理平台；
根据所述道路病害数据确定目标道路养护的深度决策等级；
根据所述目标道路养护的初步决策等级和所述目标道路养护的深度决策等级确定目标道路养护决策模式；
所述控制工作站根据所述检测数据确定道路病害数据，包括：
控制所述工作站基于预训练的深度学习神经网络模型对全部所述图像数据进行分析和识别，得到道路病害的特征信息；
根据所述特征信息确定道路良性修补率和道路病害新增率；
所述根据所述PCI确定目标道路养护的初步决策等级，包括：
所述初步决策等级分为五个等级，优级PCI≥92、良级PCI在80-92、中级PCI在70-80、次级PCI在60-70、差级PCI＜60；
所述根据所述道路病害数据确定目标道路养护的深度决策等级，包括：
所述道路良性修补率分为四个等级，优级δ Ⅰ道路良性修补率≥90%、良级δ Ⅱ道路良性修补率80%-90%、中级δ Ⅲ道路良性修补率60%-80%、差级δ Ⅳ道路良性修补率＜60%；
所述道路病害新增率分为四个等级，优级ε Ⅰ道路病害新增率小于10%、良级ε Ⅱ道路病害新增率10%-20%、中级ε Ⅲ道路病害新增率20%-50%、差级ε Ⅳ道路病害新增率＞50%；
所述深度决策等级分为四个等级，深度决策等级Ⅰ级包括δ Ⅰ和ε Ⅰ、δ Ⅰ和ε Ⅱ、δ Ⅱ和ε Ⅰ、δ Ⅱ和ε Ⅱ；深度决策等级Ⅱ级包括δ Ⅲ和ε Ⅰ、δ Ⅲ和ε Ⅱ、δ Ⅳ和ε Ⅰ、δ Ⅳ和ε Ⅱ；深度决策等级Ⅲ级包括δ Ⅰ和ε Ⅲ、δ Ⅰ和ε Ⅳ、δ Ⅱ和ε Ⅲ、δ Ⅱ和ε Ⅳ；深度决策等级Ⅳ级包括δ Ⅲ和ε Ⅲ、δ Ⅲ和ε Ⅳ、δ Ⅳ和ε Ⅲ、δ Ⅳ和ε Ⅳ；
所述根据所述目标道路养护的初步决策等级和所述目标道路养护的深度决策等级确定目标道路养护决策模式，包括：
所述目标道路养护决策模式分为六种模式，模式一对应初步决策等级优级PCI、良级PCI和深度决策等级Ⅰ级；模式二对应初步决策等级优级PCI、良级PCI和深度决策等级Ⅱ级、Ⅲ级、Ⅳ级；模式三对应初步决策等级中级PCI和深度决策等级Ⅰ级；模式四对应初步决策等级中级PCI和深度决策等级Ⅱ级、Ⅲ级、Ⅳ级；模式五对应初步决策等级次级PCI、差级PCI和深度决策等级Ⅰ级；模式六对应初步决策等级次级PCI、差级PCI和深度决策等级Ⅱ级、Ⅲ级、Ⅳ级；
所述模式一为日常巡检；所述模式二为日常巡检和专项抽检；所述模式三为修补；所述模式四为修补和专项整改；所述模式五为罩面封层和铣刨；所述模式六为罩面封层、铣刨、专家诊断和专项整改。
2.根据权利要求1所述的道路养护决策方法，其特征在于，所述控制工作站根据所述检测数据确定道路病害数据之前，还包括：
控制临时存储器对所述检测数据进行存储，以便将所述检测数据导入所述工作站。
3.根据权利要求2所述的道路养护决策方法，其特征在于，所述控制临时存储器对所述检测数据进行存储，包括：
控制所述临时存储器对全部所述图像数据进行存储；所述临时存储器为闪存驱动器或固态存储器。
4.根据权利要求1所述的道路养护决策方法，其特征在于，所述道路病害的特征信息为基于道路病害数据集对所述图像数据标注的病害类型和病害位置的信息；
所述病害类型包括修补不规范、漏修、修补后病害二次发展和新增病害。
5.根据权利要求4所述的道路养护决策方法，其特征在于，所述根据所述特征信息确定道路良性修补率和道路病害新增率，包括：
根据所述特征信息，基于第一预设公式确定所述道路良性修补率；
所述第一预设公式为：
；
其中，为所述道路良性修补率，/>为规范修复且无修补后病害二次发展修补数量，/>为上次巡检病害总量；
根据所述特征信息，基于第二预设公式确定所述道路病害新增率；
所述第二预设公式为：
；
其中，为所述道路病害新增率，/>为新增病害数量，/>为上次巡检病害总量。
6.一种道路养护决策系统，其特征在于，包括：
PCI确定模块，用于确定目标道路的PCI；
初步决策等级确定模块，用于根据所述PCI确定目标道路养护的初步决策等级；
检测设备控制模块，用于控制道路检测设备获取目标道路的检测数据；所述控制道路检测设备获取目标道路的检测数据，包括：
控制所述道路检测设备采用全巡检方式进行目标道路检测，得到目标道路的全部图像数据；
工作站控制模块，用于控制工作站根据所述检测数据确定道路病害数据；所述工作站为基于道路病害模型的道路病害识别与处理平台；
深度决策等级确定模块，用于根据所述道路病害数据确定目标道路养护的深度决策等级；
决策模式确定模块，用于根据所述目标道路养护的初步决策等级和所述目标道路养护的深度决策等级确定目标道路养护决策模式；
所述控制工作站根据所述检测数据确定道路病害数据，包括：
控制所述工作站基于预训练的深度学习神经网络模型对全部所述图像数据进行分析和识别，得到道路病害的特征信息；
根据所述特征信息确定道路良性修补率和道路病害新增率；
所述根据所述PCI确定目标道路养护的初步决策等级，包括：
所述初步决策等级分为五个等级，优级PCI≥92、良级PCI在80-92、中级PCI在70-80、次级PCI在60-70、差级PCI＜60；
所述根据所述道路病害数据确定目标道路养护的深度决策等级，包括：
所述道路良性修补率分为四个等级，优级δ Ⅰ道路良性修补率≥90%、良级δ Ⅱ道路良性修补率80%-90%、中级δ Ⅲ道路良性修补率60%-80%、差级δ Ⅳ道路良性修补率＜60%；
所述道路病害新增率分为四个等级，优级ε Ⅰ道路病害新增率小于10%、良级ε Ⅱ道路病害新增率10%-20%、中级ε Ⅲ道路病害新增率20%-50%、差级ε Ⅳ道路病害新增率＞50%；
所述深度决策等级分为四个等级，深度决策等级Ⅰ级包括δ Ⅰ和ε Ⅰ、δ Ⅰ和ε Ⅱ、δ Ⅱ和ε Ⅰ、δ Ⅱ和ε Ⅱ；深度决策等级Ⅱ级包括δ Ⅲ和ε Ⅰ、δ Ⅲ和ε Ⅱ、δ Ⅳ和ε Ⅰ、δ Ⅳ和ε Ⅱ；深度决策等级Ⅲ级包括δ Ⅰ和ε Ⅲ、δ Ⅰ和ε Ⅳ、δ Ⅱ和ε Ⅲ、δ Ⅱ和ε Ⅳ；深度决策等级Ⅳ级包括δ Ⅲ和ε Ⅲ、δ Ⅲ和ε Ⅳ、δ Ⅳ和ε Ⅲ、δ Ⅳ和ε Ⅳ；
所述根据所述目标道路养护的初步决策等级和所述目标道路养护的深度决策等级确定目标道路养护决策模式，包括：
所述目标道路养护决策模式分为六种模式，模式一对应初步决策等级优级PCI、良级PCI和深度决策等级Ⅰ级；模式二对应初步决策等级优级PCI、良级PCI和深度决策等级Ⅱ级、Ⅲ级、Ⅳ级；模式三对应初步决策等级中级PCI和深度决策等级Ⅰ级；模式四对应初步决策等级中级PCI和深度决策等级Ⅱ级、Ⅲ级、Ⅳ级；模式五对应初步决策等级次级PCI、差级PCI和深度决策等级Ⅰ级；模式六对应初步决策等级次级PCI、差级PCI和深度决策等级Ⅱ级、Ⅲ级、Ⅳ级；
所述模式一为日常巡检；所述模式二为日常巡检和专项抽检；所述模式三为修补；所述模式四为修补和专项整改；所述模式五为罩面封层和铣刨；所述模式六为罩面封层、铣刨、专家诊断和专项整改。
7.根据权利要求6所述的道路养护决策系统，其特征在于，还包括存储控制模块，所述存储控制模块用于控制临时存储器对所述检测数据进行存储，以便将所述检测数据导入所述工作站。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410022448.7A CN117522175B (zh) | 2024-01-08 | 2024-01-08 | 一种道路养护决策方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410022448.7A CN117522175B (zh) | 2024-01-08 | 2024-01-08 | 一种道路养护决策方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117522175A CN117522175A (zh) | 2024-02-06 |
| CN117522175B true CN117522175B (zh) | 2024-04-02 |
Family
ID=89748143
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410022448.7A Active CN117522175B (zh) | 2024-01-08 | 2024-01-08 | 一种道路养护决策方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117522175B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685124A (zh) * | 2018-12-14 | 2019-04-26 | 斑马网络技术有限公司 | 基于神经网络的道路病害识别方法及装置 |
| CN113177611A (zh) * | 2021-05-24 | 2021-07-27 | 河北工业大学 | 基于力学指标和人工神经网络的路面病害快速巡检方法 |
| CN114049618A (zh) * | 2022-01-12 | 2022-02-15 | 河北工业大学 | 一种基于图-点-图变换的路面三维病害pci计算方法 |
| CN114296075A (zh) * | 2021-12-29 | 2022-04-08 | 中路交科科技股份有限公司 | 一种探地雷达图像人工智能识别方法及装置 |
| WO2022147969A1 (zh) * | 2021-01-08 | 2022-07-14 | 中国民航大学 | 基于深度学习的机场道面地下结构病害自动检测方法 |
| CN114937033A (zh) * | 2022-06-27 | 2022-08-23 | 辽宁工程技术大学 | 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 |
| CN115457277A (zh) * | 2022-09-23 | 2022-12-09 | 东南大学 | 一种智能化路面病害识别检测方法及系统 |
| CN117078235A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 全面评估的路网养护维修方法、电子设备及存储介质 |
| CN117197412A (zh) * | 2023-10-09 | 2023-12-08 | 西安大地测绘股份有限公司 | 一种基于ar的公路病害智能巡检系统及方法 |
-
2024
- 2024-01-08 CN CN202410022448.7A patent/CN117522175B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685124A (zh) * | 2018-12-14 | 2019-04-26 | 斑马网络技术有限公司 | 基于神经网络的道路病害识别方法及装置 |
| WO2022147969A1 (zh) * | 2021-01-08 | 2022-07-14 | 中国民航大学 | 基于深度学习的机场道面地下结构病害自动检测方法 |
| CN113177611A (zh) * | 2021-05-24 | 2021-07-27 | 河北工业大学 | 基于力学指标和人工神经网络的路面病害快速巡检方法 |
| CN114296075A (zh) * | 2021-12-29 | 2022-04-08 | 中路交科科技股份有限公司 | 一种探地雷达图像人工智能识别方法及装置 |
| CN114049618A (zh) * | 2022-01-12 | 2022-02-15 | 河北工业大学 | 一种基于图-点-图变换的路面三维病害pci计算方法 |
| CN114937033A (zh) * | 2022-06-27 | 2022-08-23 | 辽宁工程技术大学 | 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 |
| CN115457277A (zh) * | 2022-09-23 | 2022-12-09 | 东南大学 | 一种智能化路面病害识别检测方法及系统 |
| CN117197412A (zh) * | 2023-10-09 | 2023-12-08 | 西安大地测绘股份有限公司 | 一种基于ar的公路病害智能巡检系统及方法 |
| CN117078235A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 全面评估的路网养护维修方法、电子设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 关键技术有哪些？;李强;林翔;;中国公路;20200201(第03期);第19-21页 * |
| 江苏省干线公路水泥混凝土路面养护质量评价体系建立与应用研究;施建军;于新;;交通标准化;20091123(第209期);第74-78页 * |
| 沥青路面破损状况的客观权重模糊模式识别交叉迭代评价;苌亮;;公路交通科技(应用技术版);20160715(第139期);第18-20页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117522175A (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107153928B (zh) | 可视化的公路养护决策系统 | |
| Tighe et al. | Incorporating road safety into pavement management | |
| CN108664715B (zh) | 一种路面积水车辙三维评价与行车安全分析方法 | |
| CN107217576A (zh) | 一种基于fwd和3d探地雷达的道路质量检测方法及系统 | |
| CN106529593B (zh) | 路面病害检测方法和系统 | |
| CN108985833A (zh) | 一种车辆估值的方法及系统 | |
| CN104655639A (zh) | 一种能准确获取裂缝特征的路面裂缝检测方法和系统 | |
| CN114912635A (zh) | 一种公路养护决策方法、系统、存储介质和电子设备 | |
| CN112900212A (zh) | 一种基于道路管养的动态养护机制的养护方法 | |
| CN114971418A (zh) | 基于道路养护的数据的智能管理系统 | |
| CN115841466A (zh) | 排水管网缺陷自动定量评估方法 | |
| CN107844671A (zh) | 一种沥青路面半刚性基层结构剩余寿命的分析方法 | |
| CN117522175B (zh) | 一种道路养护决策方法及系统 | |
| CN113638294A (zh) | 道路养护病害智慧检测系统技术 | |
| Kravcovas et al. | Comparison of pavement performance models for urban road management system | |
| Rajab et al. | Application of image processing to measure road distresses | |
| Semnarshad et al. | Development of a Pavement Overall Deterioration Index (Case Study: Iran) | |
| CN111552732A (zh) | 高速路面病害大数据智能分析方法 | |
| Cenek et al. | New Zealand experience in comparing manual and automatic pavement condition rating systems | |
| CN117557255A (zh) | 一种自动驾驶汽车的危险场景行驶风险度评估系统及方法 | |
| KR102604714B1 (ko) | 콘크리트 도로포장의 정밀조사 필요성 판단방법 | |
| Immaneni et al. | Field investigation of highway sign damage rates and inspector accuracy | |
| Joni et al. | Investigations of the road pavement surface conditions using MATLAB image processing | |
| CN116791451A (zh) | 一种半刚性基层沥青路面裂缝成因诊断方法 | |
| CN115272298B (zh) | 基于道路监控的城市路面维护监察方法及系统 |
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 |