CN117994225B - 一种多元路面定期检测数据处理方法及处理系统 - Google Patents
一种多元路面定期检测数据处理方法及处理系统 Download PDFInfo
- Publication number
- CN117994225B CN117994225B CN202410134953.0A CN202410134953A CN117994225B CN 117994225 B CN117994225 B CN 117994225B CN 202410134953 A CN202410134953 A CN 202410134953A CN 117994225 B CN117994225 B CN 117994225B
- Authority
- CN
- China
- Prior art keywords
- road surface
- data
- maintenance
- curing
- road
- 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 94
- 238000012545 processing Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000000737 periodic effect Effects 0.000 title claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 31
- 201000010099 disease Diseases 0.000 claims abstract description 25
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 239000003086 colorant Substances 0.000 claims abstract description 6
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000012423 maintenance Methods 0.000 claims description 101
- 230000002159 abnormal effect Effects 0.000 claims description 34
- 230000010354 integration Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 8
- 238000013079 data visualisation Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 230000003631 expected effect Effects 0.000 claims description 6
- 238000005299 abrasion Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 230000009191 jumping Effects 0.000 claims description 3
- 238000003032 molecular docking Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000011282 treatment Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract description 6
- 238000007621 cluster analysis Methods 0.000 abstract description 2
- 239000010426 asphalt Substances 0.000 description 4
- 239000004568 cement Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Road Repair (AREA)
Abstract
本发明提供了一种多元路面定期检测数据处理方法及处理系统:采用深度神经网络和3σ原则对路面平整度、车辙、路面抗滑摩擦系数和路面跳车数据进行异常值筛选,大大提升了对于异常值筛选的效率和准确度;内置公路系统和城镇道路系统两种指标评价体系,能兼顾公路和城镇道路的检测需求;基于采集的GIS数据在地图上绘制出道路线形,通过采用不同颜色表示路面病害在不同位置的评级,实现在地图上可视化展示路面病害的位置、类型以及评级;最小以10米为一个养护单元,对其数据进行聚类分析,可以准确的识别出养护靶区,充分考虑了养护总投资和养护的目标效果,可以充分且合理的支配养护资金,确保获得最优的养护方案。
Description
技术领域
本发明涉及道路检测技术领域,具体涉及一种多元路面定期检测数据处理方法及处理系统。
背景技术
现有技术中的路面检测技术,一般都将重心落在了检测作业工作中的数据采集部分,通过自动化检测设备,缩短人工作业周期及作业人数,达到成本控制的目的。但对于检测工作的数据处理部分,功能较为薄弱,无法应对项目的多样化要求。且现有处理系统的功能较为单一,均为依据特定规范要求对数据进行简单计算,要么满足公路行业,要么单独为市政道路行业的路面技术状况数据评价分析,无法适应多种行业规范要求,难以与后续的道路管养工作进行结合,导致数据连结上出现断层。
传统的检测报告一般提供指标不合格的路段作为重点路段建议进行养护处治。当出现100m内只有其中几十米路段路况很差,导致该100m总体数据不合格的情况时,一般会以这100m的评价单元为建议处治路段,从而造成该100m内部分不需要处治的路段也纳入养护区域,不利于总体养护资金的计算、分配。
综上所述,急需一种多元路面定期检测数据处理方法及处理系统以解决现有技术中存在的问题。
发明内容
本发明目的在于提供一种多元路面定期检测数据处理方法,旨在实现对路面检测数据的精确分析和精准养护,具体技术方案如下:
一种多元路面定期检测数据处理方法,包括:
步骤S1、数据采集,具体是:采集表示路面技术状况的检测指标、各检测点的GIS数据和路面图片;所述检测指标包括路面损坏、路面平整度、车辙、构造深度、路面跳车、路面磨耗、路面抗滑摩擦系数和路面弯沉;
步骤S2、数据预处理,具体是:基于深度神经网络和路面图片,对检测指标中的路面平整度、车辙、路面抗滑摩擦系数和路面跳车数据进行异常值剔除;
步骤S3、基于步骤S2处理后的检测指标进行结果输出,具体是:
按照公路技术状况评定标准或城镇道路养护技术规范输出评价分级结果;基于GIS数据采用描点法绘制道路线形,并在地图上可视化展示路面病害的位置、类型以及评级;采用有序样本聚类算法识别出路面养护靶区,输出道路的最佳养护方案。
以上技术方案中优选的,S2中数据预处理具体是:
步骤S2.1、使用典型特异值产生位置的路面图片进行深度神经网络训练,识别出典型特异值产生位置的路面图片中的图像特征;
步骤S2.2、以N米为一个检测单元分别对步骤S1获取的路面平整度、车辙、路面抗滑摩擦系数和路面跳车数据进行划分,分别获取总体检测路段下路面平整度、车辙、路面抗滑摩擦系数和路面跳车的均值和标准差;对检测单元中路面平整度、车辙、路面抗滑摩擦系数和路面跳车分别采用3σ原则挑选出疑似异常值数据,同时获取疑似异常值数据所对应的桩号;其中,N≥10;
步骤S2.3、提取所对应的桩号范围内的路面图片,采用训练好的深度神经网络识别疑似异常值数据是否处于典型特异值产生位置;
步骤S2.4、若疑似异常值数据处于典型特异值产生位置则对该数据进行剔除,若不是处于典型特异值产生位置则保留该数据。
以上技术方案中优选的,所述典型特异值产生位置包括桥头路段、减速带位置和井盖位置。
以上技术方案中优选的,在地图上可视化展示路面病害的位置、类型以及评级,具体实现步骤是:
步骤A1、采用高斯投影算法将GIS数据转换到投影坐标系,获得GIS投影数据;
步骤A2、将GIS投影数据与桩号对应起来,并计算获得桩号的坐标;
步骤A3、将GIS投影数据中的各检测点以及桩号的坐标采用描点法绘制成道路线形;
步骤A4、针对可视化展示的任意类型的路面病害,在道路线形上采用不同颜色表示路面病害对应的病害指标在不同位置的评级。
以上技术方案中优选的,步骤A2中:根据桩号所在位置前后两个检测点的坐标以及两个检测点形成的方位角,计算获得该桩号的坐标。
以上技术方案中优选的,步骤S3中输出道路的最佳养护方案具体是:
步骤B1、根据养护需要在检测指标中选择K个指标作为养护指标;
步骤B2、提取各养护指标的流水表,且按M米为一个养护单元进行划分;
步骤B3、按规范赋予选择的养护指标权重,并对权重进行归一化处理;
步骤B4、按照权重计算各养护单元的综合指标值;
步骤B5、采用有序样本聚类算法按照养护单元的综合指标值进行聚类,重新划分养护单元;
步骤B6、计算重新划分的养护单元的综合指标值,根据综合指标值按照公路技术状况评定标准或城镇道路养护技术规范进行评价分级,将不满足规范要求的养护单元作为养护靶区;
步骤B7、根据养护决策树推荐养护靶区的养护方式并计算养护总成本C,获得养护方案;
步骤B8、对比养护总投资I和养护总成本C;
当0.95I≤C≤1.05I时,进入步骤B9;
当0.5I≤C<0.95I或1.05I<C≤1.5I时,返回步骤B5修改聚类条件后重新进行聚类;
当1.5I<C或C<0.5I时,返回步骤B1调整养护指标的个数;
步骤B9、获取养护方案的预期效果T,并与养护的目标效果M进行对比;
当0.95M≤T≤1.05M时,则输出最佳养护方案,否则返回步骤B7依据养护决策树重新调整养护方案。
以上技术方案中优选的,步骤B5中进行聚类的规则及停止条件为:
若相邻两个养护单元之间综合指标值之差小于等于m,则将相邻两个养护单元整合为一个养护单元;
若第j个养护单元与第j+1个养护单元、第j-1个养护单元的综合指标值之差均小于等于m,则将第j个养护单元与和其综合指标值相差最小的养护单元整合为一个养护单元;若第j个养护单元与第j+1个养护单元、第j-1个养护单元的综合指标值之差相等且均小于等于m,则将第j个养护单元与第j-1个养护单元整合为一个养护单元;
若整合后存在养护单元长度大于100m,或无养护单元长度大于100m但前后两次整合获得的养护单元一致时,则停止整合;
其中m∈[2,8],10≤M<100。
以上技术方案中优选的,返回步骤B5时,通过修改m的取值重新进行聚类。
本发明还提供了一种多元路面定期检测数据处理系统,所述处理系统采用所述的多元路面定期检测数据处理方法;
所述处理系统包括数据采集单元、数据预处理模块、数据分析模块和分布式数据库模块;所述数据采集单元用于采集表示路面技术状况的检测指标、各检测点的GIS数据和路面图片,所述数据预处理模块用于进行异常值剔除,所述数据分析模块用于输出评价分级结果和最佳养护方案,所述分布式数据库模块包括大数据可视化平台,所述大数据可视化平台用于在地图上可视化展示路面病害的位置、类型以及评级。
以上技术方案中优选的,所述分布式数据库模块还包括B/S端远程处理平台,所述B/S端远程处理平台用于实现对外数据对接、对外成果浏览以及内部居家办公。
应用本发明的技术方案,具有以下有益效果:
(1)本发明采用深度神经网络和3σ原则对路面平整度、车辙、路面抗滑摩擦系数和路面跳车数据进行异常值筛选,大大提升了对于异常值筛选的效率和准确度;通过深度神经网络可以快速判断疑似异常值数据是否为典型特异值产生位置所产生的,从而实现准确的筛选出真正的异常值。
(2)本发明能根据公路技术状况评定标准或城镇道路养护技术规范,对公路或城镇道路进行评价分级,避免了现有处理方式只能对单一公路或城镇道路评价分级的弊端,本发明的处理方法和处理系统能兼顾公路和城镇道路的检测需求。
(3)本发明基于采集的GIS数据在地图上绘制出道路的线形,可以实现在地图上可视化展示路面病害的位置、类型以及评级;通过采用不同颜色表示路面病害在不同位置的评级,可以直观的获取路面病害所处位置和等级,便于了解路面情况。
(4)本发明在获取最佳养护方案时,最小以10米为一个养护单元,对其数据进行聚类分析,可以准确的识别出养护靶区,防止采用过长的单元作为评价对象时,将单元内本来无须进行养护的区段纳入养护靶区,造成养护总成本预估错误的问题。本发明最佳养护方案的获取充分考虑了养护总投资和养护的目标效果,可以充分且合理的支配养护资金,力求获得最优的养护效果。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是多元路面定期检测数据处理方法中获取最佳养护方案的流程图;
图2是多元路面定期检测数据处理系统的框架图。
具体实施方式
为了便于理解本发明,下面将对本发明进行更全面的描述,并给出了本发明的较佳实施例。但是,本发明能以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
实施例:
本实施例提供了一种多元路面定期检测数据处理方法,包括:
步骤S1、数据采集,具体是:采集表示路面技术状况的检测指标、各检测点的GIS数据和路面图片;所述检测指标包括路面损坏、路面平整度、车辙、构造深度、路面跳车、路面磨耗、路面抗滑摩擦系数和路面弯沉;
优选的,所述检测指标通过多功能道路检测车、横向力系数车、弯沉检测车获得,本实施例中不再对其检测方式、识别方式进行详细说明,此为现有技术。通过多功能道路检测车、横向力系数车、弯沉检测车获得路面损坏、路面平整度、车辙、构造深度、路面跳车、路面磨耗、路面抗滑摩擦系数和路面弯沉的流水表数据。本实施例中路面图片间隔2m一张,实际采集时GIS数据间隔1m一个数据(即检测点间隔1m一个),一张路面图片会对应一个检测点的GIS数据。
步骤S2、数据预处理,具体是:基于深度神经网络和路面图片,对检测指标中的路面平整度、车辙、路面抗滑摩擦系数和路面跳车数据进行异常值剔除;
优选的,步骤S2中数据预处理具体是:
步骤S2.1、使用典型特异值产生位置的路面图片进行深度神经网络训练,识别出典型特异值产生位置的路面图片中的图像特征;
步骤S2.2、以N米为一个检测单元分别对步骤S1获取的路面平整度、车辙、路面抗滑摩擦系数和路面跳车数据进行划分,分别获取总体检测路段下路面平整度、车辙、路面抗滑摩擦系数和路面跳车的均值和标准差;对检测单元中路面平整度、车辙、路面抗滑摩擦系数和路面跳车分别采用3σ原则挑选出疑似异常值数据,同时获取疑似异常值数据所对应的桩号;其中,N≥10,并且N为按照公路技术状况评价标准或城镇道路养护技术规范要求的划分检测评价单元长度;
步骤S2.3、提取所对应的桩号范围内的路面图片(以10米为一个检测单元为例,如桩号K0+010~K0+020段路面平整度流水表数值大于总体检测路段路面平整度均值加3倍标准差或小于总体检测路段路面平整度均值减3倍标准差,则提取K0+010~K0+020范围内5张路面图片),采用训练好的深度神经网络识别疑似异常值数据是否处于典型特异值产生位置;
步骤S2.4、若疑似异常值数据处于典型特异值产生位置则对该数据进行剔除,并重新计算路段路面数据结果,若不是处于典型特异值产生位置则保留该数据。
优选的,所述典型特异值产生位置包括桥头路段、减速带位置和井盖位置,这些位置容易造成路面平整度、车辙、路面抗滑摩擦系数和路面跳车数据产生异常,因此需要针对性的进行异常值剔除,以保证整个采集数据的准确性。
优选的,S2.1中典型特异值产生位置的路面图片可以来自历史数据,通过深度神经网络可以快速识别出路面图片是否为典型特异值产生位置;本实施例采用3σ原则可以快速的从海量数据中找出疑似异常值数据,然后通过提取该疑似异常值数据所在桩号内的路面图片,通过深度神经网络可以快速判断该疑似异常值数据是否为典型特异值产生位置所产生的,从而实现准确的筛选出真正的异常值,本实施例的预处理方法可以大大提升异常值的筛选效率和准确度。
步骤S3、基于步骤S2处理后的检测指标进行结果输出,具体是:
按照公路技术状况评定标准或城镇道路养护技术规范输出评价分级结果;基于GIS数据采用描点法绘制道路线形,并在地图上可视化展示路面病害的位置、类型以及评级;采用有序样本聚类算法识别出路面养护靶区,输出道路的最佳养护方案。
具体的,按照公路技术状况评定标准或城镇道路养护技术规范输出评价分级结果为相关规范规定的内容,本实施例中仅对其进行简单的说明:
1)公路系统
公路技术状况分为优、良、中、次、差五个等级,MQI及各指标评价标准如表1:
表1
注:1.高速公路路面损坏状况指数PCI等级划分标准,“优”应为PCI≥92,“良”应为80≤PCI<92,其他保持不变。2.水泥混凝土路面行驶质量指数RQI等级划分标准,“优”应为RQI≥88,“良”应为80≤PCI<88,其他保持不变。
2)城市道路评价系统(以两个指标为例)
表2.路面损坏状况评价标准
表3.沥青路面结构强度评价标准
具体的,在地图(如google地图等)上可视化展示路面病害的位置、类型以及评级,具体实现步骤是:
步骤A1、采用高斯投影算法将GIS数据转换到投影坐标系,获得GIS投影数据;
具体的,基本北斗高精度定位芯片和惯导系统,在检测车行驶过程中以20Hz的频率高速采集车辆行驶GIS轨迹数据,从中获取检测车行驶轨迹均布成1m间距的点位,作为高频GIS数据的采样结果。
具体的,所述高斯投影算法公式如下:
其中:
角度都为弧度;
x、y为投影坐标系中的坐标值;
B为点的维度;
l″=L-L0,L为点的精度,L0为中央子午线经度;
N为子午圈曲率半径;
t=tan B
η2=e2cos2B
其中X为子午线弧长:
其中a0,a2,a4,a6,a8为基本常量,按以下公式计算:
其中m0,m2,m4,m6,m8为基本常量,按以下公式计算:
其中:
a为椭球长半轴,取:6378137.0000000000,
e为椭球第一偏心率,取:0.00669437999013,
e′为椭球第二偏心率,取:0.00673949674227。
优选的,将GIS数据转换到投影坐标系后,通过检测点的坐标即可计算相邻两个检测点之间的距离。
步骤A2、将GIS投影数据与桩号对应起来,并计算获得桩号的坐标;
具体的,根据桩号所在位置前后两个检测点的坐标以及两个检测点形成的方位角,计算获得该桩号的坐标。
步骤A3、将GIS投影数据中的各检测点以及桩号的坐标采用描点法绘制成道路线形;
具体的,在各检测点的坐标、各桩号的坐标均已确定后,使用GDI+绘图系统将各坐标连起来即可获得道路线形。
步骤A4、针对可视化展示的任意类型的路面病害,在道路线形上采用不同颜色表示路面病害对应的病害指标在不同位置的评级。
具体的,步骤A4中的病害指标包括PQI、PCI、RQI、RDI指标,其中公路评定分级时采用优、良、中、次、差五个等级分别对PQI、PCI、RQI、RDI指标进行分级,市政道路则采用A、B、C、D四个等级分别对PQI、PCI、RQI、RDI指标进行分级。对于PQI、PCI、RQI或RDI指标,通过采用不同颜色表示不同的分级,以实现在地图上展示整个检测路段中不同位置处的等级情况。
如图1所示,采用有序样本聚类算法识别出路面养护靶区,输出道路的最佳养护方案,具体实现步骤是:
步骤B1、根据养护需要在检测指标中选择K个指标作为养护指标;
优选的,步骤B1中的K≥1;养护指标可根据需求选择路面损坏、平整度、车辙、构造深度、抗滑摩擦系数、跳车、磨耗、结构强度中的几种,按照规范要求其中路面损坏是必须检测项目;四、六车道路面中主要行车道的平整度是必须检测项目;沥青路面中车辙是必检项目;水泥路面车辙不是检测项目;抗滑摩擦系数是每两年检测一次项目;跳车和磨耗指数只是在高速公路中需要检测;结构强度一般是抽检项目,比如路面损坏是道路全线检测,但结构强度规范要求只抽检其中20%的路段。
因此在选择养护指标时:沥青路一般选择路面损坏、平整度、车辙;水泥路一般选择路面损坏、平整度。或者是:沥青路一般选择路面损坏、平整度、车辙、抗滑摩擦系数;水泥路一般选择路面损坏、平整度、抗滑摩擦系数。进一步的,当结构强度指标检测比较差时,它也是作为一个重要的养护指标,有时也可作为参考指标。
步骤B2、提取各养护指标的流水表,且按M米为一个养护单元进行划分;
步骤B3、按规范赋予选择的养护指标权重,并对权重进行归一化处理;
步骤B4、按照权重计算各养护单元的综合指标值;
步骤B5、采用有序样本聚类算法按照养护单元的综合指标值进行聚类,重新划分养护单元;
优选的,步骤B5中进行聚类的规则及停止条件为:
若相邻两个养护单元之间综合指标值之差小于等于m,则将相邻两个养护单元整合为一个养护单元;
若第j个养护单元与第j+1个养护单元、第j-1个养护单元的综合指标值之差均小于等于m,则将第j个养护单元与和其综合指标值相差最小的养护单元整合为一个养护单元;若第j个养护单元与第j+1个养护单元、第j-1个养护单元的综合指标值之差相等且均小于等于m,则将第j个养护单元与第j-1个养护单元整合为一个养护单元;
需要说明的是:由于综合指标值在60分以下时,在公路、城市道路均评价为最低等级,因此综合值60以下单元不与60以上的单元整合。
在完成一轮整合后需要重新计算整合后各养护单元的综合指标值,然后重新判断是否需要继续进行整合,直至满足整合停止条件时则停止整合;具体的,整合后停止条件为:若整合后存在养护单元长度大于100m,或无养护单元长度大于100m但前后两次整合获得的养护单元一致时,则停止整合;
其中m∈[2,8],10≤M<100。
步骤B6、计算重新划分的养护单元的综合指标值,根据综合指标值按照公路技术状况评定标准或城镇道路养护技术规范进行评价分级,将不满足规范要求的养护单元作为养护靶区;
步骤B7、根据养护决策树推荐养护靶区的养护方式并计算养护总成本C,获得养护方案;
步骤B8、对比养护总投资I和养护总成本C;
当0.95I≤C≤1.05I时,进入步骤B9;
当0.5I≤C<0.95I或1.05I<C≤1.5I时,返回步骤B5修改聚类条件后重新进行聚类;
当1.5I<C或C<0.5I时,返回步骤B1调整养护指标的个数;
步骤B9、获取养护方案的预期效果T,并与养护的目标效果M进行对比;
当0.95M≤T≤1.05M时,则输出最佳养护方案,否则返回步骤B7依据养护决策树重新调整养护方案。
具体的,返回步骤B5时,通过修改m的取值重新进行聚类。
需要说明的是:本实施例中N、M的取值最小均为10,这是因为在路段划分中10米为规范规定的最小单元,采用10作为一个单元进行评价时,可以准确的识别出养护靶区,防止采用过长的单元作为评价对象时,将单元内本来无须进行养护的区段纳入养护靶区,造成养护总成本预估错误的问题。
参见图2,本实施例中还提供了一种多元路面定期检测数据处理系统,所述处理系统采用上述的多元路面定期检测数据处理方法;所述处理系统包括数据采集单元、数据预处理模块、数据分析模块和分布式数据库模块;所述数据采集单元用于采集表示路面技术状况的检测指标、各检测点的GIS数据和路面图片,具体的,所述数据采集单元包括多功能道路检测车、横向力系数车和弯沉检测车;所述数据预处理模块用于进行异常值剔除,所述数据预处理模块通过深度神经网络(即AI图像识别)和3σ原则实现对路面平整度、车辙、路面抗滑摩擦系数和路面跳车数据进行快速的异常数据筛查;所述数据分析模块用于输出评价分级结果和最佳养护方案,所述数据分析模块内置根据公路技术状况评定标准和城镇道路养护技术规范进行的评价分级模式,可以适用于公路和城镇道路两种情况的检测分级;所述分布式数据库模块包括大数据可视化平台,所述大数据可视化平台用于在地图上可视化展示路面病害的位置、类型以及评级,所述分布式数据库模块还包括B/S端远程处理平台,所述B/S端远程处理平台用于实现对外(如甲方)数据对接、对外成果浏览以及内部居家办公。
进一步的,所述处理系统还包括成果拓展模块,该模块可以用于输出检测数据报表和检测报告,同时还可以通过调用CAD软件生成一张500米内所包含指标的CAD图,方便业主查看同时也给设计提供基础;该模块可以将采集的检测指标与GIS数据结合实现GIS图形化。所述处理系统还包括自动化办公套件,采用MEF框架,可根据需求定制自动化办公模块,为用户提供Office、WPS等办公软件自动化办公功能,减少不必要的人工工时浪费。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (9)
1.一种多元路面定期检测数据处理方法,其特征在于,包括:
步骤S1、数据采集,具体是:采集表示路面技术状况的检测指标、各检测点的GIS数据和路面图片;所述检测指标包括路面损坏、路面平整度、车辙、构造深度、路面跳车、路面磨耗、路面抗滑摩擦系数和路面弯沉;
步骤S2、数据预处理,具体是:基于深度神经网络和路面图片,对检测指标中的路面平整度、车辙、路面抗滑摩擦系数和路面跳车数据进行异常值剔除;
步骤S3、基于步骤S2处理后的检测指标进行结果输出,具体是:
按照公路技术状况评定标准或城镇道路养护技术规范输出评价分级结果;基于GIS数据采用描点法绘制道路线形,并在地图上可视化展示路面病害的位置、类型以及评级;采用有序样本聚类算法识别出路面养护靶区,输出道路的最佳养护方案;
S2中数据预处理具体是:
步骤S2.1、使用典型特异值产生位置的路面图片进行深度神经网络训练,识别出典型特异值产生位置的路面图片中的图像特征;
步骤S2.2、以N米为一个检测单元分别对步骤S1获取的路面平整度、车辙、路面抗滑摩擦系数和路面跳车数据进行划分,分别获取总体检测路段下路面平整度、车辙、路面抗滑摩擦系数和路面跳车的均值和标准差;对检测单元中路面平整度、车辙、路面抗滑摩擦系数和路面跳车分别采用3σ原则挑选出疑似异常值数据,同时获取疑似异常值数据所对应的桩号;其中,N≥10;
步骤S2.3、提取所对应的桩号范围内的路面图片,采用训练好的深度神经网络识别疑似异常值数据是否处于典型特异值产生位置;
步骤S2.4、若疑似异常值数据处于典型特异值产生位置则对该数据进行剔除,若不是处于典型特异值产生位置则保留该数据。
2.根据权利要求1所述的多元路面定期检测数据处理方法,其特征在于,所述典型特异值产生位置包括桥头路段、减速带位置和井盖位置。
3.根据权利要求1所述的多元路面定期检测数据处理方法,其特征在于,在地图上可视化展示路面病害的位置、类型以及评级,具体实现步骤是:
步骤A1、采用高斯投影算法将GIS数据转换到投影坐标系,获得GIS投影数据;
步骤A2、将GIS投影数据与桩号对应起来,并计算获得桩号的坐标;
步骤A3、将GIS投影数据中的各检测点以及桩号的坐标采用描点法绘制成道路线形;
步骤A4、针对可视化展示的任意类型的路面病害,在道路线形上采用不同颜色表示路面病害对应的病害指标在不同位置的评级。
4.根据权利要求3所述的多元路面定期检测数据处理方法,其特征在于,步骤A2中:根据桩号所在位置前后两个检测点的坐标以及两个检测点形成的方位角,计算获得该桩号的坐标。
5.根据权利要求1所述的多元路面定期检测数据处理方法,其特征在于,步骤S3中输出道路的最佳养护方案具体是:
步骤B1、根据养护需要在检测指标中选择K个指标作为养护指标;
步骤B2、提取各养护指标的流水表,且按M米为一个养护单元进行划分;
步骤B3、按规范赋予选择的养护指标权重,并对权重进行归一化处理;
步骤B4、按照权重计算各养护单元的综合指标值;
步骤B5、采用有序样本聚类算法按照养护单元的综合指标值进行聚类,重新划分养护单元;
步骤B6、计算重新划分的养护单元的综合指标值,根据综合指标值按照公路技术状况评定标准或城镇道路养护技术规范进行评价分级,将不满足规范要求的养护单元作为养护靶区;
步骤B7、根据养护决策树推荐养护靶区的养护方式并计算养护总成本C,获得养护方案;
步骤B8、对比养护总投资I和养护总成本C;
当0.95I≤C≤1.05I时,进入步骤B9;
当0.5I≤C<0.95I或1.05I<C≤1.5I时,返回步骤B5修改聚类条件后重新进行聚类;
当1.5I<C或C<0.5I时,返回步骤B1调整养护指标的个数;
步骤B9、获取养护方案的预期效果T,并与养护的目标效果M进行对比;
当0.95M≤T≤1.05M时,则输出最佳养护方案,否则返回步骤B7依据养护决策树重新调整养护方案。
6.根据权利要求5所述的多元路面定期检测数据处理方法,其特征在于,步骤B5中进行聚类的规则及停止条件为:
若相邻两个养护单元之间综合指标值之差小于等于m,则将相邻两个养护单元整合为一个养护单元;
若第j个养护单元与第j+1个养护单元、第j-1个养护单元的综合指标值之差均小于等于m,则将第j个养护单元与和其综合指标值相差最小的养护单元整合为一个养护单元;若第j个养护单元与第j+1个养护单元、第j-1个养护单元的综合指标值之差相等且均小于等于m,则将第j个养护单元与第j-1个养护单元整合为一个养护单元;
若整合后存在养护单元长度大于100m,或无养护单元长度大于100m但前后两次整合获得的养护单元一致时,则停止整合;
其中m∈[2,8],10≤M<100。
7.根据权利要求6所述的多元路面定期检测数据处理方法,其特征在于,返回步骤B5时,通过修改m的取值重新进行聚类。
8.一种多元路面定期检测数据处理系统,其特征在于,所述处理系统采用如权利要求1-7任意一项所述的多元路面定期检测数据处理方法;
所述处理系统包括数据采集单元、数据预处理模块、数据分析模块和分布式数据库模块;所述数据采集单元用于采集表示路面技术状况的检测指标、各检测点的GIS数据和路面图片,所述数据预处理模块用于进行异常值剔除,所述数据分析模块用于输出评价分级结果和最佳养护方案,所述分布式数据库模块包括大数据可视化平台,所述大数据可视化平台用于在地图上可视化展示路面病害的位置、类型以及评级。
9.根据权利要求8所述的多元路面定期检测数据处理系统,其特征在于,所述分布式数据库模块还包括B/S端远程处理平台,所述B/S端远程处理平台用于实现对外数据对接、对外成果浏览以及内部居家办公。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410134953.0A CN117994225B (zh) | 2024-01-30 | 2024-01-30 | 一种多元路面定期检测数据处理方法及处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410134953.0A CN117994225B (zh) | 2024-01-30 | 2024-01-30 | 一种多元路面定期检测数据处理方法及处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117994225A CN117994225A (zh) | 2024-05-07 |
CN117994225B true CN117994225B (zh) | 2024-08-13 |
Family
ID=90901986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410134953.0A Active CN117994225B (zh) | 2024-01-30 | 2024-01-30 | 一种多元路面定期检测数据处理方法及处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117994225B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108335002A (zh) * | 2017-01-20 | 2018-07-27 | 亚信蓝涛(江苏)数据科技有限公司 | 一种可视化的道路养护大数据分析系统 |
CN115994901A (zh) * | 2023-02-13 | 2023-04-21 | 北京理工大学前沿技术研究院 | 一种道路病害自动检测方法与系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106910334B (zh) * | 2015-12-22 | 2019-12-24 | 阿里巴巴集团控股有限公司 | 一种基于大数据预测路段状况的方法及装置 |
CN112581763A (zh) * | 2020-12-11 | 2021-03-30 | 北京百度网讯科技有限公司 | 道路事件检测的方法、装置、设备和存储介质 |
US20220254008A1 (en) * | 2021-02-05 | 2022-08-11 | Fyusion, Inc. | Multi-view interactive digital media representation capture |
JP7424330B2 (ja) * | 2021-03-17 | 2024-01-30 | 株式会社アイシン | 路面異常検出システム |
CN117291085A (zh) * | 2023-06-25 | 2023-12-26 | 东南大学 | 基于贝叶斯多模态神经网络的高速公路沥青路面养护方案决策方法 |
-
2024
- 2024-01-30 CN CN202410134953.0A patent/CN117994225B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108335002A (zh) * | 2017-01-20 | 2018-07-27 | 亚信蓝涛(江苏)数据科技有限公司 | 一种可视化的道路养护大数据分析系统 |
CN115994901A (zh) * | 2023-02-13 | 2023-04-21 | 北京理工大学前沿技术研究院 | 一种道路病害自动检测方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117994225A (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Eisenbach et al. | How to get pavement distress detection ready for deep learning? A systematic approach | |
CN103150900B (zh) | 一种基于视频的交通拥堵事件自动检测方法 | |
CN110807919A (zh) | 基于过车数据的城市路网交通运行态势评价方法 | |
CN110619258B (zh) | 一种基于高分辨率遥感影像的道路轨迹核查方法 | |
CN108986448B (zh) | 一种交通设施管理方法及终端设备 | |
CN106649709B (zh) | 一种基于数据挖掘的车辆停留行为模式预测与评估方法 | |
CN111241994B (zh) | 一种深度学习的遥感影像农村公路砂化路段的提取方法 | |
CN116797055B (zh) | 一种基于物联网的城市道路规划方法及系统 | |
CN116168356B (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
CN109377050A (zh) | 一种基于风险分析及ai人工智能模型风险分析方法 | |
CN113918538B (zh) | 一种基于人工神经网络的新建道路养护数据迁移系统 | |
CN111797188B (zh) | 一种基于开源地理空间矢量数据的城市功能区定量识别方法 | |
CN108305461A (zh) | 一种偷逃费嫌疑车辆的确定方法和装置 | |
CN117576919B (zh) | 车辆超载识别系统、方法及电子设备 | |
CN117994225B (zh) | 一种多元路面定期检测数据处理方法及处理系统 | |
Rajab et al. | Application of image processing to measure road distresses | |
CN117079460A (zh) | 一种面向时间序列的arima模型对城市短时交通流预测的方法 | |
Niu et al. | Road extraction using smart phones GPS | |
CN112508336A (zh) | 一种基于结构方程模型的空间与环境效能关联测度方法 | |
CN114066288B (zh) | 一种基于智慧数据中心的营运道路应急检测方法及系统 | |
CN114485681B (zh) | 一种利用dr轨迹评价中精度地图数据一致率的方法 | |
CN107292531B (zh) | 一种基于bp神经网络和聚类分析法的公交车“两率”检查方法 | |
Wang et al. | Data analysis of real-time system for automated distress survey | |
CN113269464B (zh) | 一种生态恢复评估方法和生态恢复评估装置 | |
CN109060858A (zh) | 一种土壤重金属浓度空间分布预测准确性的定量评价方法 |
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 |