CN118241529A - 一种智能道路平整度测试方法 - Google Patents
一种智能道路平整度测试方法 Download PDFInfo
- Publication number
- CN118241529A CN118241529A CN202410317641.3A CN202410317641A CN118241529A CN 118241529 A CN118241529 A CN 118241529A CN 202410317641 A CN202410317641 A CN 202410317641A CN 118241529 A CN118241529 A CN 118241529A
- Authority
- CN
- China
- Prior art keywords
- image
- road surface
- road
- flatness
- speckle
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 22
- 238000012423 maintenance Methods 0.000 claims abstract description 59
- 238000011156 evaluation Methods 0.000 claims abstract description 49
- 238000005516 engineering process Methods 0.000 claims abstract description 37
- 230000007547 defect Effects 0.000 claims abstract description 8
- 230000002829 reductive effect Effects 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 51
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 32
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 230000006978 adaptation Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 230000035945 sensitivity Effects 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims 7
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 12
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000012854 evaluation process Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 208000025174 PANDAS Diseases 0.000 description 2
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 2
- 240000004718 Panda Species 0.000 description 2
- 235000016496 Panda oleosa Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及道路平整度测试技术领域,具体为一种智能道路平整度测试方法,包括以下步骤,基于移动激光扫描技术,进行路面连续扫描,激光器发射激光束至道路表面,传感器捕获反射回的光束,形成一系列散斑图像,生成散斑图像序列。本发明中,通过引入高精度的移动激光扫描技术和深度学习算法,实现对道路平整度的精确评估和实时监测,显著提高测试的效率和精度,在判定逻辑“若评估结果显示路面平整度低于阈值,则标记该路段为待维修”中,设置具体阈值自动化判断路面是否需要维修,优化维修资源的分配,确保维修工作的针对性和时效性,减少了人工干预,降低评估过程中的主观误差,同时也提高对道路平整度缺陷的识别能力。
Description
技术领域
本发明涉及道路平整度测试技术领域,尤其涉及一种智能道路平整度测试方法。
背景技术
道路平整度测试技术领域专注于评估和量化道路表面的平滑度或均匀性,是衡量道路质量的一个关键指标。道路平整度直接影响到车辆的行驶舒适度、安全性以及运输效率,同时也是公路养护和管理的重要参考。在该技术领域内,传统方法和智能技术并存,传统方法依赖于物理触觉测量或简单的视觉检查,而智能技术则采用先进的传感器、图像处理技术、数据分析算法等,以提高测试的精确度、效率和可靠性。
其中,智能道路平整度测试方法指的是采用智能技术来测量道路平整度的一种方法,旨在提供一种快速、精确且自动化的道路平整度评估手段,能够在更宽广的道路区域内,以更高的精度和更少的人工干预进行测量,主要目的是通过对道路平整度的准确评估,及时发现和记录道路表面的缺陷和不平处,从而指导道路维护和修复工作,提高道路使用的安全性和舒适性,能够优化道路养护资源的分配,通过精确的数据分析支持决策,提高公共资金的使用效率。
传统的道路平整度测试技术依赖于物理触觉测量或视觉检查,不仅耗时耗力,而且在数据采集和分析过程中容易受到人为因素的影响,从而影响评估结果的客观性和准确性。此外,传统方法在处理大范围道路网络时往往效率低下,难以实现实时监测和评估,导致道路维修工作反应迟缓,无法及时处理路面缺陷,进而影响道路的使用安全性和舒适性。
发明内容
本发明的目的是解决现有技术中存在的缺点,而提出的一种智能道路平整度测试方法。
为了实现上述目的,本发明采用了如下技术方案:一种智能道路平整度测试方法,包括以下步骤:
S1:基于移动激光扫描技术,进行路面连续扫描,激光器发射激光束至道路表面,传感器捕获反射回的光束,形成一系列散斑图像,生成散斑图像序列;
S2:基于所述散斑图像序列,应用自适应滤波技术,对图像进行去噪、对比度增强,优化图像质量,得到优化后的散斑图像序列;
S3:根据所述优化后的散斑图像序列,采用图像处理技术计算图像的灰度共生矩阵,通过分析灰度共生矩阵的属性,包括对比度、同质性、熵和相关性,提取与路面平整度相关联的纹理特征,获取路面特征数据;
S4:基于所述路面特征数据,采用卷积神经网络将获取的路面特征数据输入到预先配置的模型中,根据特征数据与已知平整度指数之间的关系,进行学习和分析,建立路面平整度预测模型;
S5:根据所述路面平整度预测模型,结合新捕获的散斑图像序列,进行实时路面平整度评估,得到路面平整度评估结果;
S6:基于所述路面平整度评估结果,设置阈值判断路面是否需要维修,若评估结果显示路面平整度低于阈值,则标记该路段为待维修,否则标记为平整,生成路面维修建议列表。
作为本发明的进一步方案,所述散斑图像序列具体为由激光扫描过程中捕获的连续图像,包括路面的反射光斑图案、光斑密度变化和光斑大小分布,所述优化后的散斑图像序列具体指经过灰度调整和边缘增强处理后的图像集,包括对比度提高图像、边缘清晰图像和噪声水平降低图像,所述路面特征数据包括路面纹理的粗糙度参数、不平整度指标和散斑密度指数,所述路面平整度预测模型具体指基于路面特征数据训练得到的分析模型,所述路面平整度评估结果包括路面的平整度等级和潜在存在缺陷的区域标识,所述路面维修建议列表包括待维修路段的位置信息、建议的维修类型和优先级排序。
作为本发明的进一步方案,基于移动激光扫描技术,进行路面连续扫描,激光器发射激光束至道路表面,传感器捕获反射回的光束,形成一系列散斑图像,生成散斑图像序列的步骤具体为,
S101:基于移动激光扫描技术,进行路面连续扫描,激光器按预设的扫描频率和激光功率参数发射激光束至道路表面,确保覆盖路面所有区域,生成初步散斑图像;
S102:根据所述初步散斑图像,调整传感器的接收灵敏度和接收角度,最大化捕获反射光束的效率,保证图像的连续性和完整性,得到连续性散斑图像序列;
S103:基于所述连续性散斑图像序列,调节图像捕获速度和激光扫描间隔,优化散斑图像的时间分辨率和空间分辨率,揭示路面状况的微小变化,生成散斑图像序列。
作为本发明的进一步方案,基于所述散斑图像序列,应用自适应滤波技术,对图像进行去噪、对比度增强,优化图像质量,得到优化后的散斑图像序列的步骤具体为,
S201:调整所述散斑图像序列中每张图像的亮度和对比度,匹配差异光照条件下的路面特征捕捉,识别图像中的散斑模式,获取亮度对比度调整图;
S202:对所述亮度对比度调整图应用自适应滤波技术,去除图像中的随机噪声,同时保留散斑的关键特征,减少图像中的干扰信息,生成去噪图;
S203:针对所述去噪图进行边缘增强处理,提升路面特征与散斑边缘的清晰度,揭示路面状况细节,得到优化后的散斑图像序列。
作为本发明的进一步方案,根据所述优化后的散斑图像序列,采用图像处理技术计算图像的灰度共生矩阵,通过分析灰度共生矩阵的属性,包括对比度、同质性、熵和相关性,提取与路面平整度相关联的纹理特征,获取路面特征数据的步骤具体为,
S301:对所述优化后的散斑图像序列中的每一张图像进行灰度级调整,保证所有图像具有相同数量的灰度级,获取灰度调整图;
S302:基于所述灰度调整图,采用图像处理技术计算相邻像素间的灰度差异,构建反映图像纹理特性的灰度共生矩阵,捕获图像内部的空间关系和纹理变化,生成纹理特征矩阵;
所述图像处理技术,按照公式:
;
计算改进的灰度共生矩阵值,生成反映图像内部空间关系和纹理变化的纹理特征矩阵,其中,为相邻像素间的灰度值,/>为相邻像素对的距离,/>为计算方向,/>为像素强度正则化系数,/>为距离加权因子,/>为方向敏感度调节参数,/>为灰度级动态调整系数,/>为原始灰度共生矩阵中,特定方向和距离下,灰度值/>旁边出现灰度值/>的概率。
S303:分析所述纹理特征矩阵中的统计属性,包括图像的对比度、同质性、熵和相关性指标,捕获路面状态的关键纹理特征,获取路面纹理特征数据。
作为本发明的进一步方案,基于所述路面特征数据,采用卷积神经网络将获取的路面特征数据输入到预先配置的模型中,根据特征数据与已知平整度指数之间的关系,进行学习和分析,建立路面平整度预测模型的步骤具体为,
S401:对所述路面纹理特征数据进行格式化处理,确保每个数据点均匀分布在卷积神经网络模型能接受的输入范围内,通过设置数据的维度和规模,为模型训练做准备,生成标准化特征数据集;
S402:将所述标准化特征数据集输入到卷积神经网络中,调节网络的训练参数,包括学习率和批处理大小,匹配差异训练阶段和加速收敛过程,通过多次迭代优化,得到训练调优进行模型;
所述卷积神经网络,按照公式;
;
匹配差异训练阶段和加速收敛过程,得到训练调优进行模型,其中,为下一步的权重,/>为当前步的权重,/>为初始学习率,/>为特征归一化系数,/>为权重初始化影响因子,/>为训练动态调整系数,/>为到目前为止所有梯度的平方和的对角矩阵,/>为正则化影响因子,/>为平滑项,/>为当前梯度;
S403:基于所述训练调优进行模型,评估模型在独立测试集上的预测性能,调整模型结构和参数,直至达到预设的准确度要求,固定模型的配置和权重,建立路面平整度预测模型。
作为本发明的进一步方案,根据所述路面平整度预测模型,结合新捕获的散斑图像序列,进行实时路面平整度评估,得到路面平整度评估结果的步骤具体为,
S501:选择新捕获的散斑图像序列,进行裁剪和缩放处理,使图像尺寸统一,调整图像分辨率匹配预测模型的输入要求,生成适配模型的散斑图像;
S502:将适配模型的散斑图像输入到所述路面平整度预测模型中,分析图像特征,计算每张图像对应的路面平整度指标,获取单图平整度评估结果;
S503:综合所述单图平整度评估的结果,采用加权平均方法分析每张图像评估的置信度,并进行数据整合,得到路面平整度评估结果。
作为本发明的进一步方案,基于所述路面平整度评估结果,设置阈值判断路面是否需要维修,若评估结果显示路面平整度低于阈值,则标记该路段为待维修,否则标记为平整,生成路面维修建议列表的步骤具体为,
S601:检查所述路面平整度评估结果,对每个路段的平整度指数进行比较,若指数低于设定阈值,则认定该路段表面状况需要进行维修,生成初步维修识别标记;
S602:对所述初步维修识别标记的路段进行地理位置标注,记录每个需要维修路段的起始点和终点坐标,捕获准确的地理信息,得到地理标注维修路段;
S603:将所述地理标注维修路段信息进行汇总,根据路段的交通重要性和平整度指数的严重程度对维修优先级进行排序,生成路面维修建议列表。
与现有技术相比,本发明的优点和积极效果在于:
本发明中,通过引入高精度的移动激光扫描技术和深度学习算法,实现对道路平整度的精确评估和实时监测,显著提高测试的效率和精度,在判定逻辑“若评估结果显示路面平整度低于阈值,则标记该路段为待维修”中,通过设置具体阈值自动化判断路面是否需要维修,优化维修资源的分配,确保维修工作的针对性和时效性,减少了人工干预,降低评估过程中的主观误差,同时也提高对道路平整度缺陷的识别能力,尤其是在广阔或难以人工到达的区域。
附图说明
图1为本发明的主步骤示意图;
图2为本发明的S1细化示意图;
图3为本发明的S2细化示意图;
图4为本发明的S3细化示意图;
图5为本发明的S4细化示意图;
图6为本发明的S5细化示意图;
图7为本发明的S6细化示意图。
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,以下结合附图及实施例,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例仅仅用以解释本发明,并不用于限定本发明。
在本发明的描述中,需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
实施例一
请参阅图1,本发明提供一种技术方案:一种智能道路平整度测试方法,包括以下步骤:
S1:基于移动激光扫描技术,进行路面连续扫描,激光器发射激光束至道路表面,传感器捕获反射回的光束,形成一系列散斑图像,生成散斑图像序列;
S2:基于散斑图像序列,应用自适应滤波技术,对图像进行去噪、对比度增强,优化图像质量,得到优化后的散斑图像序列;
S3:根据优化后的散斑图像序列,采用图像处理技术计算图像的灰度共生矩阵,通过分析灰度共生矩阵的属性,包括对比度、同质性、熵和相关性,提取与路面平整度相关联的纹理特征,获取路面特征数据;
S4:基于路面特征数据,采用卷积神经网络将获取的路面特征数据输入到预先配置的模型中,根据特征数据与已知平整度指数之间的关系,进行学习和分析,建立路面平整度预测模型;
S5:根据路面平整度预测模型,结合新捕获的散斑图像序列,进行实时路面平整度评估,得到路面平整度评估结果;
S6:基于路面平整度评估结果,设置阈值判断路面是否需要维修,若评估结果显示路面平整度低于阈值,则标记该路段为待维修,否则标记为平整,生成路面维修建议列表。
散斑图像序列具体为由激光扫描过程中捕获的连续图像,包括路面的反射光斑图案、光斑密度变化和光斑大小分布,优化后的散斑图像序列具体指经过灰度调整和边缘增强处理后的图像集,包括对比度提高图像、边缘清晰图像和噪声水平降低图像,路面特征数据包括路面纹理的粗糙度参数、不平整度指标和散斑密度指数,路面平整度预测模型具体指基于路面特征数据训练得到的分析模型,路面平整度评估结果包括路面的平整度等级和潜在存在缺陷的区域标识,路面维修建议列表包括待维修路段的位置信息、建议的维修类型和优先级排序。
在S1步骤中,通过移动激光扫描技术对道路进行连续扫描,激光器以设定的频率和功率向道路表面发射激光束,传感器随后捕获道路表面反射回的激光束,形成一系列散斑图像。散斑图像包含了路面反射特性的详细信息,如光斑的密度、大小和分布情况,获取了包含路面几何和物理特性信息的原始数据,为后续的图像处理和分析提供了基础。
在S2步骤中,通过图像预处理技术对S1步骤生成的散斑图像序列进行去噪和对比度增强。首先,采用数字图像处理中的滤波算法去除图像中的随机噪声,然后通过调整图像的对比度参数,增强路面特征的可视化效果,优化了图像的质量,使得路面的纹理和缺陷更加明显,便于后续的特征提取和分析。
在S3步骤中,通过图像处理技术对优化后的散斑图像序列中的每张图像进行灰度级调整,以确保所有图像具有统一的灰度级范围。然后,计算图像的灰度共生矩阵,分析其统计属性,如对比度、同质性、熵和相关性,这些属性反映了图像的纹理特征。通过纹理特征,能够提取与路面平整度密切相关的数据,为建立精确的路面平整度预测模型提供了关键的输入数据。
在S4步骤中,通过采用卷积神经网络技术,将S3步骤中获取的路面特征数据输入到一个预先配置好的深度学习模型中。卷积神经网络通过调整其内部参数,学习特征数据与已知平整度指数之间的关系,从而建立一个能够预测路面平整度的模型。模型能够根据输入的路面特征数据自动预测出路面的平整度等级,大大提高了道路平整度测试的自动化水平和准确性。
在S5步骤中,通过结合新捕获的散斑图像序列和S4步骤中建立的路面平整度预测模型进行实时路面平整度评估。这一步骤利用预测模型对新捕获的图像序列进行分析,得出每个路面段的平整度评估结果。评估结果以数字格式表达,直观地反映了路面的实际平整度情况,为道路维护和修复提供了即时且准确的参考信息。
在S6步骤中,通过设定阈值判断路面是否需要维修。如果路面平整度评估结果低于阈值,则该路段被标记为待维修,否则标记为平整。通过判定逻辑,可以自动化地识别需要维护和修复的路面区域,生成的路面维修建议列表详细列出了所有待维修路段的位置信息、建议的维修类型和优先级排序。列表为道路养护决策提供了实用的参考,优化了维修资源的分配和使用,确保了道路养护工作的高效执行。
请参阅图2,基于移动激光扫描技术,进行路面连续扫描,激光器发射激光束至道路表面,传感器捕获反射回的光束,形成一系列散斑图像,生成散斑图像序列的步骤具体为,
S101:基于移动激光扫描技术,进行路面连续扫描,激光器按预设的扫描频率和激光功率参数发射激光束至道路表面,确保覆盖路面所有区域,生成初步散斑图像;
在S101子步骤中,利用移动激光扫描仪对路面进行连续扫描,采用特定的激光束频率和功率参数进行配置,以确保激光能够覆盖路面所有区域。通过设置激光器的输出功率为5W,扫描频率为1kHz,激光波长设定为1550nm,以适应不同路面材料的反射特性。接着,通过调节扫描头的移动速度,确保每平方厘米路面被激光均匀扫描至少三次,以捕获路面细节,生成初步散斑图像。
S102:根据初步散斑图像,调整传感器的接收灵敏度和接收角度,最大化捕获反射光束的效率,保证图像的连续性和完整性,得到连续性散斑图像序列;
在S102子步骤中,基于初步散斑图像,采用自动增益控制算法调整传感器的接收灵敏度,同时,通过微调传感器的接收角度来最大化捕获反射光束的效率。自动增益控制算法根据反射光强度自动调整传感器灵敏度,范围从-10dB至+10dB,接收角度调整采用精细步进电机控制,步进角度为0.1°,以确保连续性和完整性,得到连续性散斑图像序列。
S103:基于连续性散斑图像序列,调节图像捕获速度和激光扫描间隔,优化散斑图像的时间分辨率和空间分辨率,揭示路面状况的微小变化,生成散斑图像序列;
在S103子步骤中,对连续性散斑图像序列进行时间和空间分辨率优化,采用图像帧率调节技术调整图像捕获速度,设置为每秒30帧,同时调节激光扫描间隔至0.5mm,以匹配传感器的捕获速率和精度。通过软件控制激光扫描设备的运动速度和激光发射间隔,确保每个图像帧能够清晰记录路面状况的微小变化,揭示如裂缝、坑洼等细节,生成散斑图像序列。
请参阅图3,基于散斑图像序列,进行图像预处理,包括去噪、对比度增强,优化图像质量,得到优化后的散斑图像序列的步骤具体为,
S201:调整散斑图像序列中每张图像的亮度和对比度,匹配差异光照条件下的路面特征捕捉,识别图像中的散斑模式,获取亮度对比度调整图;
在步骤S201中,基于散斑图像序列中每张图像的特性,采用直方图均衡化方法,利用OpenCV库中的cv2.equalizeHist()函数对图像进行亮度和对比度调整,通过计算图像的直方图并重新分布图像的亮度,使得图像在整个亮度范围内均匀分布,对于输入图像,cv2.equalizeHist()函数直接读取图像灰度值,自动进行亮度调整和对比度增强,生成亮度对比度调整图。
S202:对亮度对比度调整图应用自适应滤波技术,去除图像中的随机噪声,同时保留散斑的关键特征,减少图像中的干扰信息,生成去噪图;
在步骤S202中,基于亮度对比度调整图,采用高斯滤波算法,利用OpenCV库中的cv2.GaussianBlur()函数对图像进行滤波处理,该函数的参数设置为(src,ksize=(5,5),sigmaX=0),其中src为输入图像,ksize指定高斯核的大小为5x5,以保证足够的滤波效果同时避免过度模糊,sigmaX值为0时,算法会根据核大小自动计算高斯核的标准差,有效去除图像中的随机噪声,同时尽可能保留散斑的关键特征,生成去噪图。
S203:针对去噪图进行边缘增强处理,提升路面特征与散斑边缘的清晰度,揭示路面状况细节,得到优化后的散斑图像序列;
在步骤S203中,针对去噪图,采用Canny边缘检测算法,利用OpenCV库中的cv2.Canny()函数进行边缘增强处理,该函数的参数设置为(image,threshold1=50,threshold2=150),其中image为输入的去噪图,threshold1和threshold2分别为边缘检测的低阈值和高阈值,低于threshold1的像素点不被认为是边缘,高于threshold2的一定被认为是边缘,介于两者之间的根据算法逻辑判断,能够显著提升路面特征与散斑边缘的清晰度,揭示路面状况细节,得到优化后的散斑图像序列。
请参阅图4,根据优化后的散斑图像序列,采用图像处理技术计算图像的灰度共生矩阵,通过分析灰度共生矩阵的属性,包括对比度、同质性、熵和相关性,提取与路面平整度相关联的纹理特征,获取路面特征数据的步骤具体为,
S301:对优化后的散斑图像序列中的每一张图像进行灰度级调整,保证所有图像具有相同数量的灰度级,获取灰度调整图;
在步骤S301中,基于优化后的散斑图像序列,采用线性灰度变换技术,利用Python语言配合NumPy库,通过np.interp()函数对图像进行灰度级调整,该函数的参数设置为(image,(image.min(),image.max()),(0,255)),其中image为输入的图像数组,(image.min(),image.max())表示原图像灰度值的范围,(0,255)表示调整后图像灰度值的目标范围,此操作确保所有图像具有从0到255的灰度级范围,生成灰度调整图。
S302:基于灰度调整图,采用图像处理技术计算相邻像素间的灰度差异,构建反映图像纹理特性的灰度共生矩阵,捕获图像内部的空间关系和纹理变化,生成纹理特征矩阵;
图像处理技术,按照公式:
;
计算改进的灰度共生矩阵值,生成反映图像内部空间关系和纹理变化的纹理特征矩阵,其中,为相邻像素间的灰度值,/>为相邻像素对的距离,/>为计算方向(例如,0°,45°,90°,135°等),/>为像素强度正则化系数,用于调整图像的灰度强度范围,/>为距离加权因子,根据像素间距离调整权重,/>为方向敏感度调节参数,根据计算方向调整权重,/>为灰度级动态调整系数,根据像素灰度值调整权重,/>为原始灰度共生矩阵中,特定方向和距离下,灰度值/>旁边出现灰度值/>的概率。
执行过程如下:
图像预处理,对输入图像进行灰度转换和归一化处理,使用正则化系数调整图像的整体灰度强度范围,以减少外部光照变化的影响。
确定参数值,通常根据图像的光照条件和对比度选择,以保证图像在不同光照下的一致性;/>的值可以根据实际应用中像素间距离的重要性来设置,例如,距离较近的像素对可能对纹理特征的影响更大,因此可以设置更高的权重;/>根据图像纹理的主要方向性来调整,如果某一方向的纹理特征更为显著,可以通过增加该方向的权重来突出这一特性;/>考虑到特定灰度级对之间的关系对纹理分析特别重要,可以基于实验数据或先验知识来设定,强化或减弱特定灰度级对的影响。
计算改进的GLCM,对每一对像素,根据其灰度值、距离/>和方向/>,使用改进公式计算GLCM的值。包括了对所有的方向和距离组合进行迭代计算,考虑了正则化、距离加权、方向调节和灰度级动态调整的影响。
特征提取,从改进的GLCM中提取纹理特征,如能量、对比度、相关性等,特征现在包含了更多关于图像纹理变化和空间关系的信息,提高了纹理分析的准确度和鲁棒性。
通过执行过程,改进的GLCM方法不仅保留了原始GLCM方法分析图像纹理的能力,还通过引入额外的调整参数增加了方法的灵活性和适用性,使其能够更准确地捕获和描述图像内部的复杂纹理和空间关系。
S303:分析纹理特征矩阵中的统计属性,包括图像的对比度、同质性、熵和相关性指标,捕获路面状态的关键纹理特征,获取路面纹理特征数据;
在步骤S303中,分析纹理特征矩阵中的统计属性,采用灰度共生矩阵的统计分析方法,利用skimage库中的skimage.feature.greycoprops()函数,分别计算对比度、同质性、熵和相关性指标,该函数的参数设置为(GLCM,prop='contrast')、(GLCM,prop='homogeneity')、自定义熵计算函数应用于GLCM、(GLCM,prop='correlation'),其中GLCM为步骤S302生成的纹理特征矩阵,prop参数指定计算的属性,自定义熵计算函数通过分析GLCM中的非零元素来计算熵值,捕获路面状态的关键纹理特征,获取路面纹理特征数据。
请参阅图5,基于路面特征数据,采用卷积神经网络将获取的路面特征数据输入到预先配置的模型中,根据特征数据与已知平整度指数之间的关系,进行学习和分析,建立路面平整度预测模型的步骤具体为,
S401:对路面纹理特征数据进行格式化处理,确保每个数据点均匀分布在卷积神经网络模型能接受的输入范围内,通过设置数据的维度和规模,为模型训练做准备,生成标准化特征数据集;
在步骤S401中,基于路面纹理特征数据,采用数据标准化方法,利用Python语言配合NumPy库,通过numpy.reshape()函数对特征数据进行格式化处理,该函数的参数设置为(-1,img_height,img_width,1),其中-1表示自动计算该维度的大小,以保证与卷积神经网络模型的输入层匹配,img_height和img_width代表调整后的图像高度和宽度,1表示图像的通道数为灰度图,确保每个数据点均匀分布在卷积神经网络模型能接受的输入范围内,为模型训练做准备,生成标准化特征数据集。
S402:将标准化特征数据集输入到卷积神经网络中,调节网络的训练参数,包括学习率和批处理大小,匹配差异训练阶段和加速收敛过程,通过多次迭代优化,得到训练调优进行模型;
卷积神经网络,按照公式;
;
匹配差异训练阶段和加速收敛过程,得到训练调优进行模型,其中,为下一步的权重,/>为当前步的权重,/>为初始学习率,控制权重更新的步长,/>为特征归一化系数,根据输入数据的预处理方法确定,调整学习率以反映特征的归一化处理对学习过程的影响,/>为权重初始化影响因子,基于权重初始化策略确定,调整学习率以体现不同初始化方法的效果,/>为训练动态调整系数,根据训练过程的变化(如迭代次数)调整,体现训练过程的动态特性,/>为到目前为止所有梯度的平方和的对角矩阵,用于自适应调整学习率,/>为正则化影响因子,如果应用了正则化技术,根据正则化系数设定,体现正则化对权重更新规则的调整,/>为平滑项,防止分母为零,保证数值稳定性,/>为当前梯度,即对的偏导数,反映了目标函数相对于当前权重的局部斜率。
执行过程如下:
初始化,在训练开始之前,对所有参数进行初始化,包括权重的初始化,/>的初始化(通常为0),以及确定的/>、/>、/>、/>、/>、/>值;
前向传播,输入经过归一化处理的特征数据集到CNN中,进行前向传播以计算网络的输出;
计算梯度,通过反向传播算法计算损失函数相对于当前权重的梯度/>;
更新,将当前梯度/>的平方累加到/>中,即/>;
权重更新,使用改进的算法公式,根据当前的、/>、/>、/>、/>、/>、/>和/>来更新权重;
重复步骤2-5,迭代进行前向传播、计算梯度、更新和权重/>,直到满足停止条件,如达到预设的迭代次数或模型性能不再显著提升。
通过这种方法,考虑到更多训练过程中的因素,如特征的归一化处理、权重的初始分配方法、训练的动态变化以及正则化的应用,使得学习率的调整更为精细和个性化,进而提升了模型训练的效率和最终性能。
S403:基于训练调优进行模型,评估模型在独立测试集上的预测性能,调整模型结构和参数,直至达到预设的准确度要求,固定模型的配置和权重,建立路面平整度预测模型;
在步骤S403中,基于训练调优进行模型,采用模型评估技术,利用Keras库中的model.evaluate()函数评估模型在独立测试集上的预测性能,该函数无需特殊参数设置,直接输入测试数据集和对应标签,函数返回模型的损失值和准确率,根据评估结果调整模型结构和参数,如增加或减少网络层,调整层的神经元数量,直至达到预设的准确度要求,例如设置准确度阈值为0.95,即模型准确率达到或超过95%时认为满足要求,固定模型的配置和权重,建立路面平整度预测模型。
请参阅图6,根据路面平整度预测模型,结合新捕获的散斑图像序列,进行实时路面平整度评估,得到路面平整度评估结果的步骤具体为,
S501:选择新捕获的散斑图像序列,进行裁剪和缩放处理,使图像尺寸统一,调整图像分辨率匹配预测模型的输入要求,生成适配模型的散斑图像;
在步骤S501中,基于新捕获的散斑图像序列,采用图像预处理技术,利用Python语言配合PIL库中的Image.resize()方法对图像进行裁剪和缩放处理,该方法的参数设置为(target_size,Image.ANTIALIAS),其中target_size为预测模型要求的输入尺寸,例如(224,224)表示将图像缩放到224x224像素,Image.ANTIALIAS表示在缩放过程中采用抗锯齿技术以保持图像质量,通过这种方式调整图像分辨率以匹配预测模型的输入要求,生成适配模型的散斑图像。
S502:将适配模型的散斑图像输入到路面平整度预测模型中,分析图像特征,计算每张图像对应的路面平整度指标,获取单图平整度评估结果;
在步骤S502中,将适配模型的散斑图像输入到路面平整度预测模型中,采用深度学习技术,利用TensorFlow和Keras库构建的卷积神经网络进行图像特征分析,该网络配置包括多个Conv2D层和MaxPooling2D层以提取图像特征,接着通过Dense层实现特征到路面平整度指标的映射,网络的训练参数,如学习率和批处理大小,已根据之前的训练调优阶段进行设置,无需再次调整,通过网络对每张图像进行分析计算,得到对应的路面平整度指标,获取单图平整度评估结果。
S503:综合单图平整度评估的结果,采用加权平均方法分析每张图像评估的置信度,并进行数据整合,得到路面平整度评估结果;
在步骤S503中,综合单图平整度评估的结果,采用加权平均法,利用Numpy库进行数学计算,通过计算每张图像评估结果的置信度并进行加权平均,具体采用numpy.average()方法,参数设置为(values,weights),其中values表示单图平整度评估结果的数组,weights表示对应的置信度数组,通过分析每张图像评估的置信度,并进行数据整合,得到整体的路面平整度评估结果。
请参阅图7,基于路面平整度评估结果,设置阈值判断路面是否需要维修,若评估结果显示路面平整度低于阈值,则标记该路段为待维修,否则标记为平整,生成路面维修建议列表的步骤具体为,
S601:检查路面平整度评估结果,对每个路段的平整度指数进行比较,若指数低于设定阈值,则认定该路段表面状况需要进行维修,生成初步维修识别标记;
在步骤S601中,基于路面平整度评估结果,采用阈值比较法,利用Python语言进行编程实现,通过设置一个预定的平整度指数阈值,如threshold=2.5,对每个路段的平整度指数进行比较,若某路段的平整度指数低于threshold,则认定该路段表面状况需要进行维修,使用条件判断语句ifroad_surface_flatness_index<threshold:来执行这一逻辑判断,生成初步维修识别标记。
S602:对初步维修识别标记的路段进行地理位置标注,记录每个需要维修路段的起始点和终点坐标,捕获准确的地理信息,得到地理标注维修路段;
在步骤S602中,对初步维修识别标记的路段进行地理位置标注,采用地理信息系统(GIS)技术,利用ArcGIS软件的Add XY Coordinates工具,该工具能够根据每个需要维修路段的地理位置数据,自动记录每个路段的起始点和终点坐标,通过提供的路段位置数据road_segment_location_data,执行Add XY Coordinates工具进行处理,直接应用于初步维修识别标记的路段数据,得到地理标注维修路段。
S603:将地理标注维修路段信息进行汇总,根据路段的交通重要性和平整度指数的严重程度对维修优先级进行排序,生成路面维修建议列表;
在步骤S603中,将地理标注维修路段信息进行汇总,采用数据排序和优先级判定方法,利用Python语言和Pandas库进行操作,通过定义一个优先级排序函数sort_by_priority(road_segments_data),该函数内部利用Pandas的DataFrame.sort_values()方法,参数设置为(by=['traffic_importance','flatness_index_severity'],ascending=[False,False]),其中road_segments_data为包含每个维修路段的交通重要性和平整度指数严重程度,by参数指定排序依据的列,ascending参数指定排序方式,即先按照交通重要性降序排序,再按照平整度指数的严重程度降序排序,通过这种方式根据路段的交通重要性和平整度指数的严重程度对维修优先级进行排序,生成路面维修建议列表。
以上,仅是本发明的较佳实施例而已,并非对本发明作其他形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (8)
1.一种智能道路平整度测试方法,其特征在于,包括以下步骤:
基于移动激光扫描技术,进行路面连续扫描,激光器发射激光束至道路表面,传感器捕获反射回的光束,形成一系列散斑图像,生成散斑图像序列;
基于所述散斑图像序列,应用自适应滤波技术,对图像进行去噪、对比度增强,优化图像质量,得到优化后的散斑图像序列;
根据所述优化后的散斑图像序列,采用图像处理技术计算图像的灰度共生矩阵,通过分析灰度共生矩阵的属性,包括对比度、同质性、熵和相关性,提取与路面平整度相关联的纹理特征,获取路面特征数据;
基于所述路面特征数据,采用卷积神经网络将获取的路面特征数据输入到预先配置的模型中,根据特征数据与已知平整度指数之间的关系,进行学习和分析,建立路面平整度预测模型;
根据所述路面平整度预测模型,结合新捕获的散斑图像序列,进行实时路面平整度评估,得到路面平整度评估结果;
基于所述路面平整度评估结果,设置阈值判断路面是否需要维修,若评估结果显示路面平整度低于阈值,则标记该路段为待维修,否则标记为平整,生成路面维修建议列表。
2.根据权利要求1所述的智能道路平整度测试方法,其特征在于,所述散斑图像序列具体为由激光扫描过程中捕获的连续图像,包括路面的反射光斑图案、光斑密度变化和光斑大小分布,所述优化后的散斑图像序列具体指经过灰度调整和边缘增强处理后的图像集,包括对比度提高图像、边缘清晰图像和噪声水平降低图像,所述路面特征数据包括路面纹理的粗糙度参数、不平整度指标和散斑密度指数,所述路面平整度预测模型具体指基于路面特征数据训练得到的分析模型,所述路面平整度评估结果包括路面的平整度等级和潜在存在缺陷的区域标识,所述路面维修建议列表包括待维修路段的位置信息、建议的维修类型和优先级排序。
3.根据权利要求1所述的智能道路平整度测试方法,其特征在于,基于移动激光扫描技术,进行路面连续扫描,激光器发射激光束至道路表面,传感器捕获反射回的光束,形成一系列散斑图像,生成散斑图像序列的步骤具体为,
基于移动激光扫描技术,进行路面连续扫描,激光器按预设的扫描频率和激光功率参数发射激光束至道路表面,确保覆盖路面所有区域,生成初步散斑图像;
根据所述初步散斑图像,调整传感器的接收灵敏度和接收角度,最大化捕获反射光束的效率,保证图像的连续性和完整性,得到连续性散斑图像序列;
基于所述连续性散斑图像序列,调节图像捕获速度和激光扫描间隔,优化散斑图像的时间分辨率和空间分辨率,揭示路面状况的微小变化,生成散斑图像序列。
4.根据权利要求1所述的智能道路平整度测试方法,其特征在于,基于所述散斑图像序列,应用自适应滤波技术,对图像进行去噪、对比度增强,优化图像质量,得到优化后的散斑图像序列的步骤具体为,
调整所述散斑图像序列中每张图像的亮度和对比度,匹配差异光照条件下的路面特征捕捉,识别图像中的散斑模式,获取亮度对比度调整图;
对所述亮度对比度调整图应用自适应滤波技术,去除图像中的随机噪声,同时保留散斑的关键特征,减少图像中的干扰信息,生成去噪图;
针对所述去噪图进行边缘增强处理,提升路面特征与散斑边缘的清晰度,揭示路面状况细节,得到优化后的散斑图像序列。
5.根据权利要求1所述的智能道路平整度测试方法,其特征在于,根据所述优化后的散斑图像序列,采用图像处理技术计算图像的灰度共生矩阵,通过分析灰度共生矩阵的属性,包括对比度、同质性、熵和相关性,提取与路面平整度相关联的纹理特征,获取路面特征数据的步骤具体为,
对所述优化后的散斑图像序列中的每一张图像进行灰度级调整,保证所有图像具有相同数量的灰度级,获取灰度调整图;
基于所述灰度调整图,采用图像处理技术计算相邻像素间的灰度差异,构建反映图像纹理特性的灰度共生矩阵,捕获图像内部的空间关系和纹理变化,生成纹理特征矩阵;
所述图像处理技术,按照公式:
;
计算改进的灰度共生矩阵值,生成反映图像内部空间关系和纹理变化的纹理特征矩阵,其中,为相邻像素间的灰度值,/>为相邻像素对的距离,/>为计算方向,/>为像素强度正则化系数,/>为距离加权因子,/>为方向敏感度调节参数,/>为灰度级动态调整系数,/>为原始灰度共生矩阵中,特定方向和距离下,灰度值/>旁边出现灰度值/>的概率;
分析所述纹理特征矩阵中的统计属性,包括图像的对比度、同质性、熵和相关性指标,捕获路面状态的关键纹理特征,获取路面纹理特征数据。
6.根据权利要求1所述的智能道路平整度测试方法,其特征在于,基于所述路面特征数据,采用卷积神经网络将获取的路面特征数据输入到预先配置的模型中,根据特征数据与已知平整度指数之间的关系,进行学习和分析,建立路面平整度预测模型的步骤具体为,
对所述路面纹理特征数据进行格式化处理,确保每个数据点均匀分布在卷积神经网络模型能接受的输入范围内,通过设置数据的维度和规模,为模型训练做准备,生成标准化特征数据集;
将所述标准化特征数据集输入到卷积神经网络中,调节网络的训练参数,包括学习率和批处理大小,匹配差异训练阶段和加速收敛过程,通过多次迭代优化,得到训练调优进行模型;
所述卷积神经网络,按照公式;
;
匹配差异训练阶段和加速收敛过程,得到训练调优进行模型,其中,为下一步的权重,/>为当前步的权重,/>为初始学习率,/>为特征归一化系数,/>为权重初始化影响因子,为训练动态调整系数,/>为到目前为止所有梯度的平方和的对角矩阵,/>为正则化影响因子,/>为平滑项,/>为当前梯度;
基于所述训练调优进行模型,评估模型在独立测试集上的预测性能,调整模型结构和参数,直至达到预设的准确度要求,固定模型的配置和权重,建立路面平整度预测模型。
7.根据权利要求1所述的智能道路平整度测试方法,其特征在于,根据所述路面平整度预测模型,结合新捕获的散斑图像序列,进行实时路面平整度评估,得到路面平整度评估结果的步骤具体为,
选择新捕获的散斑图像序列,进行裁剪和缩放处理,使图像尺寸统一,调整图像分辨率匹配预测模型的输入要求,生成适配模型的散斑图像;
将适配模型的散斑图像输入到所述路面平整度预测模型中,分析图像特征,计算每张图像对应的路面平整度指标,获取单图平整度评估结果;
综合所述单图平整度评估的结果,采用加权平均方法分析每张图像评估的置信度,并进行数据整合,得到路面平整度评估结果。
8.根据权利要求1所述的智能道路平整度测试方法,其特征在于,基于所述路面平整度评估结果,设置阈值判断路面是否需要维修,若评估结果显示路面平整度低于阈值,则标记该路段为待维修,否则标记为平整,生成路面维修建议列表的步骤具体为,
检查所述路面平整度评估结果,对每个路段的平整度指数进行比较,若指数低于设定阈值,则认定该路段表面状况需要进行维修,生成初步维修识别标记;
对所述初步维修识别标记的路段进行地理位置标注,记录每个需要维修路段的起始点和终点坐标,捕获准确的地理信息,得到地理标注维修路段;
将所述地理标注维修路段信息进行汇总,根据路段的交通重要性和平整度指数的严重程度对维修优先级进行排序,生成路面维修建议列表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410317641.3A CN118241529A (zh) | 2024-03-20 | 2024-03-20 | 一种智能道路平整度测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410317641.3A CN118241529A (zh) | 2024-03-20 | 2024-03-20 | 一种智能道路平整度测试方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118241529A true CN118241529A (zh) | 2024-06-25 |
Family
ID=91550254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410317641.3A Pending CN118241529A (zh) | 2024-03-20 | 2024-03-20 | 一种智能道路平整度测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118241529A (zh) |
-
2024
- 2024-03-20 CN CN202410317641.3A patent/CN118241529A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN108629775B (zh) | 一种热态高速线材表面图像处理方法 | |
JP6099479B2 (ja) | ひび割れ検出方法 | |
CN110008947B (zh) | 一种基于卷积神经网络的粮仓粮食数量监测方法及装置 | |
CN113344956B (zh) | 基于无人机航摄三维建模的地物轮廓提取分类方法 | |
US11663713B2 (en) | Image generation system | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
JPWO2020121564A1 (ja) | 寸法計測装置、寸法計測プログラム及び半導体製造システム | |
CN112966542A (zh) | 一种基于激光雷达的slam系统和方法 | |
CN116740072B (zh) | 基于机器视觉的道路表面缺陷检测方法及系统 | |
CN100372089C (zh) | 图形评价装置、图形评价方法 | |
CN117635604B (zh) | 一种建筑工程钢结构焊接质量检测方法 | |
JP2013238449A (ja) | ひび割れ検出方法 | |
CN117011477B (zh) | 一种基于bim的钢结构形变监测处理方法及系统 | |
CN116664586B (zh) | 一种基于多模态特征融合的玻璃缺陷检测方法及系统 | |
CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
CN116563262A (zh) | 基于多模态的建筑裂缝检测算法 | |
CN117635615A (zh) | 基于深度学习实现冲孔模具的缺陷检测方法及系统 | |
CN111627018B (zh) | 一种基于双流神经网络模型的钢板表面缺陷分类方法 | |
CN117853722A (zh) | 一种融合超像素信息的钢材金相组织分割方法 | |
CN115953604B (zh) | 一种不动产地理信息测绘数据采集方法 | |
CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN115797314B (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |