基于深度学习的三维路面裂缝类病害检测方法

为了在路面三维图像的基础上快速、准确、完整地识别裂缝,提出一种基于深度学习的路面裂缝类病害自动检测方法.首先,以子块图像为处理单元,将三维图像划分为裂缝面元和背景面元,其中背景面元包含了路面标线、不同纹理和桥接缝等复杂场景.根据对面元图像的分析,提出一种基于卷积神经网络的PCCNet分类模型,用于路面背景面元和路面裂缝面元的自动识别.然后,为了进一步提取裂缝面元内裂缝的完整轮廓,考虑路面三维图像中裂缝像素级邻域特征,利用PCCNet模型结合裂缝高程检查方法对路面裂缝进行检测.研究结果表明:通过训练集4 300张高精度三维图像的训练,模型在3 850次迭代之后出现过拟合,且此时PCCNet模型在验证集上的总体F值达到最大,为92.9％;将PCCNet模型结合裂缝高程检查方法应用在测试集的200张三维图像上,方法准确率、召回率和F值分别为87.8％、90.1％和88.9％.与改进Canny方法和种子识别方法对比,所提出的方法在抑制噪声和检测细小裂纹方面具有更强的鲁棒性.     

论设备的维护保养与维修资料的管理

设备管理的主要目地就是保障设备高效,安全,长期地运行,切实提高设备的利用率,要做到这点,重要的是作好设备的日常维护与保养,本文就设备的维护保养,设备管理中有关维修保养资料等问题,作了论述。     

基于Win32 API的VB程序开发

在使用VisualBasic可视化语言开发Windows应用程序时 ,由于受到VisualBasic本身的许多限制 ,有时无法编写出像C/C ++那样有特殊功能要求的应用程序。本文论述了采用Windows提供的内部函数API,扩充VisualBasic应用程序的方法。     

基于多分支深度学习的沥青路面多病害检测方法

为了准确、快速地识别路面多病害，采用一种基于多分支框架的深度学习方法，提取并融合路面图像的大、小尺度特征，将路面二维图像和三维图像作为网络输入，增强病害特征.采集裂缝、条状修补、块状修补、坑槽、松散等沥青路面病害图像共计10 562张，进行人工标注.结果表明：500次训练后该方法的平均交并比为0.83,准确率和召回率的调和平均数F值为0.90,优于U-net、PSPNet、DeepLabv3+等方法；在单一类别上，对条状修补、坑槽、松散、桥接缝等分割效果最优，对裂缝、块状修补的识别展现出较强的鲁棒性；所提方法的识别效果高于仅使用单一输入或者单一分支的方法.因此，双通道和多分支的设计方法可以显著提升网络对多类别路面病害的识别精度.     

基于语义分割模型的三维沥青路面车辙异常分析方法

车辙深度是路面状况评价和道路养护的一个重要指标。现有车辙深度测量方法未考虑复杂路况下坑槽、松散、裂缝和桥梁接缝等对车辙计算的影响，其有效性和适用性受到了限制，测量结果的真实性也有待进一步验证。有鉴于此，文中提出了一种基于语义分割模型的沥青路面车辙异常检测与校正方法。采用三维线激光技术采集道路横断面高程数据，利用包络线算法提取车辙深度。对于最大车辙深度超过10 mm的横断面，搭建基于深度学习的语义分割框架，提出改进的DeepLabV3+网络对病害类型进行自动辨识和像素定位，并结合最大车辙深度高程点，设计基于拉格朗日插值的校正规则来对异常车辙进行校正。研究结果表明，改进的DeepLabV3+模型能较为准确地识别和定位造成车辙检测异常的路面病害，其对5种路面特征和病害的综合检测准确率达81.63%，在均交并比（MIoU）和大部分交并比（IoU）上的表现均优于U-Net、PSPNet、DeepLabV3+模型。现场验证结果表明，文中方法不仅能够自动分析车辙异常的原因，还能通过对异常车辙的校正排除其他病害的影响，从而较大程度地还原实际车辙深度水平。文中研究成果可为路面预防性养护提供科学数据支撑。