基于深度学习和ArcMap的路面病害智能综合检测方法

为了提升路面病害检测效率,实现路面病害检测结果的可视化显示,结合深度学习技术和ArcMap地理信息系统,设计一种适用于沥青路面的路面病害智能综合检测方法.该检测方法首先利用基于视觉几何组(visual geometry group, VGG)模型的卷积神经网络进行路面图像分类,再利用基于单步多框检测(single shot MultiBox detector, SSD)模型的目标检测网络实现路面病害识别,最后利用ArcMap地理信息系统生成道路健康地图.测试结果表明：基于VGG-16模型的路面图像分类准确率为94.60%,能够判别正常路面和病害路面;基于SSD模型的路面病害识别平均精确度为87.36%,能够有效识别坑槽、松散、车辙、裂缝、泛油和修补等6类病害类型;基于ArcMap系统的道路健康地图能够实现病害定位与结果显现.     

沥青路面坑槽产生的原因及防治措施

随着公路交通量日益增大,重载车辆、超载现象十分严重,坑槽是沥青路面的典型病害,严重影响路面的平整度和行车舒适性。本文根据沥青混凝土路面坑槽的破坏机理以及沥青路面坑槽修补的最终目的,分析了公路沥青路面坑槽产生的原因和防治措施。     

考虑病害三维特征的沥青路面车辙异常检验方法

针对复杂路况下车辙深度异常或横断面数据不完整的问题,提出了基于病害三维特征的路面车辙异常检验方法.首先,对三维图像中激光点异常值进行筛选及修正,利用横断面深度数据应用包络线算法提取最大车辙.考虑到裂缝、坑槽和拥包对车辙提取存在误判,利用三维高程数据建立病害种子检测模型以自动提取裂缝、坑槽和拥包种子点.测试结果表明,车辙深度相对误差小于7%,车辙深度测量重复性小于4%,包络线算法结果与人工测量值的相关系数高达0.999 2.在车辙异常检验中,裂缝种子识别模型准确率和召回率的均值分别为92.18%和84.79%,且F值为88.33%,优于支持向量机及改进的Canny方法.坑槽及拥包种子识别模型检测正确率大于95%.所提方法不仅能高效地提取车辙深度,而且能准确地检验造成车辙检测异常的其他病害.     

高速公路沥青路面破损状况评价方法

通过分析目前我国高速公路沥青路面破损状况评价方法的不足,依据湖南省多条高速公路沥青路面的路况调查数据,提出了基于三角白化权函数灰色聚类法的路面车辙深度、路面裂缝率、路面坑槽率和路面修补率4个指标的沥青路面破损状况评估模型.以湖南省临长高速公路公路养护工程为例,验证了该评价模型的可行性.     

基于无人机LiDAR数据的公路路面监测和平整度评价方法研究

低空无人机(Unmanned Aerial Vehicle,UAV)LiDAR(Light Detection and Ranging)是一项新的遥感技术,该技术获取的数据具有高精度、高密度、高效率、低成本的特点,被广泛应用于地形测绘、林业监测、三维建模、道路勘测设计等诸多领域.本文利用该技术对新疆石河子市郊的一处县级道路进行点云与影像数据的获取,经过格式转换、点云滤波、点云分类以及基于不规则三角网插值等处理,得到精细的三维地形表面模型.在此基础上选用国际平整度指数进行路面平整度的空间可视化表达,并依据平整度值进行分等定级从而实现对路面质量的评价;通过选取坑槽、沉陷、裂缝、麻面等不同类型、不同程度的病害、损坏路面样本以及质量较好的路面样本对平整度评价结果进行验证,表明本文评价方法的整体精度为75%,kappa系数为0.65.结果表明无人机LiDAR可作为低等级道路平整度监测的一种新技术途径,所建立的路面质量评价方法能为公路的养护与维修提供决策参考.     

基于三维激光技术的路面坑槽多维度指标检测

为实现沥青路面坑槽深度、面积和体积等多维度指标的自动、准确检测,利用三维激光技术对室内坑槽模型进行扫描,基于Matlab软件对激光点云数据采用不规则三角网(TIN)平面插值法重构了坑槽三维模型,进而结合等高线提取确定了坑槽边界,实现了坑槽多维度指标自动计算;对比了不同坑槽多维度指标计算误差,研究了激光线纵向间距对计算误差影响规律.研究结果表明:坑槽深度、面积和体积指标的最大相对误差分别为3.96%、4.58%和4.74%;当激光线纵向间距从1mm逐渐增大至20mm时,坑槽多维度指标计算相对误差逐渐增加;当间距为5mm时,坑槽深度、面积和体积指标的最大相对误差分别为4.65%、6.32%和7.17%;当间距大于5mm后,坑槽三维重构模型逐渐失真并出现了部分缺失,从而导致多维度指标检测误差的增大;因此,为保证坑槽多维度指标检测准确度建议激光线纵向间距应不大于5mm;坑槽多维度指标准确获取将为路面破损层位判定、严重程度评价和修补材料估算提供依据.     

浅谈公路沥青路面坑槽成因及常用修补措施

坑槽是沥青路面最常见的一种病害,它是沥青路面裂缝、龟裂、松散等病害发展延续的结果。坑槽的出现严重影响汽车驾驶的舒适性和安全性,若不及时进行合理的维修,会加剧路面破坏,从而造成养护费用的增加并存在极大的安全隐患。因此对坑槽的成因进行分析,制定科学合理的修补方案,对公路养护来说非常重要。     

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.     

城乡沥青公路路面病害原因及养护对策分析

通过文献资料法和逻辑分析法,以城乡沥青公路路面为研究对象,分析城乡沥青公路路面危害原因:沥青混凝土的水稳定性有待进一步解决,沥青的热稳定性需要进一步控制,沥青路基稳定性和强度不足,对于沥青路面的养护不及时。并以裂缝、坑槽、沉陷、车辙病害现象为例,提出城乡沥青公路路面病害的养护对策,旨在为城乡沥青公路路面养护提供参考与借鉴。     

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。     

基于地面三维激光扫描技术的公路路线设计参数提取

将三维激光扫描仪应用于公路测量,通过控制点云采集的参数来优化点云密度分布,采用基于四元数的ICP算法进行配准,提高配准精度。运用局部点离群算法完成点云去噪,得到高质量的公路路面点云,为后续设计参数的提取工作提供了可靠的数据源。最后运用点云边界点识别算法准确提取了公路边界线,并进一步生成了公路中心线及各项路线设计参数。实验表明结果完全满足后续施工设计的需要。     

柳州北环高速公路养护管理技术策略探讨

高等级公路沥青路面经受着繁重的轴载负荷和密集交通量的反复作用,路面使用性能逐年下降,并出现裂缝、坑槽、车辙等破损病害,严重影响了高等级公路的经济效益。因此,高等级公路沥青路面的养护越来越引起公路工作者的重视。     

高速公路沥青路面坑槽修补方法研究

高速公路沥青路面由于各种原因容易产生多种病害,其中坑槽是常见病害之一,严重地影响路面的质量和使用寿命,为行车造成了安全隐患。旨在对沥青路面坑槽病害形成原因、修补方法、工艺等进行论述,探索方便、简易的施工方法以用于高速公路沥青路面的日常养护维修中。     

沥青路面病害及养护维修技术

随着公路交通量的不断增长和重载车的增加,很多公路沥青路面未达到设计使用年限就出现一些早期损坏,如路面坑槽、开裂、泛油、龟裂、剥落、车辙等现象,有的公路甚至当年通车即发生了病害,这些路面病害的出现,不仅影响道路的使用质量,带来较大的交通安全隐患,也增大了养护管理资金的投入和不良的社会影响.鉴于此,该文以裂缝和水损害为例,对沥青路面病害及养护维修技术进行了探讨.     

基于激光强度的建筑立面点云分类及信息提取

针对地面三维激光扫描仪的点云激光强度值,提出了一种基于激光雷达方程的数据模型改正方法.通过将激光强度值进行角度和距离改正,分析数据模型的改正效果,并利用改正后的激光强度值对建筑立面点云进行分类及建筑立面信息的特征提取.实验表明:改正模型能对点云激光强度值进行有效补偿,使得同类物体的激光强度值趋于统一.因此,利用改正后的点云激光强度值对建筑立面点云进行分类及特征提取,能够保证分类精度及目标识别效果.     

基于3D激光雷达点云的车辆目标识别算法

针对结构化道路环境中智能车识别周围360°范围内的车辆目标问题,基于车载3D激光雷达采集的道路环境中车辆目标点云数据投影特征,提出识别车辆目标新算法。算法首先识别结构化道路边界,进而排除道路边界两旁障碍物的干扰和减少点云数据量;其次基于雷达点云数据扫描和分布特征,利用改进K-means算法对道路区域内点云数据聚类。最后提取聚类目标内部特征点,并通过计算特征点构成向量的夹角或模的长度准确识别车辆目标。实验验证表明,该算法有效抑制了道路边界两旁障碍物的干扰,可以准确识别结构化道路区域内的车辆目标。     

公路沥青路面病害修补技术的探讨

沥青路面在使用过程中,难免会出现车辙、裂缝、松散、坑槽、脱皮等破损病害,影响公路的使用安全性能。针对公路沥青路面病害的危害,对沥青路面病害的成因进行了仔细分析,详细地阐述了沥青路面病害的预防和处理措施,以延长公路沥青路面的使用寿命,减少养护成本,从而提高公路的使用性能和经济效益。     

基于深度学习的公路路面病害检测算法

针对公路路面病害图像存在背景干扰多、病害信息弱、尺度差异大等问题,提出了一种基于深度学习的公路路面病害检测方法。以YOLOv4算法为基础,在检测网络中引入可变形卷积,并提出基于路径聚合网络(path aggregation network, PANet)的自适应空间特征融合结构,充分学习公路路面病害的细节特征,实现不同尺度特征信息的高效融合;采用平均准确率损失(average precision loss, AP-loss)函数作为分类损失函数,促使网络在训练过程中更加注重于正样本。实验表明,在公路路面病害检测中,改进YOLOv4算法的平均准确率达到了95.34%,每张图像的平均检测时间为0.071 s。与快速基于区域的卷积神经网络(faster region-based convolutional neural networks, Faster R-CNN)算法相比,所提出的算法在持有较高检测准确率的同时,减少了运算时间,可以满足公路路面病害检测的准确性与实时性需求。     

浅谈沥青路面坑槽修补

根据沥青混凝土路面坑槽破坏的成因以及沥青路面坑槽修补的最终目的,结合公路日常养护中坑槽修补的各种材料和工艺的应用研究,通过多年的工作经验提出理想修补效果的具体要求。     

沥青路面坑槽修补技术探讨

沥青路面在长期的使用过程中,会出现松散、坑槽、剥落等病害。路面病害不仅降低了路面的服务能力,而且主要影响道路正常交通,甚至可能引发交通事故。