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GPS和车辙的三维路面重构

提出了一种基于地理定位系统(GPS)和横断面车辙数据的路面三维重构模型.针对GPS和车辙的采样间隔不同,首先采用Cardinal插值算法对非等间距的离散GPS点插值,并按间距需求选取等间距的插值点,然后将序列化后的GPS插值数据与车辙数据融合,构造出在三维空间中用于绘制三角形网格的顶点矩阵,最后实现了三维重构路面的绘制.实验表明用该方法重构的三维路面在路面车辙、坑槽及拥包的检测方面有很好的应用价值.     

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.     

高速公路沥青混凝土路面病害及机械化养护

高速公路通车后,在行车载荷和自然因素作用下,路面可能发生裂缝、车辙、坑槽、推移、拥包、沉陷、沥青脱落等常见病害。高速公路建     

用于路面车辙检测的线结构光图像处理流程

分析了激光线结构光车辙检测原理,提出了适应沥青路面纹理特征和技术状况的线结构光图像处理流程,包括路面横断面曲线提取和车辙特征参数提取.其中路面横断面曲线提取由光心提取、光心连接和光心曲线平滑实现.基于高斯拟合的光心提取用于确定线结构光位置,光心连接用线性插值得到完整的路面横断面曲线,而光心曲线平滑则可削弱路表纹理及其他干扰因素的影响.车辙特征参数提取在获取横断面包络线的基础上实现,最大车辙深度和曲线填充面积均可作为车辙评价参数,而路面横断面曲线也可用于路面横向变形特征的描述.模拟车辙试验表明,线结构光检测可以精确测量车辙深度,提出的图像处理流程具备可行性.     

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.     

基于点云数据的道路变形类病害自动化检测方法

拥包、沉陷等路面变形是常见的病害类型,但传统基于二维图像的判断方法无法获取深度信息,线性激光扫描的方法精度较高但是单次扫描范围有限,难以短时获取全局状况,导致大尺度变形类病害识别困难.利用车载移动激光雷达系统获取三维点云数据,解决了变形类病害检测的难点,并可提取其三维特征.实测数据验证了方法的可靠性和有效性,可实现拥包...     

多点激光布设参数对车辙深度计算误差的影响

为评价多点激光车辙深度的计算误差,研发了室内车辙形态模拟设备,利用三维激光获取模拟车辙横断面点云数据,通过Matlab编程,借助5阶巴特沃兹低通滤波器对数据进行平滑处理,分别模拟了均布9点、13点、21点和非均布13点激光获取的车辙横断面曲线,采用包络线法计算三维激光和多点激光车辙最大深度,以绝对误差和相对误差为评价指标,分析轻、重两个等级的U、W型车辙深度计算误差受激光点数量与布设方式影响的规律.模拟结果表明:随着激光点数量增加,两种形态车辙横断面的深度计算误差逐渐减小,均布9点、13点、21点和非均布13点激光的最大相对误差分别为22.9%、12.8%、8.3%和16.4%;随车辙严重等级的增大,绝对误差逐渐增大而相对误差逐渐减小;非均布13点激光对U型、W型车辙的深度计算相对误差比均布13点激光时的最多分别增大4.8%和2.2%;多点激光车辙深度计算的绝对误差会造成车辙严重等级低估,可能导致路况评价与养护决策的误判.     

公路沥青路面常见病害形成原因分析

1公路沥青路面常见的病害公路沥青路面常见的病害有裂缝、车辙、松散、沉陷、表面磨光、拥包、波浪、坑槽、泛油等。2病害成因总体分析2.1设计阶段随着我国公路事业的飞速发展,各设计单位的任务随之加重,他们往往缺乏对每条道路在特定条件下有针对性的调查分析和方案比     

基于YOLOv5和U-Net3+的桥梁裂缝智能识别与测量

为了克服传统数字图像处理方法进行桥梁裂缝识别时面临的效率低、效果不佳等问题,提出了集成深度学习YOLOv5和U-Net3+算法的一体化桥梁裂缝智能检测方法.通过调整算法宽度和深度参数,优化边界框损失函数,构建基于YOLOv5目标检测算法的裂缝识别定位模型,实现桥梁裂缝快速识别与定位;引入结合深度监督策略及预测输出模块的U-Net3+图像分割算法,训练并构建桥梁裂缝高效分割模型,实现像素级裂缝智能化提取;建立结合连通域去噪、边缘检测、形态学处理的八方向裂缝宽度测量法,基于U-Net3+裂缝分割结果实现裂缝形态及宽度高精度测量;利用LabelImg图像标注软件制作包含4 414张图像的裂缝识别定位模型训练数据集;利用LabelImg图像标注软件及CFD数据集制作包含908张图像的裂缝分割模型训练数据集;利用无人机航拍的485张5 280×2 970 pixels桥梁索塔裂缝图像,来制作裂缝智能检测模型的测试对象.将所提出的裂缝检测方法应用于上述裂缝测试对象,其裂缝识别定位准确率91.55%、召回率95.15%、F1分数93.32%,裂缝分割准确率93.02%、召回率92.22%、F1分数92.22%.结果表明,基于YOLOv5与U-Net3+的桥梁裂缝智能检测方法,可实现桥梁裂缝高效率、高精度、智能化检测,具有较强的研究价值和广泛的应用前景.     

浅谈沥青路面早期破坏原因

沥青路面早期破坏的原因,不仅与设计、施工等路面形成前的环节有关,而且与路面形成后的使用、养护管理有关。沥青路面早期破坏的现象有：龟裂、纵向裂缝、横向裂缝、坑槽、松散、沉陷、车辙、波浪拥包、泛油、修补等。尤其裂缝最严重。下面就病害产生原因作一简单分析。     

基于无人机LIDAR数据多尺度特征的沥青路面病害提取方法

目的针对大范围公路路面病害监测需求,提出基于低空无人机激光雷达遥感数据和随机森林分类算法,构建沥青路面病害目标的遥感识别模型。方法首先,基于激光点云高程信息提取多尺度表面粗糙度和高斯曲率指数,以及利用激光反射强度影像提取路面和病害目标的几何特征,然后基于提取的48个多尺度统计特征利用随机森林算法建立了沥青路面坑槽与塌陷两类主要病害的识别模型。采用搭载于ScoutB1-100低空无人直升机平台的RIEGL-VUX100激光雷达扫描仪,获取了新疆石河子市与沙湾县交界处的一段县级沥青道路的激光点云数据,对所提出方法和模型进行了验证。结果本文所提出的模型可较好识别路面的塌陷与坑槽病害目标,以地面调查和目视解译结果为参照的验证精度为92.3%,Kappa系数为0.902,优于其他两种常用的机器学习分类模型,可为公路养护部门提供一种新的快速路面病害监测方法。     

基于E-HRNet的路面破损区域识别方法

针对现有路面破损区域识别方法识别效率低、泛化性能差等问题,提出了一种基于深度高分辨率网络HRNet的路面坑槽和裂缝识别方法 .采用车载单目相机实地采集路面坑槽和裂缝图像,并对图像进行预处理和标注,生成路面破损数据集.在原HRNet基础上,对其网络特征提取层的4个不同分辨率表征分别融合改进的卷积注意力模块,形成E-HRNet网络模型.为了提高EHRNet模型的推理速度,对其各步骤中不同分辨率分支的残差层数进行了优化,并采用联合损失函数对该模型进行监督训练.试验结果表明：E-HRNet网络模型对路面坑槽和裂缝区域分割的平均像素精度和平均交并比分别达到了94.53%和88.31%,与原HRNet网络模型相比,平均像素准确率增加了6.53%,平均交并比提升了5.38%,平均类别准确率提高了1.39%;模型检测帧率提高了30.3%,而模型体积则减少了42.6%,可满足模型轻量化和实时检测的需求;与DDRNet、DeeplabV3+等同类模型相比,E-HRNet网络模型对坑槽和裂缝区域的分割精度更高,有效地避免了漏检、误检以及边界模糊等问题的出现,具有更好的实时性和泛化性.     

沥青路面早期破坏原因的浅析

沥青路面早期破坏的现象有:泛油、波浪、拥包、翻浆、裂缝、坑槽、局部沉陷、松散、车辙等九种。这些病害极具普遍性和严重性,为公路工程质量通病之一。本文从路面设计、路面施工、养护管理及其他环节,结合本人的工程实践,分析了沥表路面早期破坏的原因。     

浅释沥青路面常见病害及防治措施

由于沥青材质本身的差异以及受设计和施工水平的影响,沥青路面在使用过程中容易出现裂缝、车辙、沉陷、坑槽、泛油、波浪、拥包、表面磨光、松散剥落等病害,这些病害的出现严重影响了行车速度、行车安全,加大了汽车磨损,缩短了沥青路面使用寿命,影响道路的投资效益。现就沥青混凝土路面最常见的裂缝、水破坏、松散、泛油、推移产生的原因进行分析并总结防治措施。     

雾封技术在高速公路沥青路面养护中的应用

雾封层是一种有效的道路预防性养护方法,适用于无结构性病害,有沥青膜脱落、微细裂缝的路段.雾封层施工前应检测路面弯沉值与车辙深度,弯沉应小于设计弯沉值,车辙深度应小于10 mm.施工雾封层后路面摩擦系数降低10%,经行车后,雾封路段摩擦系数增大,同未做雾封时数值接近;雾封施工后构造深度略有增大;雾封施工后渗水系数减小, 雾封层封闭了细微裂缝与孔隙,路面结构表层密实、不渗水.在雾封材料中加入再生剂、增粘剂或抗剥落剂,同仅采用改性乳化沥青相比,耐久性会提高,可以减轻早期剥落.     

基于深度卷积神经网络的三维模型识别

为了进一步提高三维模型的识别精度,提出了一种基于深度卷积神经网络的三维模型识别方法。将点云数据通过占用网格规范化计算转化为二值3D体素矩阵,通过附加正则化项的随机梯度下降算法提取体素矩阵的特征,再通过共享权重的旋转增强对训练集进行数据增广并以此对模型标签进行预测。实验结果表明,该算法在公开数据集ModelNet40及悉尼城市模型数据集上的识别精度均达到85%左右。与基于同类机器学习的三维模型识别算法相比,在相同训练数据集上该方法网络训练时间短,在相同测试数据集上模型识别准确率高,检索速度快。提出的体素占用网格模型的深度卷积神经网络,可以实现三维点云模型数据集及规范化体素模型数据集的识别和分类工作。     

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.     

沥青混凝土桥面铺装常见病害成因分析

文章对桥面铺装的病害及其成因进行了初步分析,主要病害形式为推移、裂缝、松散、坑槽和过量的车辙等,在通过对病害情况的调查与分析的过程中,指出了在具体施工中应该注意的问题.