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...     

基于改进卡尔曼滤波算法的路面构造深度计算方法

为了提高路面构造深度的测量精度,提出了基于改进卡尔曼滤波算法的路面构造深度计算方法.首先,利用统计检验法对高精度激光距离传感器获取的路面高程值进行异常值筛选及插值修正.其次,基于改进卡尔曼滤波算法对修正后的数据进行滤波,并建立平均剖面深度模型来计算路面剖面深度值.随后选取AC-13沥青混凝土和SMA-13沥青混凝土2种路面作为试验样本,对改进卡尔曼滤波算法与滑动滤波算法和铺砂法进行了对比验证,并建立了2种路面类型的构造深度转换模型.研究结果表明:对于AC-13和SMA-13两种路面类型,改进卡尔曼滤波算法的均方误差分别为0.001 3和0.002 0,平均绝对百分比误差分别为2.92%和3.85%,与铺砂法的相关系数大于0.95,重复性标准偏差及变异系数均小于5%.所提方法具有更高的测量精度和良好的稳定性,能够准确地测量计算路面构造深度.     

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.     

城市轨道交通客流加权复杂网络分析

本文以上海轨道交通网络为例,使用复杂网络理论构建拓扑网络并以断面客流为权重分析了节点强度、加权最短路径等指标及其分布规律,定量计算各个站点对于蓄意攻击的脆弱性,以鉴定对网络连通度影响最大的关键站点.仿真结果表明,上海轨道交通网络节点强度服从幂律分布,网络加权平均最短路径长度较大,连通性有待提高.面对蓄意攻击时,上海火车站、曹杨路和镇坪路作为关键节点对网络效率和网络最大连通子图的影响都较大,应在运营中加强保护.