基于三维探地雷达路面隐性病害识别与评价

路面内部隐性病害的发育、发展具有隐蔽性，而当前缺乏有效的检测手段、评价指标和标准。依托溧马高速路面养护维修工程，通过基于三维探地雷达的路面隐性病害识别与评价研究，建立了路面内部典型隐性病害标准图谱，提出基层损坏状况指数BPCI及分级标准，并给出了不同等级路面内部隐性病害养护对策。研究结果表明：三维探地雷达可高效准确识别路面内部隐性病害，识别精度可达90%以上；基于三维探地雷达的基层破损状况指数BPCI,用于评价路面结构内部状况是可靠的，其探测结果可为路面内部隐性病害检测定位和沥青路面的养护施工提供参考。     

抗滑表处封层技术在新台高速公路路面的应用

随着路面表层使用年限的增加,路面病害也逐步增多,其中尤以裂缝与坑槽病害显得较为严重。为了改善沥青路面的使用性能,防止路面病害的加速发展,保障行车安全,不仅要对已形成的裂缝与坑槽病害进行修补外,还应对路面表层进行适当养护。以新台高速公路为例,采用抗滑表处封层技术对表层路面性能进行修复养护,并对施工后三个时间段的表观质量、渗水系数、平整度、抗滑性能(横向力系数与构造深度)等指标进行了跟踪检测,结果表明路面结构的整体性能均得到了较大程度的改善。     

冷再生技术在吐乌大高等级公路上的应用

与常规的路面维修养护技术相比,冷再生技术可以有效消除各种路面病害,再生利用旧路面材料,节约资源,减轻环保压力,降低养护成本。文中通过吐乌大(吐鲁番—乌鲁木齐—大黄山)高等级公路幸福路口至甘河子段路基路面养护大、中修工程,对冷再生路面结构设计进行了简要论述,提出了大、中修方案。     

沥青路面病害的无损检测及养护技术

介绍地质雷达在沥青路面病害检测中的应用,提出路面病害的无损检测技术,并针对路面病害提出沥青路面的养护技术。     

水泥混凝土路面养护中若干技术问题地探讨

本文针对当前水泥砼路面过早损坏，结合３１２国道镇江段不泥砼路面养护实践，从设计理论、施工质量、养护管理、车辆超载等方面详细分析了水泥砼路面病害产生的原因，并提出防治措施及合理化建议。     

基于统计学原理的沥青混凝土路面病害分布规律研究

根据广东省某高速公路路面状况调查结果,研究不同路面病害的形式及分布规律.采用聚类分析法,对全路段进行划分,得到典型路段路面病害基本状况类型,并基于统计学原理,对左右轮迹带出现车辙的差异性做了重要研究,分别分析车辙与路基沉陷、裂缝与路基沉陷尤其是车辙与裂缝的相关性,得到主要病害分布规律及基本成因.结果表明,所采用的方法科学、简便,为公路养护管理提供了一定的参考依据.     

214国道多年冻土区路段路面病害特征分析

多年冻土地区路基路面病害率高,不同路面形式的病害表现也不尽相同。根据214国道姜路岭至清水河段多年冻土区水泥路面与沥青路面的大量调查资料,对路面病害的发育性状及分布现状进行统计,详细计算了路面的单公里病害率和总病害率。120.675km水泥路面的总病害率为16.22%,202.325km沥青路面的总病害率为3.38%。水泥路面比沥青路面病害数量多,且规模大,以破碎板、纵向裂缝为主,破碎板数目达到6472块;沥青路面沉陷显著,其次是网裂、波浪。结合调查结果,对214国道路面的病害进一步分类分析,研究了主要病害的发生机理及分布规律与冻土的关系,为今后寒冷地区公路路面的建设、养护等工作提供依据。     

公路路面养护新思路——标线摆移法

如何延缓路面病害的发生发展,延长路面使用寿命,一直是路面工程专家研究的热点.从分析高速公路路面病害规律和车辆轮迹分布规律入手,从交通工程学者的角度,创新性地提出了"标线摆移路面养护法",并简要分析了该养护方法的可行性.     

青藏公路沥青路面病害防治技术探讨

总结了青藏公路沥青路面多年养护管理经验,分析了青藏公路沥青路面的主要病害及其产生原因,从设计、施工与养护管理等方面提出了沥青路面病害防治技术措施。认为,沉陷变形、裂缝是青藏公路沥青路面的主要病害,是多年冻土地区沥青路面特殊使用条件与施工条件综合作用的必然结果。加强路面结构与材料设计,重视路面施工质量控制,提高路面养护管理能力,可以有效减轻各种病害及其影响。     

基于深度学习方法的路面裂缝目标检测

公路和城市道路最主要的路面损坏类型是裂缝类病害。能否准确识别,尤其在众多路面信息图像中高效甄别各类表观病害,为路面技术状况评定、养护科学决策和路面病害处置提供基础数据,是当前领域研究的重难点。为此,对横向裂缝、纵向裂缝、斜裂缝长度类和龟裂、破损板面积类等典型裂缝类病害几何特征进行分析,确定了自动识别裂缝样本标注方法,构建了路面裂缝目标检测样本库,包含沥青裂缝长度类图像样本6 311个、龟裂面积类图像样本4 086个、水泥裂缝长度类图像样本37 945个、破碎板面积类图像样本7 310个。基于Faster-RCNN进行训练验证,开展路面裂缝目标检测并实现自动识别。利用北京市政道路2 000 km路面图像进行试验验证,并与路面裂缝Unet分割自动识别方法进行对比。试验结果表明,开展路面裂缝目标检测可通过提出的深度学习方法,有效提高召回率和准确率,其值高达85%以上,自动识别运行效率为12.3帧/s,与Unet分割自动识别方法对比更接近路面裂缝实际情况。