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。     

北京市信号交叉口行人过街忍耐时间研究

行人交通是信号交叉口交通的重要组成部分.目前信号交叉口的规划设计优先考虑机动车效率,为了保障机动车的通行效率,北京市多数行人过街环境遭到破坏,"中国式过马路"应运而生.结合当前北京市交通的特点,以红灯期间到达信号交叉口人行横道等待区的行人为研究对象,运用视频调查和人工调查相结合的方法获取北京市不同影响因素下行人过街忍耐时间的基础数据,采集了9554个行人过街忍耐时间样本.建立信号交叉口行人过街忍耐时间的 Cox 风险回归模型,结果表明信号交叉口行人过街的最大忍耐时间是52.88 s,信号交叉口行人过街忍耐时间与温度、性别、年龄、出行时间、红灯时长、单位机动车流量、人行横道长度等影响因素有关,用地性质对信号交叉口行人过街忍耐时间的影响不显著.