共查询到20条相似文献,搜索用时 15 毫秒
1.
1961年~1963年我省相继在沈旅线0~13公里、94~99公里,沈本线0~3公里的现有黑色路面上进行表面处治。根据这三段路面的施工及通事后的情况,现提出以下几点体会。一、旧路面修整旧有路面,路况较差。为了做好新的表面处治层,我们采取以下的处理方法: (一)补坑槽旧有黑色路面,经大部分系双层表面处治,也有小部分系6厘米贯入式路面,因年久失养,造成路面坑槽连片,且深度不一,破坏情况不一。根据坑槽的大小情况,分别采取以下几种修补坑槽的方法: 1.6厘米深度或深于6厘米的坑槽,根据坑槽面 相似文献
2.
结合我国公路养护管理需要,研究了路面图像处理和损坏模式识别技术,提出了沥青路面损坏模式识别方法,解决了多种损坏类型并存图像的损坏模式识别关键技术.方法的基本思路是:依次分析、诊断坑槽、龟裂、块裂、纵裂和横裂等损坏,然后确定各类损坏的区域、量化损坏面积和长度,计算路面损坏率.实例验证表明,文章所介绍的路面损坏模式识别软件能有效地识别路面的坑槽、龟裂、不规则裂缝、纵裂和横裂,识别率达到95%以上. 相似文献
3.
4.
为进一步提高利用二维图像统计路面病害的精度与效率,将卷积神经网络(Convolutional Neural Network,CNN)技术引入了基于图像分析的路面病害识别与测量。首先,将原始图像进行等尺寸分割作为CNN的训练样本。其次,经结构设计、前反馈算法训练及样本测试3个步骤后,建立病害识别模型(CNN1)。用训练完成的CNN1对所有图像进行病害类型识别并将输出结果作为裂缝特征提取模型(CNN2)和坑槽特征提取模型(CNN3)的训练样本。采用相同步骤建立裂缝特征提取和坑槽特征提取模型,完成训练后,运行CNN2,CNN3对路面裂缝与坑槽图像进行特征提取。最后,分析图像分辨率对3个CNN识别和特征提取精度以及效率的影响。结果表明:CNN1可以准确识别多种病害,CNN2的裂缝长度提取的平均误差为4.27%,宽度提取的平均误差为9.37%,裂缝病害严重等级判断准确率为98.99%;CNN3的单张图像中的坑槽个数测量无误差,单个坑槽面积的平均误差为13.43%,坑槽病害等级判定准确率为95.32%,可见CNN具有较高的测量精度;CNN1在使用CPU的情况下测试完成原始图像平均用时为704 ms·幅-1,CNN2用时为5 376 ms·幅-1,采用图形处理器加速后CNN1用时为192 ms·幅-1,CNN2测试平均用时为1 024 ms·幅-1,可见CNN在图形处理器加速下效率具有显著优势,相比其他方法,在图像分辨率高于70像素时,CNN对路面裂缝与坑槽的识别与测量具有运算高效、结果精准等优势。 相似文献
5.
在沥青路面坑槽识别方法中,为了解决现有方法准确度与速度不高的问题,提出一种基于历史信息的沥青路面坑槽识别方法。根据实测图像,在提出改进的阈值确定方法基础上,提出基于历史信息的坑槽图像识别算法框架,该框架主要分为图像去噪、改进的阈值确定算法及坑槽形态特征提取3个部分,并进行算法性能评价与分析。实验证明,随着在改进的阈值确定中更多的历史信息用于创建阈值初始约束条件,能显著简化算法流程,减少算法收敛时间,在不降低识别准确度的前提下提升识别速度,最快可较不运用历史信息的算法提升6%的速度。 相似文献
6.
《公路工程》2019,(3)
研发了基于三维检测技术的道路综合检测车,该检测车可同时开展路面损坏、车辙、平整度、纹理、道路景观等检测任务。路面损坏模块能采集路面灰度图像和横断面三维高程数据并自动识别裂缝、车辙、坑槽等常见病害;独创性地研发了非惯性平整度检测模块,可不受车速变化、车辆振动等因素干扰,准确采集道路纵断面高程并计算国际平整度指数(IRI),当模块纵向安装时还能精确采集道路横断面纹理数据并导出平均断面深度(MPD)。此外,该模块还可检测混凝土路面的错台情况。三维立体相机和激光雷达(LIDAR)构成的道路景观图像模块可采集道路周边环境图像和三维激光点云数据,以实现道路资产的精细化管理。 相似文献
7.
8.
9.
受反复的交通荷载、温度变化、风载等的影响,钢桥桥面铺装的应力状态复杂,加上柔性的桥面铺装与刚性钢桥结构力学相容性问题,钢桥桥面铺装易出现早期病害。为了识别、分类和量化钢桥桥面铺装典型病害,文中提出一种基于深度摄像头Kinect V2和深度学习的桥面铺装病害识别方法。先通过传感器采集桥面铺装病害图像,创建带标识的数据库,并将其转化为训练集,然后利用YOLOv5对训练集的原始数据进行训练、验证与测试,获得桥面铺装病害识别、分类和量化结果。结果表明,基于深度学习,利用随机采样一致性(RANSAC)可以实现RGB-D传感器在不同工作距离上的平面拟合,达到对桥面铺装病害的高效识别,各类病害的识别误差均可控制在10%以内;与人工识别方法相比,利用简单图像采集设备和机器学习的智能识别方法能以较低的成本在不影响交通的条件下完成钢桥桥面铺装病害识别与量化,计算效率更高,可大大节省人工和时间成本,且能保证识别结果在一定精度范围内。 相似文献
10.
为全面整合和分析无损检测采集的病害信息并构建病害数字孪生模型对病害进行可视化表达,基于BIM+GIS技术,运用探地雷达检测手段,提出了路面全域病害整合与建模的新框架。在该框架中,首先面向不同路表病害类型分别开发基于深度图像表面拟合和基于二值图像轮廓拟合的病害建模方法,相较于传统二维贴图或三维固定参数的建模方式,该方法实现了对病害区域信息的准确拟合建模;该框架另一部分提出了路面结构内部隐蔽病害的三维可视化建模方法,相较于传统分析建模进一步实现了探地雷达数据的病害模型转化与BIM数字化道路高效整合,降低了探地雷达数据实际应用性的门槛。该方法基于2种不同雷达图像的病害特征,识别并提取病害区域,实现全路段隐蔽病害疑似区域和局部重点区域三维重构;最后自动化构建包含全域病害的数字孪生模型,将无损检测数据高效整合,完成病害实体在虚拟空间中的映射转化。同时借助地理信息系统绘制道路病害分布热力图,反馈病害分布以及发展情况,指导养护管理工作。试验结果表明:该框架高效完成全域病害的三维数字转化;路表裂缝和坑槽建模精度分别达到80.13%和98.17%,路面内部病害的模型结合现场钻孔取芯验证在判断病害发生位置... 相似文献
11.
黑色表面处治,从山西省各地施工情况来看,原路整修所花费用和劳力占比重很大,如何根据不同条件选用经济合理的处理方法,值得进一步探讨。以下仅就在工程中通常采用的几种方法概述如下: 一、填补坑槽法若原路基本平整,路拱适宜,坑槽总面积不超过铺装面积10%,特别是有较深、较大坑槽时可采用此法。对深度大于2厘米的深坑,可在处治层铺装前7~10天填补。填补时应严格按养路规范的要求办理,并应注意以下两点: 1.填补时间要适当。过早,补坑处可能在行车作用下又复松散,会显著增加养护工作量;过迟,又可 相似文献
12.
《筑路机械与施工机械化》2017,(6)
针对沥青道面坑槽修补后耐久性差及界面、角隅处很快出现二次破坏等问题,借助ABAQUS有限元软件,建立沥青道面坑槽修补三维有限元模型确定最不利荷位;然后从修补深度、水平荷载系数及轴载等角度对修补后的沥青道面坑槽界面处的正应力及剪应力进行分析。结果表明:坑槽角隅处为最不利荷位;修补深度越小,坑槽板块越容易发生挤压破坏;随着水平载荷的增加,界面处合成剪应力急剧增加,尤其是在紧急制动时,其合成剪应力将增加1.2倍以上;轴载大小与界面应力呈线性相关,轮压每增加0.1MPa,界面压应力增大14.3%,合成剪应力增大20.2%。 相似文献
13.
桥梁结构表面裂缝检测为桥梁状态识别、病害治理、安全评估提供了重要状态信息和决策依据。为解决传统人工检测方法存在的危险性高、影响交通、费用昂贵等问题,提出基于无人机(Unmanned Aerial Vehicle,UAV)及深度学习的桥梁结构裂缝智能识别方法。采用大疆M210-RTK多旋翼无人机进行贴近航摄,获取桥梁结构混凝土表面高清图像;利用SDNET裂缝数据集等图像资源,制作1 133张标记裂缝精确区域的深度学习训练样本图像库;引入掩膜区域卷积神经网络(Mask R-CNN)深度学习算法,训练和建立Mask R-CNN裂缝识别模型;基于Mask R-CNN裂缝识别模型,采用矩形滑动窗口模式扫描混凝土表面高清图像,实现裂缝自动识别和定位。构建包含图像二值化、连通域去噪、边缘检测、裂缝骨架化、裂缝宽度计算等流程的图像后处理方法,实现裂缝形态及宽度信息自动获取。通过精度验证试验,证实采用M210-RTK无人机+ZENMUSE X5S相机+45 mm奥林巴斯镜头的组合装备,当无人机至桥梁结构表面垂直距离为10.0 m时,无人机方法识别的裂缝宽度与裂缝测量仪结果吻合,其绝对误差小于0.097 mm,相对误差小于9.8%。将该无人机裂缝检测方法应用于高136.8 m长沙市洪山大桥桥塔表面裂缝检测,采用深度学习Mask R-CNN算法进行裂缝智能识别,其裂缝识别准确率和召回率分别达到92.5%和92.5%。研究结果表明:无人机桥梁裂缝检测方法可实现高耸桥梁结构表面裂缝的远程、非接触、自动化检测,具有重要的科学研究和工程应用价值。 相似文献
14.
《筑路机械与施工机械化》2020,(5)
为了解沥青路面坑槽修补界面的黏结性能,本文采用热料冷补法和微波就地加热修补法两种方法,对沥青混合料坑槽修补界面进行了拉拔试验和剪切试验研究,并将坑槽修补界面间的应力作为评价指标,试验结果表明:微波就地加热修补法的坑槽接缝处黏结力比热料冷补法提高50%左右。 相似文献
15.
16.
针对道路裂缝检测识别需人工参与、传统算法识别不准确等问题,提出一种基于YOLO v3深度学习算法的道路裂缝识别方法。首先将数据集图片缩放成416×416,然后利用Labelme对数据进行裂缝标注并对边界框位置信息进行转换,最后利用YOLO v3算法框架进行模型训练。结果表明:YOLO v3算法的精确率、召回率、F1分数都大于95%,图片检测速度达到0.123 1 s/张。YOLO v3深度学习算法在精度和速度上都满足了道路裂缝实时检测的要求。 相似文献
17.
王战古高松邵金菊谭德荣孙亮于杰 《汽车工程》2018,(5):554-560
本文中以深度置信网络为理论基础,提出了一种多源信息的前方车辆检测方法。首先将毫米波雷达和摄像机进行联合标定,确定两个传感器坐标系之间的转化关系。然后通过对毫米波雷达数据进行预处理完成前方障碍物的标签分类,获得前方车辆目标和其他类障碍物的数据。接着利用深度置信网络对数据进行训练,完成前方车辆的初识别。最终根据常见车型宽度和高度的统计数据获得前方车辆识别的验证窗口。实验结果表明,采用所提出方法前方车辆识别的正确率为91.2%,单帧图像的总处理时间为37ms,有效地提高了系统实时处理速度,尤其对阴天、夜间、轻雨或雾霾等恶劣的道路环境中的车辆有良好的检测效果,能满足汽车辅助驾驶对于准确性和稳定性的要求。 相似文献
18.
19.
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。 相似文献