考虑低光照场景的自适应路面病害检测模型

为提升低光照环境下路面病害识别模型的精确度与鲁棒性，提出了一种考虑低光照场景的自适应路面病害检测模型。将采集的数据按照亮度分成低光照图像和正常光照图像2类，随后对低光照图像进行自适应增强，并接入路面病害检测流程。为解决现有光照增强图像失真的问题，在Zero-DCE++基准模型上引入光照约束网络，提出了光照增强模块Zero-DCE-Retinex。在此基础上，以提升路面病害检测精度为核心需求，提出了以病害识别模型为驱动的光照增强模块训练策略。具体的，在训练过程中，将病害识别模型嵌入光照增强模块，并通过损失函数来引导光照增强模块的训练。试验结果表明：当使用所提模型对低光照图像进行增强后，再经过YOLOv7模型进行检测，比直接输入低光照图像的方式，AP指标提升了7.04%,F1-score指标提升了11.22%;图像质量亦得到进一步改善，表现在图像信息熵、标准差和平均梯度的提升分别为0.62、13.24和21.61。与同类无监督光照模型相比，所提模型在目标检测任务的AP和F1-score提升方面显著优于其他模型，同时有效避免了增强结果出现色彩失真和过度曝光等问题。因此，提出的模型可广泛适用于...     

基于深度学习的沥青路面病害图像智能识别方法研究

针对现有沥青路面病害人工检测效率低、影响交通、安全风险大等特点,研究基于深度学习的沥青路面病害图像智能识别方法。通过对不同类型沥青路面病害整体目标区域及特殊样貌特征分别进行标记,对图像进行归一化及数据集扩充等一系列处理,以达到增强目标特征的目的。将细分的11类致灾因子作为神经网络的输入变量,通过模糊推理逻辑创建致灾因子与沥青路面病害等级的映射关系。预先处理神经网络的输入数据和后置处理神经网络的输出数据,结合引入至神经网络中的模糊推理逻辑,建立沥青路面病害综合评价模型。通过AlexNet网络识别出病害类型,并判断其危险度等级。以滇藏公路标号K170路段实际沥青路面病害为例,评判其横向裂缝危险度等级为重度,与实际情况相符,表明该沥青路面病害图像智能识别方法协同模糊神经网络综合评价模型可有效识别沥青路面病害类型并评价沥青路面病害的危险度等级。     

基于深度学习和虚拟模型的路面全域伤损状态自动化感知

路面全域伤损的有效感知是全面、系统地实施维护决策的关键依据。提出一种基于深度学习和虚拟模型的路面全域伤损状态自动化感知方法。该方法首先基于无人机实测数据建模生成路面虚拟实体；然后使用深度语义分割网络从实测数据中精细化地检测路面伤损；最后，将输出的伤损特征检测结果与虚拟实体数据进行匹配和UV映射，获取各个伤损在虚拟空间中的定位信息并逐一部署，得到面向路面全域的伤损状态感知模型。结果表明：在现场实测统计长为236 m,宽为20 m的实际路面区域试验研究中，充分训练的U-Net网络的平均交并比(MIoU)达到0.86,显示出对无人机采集到的路面伤损区域极佳的分割精度。建立的路面伤损状态感知模型有效感知实际存在的伤损91处，与传统的二维检测结果相比，能够更加系统地对路面全域伤损进行全局表征，便于高效地推断伤损的特征和位置信息，实现精准、动态的路面服役状态评估。     

FWD检测与水泥砼路面病害分析

采用落锤式弯沉仪(FWD)对广湛高速公路某段水泥路面主车道砼板的接缝传荷能力、板角脱空状况以及基层顶面当量回弹模量进行测试。结合路面破损情况的调查,分析了该段水泥砼路面破损的主要原因以及路面病害发展的规律。     

基于深度学习的停车位检测研究

随着智能网联汽车的发展，越来越多的学者投身于L4级以上的稳定的自动驾驶算法研究中来。自动泊车系统作为智能网联汽车的一项重要功能，能够在有效提升驾驶体验的同时，降低由于复杂地段的泊车困难带来的交通事故和经济损失，因此自动泊车在学术界和工业界掀起了研究热潮。传统的自动泊车系统中对于车位的感知依赖于超声波雷达，并且对车位空间结构有诸多限制。由于复杂的视觉环境和环视图像上停车位的不完整显示，基于视觉的停车位检测是一项重大挑战。本文提出了一种基于卷积神经网络（CNN）的车位检测算法，设计适用于车载环视图像的多重沙漏网络，并引入一种策略选择最佳感受野，从而联合检测停车位的角和线特征。所提出的方法达到了较高的精度和召回率，在搭载GPU的嵌入式移动终端可以达到30 FPS的实时性和较高的精准度。     

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。     

内蒙古地区公路路面病害调查分析

根据国道111线乌兰浩特-新林路的路面病害调查，分析了内蒙古地区路面病害的特点及产生原因，并提出了新建公路应注意的问题。     

基于深度学习的多角度车辆动态检测方法

针对在复杂场景下,背景区域干扰特征过多、被检测目标运动速度快等导致的动态目标检测率低的问题,研究了基于深度学习的多角度车辆动态检测方法,将带有微型神经网络的卷积神经网络(MLP-CNN)用于传统算法的改进.使用快速候选区域提取算法提取图像中可能存在车辆的区域,之后使用深层卷积神经网络(CNN)提取候选区域的特征,并在卷积层中增加微型神经网络(MLP)对每层的特征进一步综合抽象,最后使用支持向量机(SVM)区分目标和背景的CNN特征.实验表明,该方法能够处理高复杂度背景条件下,部分遮挡、运动速度快的目标特征检测,识别率高达87.9%,耗时仅需225ms,比常用方法效率有大幅度提升.     

高速公路路基路面病害检测技术的合理选择

高等级沥青混凝土路面在多种因素的综合影响下,早期病害问题不断发生。国内外对沥青混凝土路面的早期病害诊断及检测技术手段研究,正处于一个发展时期。掌握适合我国高等级公路病害的合理检测技术和手段,对路面早期病害的成因准确地进行分析和处治,具有重要的意义。结合河南省叶集~信阳高速公路路基拓宽改造项目,分析了多种路基路面病害检测技术的特点和适用性,对其他公路项目的检测具有一定的参考借鉴作用。     

基于机器视觉的隧道衬砌表观病害检测技术研究进展

针对隧道衬砌表观裂缝病害的智能化检测算法问题,梳理了自动检测算法的处理流程,介绍了3种裂缝自动检测的方法:图像处理、传统机器学习、深度学习算法,并分析了3种方法的适用范围及优缺点,重点讨论了深度学习算法,它从根本上改变了裂纹检测的方式,大幅提高了检测性能。对基于分类、目标检测和分割的深度学习神经网络在裂纹检测中的应用进行了综述和比较,展望了该算法在裂缝自动检测的应用前景。     

基于深度学习的钢桥桥面铺装病害识别与量化方法

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。     

青康公路水泥混凝土路面和沥青混凝土路面病害调查与分析

多年冻土地区路基路面病害率高,不同路面的病害形式表现也不尽相同.根据青康公路姜路岭至清水河段多年冻土区水泥混凝土路面与沥青混凝土路面大量调查资料,对各种病害发育性状及分布现状进行统计,详细计算每公里路面的单项病害率和总病害率.结果显示:水泥混凝土路面比沥青混凝土路面病害数量多,规模大,以破碎板、纵向裂缝为主;沥青混凝土路面沉陷最为显著,其次是网裂、波浪,沥青的吸热作用严重影响路基稳定,不利于保护多年冻土.进一步对水泥混凝土路面和沥青混凝土路面病害作了分类分析,研究主要病害机理及规律,正确地评价多年冻土区公路病害.     

融合SAR分支深度学习的隧道病害识别与成像

随着交通事业的不断发展，大量隧道相继建设并陆续投入运营。在其运营过程中，隧道衬砌混凝土结构内部往往出现不可见的隐蔽病害，对工程安全带来了严重隐患。及时识别检测内部病害，预防安全事故的发生十分必要。探地雷达(Ground Penetrating Radar, GPR)是检测混凝土内部病害的主流无损检测技术，但探地雷达数据中的病害响应信号与实际结构内部病害形态并不存在直观的空间对应关系，从探地雷达数据中仅能估计病害的类型与大概位置，难以对其轮廓进行成像。针对上述问题，研究了基于探地雷达的隧道衬砌隐蔽病害智能识别技术，针对探地雷达数据特点，设计了融入合成孔径雷达(Synthetic Aperture Radar, SAR)成像处理分支的地下工程目标识别深度神经网络模型，通过在传统Unet网络中融入SAR成像分支，实现了对病害的准确成像，并成功对6种隧道衬砌常见的病害进行类型识别。采用仿真数据对该方法验证，结果表明本研究设计的融入SAR成像分支Unet网络的预测结果对6种病害的平均识别精度为96%,与传统Unet网络相比，精度提升了5%,由此证明本文构建的融入SAR成像分支的Unet网络有效提...     

隧道路面变形病害检测方法及处治设计探讨

隧道营运一段时间后,路面出现变形、开裂、断板,严重的地方引起衬砌结构开裂,影响行车安全.根据国内部分隧道路面变形、破坏特征,探讨对隧道路面变形病害的检测及处治方法,供类似工程参考.     

公路路面基层病害分析与防治

主要结合沧州市公路施工情况,分析了公路路面基层病害形成的原因,并根据多年的工作实践,提出了防治路面基层病害的措施。     

公路路面病害处理施工探析

某快速路主线混凝土板块破裂、错台、边角破损现象严重,纵横向裂缝、不均匀沉降变形路段较多,道路总体平整度较差,针对此对其采取病害处理,从旧路路面铣刨以及应力吸收层施工环节而展开探讨。     

基于迁移学习的路面障碍物检测

为了提高智能汽车对路面障碍物检测的精度和速度,本文基于YOLO V3深度学习网络模型和迁移学习算法建立路面障碍物检测模型,并对模型的训练和测试结果进行评估.     

基于深度学习的车辆目标检测算法综述

车辆目标检测是自动驾驶环境感知的重要组成部分。近年来随着深度学习在目标识别领域取得重大突破,基于深度学习的车辆目标检测算法逐渐成为该领域的研究热点。论文对当前主流的两阶段车辆目标检测算法和单阶段车辆目标检测算法进行简要介绍,分析了其中几种具有代表性的卷积神经网络算法的优缺点,最后总结目前车辆目标检测存在的问题以及未来的发展方向。     

基于探地雷达的路面隐性病害检测与识别研究

概述了探地雷达现场检测布置方式和关键参数的设置,并基于专业Reflexw数据处理软件,对原始数据滤波处理方法进行了详细探究,结合工程实例中积累的大量雷达检测图像,着重对沥青路面典型隐性病害特征进行分析,并通过现场取芯,验证了探地雷达识别的准确性.研究结果表明,使用探地雷达可有效实现对路面结构内部隐性病害的无损探测.