路面病害智能识别和养护管理系统应用

为提高路面病害的识别效率和养护管理的工作的针对性,研究采用卷积神经网络智能算法训练巡检车采集的道路视频图像,有效识别裂缝、坑槽、龟裂、破碎、修补等多种道路病害类型;分析病害养护管理系统,包括路面病害GIS可视化,病害上报、审核、派单、接收、养护、验收等养护考核功能,实现道路病害识别的全流程闭环管理.以某地区城市道路养护...     

路面雷达在混凝土路面脱空识别中的应用

脱空是刚性路面的主要病害之一,路面雷达在刚性路面脱空识别中的应用也仅局限于根据雷达反射信号定性判定,如何基于路面雷达反射信号对脱空进行定量判断是目前路面雷达应用技术的研究热点与难点之一。     

铁路灾害风险的识别与衡量

铁对铁路开展风险管理的需要，对铁路灾害风险的识别与衡量的内容与方法进行了探讨。     

基于CNN深度学习的路面损坏轻量化识别系统应用研究

在日常巡查中开展路面损坏状况的科学检查和评定, 及时采取干预性养护措施, 才能长期、 有效地将路面技术状况维持在较高水平。 利用基于数字相机的路面图像快速采集系统和基于卷积神经网络 CNN 智能算法的路面损坏图像处理技术, 构建路面损坏轻量化识别系统, 通过对路面损坏图像样本的迭代训练, 该系统的路面损坏识别准确度能达到 90%以上。 将该系统代替常规人工巡查方式, 能够建立起高频、 快速、 全覆盖的路面健康巡检体系, 实现路面损坏自动化识别及准确定位, 提高了日常巡查的工作效率和质量。     

基于图像处理的路面裂缝识别研究

传统的人工视觉检测裂缝方法具有耗力、耗时、不精确、影响交通、危险、花费高等缺点。这里介绍一种基于图像处理的路面裂缝类病害自动识别方法。首先使用一种掩膜平滑法,对有大量噪音的路面图像进行增强,再采用最大类间、类内距离准则对图像进行阈值分割,提取图像上的裂缝特征,实验结果表明了该方法的有效性。     

基于小波的路面裂缝识别研究

应用基于小波变换的图像分解和重构方案可以进行公路路面裂缝的检测与识别。首先对路面图像进行多分辨二维离散小波分解,根据在每个尺度2j上小波系数模最大值和相位(梯度方向)这两个分量的大小确定边缘的位置,进一步变换小波分解系数,达到去除噪音,加强裂缝边缘的效果。并通过实验分析和讨论了不同的小波基、不同分辨率水平、重构中使用的分解子图像对路面图像裂缝分割的影响,最后用简单的阈值技术生成二值图像,把裂缝从背景图像中分离出来。     

基于图像处理的路面裂缝识别研究

传统的人工视觉检测裂缝方法具有耗力、耗时、不精确、影响交通、危险、花费高等缺点。这里介绍一种基于图像处理的路面裂缝类病害自动识别方法。首先使用一种掩膜平滑法,对有大量噪音的路面图像进行增强,再采用最大类间、类内距离准则对图像进行阈值分割,提取图像上的裂缝特征,实验结果表明了该方法的有效性。     

基于动态识别区间的路面识别方法研究

以路面附着系数为参数指标,在Burckhardt轮胎—路面数学模型的基础上设计了7种典型路面的动态识别区间,同时根据附着系数和附着系数曲线斜率之差对干鹅卵石和湿沥青路面作进一步区分,据此在制动时完成路面状态的动态识别。使用双轮模型进行仿真试验,结果表明:该方法能够准确快速地完成路面状态识别,实现了实时滑移率下的动态识别,对不同路面附着条件的利用明显改善,同时该方法具备自动纠错功能。     

基于路面动态识别的ASR仿真研究

以路面附着系数为参数指标,在车辆行驶过程中对当前路面进行动态识别,同时将当前路面的最佳滑转率作为ASR系统的目标滑转率,当驱动力矩过大时通过调整制动力矩防止车轮过度滑转。使用单轮模型分别在大功率起步和跃变路面持续加速时进行了仿真试验,结果表明:系统能够快速准确地完成路面识别,同时对车辆的行驶状态进行实时判断,当驱动力矩过大时车轮的滑转率基本保持在当前路面的最佳滑转率,避免车轮出现过度滑转,确保车辆获得最大的驱动力,同时保持横向稳定。     

基于各向异性测度的路面三维图像裂缝识别

为准确而完整地识别路面裂缝,提出了基于1 mm/像素的路面三维图像裂缝自动识别算法．该算法主要包括各向异性测度计算与自适应优化阈值分割、深度验证和多分辨率去噪处理3个部分．首先,针对路面图像像素特征,基于0°、45°、90°和135°四个方向的线性邻域的均值和标准差计算每个像素的各向异性测度（表征方向性的强弱）,并应用最大类间方差法确定最优阈值,将路面图像分为强方向性和弱方向性像素两类;其次,根据半径为d的正方形邻域深度均值设定阈值,用方向性强且深度低于或等于该阈值的像素形成初步的裂缝图像;最后,将裂缝图像划分为多个子块,设计去噪模板对裂缝图像进行滑动窗口去噪处理,获得最终裂缝图像．基于166幅含有各类裂缝的三维路面图像（2048×2048像素）进行测试分析,结果显示,本文算法获得了较高的准确率（均值91．57％）和召回率（均值81．29％）,最终以84．26％的F1均值优于种子识别算法（F1均值69．19％）、Canny边缘检测（F1均值8．15％）和OTSU分割（F1均值5．11％）．     

基于破损密度因子的路面破损识别新方法

结合图象处理、模式识别等先进技术开发路面破损自动检测系统已经成为本领域的研究热点．要提高识别率,适当的裂缝分类及其数量的统计方法显得十分重要．在系统总结分析前人的研究成果的基础上,本文提出一种路面破损裂缝的分类和数量统计的新方法——基于破损密度因子的路面破损评价和分类方法,文中对破损密度因子进行了定义,并且,用本文的方法与一些已存在的方法进行了比较分析。结果表明,本方法不仅简单,实用,而且在算法的平移不变、旋转不变、和反映路面实际破损程度方面都优于其它方法。     

高速公路一体化智能管控平台

基于物联网技术的高速公路一体化智能管控平台,解决了高速公路趋于饱和的道路通行能力与交通流量激增和突发事件频发的压力。通过该平台的应用和实施,全面提升了路网监测水平,增强了应急处置能力,提高了运营管理效率,全面保障了交通安全便捷出行。     

路面凝冰灾害防治技术将解除凝冻路滑之忧

日前,记者在贵阳召开的国家支撑计划项目"云贵川高原潮湿山区路面凝冰防治技术研究"的启动会上获悉,该项目的启动实施对于解决我国高原潮湿山区冬季道路行车安全问题,确保道路及其附属构造物的使用性能,降低交通事故率和减少交通事故损失,保障人民群众的正常生产和生活,具有重大的经济效益和社会意     

路面缺陷智能检测系统与方法综述

从路面缺陷检测系统组成和特点出发,首先简要回顾了路面缺陷检测系统与传统路面图像处理方法的发展过程。在此基础上,探讨了国内外典型路面缺陷检测系统的现状,包含重型道路状况智能检测系统、轻量化路面质量检测系统,并对检测系统的性能及部分参数进行了描述。然后,详细介绍了基于机器学习、深度学习理论的路面缺陷智能化检测方法的演变历程,重点分析了基于深度学习技术的路面缺陷智能化检测方法国内外的研究进展,主要包含基于区域卷积神经网络、单次多框检测器、YOLO目标检测、Transformer检测模型等路面缺陷智能检测方法。最后,从多模信息融合、双轻量化设备、稳健智能化算法等方面对路面缺陷智能化检测系统的发展趋势和应用前景进行了展望。     

路面施工机群中压路机智能调度浅析

为了提高施工机群之间的协调能力,以及这到提高施工质量的目的,介绍了在Wiodows环境下基于Visual Basic6.0平台,使用一定的设备和程序来实现对施工机群中的压路机的调度,它为优化设备的利用提供了一种科学方法。     

基于瞬态冲击响应的混凝土路面板脱空识别

为开发混凝土路面板脱空检测专用仪器,降低检测费用和简化检测方法,在现有脱空检测方法的基础上,根据脱空板振动频率及在定量冲击激励下振幅的变化规律,提出了混凝土路面板脱空识别的瞬态冲击响应法.该方法可以根据板上测点功率谱图中共振峰的数量和基频大小(分析频带0~1 000 Hz),对脱空状态进行初步定量判别;结合定量激励下测点振幅拟合曲线斜率的变化,实现脱空区边界的识别.通过若干不同脱空状态路面板的模型试验和对实际混凝土路面的检测,阐述了它的检测原理和操作流程,并验证了其可行性和有效性.     

基于附着系数曲线封闭面积的路面识别研究

以滑移率区间[0,0.16]上附着系数曲线的封闭面积作为参数指标,在Burckhardt轮胎—路面模型的基础上设计了7种典型路面的识别区间,据此在制动时完成路面识别。使用制动单轮模型进行了仿真试验,结果表明:该方法只需一次判定即可完成识别,识别快速准确,能充分利用不同路面的附着条件,提高车辆的制动效能。     

基于附着系数曲线长度的路面识别仿真研究

要使汽车制动时能够充分利用路面的附着条件,需要对路面状态进行识别。以滑移率区间[0,0.1]上的附着系数曲线长度作为路面识别的参数指标,在Kiencke轮胎—路面模型的基础上给出了7种典型路面的识别区间,据此在制动时完成路面识别。使用单轮车辆模型,在跃变路面上进行了仿真试验,结果表明:该方法对单一路面的识别时间约0.025s,对跃变路面的识别时间约0.01s,对不同路面附着条件的利用明显改善,提高了路面识别的快速性、准确性和制动性能。     

基于BP神经网络的磨损微粒智能识别

磨粒图象自动分析与识别问题不但是铁谱技术发展需要解决的关键问题，同时也是针对机械设备磨损工况的状态监测与故障诊断后续信息流程实现自动化，智能化和系统化时遇到的关键技术难点和重点。本文在分析综述近年有关研究方法和结果的基础上，提出解决这一问题的新的研究思路，及相应的处理流程，模型和软件帝现，并给出了具体的实验结果，本文提出的流程可用于其它微粒图象（如血液细胞分析）自动识别领域。