全无缝桥梁接线路面温降效应及长度优化

为了充分吸纳全无缝桥梁主梁温度变形,降低工程造价,提出连续配筋接线路面合理长度计算方法,分析了温降下接线路面板受力变形机理,推导了考虑地梁锚固影响的接线路面应力、位移解析式,并提出接线路面长度及配筋设计方法;采用计算机编程实现了路面长度的优化计算。结果表明:解析法计算结果与有限元ANSYS仿真分析结果相近,路面板纵向钢筋最大应力相对误差为3.4%~5.7%;路面板最大裂缝宽度相对误差为4.7%~10.5%;实桥监测结果验证了接线路面长度及配筋设计满足现行规范要求。     

基于多种算法的高速公路路面裂纹检测分析

为了提高高速公路路面裂纹检测的精确性和高效性,提出了高速公路路面裂纹检测车检测装置的设计方案。首先是通过对路面动态检测系统的设计与选型,研究设计出路面图像采集系统,然后把数据图像传递并保存在计算机中;基于多种算法进一步提取线性特征识别出裂缝目标,通过对裂缝的长度、宽度进行计算,进而求出裂缝面积等操作,得到比较满意的处理图像结果。结果表明:该装置节省人工时耗,提高了路面裂纹检测的精度和效率,改善了经济效益,可为今后的高速公路路面裂纹检测分析提供基础。     

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。     

基于三维激光数据的水泥路面裂缝宽度检测可靠性研究

为研究三维激光点横向间距对水泥路面裂缝宽度检测结果的可靠性，文章采用室内三维激光检测系统，获取4组激光点横向间距为0.5 mm～1.5 mm的水泥混凝土裂缝试件高程数据，并建立三维模型，识别裂缝宽度并划分为3种分级水平，分析了激光横向点间距对不同严重等级裂缝宽度检测结果的可靠性及其误差变化规律。结果表明：随着激光点间距增加，裂缝宽度检测相对误差明显增大；而当裂缝宽度不断增大时，0.5 mm间距下重复检测结果的变异系数由2.62%降低至0.22%；裂缝宽度检测的绝对误差可能会高估病害严重程度等级，影响路面破损状况评价准确性。     

疲劳荷载下路面水泥砼裂缝结构特征变化分析

为了研究路面水泥砼内部裂缝在荷载及外界因素作用下的变化,利用室内试验设备模拟路面水泥砼的荷载应力、温度等实际工作环境,对比分析单一荷载作用和荷载、冻融循环耦合作用下路面水泥砼内部裂缝的变化过程。结果表明,荷载应力和冻融循环耦合条件下,C30和C40砼在50%、80%两种应力水平下的裂缝面积宽度比单一荷载应力作用下的大,裂缝宽度比单一荷载作用下的小,应力水平为50%时的最大裂缝长度比单一荷载作用下的大,应力水平为80%时的最大裂缝长度比单一荷载作用下的小,裂缝分形维数比单一荷载因素下的大。     

基于视觉图像处理的路面裂缝量测算法研究

利用机器视觉图像处理方法,针对传统的人工测量高速公路路面裂缝方法的多种弊端,提出一种对高速公路路面裂缝的图像信息进行自动分析处理的新算法,采用几何学原理,将现实世界的三维坐标,投影为二维信息,通过一系列的转换,可以精确地得到裂缝的长度与面积。实验结果表明,可以较精确地测量出裂缝的长度、宽度及面积,为高速公路路面裂缝的分析和管理提供了技术基础。     

基于视觉图像处理的路面裂缝量测算法研究

利用机器视觉图像处理方法,针对传统的人工测量高速公路路面裂缝方法的多种弊端,提出一种对高速公路路面裂缝的图像信息进行自动分析处理的新算法,采用几何学原理,将现实世界的三维坐标,投影为二维信息,通过一系列的转换,可以精确地得到裂缝的长度与面积。实验结果表明,可以较精确地测量出裂缝的长度、宽度及面积,为高速公路路面裂缝的分析和管理提供了技术基础。     

高速公路路面裂缝识别算法研究

经过研究给出了不均匀光照的路面裂缝图像识别的详细算法。算法采用多窗口中值滤波进行图像平滑,既能去除图像的噪声点,又较好地保留了裂缝的边缘信息;使用背景子集图像插值校正法进行灰度校正,有效地克服了不均匀成像对后期图像分割的影响;采用otsu阈值分割、形态学去噪及连通区域标记完成裂缝图像分割;选用连通区域个数、投影特征和分布密度3个参数完成裂缝分类;最后提取裂缝长度、宽度和破损面积等裂缝参数。实验结果显示分类准确率为94%,线状裂缝长度误差均值为7.2%,宽度误差均值为11.3%,非线状裂缝的面积误差均值为9.6%,表明这一方法有效、可靠。      

基于结构强度指数的沥青路面裂缝区域承载力特性

针对广东云罗高速(一期工程)路面结构与典型裂缝,构建了含横向单道裂缝、横向平行裂缝、纵向裂缝与网状裂缝四类裂缝的沥青路面有限元模型,模拟含上述裂缝沥青路面的弯沉盆,计算包括不同裂缝路面模型的路面结构强度指数(PSSI),以评价裂缝区域的结构承载力。结果表明,与无裂缝沥青路面的弯沉相比,含横向单道或平行裂缝路面的弯沉盆各点弯沉均增大,而含纵向或网状裂缝路面距荷载中心900mm以内和以外的各点弯沉分别增大和减小;横向单道裂缝对路面结构承载力的影响范围基本在1m以内,且其宽度对路面PSSI值影响较小;横向平行裂缝对路面结构承载力的影响范围超过2m,且其间距对路面PSSI值有明显影响;纵向裂缝对路面结构承载力较小,其宽度对路面PSSI值影响较小。网状裂缝严重影响路面结构承载力,且其间距对对路面PSSI值有较大影响。     

基于Jetson TX2的路面裂缝检测系统设计

针对目前采用深度学习框架的路面裂缝检测方法存在落地应用难、成本高与效率低等问题，设计了基于Jetson TX2的路面裂缝检测系统。通过YOLOv5网络识别路面裂缝，使用U-Net网络对裂缝目标进行分割，并根据分割结果进行路面健康评价；其次，利用TensorRT方法优化深度学习模型，提高推理速度；最后，结合DeepStream框架设计路面视频流分析系统并部署到Jetson TX2嵌入式平台。实验结果表明：路面裂缝目标检测模型对横向、纵向和网状裂缝3种路面常见路面裂缝的检测精度均达到了90%以上，且模型优化后的推理速度为30.7 ms/帧，速率提升35.1%;最后经过验证，Jetson TX2嵌入式平台的裂缝漏检率较低且满足路面裂缝检测的实时性，能够降低路面裂缝检测的成本，给出相应的维修建议，提高路面裂缝检测效率与自动化程度。     

基于无人机及Mask R-CNN的桥梁结构裂缝智能识别

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。     

基于数字图像处理的表面裂缝宽度测量

为了避免传统人工裂缝宽度检测方法耗时、耗力、危险、花费高等缺点,提出了一种新的基于数字图像处理技术的表面裂缝宽度测量方法。介绍了该法首先通过编制的程序对采集到的数字图像进行像素标定、灰度转换、阈值分割、中值滤波等步骤后,提取裂缝的图像,进而计算得到裂缝的宽度的过程。同时,利用试验方法对该法进行了误差分析,验证了该法具有相当高的精确性与可行性,可以满足工程实际的需要。     

基于双目视觉的前车距离识别方法

本文提出一种基于双目视觉系统,对道路上各对象进行特征识别的方法。首先利用Canny算子和霍夫变换等图像处理方法检测出道路区域,以提高其后的图像处理效率;然后在道路区域内部通过阴影识别方法对车辆进行识别;最后利用双目视觉几何关系,对对象物体距离进行比较。实验结果表明,通过本文所述方法可准确识别出图像中各对象及其距离关系。     

基于Faster R-CNN与形态法的路面病害识别

为提高基于图像处理的路面表观病害检测识别效率及精度,引入目标检测中的快速区域卷积神经网络（Faster Region Convolutional Neural Network,Faster R-CNN）算法以快速识别病害种类、位置与面积;针对已提取的带边框裂缝病害区域,采用基于VGG16迁移学习与模型微调的CNN与50%重叠率的滑动窗口定位裂缝骨架,进而利用形态法操作提取裂缝形态,计算其长度与宽度;针对Faster R-CNN算法在病害种类识别时漏检率低但误检率偏高的问题,引入精确率、召回率和F₁分数指标对算法进行评估,并根据F₁分数最大值确定相应的病害框像素面积及置信度阈值来降低误检率,以适应路面表观病害多样化的应用场景。运用开发的病害识别算法对广东一高速公路路面进行表观检测。结果表明：所提方法对典型裂缝图片的识别效率及精度均高于单独应用CNN滑动窗口和传统形态法的全局图像处理方法;对分段的裂缝边界框进行合并,且病害框像素面积及置信度阈值取优化值后,横向裂缝精确率由合并前的0.861提升至合并后的0.918,横向及纵向裂缝误检率则分别由调整前的20.4%和23.8%下降至调整后的8.2%和6.9%,漏检率则稍有提高。基于Faster R-CNN、CNN及形态法的路面病害识别方法具有工作高效、漏检率低的优点,在引入评估指标、最优病害框像素面积与置信度阈值后,病害误检率也大幅降低,具有潜在工程应用价值。     

A low-cost video-based pavement distress screening system for low-volume roads

This study investigates the use of consumer-grade video camera to develop a low-cost pavement distress screening system, with a particular focus on low-volume roads. Due to the oblique view of video data captured in the car front, existing crack detection algorithms that are tailor-made for nadir view cannot be used directly. Instead, we propose and develop a Video-based PAvement Distress Screening (VPADS) system, which includes an automatic data processing workflow by first defining a Region of Interest (RoI) through robust line fitting of the two side lanes. The pavement condition can be assessed within the RoI by implementing a multi-scale ridge detection filter followed by a boundary contour analysis. Since the proposed VPADS system is designed for preliminary screening purpose, each video image scene is examined if there exists any potential crack or distress feature(s). We tested the proposed system on video data collected for two low-volume roads (Highway 624 and 668) in Northern Ontario region, Canada. The overall accuracy of detecting crack and distress features yielded 80%. Instead of replacing traditional field inspection or high-end multi-sensor pavement evaluation system, the proposed VPADS system aims to provide a computer-aided screening solution for transportation authorities of a vast rural road/highway network and with limited inspection budget. The scope of the work can be further expanded by developing a crowdsensing inspection network built by any regular road user, who can also act as a data provider for the regional/municipal pavement distress screening system.     

基于视频的道路交通事件自动检测技术

结合当前道路交通事件自动检测的实践经验和国内外相关技术进展,讨论了交通事件检测的类型、目的和各种检测技术,重点介绍了基于视频的道路交通事件自动检测所采用的图像处理算法和基于视频的道路交通事件自动检测算法。     

路面裂缝自动识别系统开发中若干问题的探讨

通过对比分析几类路面数据采集传感器，提出了基于CCD摄像机的路面裂缝识别技术，研究了如何利用数字图像处理技术解决路面裂缝自动识别的问题。此外，针对利用并行处理提高系统实时处理能力、测距技术和辅助照明系统等几个关键技术进行了探讨。这些问题的解决，对该类系统的开发具有重要意义。     

基于卷积自编码的沥青路面目标与裂缝智能识别

目前基于深度学习的路面裂缝识别经常面临训练数据集小，以及路面图片标注成本高等问题，基于小规模路面图片数据集，利用卷积自编码（CAE）方法进行数据增强，开展包括路面裂缝在内的路面目标智能化识别方法研究。在传统图像几何变换数据增强的基础上，采用CAE重构图片方法对原始数据集进行两步骤扩增；利用卷积神经网络DenseNet，设置了不同数据扩增方法的对比试验；针对沥青路面裂缝图片背景较黑，裂缝特征不清晰，无监督聚类学习难度大等问题，采用了一种基于CAE预训练的深度聚类算法DCEC，对经数据增强的路面图片进行无标注的聚类识别。研究结果表明：经过DenseNet网络100代的训练，在同一测试集的测试下，基于原始数据集训练的网络分类准确度为78.43%，利用传统图像处理方法进行扩增后准确度为83.44%，利用所提出的图片增强方法进行数据扩增后准确度达87.19%；在保持扩增后数据集样本量大小相同的情况下，与几何变换、像素颜色变换等经典数据增强手段相比，CAE重构图片的数据扩增方法有较高的路面图片识别精度；CAE数据扩增方法较受训练数据集样本量的影响，利用传统方法将数据集扩增后进行CAE特征学习，重构后的图片样本更易被机器识别；相较于传统机器学习聚类算法，所提出的的DCEC深度聚类方法将聚类准确率提升了约10%，初步实现了无需人工标注的路面目标的端到端智能识别。     

基于图像自动匀光的路面裂缝图像分析方法

基于视频图像检测裂缝是当前路面病害检测的主要手段。为解决路面裂缝检测系统在不同光照条件下裂缝识别可靠性问题,研究了一种基于图像自动匀光的路面裂缝图像分析方法。首先对基于面阵CCD相机图像裂缝检测存在的问题进行分析,提出采用图像自动匀光技术解决不同光照条件下图像一致性输入问题;其次,设计了一种基于自动电子印相机原理的路面图像快速匀光算法,提出了一种实用的路面裂缝图像处理策略并设计了路面裂缝图像处理流程;最后,对一组由面阵CCD相机获取的路面图像按照该方法进行路面裂缝检测试验,验证了基于图像自动匀光的路面裂缝图像分析技术的合理性和实用性。     

基于Logit模型的城市道路交通事件检测仿真

以Logit模型为基础,利用效用函数与概率的概念,建立分时段的城市道路交通事件检测算法。由PARAMICS软件产生模拟交通流数据,将数据输入LIMDEP软件并标定效用函数的系数,同时还输出最大概率预测表。仿真试验结果表明:(1)基于Logit模型的检测算法不仅能够用于城市道路的事件检测,还可判断事件发生所在的车道。(2)在路段长度、车道数、流量相等的模拟条件下,交叉口信号超过仿真所设定的1 min时段长度时,检测效果降低。若将模型时段长度由1 min提高至超过最大信号周期,即可解决检测效果降低的问题。