未确知测度理论在高速公路沥青路面损坏状况评价中的应用

针对当前国内对于沥青路面损坏状况评价少、评价指标与方法有待完善和改进的情况,基于沥青路面损坏状况信息不确定性特点,将未确知测度理论应用到沥青路面评价中。选取高速公路沥青路面的车辙状况、裂缝状况、坑槽状况和修补状况建立评价指标体系,并根据实际调查数据建立单指标未确知测度函数,通过熵权理论确定各指标权重,同时按未确知测度大小及置信度识别准则,确定出沥青路面损坏状况级别及损坏严重程度排序情况。实例证明,该理论具有较高的准确性和实用性。     

未确知测度理论在高速公路沥青路面损坏状况评价中的应用

沥青路面损坏状况评价是制定路面养护策略和确定最佳养护时机的前提,针对当前国内对于沥青路面损坏状况评价少、评价指标与方法有待完善和改进的状况,基于沥青路面损坏状况信息不确定性特点,将未确知测度理论应用到沥青路面评价中。选取高速公路沥青路面的车辙状况、裂缝状况、坑槽状况和修补状况建立评价指标体系,并根据实际调查数据建立单指标未确知测度函数,通过熵权理论确定各指标权重,同时按未确知测度大小及置信度识别准则,确定出沥青路面损坏状况级别及损坏严重程度排序情况。最后,通过实例验证,该理论具有较高的可靠性和实用性,值得在沥青路面评价方面推广和应用。     

路面裂缝图像自动识别算法综述

路面裂缝自动检测对于路面养护管理、路面性能评价与预测、路面材料和结构设计具有重要的实用价值,但快速、准确、全面且稳定地识别路面裂缝一直是个难题.为此,对路面裂缝自动检测研究现状进行综述,包括以图像增强和去噪为目的的预处理方法,基于阈值分割、边缘检测和种子生长的空间域识别算法,以小波变换为代表的频域识别算法,基于有监督学习的识别算法及其他裂缝识别方法;指出既有裂缝识别算法存在易受光照和油污等因素的影响、裂缝识别图像连续性差和识别速度和精度较低等不足.最后,提出综合考虑边界和区域特征消除纹理和噪声干扰、基于局部和全局信息设计优化识别算法和基于三维图像进行裂缝识别等研究展望,为裂缝自动识别算法的改进提供参考.     

沥青混凝土路面坑槽修补技术与工程应用

冷凿热补法是目前国内最常用的坑槽修补方法之一。在实际修补坑槽施工中,施工工艺存在多样性、随意性,难以保证坑槽的修补质量。通过调研,对传统的坑槽修补方法进行了改进,并通过工程实际应用验证,可供沥青路面坑槽修补施工参考。     

基于图像纹理分析的动态车辆识别方法研究

在智能交通系统中,动态图像识别技术是系统应用的基础核心技术之一。以应用于交通监控、智能驾驶系统等场景的HSV空间动态车辆识别为基础,研究并论证提出了新的检测识别方法,实现对运动车辆的检测识别、目标追踪、驾驶辅助等功能。研究问题的难点是,如何从复杂的背景中分割运动物体,是检测方法能否有效的至关重要的一步,在研究了目前存在的各种方法之后,提出了一种新的基于阴影检测的HSV空间自适应背景模型的车辆追踪检测算法,算法基于HSV空间图像处理,采用最大类间方差法获取相邻帧二值化阈值,利用纹理信息进一步确定动态图像以及确认图像范围。通过截取由监控系统获取的视频信息,并对其进行图像处理检测车辆移动轨迹。从监控视频信息中获取两帧不同时刻的图像信息,在HSV空间进行相邻帧检测。由于阈值的选择将直接影响判断精度,本研究将固定阈值法进行了改进,该阈值是通过统计模型对整幅图像上灰度值进行计算,并通过最大类间方差法确定阈值。最后经过实际视频图像验证,仿真试验流程清晰,试验结果达到预期设想。     

基于YOLO v3深度学习算法的道路裂缝识别模型研究

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。     

沥青路面坑槽破坏类型及修补机理分析

通过对沥青路面坑槽破坏形式及成因分析，将坑槽分成三种表现形式即表面层产生坑槽、表面层和中面层同时产生坑槽、底面层和基层间产生坑槽。根据沥青路面坑槽破坏成因、修补的最终目的和效果以及坑槽修补材料的受力状况，对坑槽修补机理进行了全面而系统的分析与研究，提出了获得理想维修效果的具体要求。     

沥青路面处理坑槽的几种方法分析

根据沥青混凝土路面坑槽破坏的机理以及沥青路面坑槽修补的重要性,结合高速公路日常养护中坑槽修补的各种施工工艺,提出理想的维修方法及具体要求.     

沥青路面坑槽病害修复技术研究进展

坑槽是沥青路面常见的早期病害,若不能得到及时修复,在交通荷载和环境因素耦合作用下病害会加速发展,严重影响道路的寿命与使用功能,甚至危及司乘人员的生命安全。鉴于坑槽病害的易发性与严重性,在分析坑槽病害特征的基础上,总结当前坑槽病害的修补材料及修补技术,并提出坑槽修补存在的问题及未来发展方向,以期为沥青路面早期坑槽病害修补提供技术支持。     

基于两阶段分类算法的中国交通标志牌识别

自动驾驶技术对于缓解交通拥堵,降低交通运输成本具有重要作用;高级驾驶辅助系统（ADAS）可以有效增加汽车驾驶的舒适性和安全性。交通标志牌中包含了丰富的语义信息,为自动驾驶汽车和ADAS的决策提供重要约束,因此交通标志牌的识别算法开发至关重要。本文基于中国交通场景特点以及自动驾驶、ADAS对于交通标志牌识别的高准确性需求,提出了一种基于两阶段分类的交通标志牌识别算法框架。算法包含检测和分类两个阶段,检测阶段检测出图像中的交通标志牌,分类阶段对交通标志牌先后进行大类和子类划分。算法通过细化任务,独立提升各算法模块的性能,进而提高整体算法的识别精度。本文对单阶段识别算法进行改进作为算法的检测模块,实验结果表明,提出的算法精度上优于基准单阶段识别算法,mAP平均提升8.52%,并且在检测速度优于传统两阶段识别算法Faster RCNN的情况下,mAP提升40%以上。     

基于弹性模板匹配和并行神经网络的车牌字符识别

研究了现有的字符识别方法．通过算法改进和优化组合．提出了一套分级处理的车牌字符识别方案,将基于弹性穿线的模板匹配和并行BP神经网络识别方法有机的结合起来,在充分发挥神经网络高识别率优势的基础上,极大的提高了识别速度。     

沥青路面损坏模式识别技术研究

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.     

微波加热快速再生修补沥青路面坑槽施工技术

为快速有效修补沥青路面坑槽，采用工程实践与效益分析的方法，在归纳与总结研究成果的基础上提出了微波加热快速再生修补沥青路面坑槽施工新技术，并介绍了该技术的特点及工艺原理、施工流程与质量控制等。该技术较传统的坑槽修补方法，微波加热修补法包含热开挖、热再生和热修补3项核心工艺，可改善修补后沥青路面的高温稳定性，具有开挖速度快和修补质量高等技术优势，并通过旧料回收利用产生资源节约和环保节能效益。     

车辆自适应车道偏离识别算法研究

针对车辆在行驶时由于车道线检测方法单一,导致对直道线和弯道线检测效果不一致,从而影响车道偏离识别效果的问题,基于摄像头采集到的图像信息,提出了1种自适应车道偏离识别算法。该算法对车辆在直道行驶时采用偏离判断基准线法,而在弯道行驶时采用基于触线时间阈值法,分别对行驶状态进行车道偏离判断,该算法既保证了计算速度,又保证了结果的准确性。为了验证所提出方法的有效性,采用仿真的方法,使用车道偏离识别算法获取的数据,通过比例-积分-微分(PID)算法对车辆行驶状态进行控制,得到车辆在预期车道内的行驶状况,以此证明了所提出的车道偏离识别算法的有效性。     

高速公路沥青路面坑槽病害成因与处治

坑槽是中国南方高速公路沥青路面早期破坏的主要形式之一。笔者结合广韶、京珠北、广惠等南方高速公路沥青路面状况检测结果,分析了坑槽病害产生的原因,提出了相应的坑槽分类方式及相应的维修和预防性养护措施。     

沥青路面坑槽修补工艺的研究

根据沥青混凝土路面坑槽破坏的机理以及沥青路面坑槽修补的最终目的，结合高速公路日常养护中坑槽修补的各种材料和工艺的应用研究，提出获得理想维修效果的具体要求。     

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。     

基于三维超像素分割的隧道围岩结构面智能识别方法

随着人工智能的不断发展，基于智能算法的快速、无损化隧道开挖面岩体特征识别方法，为在建或在役隧道地质灾害事故下的开挖面结构面调查提供了新思路。在开挖面三维全景图像的基础上，提出了三维SLIC超像素分割改进算法，将三维Mesh图像的基本元素——三角面(Triangle)按照颜色、空间坐标、法向量等指标进行聚类分组，以获取开挖面三维超像素；提出了基于角度差异性的结构面提取算法，对超像素进行逐一筛选，获取开挖面节理裂隙识别结果；基于此，进一步提出了基于无监督聚类学习的多级聚类围岩结构特征融合算法，将围岩节理裂隙识别结果进行聚类，获取开挖面的优势结构面组和大型跨里程结构面组；最后，结合浙江虎溪台隧道的21组开挖面三维图像数据对所提出算法进行了验证。结果表明：所提出算法的识别结果与地勘资料中2个主要结构面方向的倾向误差不超过14.8°,倾角误差不超过17.8°,验证了所提出算法有效性，该方法能较为准确地反映隧道围岩的结构面信息，并为隧道开挖面的结构面三维信息识别与评估提供了一种新的思路与方法。     

沥青路面裂缝和坑槽破损形式分析

针对沥青路面最常出现的裂缝和坑槽这两类破损形式 ,按其破损几何形状、产生原因及破损严重程度进行了较全面地分析总结 ,有助于在养护维修时对不同形式的裂缝和坑槽进行正确识别和分类     

沥青路面坑槽修补质量的影响因素及控制方法

为了提升沥青路面坑槽修补质量,针对坑槽病害形成的原因,对比常规坑槽修补工艺的优势,以最常用的冷切热补施工工艺为研究对象,从施工人员、养护机械、养护材料、施工工法、作业环境等方面分析影响坑槽修补质量的因素,总结出控制并提高坑槽修补质量的方法,并推荐适用的养护施工关键机械,指出未来公路养护施工机械的发展方向。