CN112561903A - 一种适用于寒冷地区沥青路面抗温缩裂缝的方法 - Google Patents
一种适用于寒冷地区沥青路面抗温缩裂缝的方法 Download PDFInfo
- Publication number
- CN112561903A CN112561903A CN202011546458.9A CN202011546458A CN112561903A CN 112561903 A CN112561903 A CN 112561903A CN 202011546458 A CN202011546458 A CN 202011546458A CN 112561903 A CN112561903 A CN 112561903A
- Authority
- CN
- China
- Prior art keywords
- crack
- asphalt pavement
- layer
- model
- image information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000010426 asphalt Substances 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003745 diagnosis Methods 0.000 claims abstract description 68
- 230000003595 spectral effect Effects 0.000 claims abstract description 28
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 238000010586 diagram Methods 0.000 claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 7
- 230000008439 repair process Effects 0.000 claims abstract description 6
- 210000002569 neuron Anatomy 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000005336 cracking Methods 0.000 claims description 9
- 238000003801 milling Methods 0.000 claims description 9
- 239000004568 cement Substances 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 239000000428 dust Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000003014 reinforcing effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000012535 impurity Substances 0.000 claims description 2
- 230000008602 contraction Effects 0.000 claims 1
- 238000012706 support-vector machine Methods 0.000 abstract description 16
- 230000007547 defect Effects 0.000 abstract description 13
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000005056 compaction Methods 0.000 abstract description 3
- 238000001035 drying Methods 0.000 abstract description 3
- 239000011384 asphalt concrete Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Road Repair (AREA)
Abstract
本发明公开了一种适用于寒冷地区沥青路面抗温缩裂缝的方法,包括采集沥青路面图像信息,基于裂缝识别模型、PNN模型和SVM模型,实现对图像信息裂缝缺陷的第一次诊断识别和第二次诊断识别,用于识别裂缝、裂缝宽度和裂缝深度;并在第一次诊断识别和第二次诊断识别的基础上,进行声波功率谱密度分布图的第三次诊断识别,用于识别沥青路面内基层温缩或干缩裂缝、车辆荷载疲劳裂缝、路面基层强度不足、含水量偏大、松散空洞、路基压实不均匀等缺陷;并根据三次诊断结果,进行针对性的修复。
Description
技术领域
本发明属于路面裂缝识别和修复的技术领域,具体涉及一种适用于寒冷地区沥青路面抗温缩裂缝的方法。
背景技术
沥青路面是将沥青混凝土加以摊铺、碾压成型而形成的各种类型的路面。沥青混凝土是用具有一定黏度和适当用量的沥青材料与一定级配的矿物集料,经过充分拌合形成的混合物。沥青混凝土作为沥青路面材料,在使用过程中要承受行使车辆荷载的反复作用,以及环境因素的长期影响。所以沥青混凝土在具备一定的承受能力的同时,还必须具备良好的抵抗自然因素作用的耐久性。也就是说,要能表现出足够的高温环境下的稳定性、低温状况下的抗裂性、良好的水稳定性、持久的抗老化性和利于安全的抗滑性等特点,以保证沥青路面良好的服务功能。
对于高寒冷地区的沥青路面更是如此,其更容易产生温缩裂缝等故障缺陷。而现有传统的修补方法,并没有对温缩裂缝故障进行具体分类识别,而是按照常规裂缝进行统一修复。因为造成修复效果不佳,且容易产生二次裂缝缺陷,浪费人力和物力。
发明内容
本发明的目的在于针对现有技术中的上述不足,提供一种适用于寒冷地区沥青路面抗温缩裂缝的方法,以解决现有技术没有对温缩裂缝故障进行具体分类识别,而是按照常规裂缝进行统一修复,以造成修复效果不佳,易产生二次裂缝缺陷,且浪费人力和物力的问题。
为达到上述目的,本发明采取的技术方案是:
一种适用于寒冷地区沥青路面抗温缩裂缝的方法,其包括:
S1、对沥青路面的目标区域进行预处理;
S2、根据目标区域构建图像采集的位置直角坐标系,并对位置直角坐标系进行区域划分;
S3、根据划分后的区域,依次采集区域内若干张沥青路面图像信息;
S4、根据位置直角坐标系标注图像信息的位置坐标,并对图像信息进行预处理;
S5、基于ImageNet模型,构建裂缝识别模型,并提取裂缝识别模型中的特征值;
S6、选取基准特征值,并根据基准特征值筛选图像信息;
S7、将筛选后图像信息对应的特征值进行归一化处理,并将归一化后的数据随机划分为测试样本数据和训练样本数据;
S8、将归一化后的特征值数据作为输入特征向量代入训练完成的PNN模型中进行第一次故障诊断,并输出第一次故障诊断结果;
S9、基于训练完成的SVM模型对未识别的特征值进行第二次分类诊断;
S10、确定S8和S9中确诊的图片信息的位置坐标信息;
S11、根据S10中的位置坐标信息,并结合声波检测,采集所述位置坐标处对应的声波反射信号;
S12、将声波反射信号转换为振动波数字信号,并将振动波数字信号的时域波形转化为频域的功率谱密度分布图;
S13、将所述功率谱密度分布图与正常沥青路面的功率谱密度分布图进行拟合,得到第三次故障诊断输出结果;
S14、根据第一次故障诊断结果、第二次分类诊断和第三次故障诊断输出结果进行裂缝修复。
优选地,S1中对沥青路面的目标区域进行预处理,包括:清除沥青路面目标区域内的杂物,吸附裂缝中的尘埃。
优选地,S2中根据目标区域构建图像采集的位置直角坐标系,并对位置直角坐标系进行区域划分,包括:
在沥青路面的目标区域***构建直角坐标系,并根据直角坐标系的横坐标将目标区域划分为若干个子区域,即S1、S2、S3、…、Sn,其中,Sn表示在横坐标下的第n个子区域。
优选地,S4中根据位置直角坐标系标注图像信息的位置坐标,并对图像信息进行预处理,包括:
S4.1、将采集的图像信息转化为灰度图:
g(x,y)=0.299R(x,y)+0.587G(x,y)+0.114B(x,y)
其中,R(x,y)为红色分量;G(x,y)为绿色分量;B(x,y)为蓝色分量;g(x,y)为灰色图像,x和y分别为所变换像素点位置的横纵坐标;
S4.2、将转换后的灰度图移植到matlab中,获取图像在像素点(x,y)处的灰度值H(x,y);
S4.3、计算图像中各像素点(x,y)的阈值w(x,y):
W(x,y)=0.5*(max H(x+m,y+n)+min H(x+m,y+n))
若H(x,y)>W(x,y),则二值化结果为1,代表裂缝区域的目标点;否则二值化结果为0,代表背景区域的目标点;
S4.4、采用拉普拉斯高斯算法对裂缝区域轮廓进行加强,并确定边缘位置:
其中,σ为高斯函数方差。
优选地,S5中基于ImageNet模型,构建裂缝识别模型,并提取裂缝识别模型中的特征值,包括:
S5.1、采用ImageNet模型数据集训练VGG16中的参数;
S5.2、去除VGG16模型中的fc8层,采用裂缝、裂缝深度和裂缝宽度作为新的fc8层类别;
S5.3、载入VGG16的参数,只训练fc8层,其它层不训练,即采用fc7层提取的特征做一个Softmax模型分类;
S5.4、将S4中预处理后的图像信息随机划分为训练集和验证集,并基于TensorFlow Slim微调模型,构建裂缝识别模型;
S5.5、将图像信息作为输入参数输入裂缝识别模型中,输出裂缝特征值为T1(x,y)、裂缝深度特征值T2(x,y)和裂缝宽度特征值T3(x,y),其中,(x,y)为图像具***置坐标。
优选地,S6中选取基准特征值,并根据基准特征值筛选图像信息,包括:
S6.1、将历史正常沥青路面的特征值作为基准特征值T01、T02、T03,T01、T02、T03分别为裂缝基准特征值、裂缝深度基准特征值和裂缝宽度基准特征值;
S6.2、将每张图片的三个特征值分别与基准特征值进行比较,若图片特征值中任意一个差值大于预设差值,则保留其对应的图片信息和特征值;若所有特征值均小于预设差值,则去除对应的图片信息和特征值。
优选地,S8中PNN模型包括输入层、模式层、求和层和决策层,所述输入层将接收到的特征值传递给模式层的神经元,输入层的神经元数量与输入值的维度相同,模式层的神经元计算输入值与每个模式之间的对应关系,每个模式层单元的输出Φij(x)为:
其中,d为模式向量的维度,σ是平滑参数;x是模式;xij是模式层神经元矢量;
所述求和层神经元计算模式x被分类为Ci的最大可能性,求和然后求均值计算属于同一类的所有神经元的输出pi(x):
其中,Ni为Ci类中的样本总数;
决策层神经元根据贝叶斯决策规则对所有求和层神经元的输出对模式进行分类:
优选地,计算S9中SVM模型目标函数与约束条件为:
其中,ω为权重向量;Xi为输入数据;Yi为对应Xi的所属分类;b为偏置向量;
引入松弛变量ξi代表训练样本的错分程度,则:
其中,C为惩罚因子,控制出现样本错误分类的惩罚度;
采用拉格朗日函数对目标函数进行求解:
其中,αi为拉格朗日乘子;
求解得到最优分类函数为:
其中,sgn()为符号函数;
SVM通过构造核函数将低维数据映射到高维,再在高维空间中实现线性分类,引入核函数后的最优分类为:
其中,K()为核函数;
核函数为径向基核函数K(Xi,Xj),其表达式为:
其中,g为核函数参数。
优选地,S13中将所述功率谱密度分布图与正常沥青路面的功率谱密度分布图进行拟合,得到第三次故障诊断输出结果,包括:
将功率谱密度分布图与正常沥青路面的功率谱密度分布图导入matlab中的plotregression,并拟合在一幅图中,并直接读取图中差值大于预设值的点。
优选地,S14中根据第一次故障诊断结果、第二次分类诊断和第三次故障诊断输出结果进行裂缝修复,包括:
若仅仅为第一次故障诊断结果或第二次分类诊断结果,对裂缝采用改性乳化沥青封填堵缝和微表处;
若为第三次故障诊断输出结果,则需要铣刨重铺改善路面结构特性,包括铺撒水泥,在铺撒有水泥的旧路面上加入乳化沥青和水,铣刨、压实、静置。
本发明提供的适用于寒冷地区沥青路面抗温缩裂缝的方法,具有以下有益效果:
本发明通过采集沥青路面图像信息,基于裂缝识别模型、PNN模型和SVM模型,实现对图像信息裂缝缺陷的第一次诊断识别和第二次诊断识别,用于识别裂缝、裂缝宽度和裂缝深度;并在第一次诊断识别和第二次诊断识别的基础上,进行声波功率谱密度分布图的第三次诊断识别,用于识别沥青路面内基层温缩或干缩裂缝、所述车辆荷载疲劳裂缝、路面基层强度不足、含水量偏大、松散空洞、路基压实不均匀等缺陷。最后,根据三次诊断结果,进行针对性的修复。
附图说明
图1为适用于寒冷地区沥青路面抗温缩裂缝的方法的区域划分图。
图2为正常状态的功率谱密度分布图和检测得到的功率谱密度分布图。
图3为拟合后的功率谱密度分布图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
根据本申请的一个实施例,参考图1,本方案的适用于寒冷地区沥青路面抗温缩裂缝的方法,包括:
S1、对沥青路面的目标区域进行预处理;
S2、根据目标区域构建图像采集的位置直角坐标系,并对位置直角坐标系进行区域划分;
S3、根据划分后的区域,依次采集区域内若干张沥青路面图像信息;
S4、根据位置直角坐标系标注图像信息的位置坐标,并对图像信息进行预处理;
S5、基于ImageNet模型,构建裂缝识别模型,并提取裂缝识别模型中的特征值;
S6、选取基准特征值,并根据基准特征值筛选图像信息;
S7、将筛选后图像信息对应的特征值进行归一化处理,并将归一化后的数据随机划分为测试样本数据和训练样本数据;
S8、将归一化后的特征值数据作为输入特征向量代入训练完成的PNN模型中进行第一次故障诊断,并输出第一次故障诊断结果;
S9、基于训练完成的SVM模型对未识别的特征值进行第二次分类诊断;
S10、确定S8和S9中确诊的图片信息的位置坐标信息;
S11、根据S10中的位置坐标信息,并结合声波检测,采集所述位置坐标处对应的声波反射信号;
S12、将声波反射信号转换为振动波数字信号,并将振动波数字信号的时域波形转化为频域的功率谱密度分布图;
S13、将所述功率谱密度分布图与正常沥青路面的功率谱密度分布图进行拟合,得到第三次故障诊断输出结果;
S14、根据第一次故障诊断结果、第二次分类诊断和第三次故障诊断输出结果进行裂缝修复。
根据本申请的一个实施例,以下将对上述步骤进行详细说明;
S1、对沥青路面的目标区域进行预处理,包括,清除沥青路面目标区域内的杂物,吸附裂缝中的尘埃,避免影响后续图片的识别。
S2、根据目标区域构建图像采集的位置直角坐标系,并对位置直角坐标系进行区域划分,包括:
在沥青路面的目标区域***构建直角坐标系,并根据直角坐标系的横坐标将目标区域划分为若干个子区域,即S1、S2、S3、…、Sn,其中,Sn表示在横坐标下的第n个子区域。
S3、根据划分后的区域,依次采集区域内若干张沥青路面图像信息;
参考图1,在采集图像信息时,采用巡检小车作为载体,在巡检小车上安装摄像头拍摄,摄像头正对沥青路面,先对区域S1进行图像采集,再依次对区域S2、S3和S4进行图像信息采集。
S4、根据位置直角坐标系标注图像信息的位置坐标,并对图像信息进行预处理,包括:
S4.1、将采集的图像信息转化为灰度图:
g(x,y)=0.299R(x,y)+0.587G(x,y)+0.114B(x,y)
其中,R(x,y)为红色分量;G(x,y)为绿色分量;B(x,y)为蓝色分量;g(x,y)为灰色图像,x和y分别为所变换像素点位置的横纵坐标;
S4.2、将转换后的灰度图移植到matlab中,获取图像在像素点(x,y)处的灰度值H(x,y);
S4.3、计算图像中各像素点(x,y)的阈值w(x,y):
W(x,y)=0.5*(max H(x+m,y+n)+min H(x+m,y+n))
若H(x,y)>W(x,y),则二值化结果为1,代表裂缝区域的目标点;否则二值化结果为0,代表背景区域的目标点;
S4.4、采用拉普拉斯高斯算法对裂缝区域轮廓进行加强,并确定边缘位置:
其中,σ为高斯函数方差。
S5、基于ImageNet模型,构建裂缝识别模型,并提取裂缝识别模型中的特征值,包括:
S5.1、采用ImageNet模型数据集训练VGG16中的参数;
S5.2、去除VGG16模型中的fc8层,采用裂缝、裂缝深度和裂缝宽度作为新的fc8层类别;
S5.3、载入VGG16的参数,只训练fc8层,其它层不训练,即采用fc7层提取的特征做一个Softmax模型分类;
S5.4、将S4中预处理后的图像信息随机划分为训练集和验证集,并基于TensorFlow Slim微调模型,构建裂缝识别模型;
S5.5、将图像信息作为输入参数输入裂缝识别模型中,输出裂缝特征值为T1(x,y)、裂缝深度特征值T2(x,y)和裂缝宽度特征值T3(x,y),其中,(x,y)为图像具***置坐标。
S6、选取基准特征值,并根据基准特征值筛选图像信息,其具体包括:
S6.1、将历史正常沥青路面的特征值作为基准特征值T01、T02、T03,T01、T02、T03分别为裂缝基准特征值、裂缝深度基准特征值和裂缝宽度基准特征值;
S6.2、将每张图片的三个特征值分别与基准特征值进行比较,若图片特征值中任意一个差值大于预设差值,则保留其对应的图片信息和特征值;若所有特征值均小于预设差值,则去除对应的图片信息和特征值。
如此,可减少后期模型对图像的处理数量,增加处理速率。
S7、将筛选后图像信息对应的特征值进行归一化处理,并将归一化后的数据随机划分为测试样本数据和训练样本数据;
将归一化后的特征值全部投影到[0,1]区间,以便于后期模型的构建。
S8、将归一化后的特征值数据作为输入特征向量代入训练完成的PNN模型中进行第一次故障诊断,并输出第一次故障诊断结果。
第一次故障诊断结果为在PNN模型中可直接识别的故障类型,对于不能直接识别的,进入S9的SVM模型中进行进一步的识别。
其中,S8中PNN模型包括输入层、模式层、求和层和决策层,输入层将接收到的特征值传递给模式层的神经元,输入层的神经元数量与输入值的维度相同,模式层的神经元计算输入值与每个模式之间的对应关系,每个模式层单元的输出Φij(x)为:
其中,d为模式向量的维度,σ是平滑参数;x是模式;xij是模式层神经元矢量;
求和层神经元计算模式x被分类为Ci的最大可能性,求和然后求均值计算属于同一类的所有神经元的输出pi(x):
其中,Ni为Ci类中的样本总数;
决策层神经元根据贝叶斯决策规则对所有求和层神经元的输出对模式进行分类:
S9、基于训练完成的SVM模型对未识别的特征值进行第二次分类诊断,采用SVM模型进一步识别图像信息中的裂缝缺陷,包括裂缝深度和裂缝的宽度,其识别率达到了98.7%,具有较高的识别效率和速率。
SVM模型目标函数与约束条件为:
其中,ω为权重向量;Xi为输入数据;Yi为对应Xi的所属分类;b为偏置向量;
引入松弛变量ξi代表训练样本的错分程度,则:
其中,C为惩罚因子,控制出现样本错误分类的惩罚度;
采用拉格朗日函数对目标函数进行求解:
其中,αi为拉格朗日乘子;
求解得到最优分类函数为:
其中,sgn()为符号函数;
SVM通过构造核函数将低维数据映射到高维,再在高维空间中实现线性分类,引入核函数后的最优分类为:
其中,K()为核函数;
核函数为径向基核函数K(Xi,Xj),其表达式为:
其中,g为核函数参数。
S11、根据S10中的位置坐标信息,并结合声波检测,采集所述位置坐标处对应的声波反射信号;
对已经确诊的有裂缝缺陷的图像信息,寻找该图像信息的位置坐标,并在该位置上进一步采用声波检测,对该位置的沥青路面垂直发射声波,并采用接收设备接收反射回的声波信号。
S12、将声波反射信号转换为振动波数字信号,并将振动波数字信号的时域波形转化为频域的功率谱密度分布图。
S13、将所述功率谱密度分布图与正常沥青路面的功率谱密度分布图进行拟合,得到第三次故障诊断输出结果,包括:
参考图2和图3,将功率谱密度分布图与正常沥青路面的功率谱密度分布图导入matlab中的plotregression,并拟合在一幅图中,并直接读取图中差值大于预设值的点。
S14、根据第一次故障诊断结果、第二次分类诊断和第三次故障诊断输出结果进行裂缝修复,包括:
若仅仅为第一次故障诊断结果或第二次分类诊断结果,对裂缝采用改性乳化沥青封填堵缝和微表处;
若为第三次故障诊断输出结果,则需要铣刨重铺改善路面结构特性,包括铺撒水泥,在铺撒有水泥的旧路面上加入乳化沥青和水,铣刨、压实、静置。
本发明通过采集沥青路面图像信息,基于裂缝识别模型、PNN模型和SVM模型,实现对图像信息裂缝缺陷的第一次诊断识别和第二次诊断识别,用于识别裂缝、裂缝宽度和裂缝深度;并在第一次诊断识别和第二次诊断识别的基础上,进行声波功率谱密度分布图的第三次诊断识别,用于识别沥青路面内基层温缩或干缩裂缝、所述车辆荷载疲劳裂缝、路面基层强度不足、含水量偏大、松散空洞、路基压实不均匀等缺陷。最后,根据三次诊断结果,进行针对性的修复。
虽然结合附图对发明的具体实施方式进行了详细地描述,但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内,本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。
Claims (10)
1.一种适用于寒冷地区沥青路面抗温缩裂缝的方法,其特征在于,包括:
S1、对沥青路面的目标区域进行预处理;
S2、根据目标区域构建图像采集的位置直角坐标系,并对位置直角坐标系进行区域划分;
S3、根据划分后的区域,依次采集区域内若干张沥青路面图像信息;
S4、根据位置直角坐标系标注图像信息的位置坐标,并对图像信息进行预处理;
S5、基于ImageNet模型,构建裂缝识别模型,并提取裂缝识别模型中的特征值;
S6、选取基准特征值,并根据基准特征值筛选图像信息;
S7、将筛选后图像信息对应的特征值进行归一化处理,并将归一化后的数据随机划分为测试样本数据和训练样本数据;
S8、将归一化后的特征值数据作为输入特征向量代入训练完成的PNN模型中进行第一次故障诊断,并输出第一次故障诊断结果;
S9、基于训练完成的SVM模型对未识别的特征值进行第二次分类诊断;
S10、确定S8和S9中确诊的图片信息的位置坐标信息;
S11、根据S10中的位置坐标信息,并结合声波检测,采集所述位置坐标处对应的声波反射信号;
S12、将声波反射信号转换为振动波数字信号,并将振动波数字信号的时域波形转化为频域的功率谱密度分布图;
S13、将所述功率谱密度分布图与正常沥青路面的功率谱密度分布图进行拟合,得到第三次故障诊断输出结果;
S14、根据第一次故障诊断结果、第二次分类诊断和第三次故障诊断输出结果进行裂缝修复。
2.根据权利要求1所述的适用于寒冷地区沥青路面抗温缩裂缝的方法,其特征在于,所述S1中对沥青路面的目标区域进行预处理,包括:清除沥青路面目标区域内的杂物,吸附裂缝中的尘埃。
3.根据权利要求1所述的适用于寒冷地区沥青路面抗温缩裂缝的方法,其特征在于,所述S2中根据目标区域构建图像采集的位置直角坐标系,并对位置直角坐标系进行区域划分,包括:
在沥青路面的目标区域***构建直角坐标系,并根据直角坐标系的横坐标将目标区域划分为若干个子区域,即S1、S2、S3、…、Sn,其中,Sn表示在横坐标下的第n个子区域。
4.根据权利要求1所述的适用于寒冷地区沥青路面抗温缩裂缝的方法,其特征在于,所述S4中根据位置直角坐标系标注图像信息的位置坐标,并对图像信息进行预处理,包括:
S4.1、将采集的图像信息转化为灰度图:
g(x,y)=0.299R(x,y)+0.587G(x,y)+0.114B(x,y)
其中,R(x,y)为红色分量;G(x,y)为绿色分量;B(x,y)为蓝色分量;g(x,y)为灰色图像,x和y分别为所变换像素点位置的横纵坐标;
S4.2、将转换后的灰度图移植到matlab中,获取图像在像素点(x,y)处的灰度值H(x,y);
S4.3、计算图像中各像素点(x,y)的阈值w(x,y):
W(x,y)=0.5*(max H(x+m,y+n)+min H(x+m,y+n))
若H(x,y)>W(x,y),则二值化结果为1,代表裂缝区域的目标点;否则二值化结果为0,代表背景区域的目标点;
S4.4、采用拉普拉斯高斯算法对裂缝区域轮廓进行加强,并确定边缘位置:
其中,σ为高斯函数方差。
5.根据权利要求1所述的适用于寒冷地区沥青路面抗温缩裂缝的方法,其特征在于,所述S5中基于ImageNet模型,构建裂缝识别模型,并提取裂缝识别模型中的特征值,包括:
S5.1、采用ImageNet模型数据集训练VGG16中的参数;
S5.2、去除VGG16模型中的fc8层,采用裂缝、裂缝深度和裂缝宽度作为新的fc8层类别;
S5.3、载入VGG16的参数,只训练fc8层,其它层不训练,即采用fc7层提取的特征做一个Softmax模型分类;
S5.4、将S4中预处理后的图像信息随机划分为训练集和验证集,并基于TensorFlowSlim微调模型,构建裂缝识别模型;
S5.5、将图像信息作为输入参数输入裂缝识别模型中,输出裂缝特征值为T1(x,y)、裂缝深度特征值T2(x,y)和裂缝宽度特征值T3(x,y),其中,(x,y)为图像具***置坐标。
6.根据权利要求1所述的适用于寒冷地区沥青路面抗温缩裂缝的方法,其特征在于,所述S6中选取基准特征值,并根据基准特征值筛选图像信息,包括:
S6.1、将历史正常沥青路面的特征值作为基准特征值T01、T02、T03,T01、T02、T03分别为裂缝基准特征值、裂缝深度基准特征值和裂缝宽度基准特征值;
S6.2、将每张图片的三个特征值分别与基准特征值进行比较,若图片特征值中任意一个差值大于预设差值,则保留其对应的图片信息和特征值;若所有特征值均小于预设差值,则去除对应的图片信息和特征值。
7.根据权利要求1所述的适用于寒冷地区沥青路面抗温缩裂缝的方法,其特征在于,所述S8中PNN模型包括输入层、模式层、求和层和决策层,所述输入层将接收到的特征值传递给模式层的神经元,输入层的神经元数量与输入值的维度相同,模式层的神经元计算输入值与每个模式之间的对应关系,每个模式层单元的输出Φij(x)为:
其中,d为模式向量的维度,σ是平滑参数;x是模式;xij是模式层神经元矢量;
所述求和层神经元计算模式x被分类为Ci的最大可能性,求和然后求均值计算属于同一类的所有神经元的输出pi(x):
其中,Ni为Ci类中的样本总数;
所述决策层神经元根据贝叶斯决策规则对所有求和层神经元的输出对模式进行分类:
8.根据权利要求1所述的适用于寒冷地区沥青路面抗温缩裂缝的方法,其特征在于,计算所述S9中SVM模型目标函数与约束条件为:
其中,ω为权重向量;Xi为输入数据;Yi为对应Xi的所属分类;b为偏置向量;
引入松弛变量ξi代表训练样本的错分程度,则:
其中,C为惩罚因子,控制出现样本错误分类的惩罚度;
采用拉格朗日函数对目标函数进行求解:
其中,αi为拉格朗日乘子;
求解得到最优分类函数为:
其中,sgn()为符号函数;
SVM通过构造核函数将低维数据映射到高维,再在高维空间中实现线性分类,引入核函数后的最优分类为:
其中,K()为核函数;
核函数为径向基核函数K(Xi,Xj),其表达式为:
其中,g为核函数参数。
9.根据权利要求1所述的适用于寒冷地区沥青路面抗温缩裂缝的方法,其特征在于,S13中将所述功率谱密度分布图与正常沥青路面的功率谱密度分布图进行拟合,得到第三次故障诊断输出结果,包括:
将功率谱密度分布图与正常沥青路面的功率谱密度分布图导入matlab中的plotregression,并拟合在一幅图中,并直接读取图中差值大于预设值的点。
10.根据权利要求1所述的适用于寒冷地区沥青路面抗温缩裂缝的方法,其特征在于,S14中根据第一次故障诊断结果、第二次分类诊断和第三次故障诊断输出结果进行裂缝修复,包括:
若仅仅为第一次故障诊断结果或第二次分类诊断结果,对裂缝采用改性乳化沥青封填堵缝和微表处;
若为第三次故障诊断输出结果,则需要铣刨重铺改善路面结构特性,包括铺撒水泥,在铺撒有水泥的旧路面上加入乳化沥青和水,铣刨、压实、静置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011546458.9A CN112561903B (zh) | 2020-12-24 | 2020-12-24 | 一种适用于寒冷地区沥青路面抗温缩裂缝的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011546458.9A CN112561903B (zh) | 2020-12-24 | 2020-12-24 | 一种适用于寒冷地区沥青路面抗温缩裂缝的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112561903A true CN112561903A (zh) | 2021-03-26 |
CN112561903B CN112561903B (zh) | 2022-03-01 |
Family
ID=75030547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011546458.9A Active CN112561903B (zh) | 2020-12-24 | 2020-12-24 | 一种适用于寒冷地区沥青路面抗温缩裂缝的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561903B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113641947A (zh) * | 2021-10-15 | 2021-11-12 | 西南交通大学 | 路基压实均匀性计算方法、装置、设备及可读存储介质 |
CN113780259A (zh) * | 2021-11-15 | 2021-12-10 | 中移(上海)信息通信科技有限公司 | 一种路面缺陷检测方法、装置、电子设备和可读存储介质 |
CN113988142A (zh) * | 2021-12-27 | 2022-01-28 | 中南大学 | 一种基于卷积神经网络的隧道衬砌空洞声学识别方法 |
CN114065455A (zh) * | 2022-01-12 | 2022-02-18 | 南京信息工程大学 | 一种高寒地区沥青路面网络结构可靠性评价方法 |
CN114842364A (zh) * | 2022-07-04 | 2022-08-02 | 北京科技大学 | 一种露天矿山边坡图像裂隙参数提取方法及装置 |
CN117058536A (zh) * | 2023-07-19 | 2023-11-14 | 中公高科养护科技股份有限公司 | 一种基于双分支网络的路面病害识别方法、装置及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1932850A (zh) * | 2006-10-09 | 2007-03-21 | 武汉大学 | 一种遥感图像空间形状特征提取与分类方法 |
US20120122727A1 (en) * | 2009-07-28 | 2012-05-17 | Universiteit Maastricht | In vitro method for predicting whether a compound is genotoxic in vivo |
CN104933722A (zh) * | 2015-06-29 | 2015-09-23 | 电子科技大学 | 一种基于Spiking-卷积网络模型的图像边缘检测方法 |
CN106053479A (zh) * | 2016-07-21 | 2016-10-26 | 湘潭大学 | 一种基于图像处理的工件外观缺陷的视觉检测*** |
CN106960208A (zh) * | 2017-03-28 | 2017-07-18 | 哈尔滨工业大学 | 一种仪表液晶数字自动切分和识别的方法及*** |
CN107578046A (zh) * | 2017-08-11 | 2018-01-12 | 中国人民解放军63653部队 | 一种基于图像二值化处理的辅助车辆行驶方法 |
CN109001248A (zh) * | 2018-06-26 | 2018-12-14 | 哈尔滨工业大学 | 一种基于图像信息熵的沥青混合料冻融损伤评价方法 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和*** |
-
2020
- 2020-12-24 CN CN202011546458.9A patent/CN112561903B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1932850A (zh) * | 2006-10-09 | 2007-03-21 | 武汉大学 | 一种遥感图像空间形状特征提取与分类方法 |
US20120122727A1 (en) * | 2009-07-28 | 2012-05-17 | Universiteit Maastricht | In vitro method for predicting whether a compound is genotoxic in vivo |
CN104933722A (zh) * | 2015-06-29 | 2015-09-23 | 电子科技大学 | 一种基于Spiking-卷积网络模型的图像边缘检测方法 |
CN106053479A (zh) * | 2016-07-21 | 2016-10-26 | 湘潭大学 | 一种基于图像处理的工件外观缺陷的视觉检测*** |
CN106960208A (zh) * | 2017-03-28 | 2017-07-18 | 哈尔滨工业大学 | 一种仪表液晶数字自动切分和识别的方法及*** |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和*** |
CN107578046A (zh) * | 2017-08-11 | 2018-01-12 | 中国人民解放军63653部队 | 一种基于图像二值化处理的辅助车辆行驶方法 |
CN109001248A (zh) * | 2018-06-26 | 2018-12-14 | 哈尔滨工业大学 | 一种基于图像信息熵的沥青混合料冻融损伤评价方法 |
Non-Patent Citations (4)
Title |
---|
孙少林: "《灰度图像二值化算法研究》", 《价值工程》 * |
纪秀浩: "《大样本支持向量机研究》", 《CNKI博硕士论文数据库》 * |
谢乐等: "《基于线性判别分析和分步机器学习的变压器故障诊断》", 《浙江大学学报(工学版)》 * |
郎锐: "《数字图像处理学Visual C++实现》", 31 December 2002, 北京希望电子出版社 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113641947A (zh) * | 2021-10-15 | 2021-11-12 | 西南交通大学 | 路基压实均匀性计算方法、装置、设备及可读存储介质 |
CN113780259A (zh) * | 2021-11-15 | 2021-12-10 | 中移(上海)信息通信科技有限公司 | 一种路面缺陷检测方法、装置、电子设备和可读存储介质 |
CN113988142A (zh) * | 2021-12-27 | 2022-01-28 | 中南大学 | 一种基于卷积神经网络的隧道衬砌空洞声学识别方法 |
CN113988142B (zh) * | 2021-12-27 | 2022-04-29 | 中南大学 | 一种基于卷积神经网络的隧道衬砌空洞声学识别方法 |
CN114065455A (zh) * | 2022-01-12 | 2022-02-18 | 南京信息工程大学 | 一种高寒地区沥青路面网络结构可靠性评价方法 |
CN114842364A (zh) * | 2022-07-04 | 2022-08-02 | 北京科技大学 | 一种露天矿山边坡图像裂隙参数提取方法及装置 |
CN117058536A (zh) * | 2023-07-19 | 2023-11-14 | 中公高科养护科技股份有限公司 | 一种基于双分支网络的路面病害识别方法、装置及介质 |
CN117058536B (zh) * | 2023-07-19 | 2024-04-30 | 中公高科养护科技股份有限公司 | 一种基于双分支网络的路面病害识别方法、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112561903B (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112561903B (zh) | 一种适用于寒冷地区沥青路面抗温缩裂缝的方法 | |
Park et al. | Patch-based crack detection in black box images using convolutional neural networks | |
Deb et al. | An efficient method of vehicle license plate recognition based on sliding concentric windows and artificial neural network | |
Zalama et al. | Road crack detection using visual features extracted by Gabor filters | |
Tran et al. | One stage detector (RetinaNet)-based crack detection for asphalt pavements considering pavement distresses and surface objects | |
CN107316064A (zh) | 一种基于卷积神经网络的沥青路面裂缝分类识别方法 | |
CN106087677B (zh) | 沥青路面裂缝类型自动识别方法 | |
CN104880389B (zh) | 一种钢材晶粒混晶度的自动测量、精细分类方法及其*** | |
Yusof et al. | Crack detection and classification in asphalt pavement images using deep convolution neural network | |
Wang et al. | Pavement crack segmentation algorithm based on local optimal threshold of cracks density distribution | |
CN106530318A (zh) | 一种热拌沥青混凝土花白料识别检测算法 | |
Mahler et al. | Pavement distress analysis using image processing techniques | |
CN112726360B (zh) | 一种机场混凝土道面裂缝修补方法 | |
Staniek | Detection of cracks in asphalt pavement during road inspection processes | |
CN115100207B (zh) | 一种基于机器视觉的检测***及检测方法 | |
Mokhtari et al. | Statistical selection and interpretation of imagery features for computer vision-based pavement crack–detection systems | |
CN101814138A (zh) | 基于图像的水泥混凝土路面嵌缝料损坏类型识别分类方法 | |
CN115017979A (zh) | 一种半刚性基层沥青路面的路面状况评价方法 | |
Rajab et al. | Application of image processing to measure road distresses | |
CN109116002B (zh) | 一种路用粗集料棱角性量化方法 | |
Safaei | Pixel and region-based image processing algorithms for detection and classification of pavement cracks | |
CN116012348A (zh) | 一种适用于路面裂缝的最大裂缝宽度测定方法 | |
CN114359255A (zh) | 一种基于改进Yolov5s的公路路面修补检测方法 | |
Osman et al. | Pavement crack classification using deep convolutional neural network | |
CN104573695A (zh) | 一种能快速定位感兴趣区的路面裂缝检测方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |