CN113551636B - 基于异常数据矫正的平整度检测方法 - Google Patents
基于异常数据矫正的平整度检测方法 Download PDFInfo
- Publication number
- CN113551636B CN113551636B CN202110750724.8A CN202110750724A CN113551636B CN 113551636 B CN113551636 B CN 113551636B CN 202110750724 A CN202110750724 A CN 202110750724A CN 113551636 B CN113551636 B CN 113551636B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- contour
- target
- data
- area
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/30—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring roughness or irregularity of surfaces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明提供一种基于异常数据矫正的平整度检测方法,包括:路面轮廓获取、异常轮廓区域推荐、异常轮廓区域自动确认、异常轮廓区域矫正以及平整度计算。本发明通过提取路面数据特征,对目标路面进行异常检测与矫正,并在数据矫正基础上进一步检测路面平整度,能够有效避免路面异常对检测结果的不利影响,有效保障检测结果的准确性和稳定可靠性。
Description
技术领域
本发明涉及道路管理技术领域,尤其涉及一种基于异常数据矫正的平整度检测方法。
背景技术
路面平整度不仅影响驾驶员及乘客行驶的舒适度,而且会造成车辆的振动、运行速度低、轮胎摩擦与磨损等。针对路面长期使用性能的研究表明,路面平整度,特别是初始路面平整度,将严重影响路面的使用寿命。
目前,被广泛使用的评估路面平整度的指标是国际平整度指数(InternationalRoughness Index,IRI)。IRI是世界银行1982年提出的评估道路平整度的方法,采用1/4车模型,以80千米/小时速度在已知断面上行驶,计算一定行驶距离内悬挂***的累积位移为IRI。
但是,目前对于IRI的应用多是基于高等级公路检测状况的研发设计,如假设路面无明显异常的情况下进行连续检测等。但实际路面中可能存在减速带、路面潮湿垃圾污染、公路与铁路平交道口、砌石路面等复杂情况,此情况下检测的IRI,受路面局部高程异常跳变的影响,无法真实反映路面情况,准确性不高。
发明内容
本发明提供一种基于异常数据矫正的平整度检测方法,用以解决现有技术在路面存在异常时检测准确性不高等问题的缺陷,实现有效提高检测准确性的目标。
本发明提供一种基于异常数据矫正的平整度检测方法,包括路面轮廓获取、异常轮廓区域推荐、异常轮廓区域自动确认、异常轮廓区域矫正以及平整度计算,其中:
所述路面轮廓获取,包括:利用距离测量传感器,获取所述距离测量传感器与目标路面的相对距离,并利用姿态测量传感器,获取所述距离测量传感器的测量姿态,并基于所述测量姿态,调整所述相对距离,获取路面纵向高程轮廓;
所述异常轮廓区域推荐,包括:基于对所述目标路面提取的异常目标特征,或对所述纵向高程轮廓提取的局部跳变特征,推荐潜在异常轮廓区域;
所述异常轮廓区域自动确认,包括:基于所述异常目标特征和所述局部跳变特征,确定所述目标路面中异常目标位置与所述纵向高程轮廓的局部跳变位置重叠的特征,并基于所述重叠的特征,确认所述潜在异常轮廓区域中的目标异常轮廓区域;
所述异常轮廓区域矫正,包括:将所述目标异常轮廓区域左右两侧数据作为参考轮廓数据,并基于所述参考轮廓数据,计算所述目标异常轮廓区域的矫正轮廓,并利用所述矫正轮廓矫正所述目标异常轮廓区域,获取矫正后的数据;
所述平整度计算,包括:基于所述矫正后的数据,利用国际平整度指数IRI计算公式,计算所述目标路面对应的平整度指标。
根据本发明提供的一种基于异常数据矫正的平整度检测方法,还包括异常轮廓区域重推荐、异常轮廓区域重确认、异常轮廓区域重矫正以及平整度重计算,其中:
所述异常轮廓区域重推荐,包括:基于所述目标路面的所述异常目标特征、所述纵向高程轮廓的局部跳变特征或所述平整度指标的局部跳变特征,重新推荐潜在异常轮廓区域;
所述异常轮廓区域重确认,包括:获取人工基于所述目标路面中异常目标位置与所述纵向高程轮廓的局部跳变位置重叠的特征的确认结果,并基于所述确认结果,确认所述重新推荐的潜在异常轮廓区域中的有效异常轮廓区域;
所述异常轮廓区域重矫正,包括:以所述有效异常轮廓区域左右两侧数据作为新的参考轮廓数据,并基于所述新的参考轮廓数据,计算所述有效异常轮廓区域的矫正轮廓,并利用所述有效异常轮廓区域的矫正轮廓矫正所述有效异常轮廓区域,获取重矫正后的数据;
所述平整度重计算,包括:基于所述重矫正后的数据,利用国际平整度指数IRI计算公式,重新计算所述目标路面对应的平整度指标。
根据本发明提供的一种基于异常数据矫正的平整度检测方法,所述基于所述参考轮廓数据,计算所述目标异常轮廓区域的矫正轮廓,并利用所述矫正轮廓矫正所述目标异常轮廓区域,包括:
计算所述参考轮廓数据的平均值,确定针对所述目标异常轮廓区域的初步高程补偿轮廓,并计算所述初步高程补偿轮廓的第一倾角;
基于所述参考轮廓数据,计算所述目标异常轮廓区域左右两侧区域的第二倾角,并求取所述第一倾角与所述第二倾角之间的角度差;
基于所述角度差,旋转矫正所述初步高程补偿轮廓,获取目标高程补偿轮廓,并利用所述目标高程补偿轮廓,矫正所述目标异常轮廓区域。
根据本发明提供的一种基于异常数据矫正的平整度检测方法,所述计算所述参考轮廓数据的平均值,确定针对所述目标异常轮廓区域的初步高程补偿轮廓,包括:
按照如下公式,计算所述目标异常轮廓区域的左侧参考数据与右侧参考数据的平均值,以获取所述初步高程补偿轮廓,所述如下公式为:
yMi=(yLi+yRi)/2,i=1,2,…,n;
式中,yMi表示当前目标异常轮廓区域中第i个异常点的初步高程补偿值,yLi、yRi分别表示当前目标异常轮廓区域的左侧参考数据中第i个参考点的高程值和右侧参考数据中第i个参考点的高程值,n表示当前目标异常轮廓区域的总异常点个数;
所述计算所述初步高程补偿轮廓的第一倾角,包括:
获取所述初步高程补偿轮廓的左端点和右端点,并计算所述左端点和所述右端点间连线与水平方向的夹角,作为所述第一倾角;
所述计算所述设定范围内的正常区域的第二倾角,包括:
基于所述参考轮廓数据,获取与所述目标异常轮廓区域相邻的左侧区域正常轮廓和右侧区域正常轮廓,并计算所述左侧区域正常轮廓和右侧区域正常轮廓端点间的连线与水平方向的夹角,作为所述第二倾角。
根据本发明提供的一种基于异常数据矫正的平整度检测方法,基于所述平整度指标的局部跳变特征,重新推荐所述潜在异常轮廓区域,包括:
基于计算的所述平整度指标,分别计算所述目标路面中各两两相邻统计单元的平整度绝对差值,并基于所有所述两两相邻统计单元的平整度绝对差值计算均值A和方差S,若任一两两相邻统计单元的平整度绝对差值大于设定阈值T,则将所述任一两两相邻统计单元中平整度指标较大的统计单元作为所述潜在异常轮廓区域;
其中,所述设定阈值T=A+K*S,K为权重系数。
根据本发明提供的一种基于异常数据矫正的平整度检测方法,所述目标路面的路面数据包括如下数据中的一种或多种:彩色路面图像、面阵相机获取的路面灰度图像、路面视频和路面三维数据;
或,所述目标路面的所述异常目标特征,包括如下特征中的一种或多种:异常目标的形状特征、几何尺寸特征、亮度特征和连续性特征;
或,所述纵向高程轮廓的局部跳变特征,包括如下特征中的一种或多种:位置邻近点跳变特征、采样时间邻近点跳变特征和/或局部轮廓偏离主轮廓超过设定限度的特征。
根据本发明提供的一种基于异常数据矫正的平整度检测方法,还包括:
利用点激光测距机结合加速度计,或者,利用三维测试传感器结合惯性***,获取所述目标路面的路面纵向高程轮廓,并基于所述路面纵向高程轮廓,提取所述路面纵向高程轮廓的局部跳变特征。
本发明提供的基于异常数据矫正的平整度检测方法,通过提取路面数据特征,对目标路面进行异常检测与矫正,并在数据矫正基础上进一步检测路面平整度,能够有效避免路面异常对检测结果的不利影响,有效保障检测结果的准确性和稳定可靠性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对本发明实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的基于异常数据矫正的平整度检测方法的流程示意图;
图2为根据本发明提供的基于异常数据矫正的平整度检测方法中测得的潜在异常轮廓区域的轮廓数据的示意图;
图3为根据本发明提供的基于异常数据矫正的平整度检测方法中平整度高程异常轮廓区域定位示意图;
图4为根据本发明提供的基于异常数据矫正的平整度检测方法中高程异常轮廓区域附近截取的参考轮廓数据示意图;
图5为根据本发明提供的基于异常数据矫正的平整度检测方法中矫正目标异常轮廓区域的流程示意图;
图6为根据本发明提供的基于异常数据矫正的平整度检测方法中第二倾角的计算方式示意图;
图7为根据本发明提供的基于异常数据矫正的平整度检测方法中矫正后路面数据的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明针对现有技术在路面存在异常时检测准确性不高等的问题,通过提取路面数据特征,对目标路面进行异常检测与矫正,并在数据矫正基础上进一步检测路面平整度,能够有效避免路面异常对检测结果的不利影响,有效保障检测结果的准确性和稳定可靠性。以下将结合附图,具体通过多个实施例对本发明进行展开说明和介绍。
图1为本发明提供的基于异常数据矫正的平整度检测方法的流程示意图,如图1所示,该方法包括:S101,路面轮廓获取;S102,异常轮廓区域推荐;S103,异常轮廓区域自动确认;S104,异常轮廓区域矫正;S105,平整度计算。其中:
S101,路面轮廓获取:利用距离测量传感器,获取所述距离测量传感器与目标路面的相对距离,并利用姿态测量传感器,获取所述距离测量传感器的测量姿态,并基于所述测量姿态,调整所述相对距离,获取路面纵向高程轮廓。
可以理解为,本发明可以从两个方面对目标路面信息进行采集和评估,这两个方面包括目标路面的高程轮廓和对目标路面获取的路面数据。其中,路面数据为对所述目标路面采集的平面或立体数据。
其中,在对目标路面的高程轮廓进行信息采集时,可以利用距离测量传感器结合姿态测量传感器,直接对实际的目标路面进行信息采集,获得目标路面的纵向高程轮廓。具体的,利用距离测量传感器,测量在进行路面高程轮廓信息采集时该距离测量传感器到目标路面的相对距离,同时利用姿态测量传感器对该距离测量传感器在测量所述相对距离时的测量姿态。然后,从距离测量传感器测得的相对距离中消除所述测量姿态对测量结果的影响,进而得到目标路面的纵向高程轮廓信息。
同时,还可以获取到能够反应目标路面的路面特征的数据,该数据是对目标路面采集的平面或立体数据,可称为是路面数据。可选地,所述目标路面的路面数据包括如下数据中的一种或多种:彩色路面图像、面阵相机获取的路面灰度图像、路面视频和路面三维数据。
也就是说,本发明的路面数据可以为彩色路面图像,或面阵相机获取的路面灰度图像,或路面视频,或线扫描三维测量传感器获取的路面三维数据等,也可以是这些类型数据的任意组合,且该路面数据可以是来源于平整度数据采集***所在的测量平台采集的数据。
S102,异常轮廓区域推荐:基于对所述目标路面提取的异常目标特征,或对所述纵向高程轮廓提取的局部跳变特征,推荐潜在异常轮廓区域。
可以理解为,在获取路面数据和路面的纵向高程轮廓的基础上,可以对路面数据进行特征提取,获取其中能够反应目标路面不同区域间差异的特定特征,也即异常目标特征。之后,通过分析判断提取的目标路面不同区域的异常目标特征,初步确定出目标路面中一部分可能存在异常的区域。
同时,可以基于上述步骤获取的目标路面的纵向高程轮廓信息,进行特征提取,而得到纵向高程轮廓的局部跳变特征,并基于该局部跳变特征,初步确定出目标路面中另一部分可能存在异常的区域。
其中,利用上述两种方式初步确定出的可能存在异常的区域均可称为是潜在异常轮廓区域。
应理解的是,其中可能存在异常的区域可以是出现凹陷、损毁、减速带、有堆积物等情况的区域。通常来说,当某一区域为异常轮廓区域时,其目标特征与周围区域特征间会出现明显或者较大跳动。例如,如图2所示,为根据本发明提供的基于异常数据矫正的平整度检测方法中测得的潜在异常轮廓区域的轮廓数据的示意图,其中黑色线条为轮迹带位置的路面纵向高程,(a)所示为较大范围内的路面轮廓数据示意图,(b)所示是(a)所示路面区域中潜在异常轮廓区域的数据示意图,也即(a)中矩形框内所示数据。可以看出,其中数据较左右两侧数据出现了较明显的跳动。
S103,异常轮廓区域自动确认:基于所述异常目标特征和所述局部跳变特征,确定所述目标路面中异常目标位置与所述纵向高程轮廓的局部跳变位置重叠的特征,并基于所述重叠的特征,确认所述潜在异常轮廓区域中的目标异常轮廓区域。
可以理解为,在分别基于路面数据的异常目标特征和纵向高程轮廓的局部跳变特征,推荐潜在异常轮廓区域的基础上,可以结合这两种方式确定的潜在异常轮廓区域进行综合判断,获取最终确定为存在异常的区域,以提高准确率。
具体的,可以先基于路面数据的异常目标特征确定路面数据中异常目标位置,并基于纵向高程轮廓的局部跳变特征确定纵向高程轮廓的局部跳变位置;然后确定异常目标位置和局部跳变位置重叠的特征,并基于此认定所有潜在异常轮廓区域中具体哪些区域是存在异常的区域,并将这部分区域作为目标异常轮廓区域。
S104,异常轮廓区域矫正:将所述目标异常轮廓区域左右两侧数据作为参考轮廓数据,并基于所述参考轮廓数据,计算所述目标异常轮廓区域的矫正轮廓,并利用所述矫正轮廓矫正所述目标异常轮廓区域,获取矫正后的数据。
可以理解为,在确定出目标路面中目标异常轮廓区域的基础上,可以进行异常轮廓区域的矫正,即利用目标异常轮廓区域左右两侧数据作为参考的轮廓数据,计算异常轮廓区域的矫正轮廓。
具体的,可以先将目标异常轮廓区域在路面数据中进行定位,以对其进行精准矫正。例如,如图3所示,为根据本发明提供的基于异常数据矫正的平整度检测方法中平整度高程异常轮廓区域定位示意图,图中通过各矩形框对路面数据中目标异常轮廓区域的数据进行了精准定位。
之后,根据目标异常轮廓区域在路面数据中的位置,确定出目标异常轮廓区域周围一定范围内正常路面的路面数据,可称为正常路面数据,同时该一定范围可以事先设定,可称为是设定范围。例如,如图4所示,为根据本发明提供的基于异常数据矫正的平整度检测方法中高程异常轮廓区域附近截取的参考轮廓数据示意图,其中在中间的目标异常轮廓区域的左侧和右侧区域分别截取出一块区域的数据,作为参考轮廓数据,如图4中所示中间大矩形框两侧小矩形框内数据。
再之后,以确定出的正常路面数据为参考和依据,确定出目标异常轮廓区域相对正常路面数据需要的补偿量,并根据该补偿量对目标异常轮廓区域进行补偿矫正,进行补偿矫正后所得的数据可称为是矫正后的数据。
S105,平整度计算:基于所述矫正后的数据,利用国际平整度指数IRI计算公式,计算所述目标路面对应的平整度指标。
可以理解为,在获取矫正后的数据(即矫正后的路面数据)后,可以用该矫正后的路面数据对目标路面进行理想化等效,并利用现有的国际平整度指数IRI计算公式,计算理想化等效的路面的平整度指标,以据此最终确定目标路面的等效平整度,也即平整度指标。
本发明提供的基于异常数据矫正的平整度检测方法,通过提取路面数据特征,对目标路面进行异常检测与矫正,并在数据矫正基础上进一步检测路面平整度,能够有效避免路面异常对检测结果的不利影响,有效保障检测结果的准确性和稳定可靠性。
进一步的,在上述各实施例的基础上,本发明的基于异常数据矫正的平整度检测方法还包括平整度异常数据的复核处理步骤,具体包括异常轮廓区域重推荐、异常轮廓区域重确认、异常轮廓区域重矫正以及平整度重计算。其中:
所述异常轮廓区域重推荐,包括:基于所述目标路面的所述异常目标特征、所述纵向高程轮廓的局部跳变特征或所述平整度指标的局部跳变特征,重新推荐潜在异常轮廓区域;
所述异常轮廓区域重确认,包括:获取人工基于所述目标路面中异常目标位置与所述纵向高程轮廓的局部跳变位置重叠的特征的确认结果,并基于所述确认结果,确认所述重新推荐的潜在异常轮廓区域中的有效异常轮廓区域;
所述异常轮廓区域重矫正,包括:以所述有效异常轮廓区域左右两侧数据作为新的参考轮廓数据,并基于所述新的参考轮廓数据,计算所述有效异常轮廓区域的矫正轮廓,并利用所述有效异常轮廓区域的矫正轮廓矫正所述有效异常轮廓区域,获取重矫正后的数据;
所述平整度重计算,包括:基于所述重矫正后的数据,利用国际平整度指数IRI计算公式,重新计算所述目标路面对应的平整度指标。
可以理解为,本发明在根据上述各实施例初步计算出目标路面对应的平整度指标的基础上,进一步基于人工对平整度指标进行从计算复核。具体包括异常轮廓区域重推荐、异常轮廓区域人工确认、异常轮廓区域重矫正以及平整度重计算。
其中,在进行异常轮廓区域重推荐时,可通过路面数据中的异常目标特征,或路面纵向高程轮廓的局部跳变特征,或平整度指标局部跳变特征,推荐异常轮廓区域。其中,路面数据可为彩色路面图像、或面阵相机获取的路面灰度图像、或线扫描三维测量传感器获取的路面三维数据。路面数据可以来源于平整度数据采集***所在的测量平台采集的路面数据。
在进行异常轮廓区域重确认时,通过路面数据中异常目标位置与纵向高程轮廓的局部跳变位置重叠的特征确认目标异常轮廓区域。例如可通过人工同时查看路面数据与纵向轮廓数据的方式确认。
在进行异常轮廓区域重矫正时,利用重确认的异常轮廓区域左右两侧的数据作为参考的轮廓数据,并基于该参考的轮廓数据计算异常轮廓区域的矫正轮廓,然后利用该矫正轮廓矫正重确认的异常轮廓区域。
在进行平整度重计算时,基于异常轮廓区域重矫正后的数据,根据国际平整度指数IRI计算公式,重新计算平整度指标。
其中,根据上述各实施例提供的基于异常数据矫正的平整度检测方法可选地,异常轮廓区域自动确认具体可以包括:
基于路面纵向高程轮廓的局部跳变特征或者异常目标的特征,检测出潜在异常轮廓区域;基于人工对异常目标的特征与路面纵向高程轮廓的局部跳变特征的对比判断结果,从潜在异常轮廓区域中确定出目标异常轮廓区域;或者,基于路面纵向高程轮廓的局部跳变特征,确定纵向高程轮廓的局部跳变位置,并基于异常目标的特征,检测异常目标的位置;通过匹配纵向高程轮廓的局部跳变位置与异常目标的位置获取重叠位置,并基于重叠位置,从潜在异常轮廓区域中确定出目标异常轮廓区域。
可以理解为,实际应用中路面异常情况可能是路面本身损毁或是有堆积物等情况,本发明中的目标特征可以包括路面本身的路面纵向高程轮廓的局部跳变特征和目标路面上异常路面的特征。于是相应的,可以根据这两种特征对路面数据进行综合判断,确定出其中有效的异常轮廓区域。
具体的,在进行目标异常轮廓区域的确认时,可先进行异常轮廓区域推荐,具体可通过路面数据中的异常目标特征,或路面纵向高程轮廓的局部跳变特征,推荐异常轮廓区域,作为本发明中的潜在异常轮廓区域。之后,可在潜在异常轮廓区域推荐的基础上,进行异常轮廓区域确认,即通过路面数据中异常目标位置与纵向高程轮廓的局部跳变位置重叠的特征,确认潜在异常轮廓区域中真实有效的异常轮廓区域。
具体的,可以通过人工同时查看路面数据与纵向轮廓数据的方式,确认目标路面上的有效异常轮廓区域,或者也可以分别基于异常目标的特征自动检测的异常目标位置,基于路面纵向高程轮廓的局部跳变特征,确定纵向高程轮廓的局部跳变位置,并通过匹配自动检测的异常目标位置与纵向高程轮廓的局部跳变位置,来最终确认其中的有效异常轮廓区域。
本发明通过先进行异常轮廓区域推荐,再在此基础上进行异常轮廓区域确认,能够更准确的进行异常轮廓区域矫正和平整度计算,并能有效的提高检测效率。
其中,根据上述各实施例提供的基于异常数据矫正的平整度检测方法可选地,所述目标路面的所述异常目标特征,包括如下特征中的一种或多种:异常目标的形状特征、几何尺寸特征、亮度特征和连续性特征;或,所述纵向高程轮廓的局部跳变特征,包括如下特征中的一种或多种:位置邻近点跳变特征、采样时间邻近点跳变特征和/或局部轮廓偏离主轮廓超过设定限度的特征。
可以理解为,本发明中,路面数据中的异常目标的特征,可以包括异常目标的形状特征、几何尺寸特征、亮度特征和连续性特征等中的一个或者任意多个组合。
其中,路面纵向高程轮廓的局部跳变特征,可以包括相邻或相近点跳变特征和局部轮廓严重偏离主轮廓的特征中任一个或两个。具体的,可以是路面异常轮廓区域含相邻点的高程差大于阈值T1的跳变点、采样间隔为n的测点的高程差大于阈值T2的跳变点、局部轮廓与主轮廓对应测点高程差大于阈值T3的偏离点。
在此基础上,例如可以利用路面异常目标的连续性特征及路面纵向高程轮廓的局部跳变特征(局部轮廓与主轮廓对应测点高程差大于阈值T3(T3=2)的偏离点,其中局部轮廓数据为原始的高程轮廓,主轮廓为中值滤波后的高程轮廓)推荐异常轮廓区域,如图2中(b)所示的矩形框所示区域。
其中,根据上述各实施例提供的基于异常数据矫正的平整度检测方法可选地,如图5所示,为根据本发明提供的基于异常数据矫正的平整度检测方法中矫正目标异常轮廓区域的流程示意图,所述基于所述参考轮廓数据,计算所述目标异常轮廓区域的矫正轮廓,并利用所述矫正轮廓矫正所述目标异常轮廓区域,包括:
S501,计算所述参考轮廓数据的平均值,确定针对所述目标异常轮廓区域的初步高程补偿轮廓,并计算所述初步高程补偿轮廓的第一倾角。
可以理解为,本发明分别获取目标异常轮廓区域左、右两侧的正常数据作为参考轮廓数据,并对目标异常轮廓区域中的每个异常点,从左、右两侧参考数据中分别获取一个正常点的参考轮廓数据计算平均值,以得到对应异常点的初步高程补偿值。
在对目标异常轮廓区域中所有异常点均计算了初步高程补偿值的基础上,可据此确定整个目标异常轮廓区域的初步高程补偿轮廓。之后,可按照现有方法或者设定的方法,计算初步高程补偿轮廓的倾斜角度,可称为是第一倾角。
其中可选地,所述计算所述参考轮廓数据的平均值,确定针对所述目标异常轮廓区域的初步高程补偿轮廓,包括:按照如下公式,计算所述目标异常轮廓区域的左侧参考数据与右侧参考数据的平均值,以获取所述初步高程补偿轮廓,所述如下公式为:
yMi=(yLi+yRi)/2,i=1,2,…,n;
式中,yMi表示当前目标异常轮廓区域中第i个异常点的初步高程补偿值,yLi、yRi分别表示当前目标异常轮廓区域的左侧参考数据中第i个参考点的高程值和右侧参考数据中第i个参考点的高程值,n表示当前目标异常轮廓区域的总异常点个数。
其中可选地,所述计算所述初步高程补偿轮廓的第一倾角,包括:获取所述初步高程补偿轮廓的左端点和右端点,并计算所述左端点和所述右端点间连线与水平方向的夹角,作为所述第一倾角。
可以理解为,本发明在确定初步高程补偿轮廓的基础上,可以先获取初步高程补偿轮廓的两个相反方向上的端点,如左端点和右端点,再确定这两个端点之间的连线,之后计算该连线与水平方向的夹角,并将其作为初步高程补偿轮廓的第一倾角。
S502,基于所述参考轮廓数据,计算所述目标异常轮廓区域左右两侧区域的第二倾角,并求取所述第一倾角与所述第二倾角之间的角度差。
可以理解为,可以先根据参考轮廓数据,获取目标异常轮廓区域周围范围内左侧和右侧的正常路面数据,再根据目标异常轮廓区域左侧和右侧的这些数据计算正常区域与水平方向的夹角,并将其作为第二倾角。之后,将第一倾角与第二倾角进行求差运算,得到二者之间的角度差。
其中可选地,所述计算所述设定范围内的正常区域的第二倾角,包括:基于所述参考轮廓数据,获取与所述目标异常轮廓区域相邻的左侧区域正常轮廓和右侧区域正常轮廓,并计算所述左侧区域正常轮廓和所述右侧区域正常轮廓端点间的连线与水平方向的夹角,作为所述第二倾角。
可以理解为,如图6所示,为根据本发明提供的基于异常数据矫正的平整度检测方法中第二倾角的计算方式示意图,可以分别从目标异常轮廓区域左右两侧相邻的正常区域中各选取一个端点,并确定这两个端点之间的连线,之后计算该连线与水平方向的夹角,并将其作为正常区域的第二倾角。如图6中线段AB与水平方向的夹角。
S503,基于所述角度差,旋转矫正所述初步高程补偿轮廓,获取目标高程补偿轮廓,并利用所述目标高程补偿轮廓,矫正所述目标异常轮廓区域。
可以理解为,可以依据得到的角度差,旋转矫正初步高程补偿轮廓,得到最终的高程补偿轮廓,也即异常高程矫正后轮廓。之后,利用其替换目标路面中对应的目标异常轮廓区域,以矫正该目标异常轮廓区域。
为更清楚的说明本实施例,以下进行举例说明,但不对本发明要求保护的范围进行限定。
首先,路面数据采用彩色路面图像,利用路面异常目标的连续性特征及路面纵向高程轮廓的局部跳变特征(局部轮廓与主轮廓对应测点高程差大于阈值T3(T3=2)的偏离点,其中局部轮廓数据为原始的高程轮廓,主轮廓为中值滤波后的高程轮廓)进行异常轮廓区域推荐,如图2中(a)所示的矩形框区域。其中,路面纵向高程通过点激光测距机与加速度计相结合的方式获得。
其次,对图2中所示的检测潜在异常轮廓区域数据,通过人工同时查看路面数据与纵向轮廓数据的方式,确认的高程异常轮廓区域数据如图3中的四个矩形框区域所示。
对图3中所示的第3个目标异常轮廓区域,自动选取的目标异常轮廓区域左右两侧的参考区域数据如图4中矩形框区域对应的数据,其中左右两侧的参考区域数据与目标异常轮廓区域数据的长度相同(若目标异常轮廓区域附近的正常区域连续数据长度小于目标异常轮廓区域,则用正常区域的端点数据按固定间距重复产生模拟的参考区域数据)。
然后,利用目标异常轮廓区域左右两侧数据作为参考的轮廓数据,计算异常轮廓区域的矫正轮廓,步骤如下:
1)计算左、右参考区域数据的平均值获取初步高程补偿轮廓,计算公式如下:
yMi=(yLi+yRi)/2,i=1,2,…,n;
其中,yMi为当前目标异常轮廓区域中第i个异常点的初步高程补偿值,yLi、yRi分别为左右参考区域第i个参考点的高程值,n为当前目标异常轮廓区域的总异常点个数。
2)计算初步高程补偿轮廓的倾角α,为初步高程补偿轮廓左右端点连线与水平方向的倾角。
3)计算目标异常轮廓区域左右相邻正常区域端点连线与水平方向的倾角θ,如图6中线段AB与水平方向的夹角。
4)计算初步高程补偿轮廓α与倾角θ的差值β=θ-α。
5)依据角度差β,旋转矫正初步高程补偿轮廓,得到最终的高程补偿轮廓(即异常高程矫正后轮廓)。
按上述方法处理高程异常后得到的矫正轮廓数据如图7所示,为根据本发明提供的基于异常数据矫正的平整度检测方法中矫正后路面数据的示意图,其中(a)所示为宏观矫正效果,其中(b)所示为局部矫正效果,由图7可见,本发明实现了纵向高程轮廓的局部跳变异常矫正,从而能够有效解决路面异常对平整度检测结果的影响,保障检测结果的稳定可靠性。
其中,根据上述各实施例提供的基于异常数据矫正的平整度检测方法可选地,基于所述平整度指标的局部跳变特征,重新推荐所述潜在异常轮廓区域,包括:基于计算的所述平整度指标,分别计算所述目标路面中各两两相邻统计单元的平整度绝对差值,并基于所有所述两两相邻统计单元的平整度绝对差值计算均值A和方差S,若任一两两相邻统计单元的平整度绝对差值大于设定阈值T,则将所述任一两两相邻统计单元中平整度指标较大的统计单元作为所述潜在异常轮廓区域;其中,所述设定阈值T=A+K*S,K为权重系数。
可以理解为,由上述实施例可知,本发明在对平整度指标进行重计算复核时,可以基于计算的目标路面的平整度指标的局部跳变特征重推荐潜在异常轮廓区域,该过程具体可以先计算目标路面中相邻统计单元的平整度绝对差值,再计算所有相邻统计单元的平整度绝对差值的均值A和方差S,若存在某相邻统计单元的平整度绝对差值大于预设阈值T(T=A+K*S,其中K的取值范围可以为1.8~3.5),则将此相邻统计单元中平整度较大的统计单元作为推荐的潜在异常轮廓区域。
进一步的,本发明提供的一种基于异常数据矫正的平整度检测方法,还包括:利用点激光测距机结合加速度计,或者,利用三维测试传感器结合惯性***,获取所述目标路面的路面纵向高程轮廓,并基于所述路面纵向高程轮廓,提取所述路面纵向高程轮廓的局部跳变特征。
可以理解为,本发明在获取路面纵向高程轮廓的局部跳变特征时,可以先通过点激光测距机与加速度计相结合的方式,或者通过三维测试传感器与惯性***相结合的方式获取目标路面的路面纵向高程轮廓,再对该路面纵向高程轮廓进行特征提取,获取最终的路面纵向高程轮廓的局部跳变特征。
通过以上实施方式的描述,本领域的技术人员可以清楚地了解,各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,包括若干指令,用以使得一台计算机设备(如个人计算机,服务器,或者网络设备等)执行上述各方法实施例或者方法实施例的某些部分所述的方法。
另外,本领域内的技术人员应当理解的是,在本发明的申请文件中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明的说明书中,说明了大量具体细节。然而应当理解的是,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。类似地,应当理解,为了精简本发明公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于异常数据矫正的平整度检测方法,其特征在于,包括路面轮廓获取、异常轮廓区域推荐、异常轮廓区域自动确认、异常轮廓区域矫正以及平整度计算,其中:
所述路面轮廓获取,包括:利用距离测量传感器,获取所述距离测量传感器与目标路面的相对距离,并利用姿态测量传感器,获取所述距离测量传感器的测量姿态,并基于所述测量姿态,调整所述相对距离,获取路面纵向高程轮廓;
所述异常轮廓区域推荐,包括:基于对所述目标路面提取的异常目标特征,或对所述纵向高程轮廓提取的局部跳变特征,推荐潜在异常轮廓区域;
所述异常轮廓区域自动确认,包括:基于所述异常目标特征和所述局部跳变特征,确定所述目标路面中异常目标位置与所述纵向高程轮廓的局部跳变位置重叠的特征,并基于所述重叠的特征,确认所述潜在异常轮廓区域中的目标异常轮廓区域;
所述异常轮廓区域矫正,包括:将所述目标异常轮廓区域左右两侧数据作为参考轮廓数据,并基于所述参考轮廓数据,计算所述目标异常轮廓区域的矫正轮廓,并利用所述矫正轮廓矫正所述目标异常轮廓区域,获取矫正后的数据;
所述平整度计算,包括:基于所述矫正后的数据,利用国际平整度指数IRI计算公式,计算所述目标路面对应的平整度指标。
2.根据权利要求1所述的基于异常数据矫正的平整度检测方法,其特征在于,还包括异常轮廓区域重推荐、异常轮廓区域重确认、异常轮廓区域重矫正以及平整度重计算,其中:
所述异常轮廓区域重推荐,包括:基于所述目标路面的所述异常目标特征、所述纵向高程轮廓的局部跳变特征或所述平整度指标,重新推荐潜在异常轮廓区域;
所述异常轮廓区域重确认,包括:获取人工基于所述目标路面中异常目标位置与所述纵向高程轮廓的局部跳变位置重叠的特征的确认结果,并基于所述确认结果,确认所述重新推荐的潜在异常轮廓区域中的有效异常轮廓区域;
所述异常轮廓区域重矫正,包括:以所述有效异常轮廓区域左右两侧数据作为新的参考轮廓数据,并基于所述新的参考轮廓数据,计算所述有效异常轮廓区域的矫正轮廓,并利用所述有效异常轮廓区域的矫正轮廓矫正所述有效异常轮廓区域,获取重矫正后的数据;
所述平整度重计算,包括:基于所述重矫正后的数据,利用国际平整度指数IRI计算公式,重新计算所述目标路面对应的平整度指标。
3.根据权利要求1或2所述的基于异常数据矫正的平整度检测方法,其特征在于,所述基于所述参考轮廓数据,计算所述目标异常轮廓区域的矫正轮廓,并利用所述矫正轮廓矫正所述目标异常轮廓区域,包括:
计算所述参考轮廓数据的平均值,确定针对所述目标异常轮廓区域的初步高程补偿轮廓,并计算所述初步高程补偿轮廓的第一倾角;
基于所述参考轮廓数据,计算所述目标异常轮廓区域左右两侧区域的第二倾角,并求取所述第一倾角与所述第二倾角之间的角度差;
基于所述角度差,旋转矫正所述初步高程补偿轮廓,获取目标高程补偿轮廓,并利用所述目标高程补偿轮廓,矫正所述目标异常轮廓区域。
4.根据权利要求3所述的基于异常数据矫正的平整度检测方法,其特征在于,所述计算所述参考轮廓数据的平均值,确定针对所述目标异常轮廓区域的初步高程补偿轮廓,包括:
按照如下公式,计算所述目标异常轮廓区域的左侧参考数据与右侧参考数据的平均值,以获取所述初步高程补偿轮廓,所述如下公式为:
yMi=(yLi+yRi)/2,i=1,2,…,n;
式中,yMi表示当前目标异常轮廓区域中第i个异常点的初步高程补偿值,yLi、yRi分别表示当前目标异常轮廓区域的左侧参考数据中第i个参考点的高程值和右侧参考数据中第i个参考点的高程值,n表示当前目标异常轮廓区域的总异常点个数;
所述计算所述初步高程补偿轮廓的第一倾角,包括:
获取所述初步高程补偿轮廓的左端点和右端点,并计算所述左端点和所述右端点间连线与水平方向的夹角,作为所述第一倾角;
所述计算所述目标异常轮廓区域左右两侧区域的第二倾角,包括:
基于所述参考轮廓数据,获取与所述目标异常轮廓区域相邻的左侧区域正常轮廓和右侧区域正常轮廓,并计算所述左侧区域正常轮廓和所述右侧区域正常轮廓端点间的连线与水平方向的夹角,作为所述第二倾角。
5.根据权利要求2所述的基于异常数据矫正的平整度检测方法,其特征在于,基于所述平整度指标,重新推荐所述潜在异常轮廓区域,包括:
基于计算的所述平整度指标,分别计算所述目标路面中各两两相邻统计单元的平整度绝对差值,并基于所有所述两两相邻统计单元的平整度绝对差值计算均值A和方差S,若任一两两相邻统计单元的平整度绝对差值大于设定阈值T,则将所述任一两两相邻统计单元中平整度指标较大的统计单元作为所述潜在异常轮廓区域;
其中,所述设定阈值T=A+K*S,K为权重系数。
6.根据权利要求1、2、4和5中任一所述的基于异常数据矫正的平整度检测方法,其特征在于,所述目标路面的路面数据包括如下数据中的一种或多种:彩色路面图像、面阵相机获取的路面灰度图像、路面视频和路面三维数据;
或,所述目标路面的所述异常目标特征,包括如下特征中的一种或多种:异常目标的形状特征、几何尺寸特征、亮度特征和连续性特征;
或,所述纵向高程轮廓的局部跳变特征,包括如下特征中的一种或多种:位置邻近点跳变特征、采样时间邻近点跳变特征和局部轮廓偏离主轮廓超过设定限度的特征。
7.根据权利要求1、2、4和5中任一所述的基于异常数据矫正的平整度检测方法,其特征在于,还包括:
利用点激光测距机结合加速度计,或者,利用三维测试传感器结合惯性***,获取所述目标路面的路面纵向高程轮廓,并基于所述路面纵向高程轮廓,提取所述路面纵向高程轮廓的局部跳变特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110750724.8A CN113551636B (zh) | 2021-07-02 | 2021-07-02 | 基于异常数据矫正的平整度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110750724.8A CN113551636B (zh) | 2021-07-02 | 2021-07-02 | 基于异常数据矫正的平整度检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113551636A CN113551636A (zh) | 2021-10-26 |
CN113551636B true CN113551636B (zh) | 2023-06-06 |
Family
ID=78102606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110750724.8A Active CN113551636B (zh) | 2021-07-02 | 2021-07-02 | 基于异常数据矫正的平整度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113551636B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114964042B (zh) * | 2022-05-20 | 2023-10-20 | 西安交通大学 | 一种曲线轮廓在线测量中数据异常点判别与辨识方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809668A (zh) * | 2016-01-15 | 2016-07-27 | 武汉武大卓越科技有限责任公司 | 基于线扫描三维点云的物体表面变形特征提取方法 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4691325B2 (ja) * | 2004-06-04 | 2011-06-01 | 修一 亀山 | 道路路面の評価方法 |
US20060139595A1 (en) * | 2004-12-27 | 2006-06-29 | Asml Netherlands B.V. | Lithographic apparatus and method for determining Z position errors/variations and substrate table flatness |
CN101126638A (zh) * | 2007-09-29 | 2008-02-20 | 张小虎 | 检测公路路面平整度的摄像测量方法 |
CN201530980U (zh) * | 2009-07-13 | 2010-07-21 | 北京市路兴公路新技术有限公司 | 一种路面平整度检测装置 |
CN101619968B (zh) * | 2009-07-13 | 2012-09-19 | 北京市路兴公路新技术有限公司 | 一种路面平整度检测方法和装置 |
JP5776545B2 (ja) * | 2011-12-28 | 2015-09-09 | 富士通株式会社 | 路面調査プログラム及び路面調査装置 |
US9267792B2 (en) * | 2013-01-21 | 2016-02-23 | Systèmes Pavemetrics Inc. | Method and apparatus for compensating lateral displacements and low speed variations in the measure of a longitudinal profile of a surface |
US20190078876A1 (en) * | 2016-03-29 | 2019-03-14 | Kyb Corporation | Road surface displacement detection device and suspension control method |
CN106638242B (zh) * | 2016-10-28 | 2018-10-02 | 武汉武大卓越科技有限责任公司 | 一种适应低速及变速测量的平整度检测装置及方法 |
CN107064010B (zh) * | 2016-12-15 | 2019-04-23 | 姜正晖 | 软土地区路面行驶质量评价方法 |
CN107092020B (zh) * | 2017-04-19 | 2019-09-13 | 北京大学 | 融合无人机LiDAR和高分影像的路面平整度监测方法 |
US20190011255A1 (en) * | 2017-07-05 | 2019-01-10 | Yaxiong Huang | Method to Measure Road Surface Profile |
CN108319920B (zh) * | 2018-02-05 | 2021-02-09 | 武汉光谷卓越科技股份有限公司 | 一种基于线扫描三维点云的路面标线检测及参数计算方法 |
CN109440612B (zh) * | 2018-12-28 | 2020-11-03 | 清华大学 | 道路平整度检测设备 |
CN109870457A (zh) * | 2019-02-14 | 2019-06-11 | 武汉武大卓越科技有限责任公司 | 轨道异物检测方法及装置 |
CN111664830A (zh) * | 2020-06-01 | 2020-09-15 | 中公诚科(吉林)工程检测有限公司 | 一种基于三维激光扫描的道路纵断面高程和平整度测量方法 |
-
2021
- 2021-07-02 CN CN202110750724.8A patent/CN113551636B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809668A (zh) * | 2016-01-15 | 2016-07-27 | 武汉武大卓越科技有限责任公司 | 基于线扫描三维点云的物体表面变形特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113551636A (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108394426B (zh) | 铁路车轮监测***及方法 | |
US9196048B2 (en) | Autonomous pavement condition assessment | |
US20160133008A1 (en) | Crack data collection method and crack data collection program | |
US20120300060A1 (en) | Vision system for imaging and measuring rail deflection | |
KR102196255B1 (ko) | 도로 노면 손상 탐지를 위한 영상 처리 및 딥러닝 이미지 분류 장치 및 방법 | |
CN111260615B (zh) | 基于激光和机器视觉融合的无人机桥梁表观病害检测方法 | |
US20190120722A1 (en) | Wear inspection apparatus and wear inspection method | |
CN110246130B (zh) | 基于红外和可见光图像数据融合的机场道面裂缝检测方法 | |
JP7235104B2 (ja) | 点群解析装置、方法、及びプログラム | |
CN108319920A (zh) | 一种基于线扫描三维点云的路面标线检测及参数计算方法 | |
CN105809668A (zh) | 基于线扫描三维点云的物体表面变形特征提取方法 | |
US20240167962A1 (en) | System and method for automatic monitoring of pavement condition | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
US20160133007A1 (en) | Crack data collection apparatus and server apparatus to collect crack data | |
CN115797338B (zh) | 基于双目视觉的全景路面多性能指标计算方法及*** | |
CN113551636B (zh) | 基于异常数据矫正的平整度检测方法 | |
JP2020086965A (ja) | 道路ダメージ制御システム、道路ダメージ制御方法、および道路ダメージ制御プログラム | |
US20180321364A1 (en) | Method for Calibrating Measuring Element, Method for Evaluating Road Surface Properties, and Apparatus for Evaluating Road Surface Properties | |
KR101130284B1 (ko) | 수치지도를 이용한 실감정사영상 정확도 검사 시스템 및 검사방법 | |
Choi et al. | Detection of cracks in paved road surface using laser scan image data | |
Ravi et al. | Highway and airport runway pavement inspection using mobile lidar | |
Kargah-Ostadi et al. | Evaluation framework for automated pavement distress identification and quantification applications | |
CN112435289B (zh) | 钢轨接头轨缝宽度的检测方法及装置 | |
CN116631187B (zh) | 一种案件现场勘查信息智能采集分析*** | |
EP4250245A1 (en) | System and method for determining a viewpoint of a traffic camera |
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 |