CN115630056A - 一种基于gps轨迹定位的道路巡查量化考核***及方法 - Google Patents
一种基于gps轨迹定位的道路巡查量化考核***及方法 Download PDFInfo
- Publication number
- CN115630056A CN115630056A CN202211283907.4A CN202211283907A CN115630056A CN 115630056 A CN115630056 A CN 115630056A CN 202211283907 A CN202211283907 A CN 202211283907A CN 115630056 A CN115630056 A CN 115630056A
- Authority
- CN
- China
- Prior art keywords
- data
- road
- patrol
- disease
- gps
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 201000010099 disease Diseases 0.000 claims abstract description 94
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 94
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000007405 data analysis Methods 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims abstract description 11
- 238000012800 visualization Methods 0.000 claims abstract description 10
- 238000013500 data storage Methods 0.000 claims description 28
- 238000007689 inspection Methods 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000004445 quantitative analysis Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000011161 development Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 27
- 230000008569 process Effects 0.000 abstract description 6
- 238000004140 cleaning Methods 0.000 abstract description 2
- 230000007246 mechanism Effects 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/393—Trajectory determination or predictive tracking, e.g. Kalman filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于GPS轨迹定位的道路巡查量化考核***及方法,所述***包括:车载监测设备组、车载移动处理单元、云端数据分析***和GIS地图可视化***。利用云端数据分析***中的病害识别算法模块、GPS数据处理纠偏算法库、GPS定位服务模块对GPS数据进行处理。本发明利用了GPS轨迹数据的纠错和清洗机制,消除了大量冗余、错误的病害数据后将病害识别位置传输给养护单位处置工单,并使用清洗后的GPS轨迹数据对病害巡查过程进行量化考核,通过计算路段覆盖率和标段覆盖率实现对道路巡查的量化考核,通过GIS地图可视化***对各路段、标段的养护情况以及巡查车对养护路段的覆盖情况进行展示,将巡查车中的GPS数据与道路巡查量化考核***深度结合。
Description
技术领域
本发明涉及道路养护技术领域,主要是一种基于GPS轨迹定位的道路巡查量化考核***及方法。
背景技术
道路作为现代社会中经济发展、资源流通不可或缺的一环,不仅在建设中拥有明确的建设标准和工艺,其建设后的养护流程也是交通行业中的关键领域板块。根据不同道路的不同地理、人文环境情况和日常管理形式,可将道路区分为城市道路、直管公路、农村公路。近些年,在道路养护方面的投入规模日渐增加,道路养护的管理要素广度、精细度进一步提升。随着智能自动化***、定位服务、信息算法的日渐趋于成熟。一套由智能巡查车执行、定位服务统计、信息***汇聚的智能道路养护巡查及对于巡查的量化考核***成为了养护转型中的重点发展要素。
到2025年,综合交通运输基本实现一体化融合发展,智能化、绿色化取得实质性突破,综合能力、服务品质、运行效率和整体效益显著提升,交通运输发展向世界一流水平迈进。加强基础设施养护,推动落实全生命周期养护,强化常态化预防性养护,科学实施养护作业,加强养护工程质量检验评定,强化养护管理监管考核,提高基础设施使用寿命。加强桥梁隧道、通航建筑物、港口锚地、跑道停机坪等公共设施养护管理。加大养护新技术推广力度,建设交通基础设施长期性能科学观测网,鼓励自动化、信息化巡查,提高管理养护科学决策水平,推进养护机械化和标准化。
随着近几年深度学习、人工智能的概念成熟并兴起,计算机视觉识别技术在道路养护场景中的应用技术已经比较成熟,可实现对病害由大类至小类的自主识别、分类,根据不同病害特征区分病害种类,但对于道路病害巡查过程的考核还少有研究。
发明内容
为了解决现有技术对道路养护的重点集中在对道路病害识别以及工单派发,对道路病害的巡查过程缺乏量化的考核评价的问题,提出了一种基于GPS轨迹定位的道路巡查量化考核***及方法,通过GPS轨迹数据的纠错和清洗机制,消除大量冗余、错误的病害数据后将病害识别位置传输给养护单位处置工单,并利用清洗后的GPS轨迹数据对病害巡查过程进行量化考核,通过计算路段覆盖率和标段覆盖率实现对道路巡查的量化考核,通过对各路段、标段的养护情况以及巡查车对养护路段的覆盖情况进行展示,实现了从道路巡查的角度对道路养护方案进行评价、为道路养护的预测和进一步决策提供了一定数据基础。
一种基于GPS轨迹定位的道路巡查量化考核***,包括:车载监测设备组、车载移动处理单元、云端数据分析***和GIS地图可视化***。
所述车载监测设备组可实时采集巡查车GPS轨迹点、道路病害动态画面以及雷达点云数据并将采集到的数据保存在本地储存数据库;所述道路病害动态画面以图片数据流形式保存和传输,所述雷达点云数据获取病害的长、宽和深度来辅助道路病害动态画面确认病害大小。
所述车载移动处理单元作为中介将车载监测设备组中的图片数据流、GPS轨迹点数据和雷达点云数据上传到云端数据分析***。
所述云端数据分析***接收车载移动处理单元上传的数据,所述云端数据分析***包括储存单元、数据处理单元和数据分析单元。
所述储存单元包括轨迹数据存储数据库、设施量存储数据库、GIS地图路网图层数据库和考核规则数据库,所述轨迹数据存储数据库用于保存监测设备组上传巡查车实时GPS轨迹点数据并形成GPS轨迹数据,所述设施量存储数据库存储管理单位下辖路段范围内应养护设施和路段信息,所述路段信息包括路段本身的基本属性、隶属信息、所属类型;所述GIS 地图路网图层数据库包含考核路段的矢量信息,包括长度、方向、位置、上下行情况;所述考核规则数据库存储考核规则信息,包括考核路段的应作业里程、实际作业里程、负责单位、负责车辆号、考核上下行情况。
所述数据处理单元包括病害识别算法模块、GPS数据处理纠偏算法库、GPS定位服务模块;所述GPS数据处理纠偏算法库通过算法逻辑将所述轨迹数据存储数据库中的GPS轨迹数据轻量化,纠正异常偏移、数据勘误;所述GPS定位服务模块获取所述轨迹数据存储数据库中的GPS轨迹数据,从所述设施量存储数据库获取应养护设施和路段信息包括位置桩号,将巡查车轨迹与路段和位置桩号进行匹配,确认巡查车GPS轨迹数据的所属路段及对应桩号,并将所述GPS轨迹数据的所属路段及对应桩号数据储存在轨迹数据存储数据库中,并根据所述GPS轨迹数据计算巡查车的实际作业里程和更新巡查车总的实际作业里程,并储存在所述考核规则数据库中;所述病害识别算法模块使用车载监测设备组上传的图片数据流,利用深度学习算法进行图像识别分类,根据病害发展程度和特征类别,鉴定病害结果,通过所述 GPS定位服务模块获取病害位置,派发对应类型的处置工单。
所述数据分析单元包括量化分析算法模块;所述量化分析算法模块,通过查询考核规则数据库的实际作业里程和规定作业里程计算路段覆盖率、标段覆盖率;所述标段为相邻区域内路段的集合。
所述GIS地图可视化***接收所述数据分析单元的路段覆盖率、标段覆盖率结果,并通过在地理地图中绘制结果矢量图层展示各路段、标段的巡查车覆盖情况。
所述深度学习算法使用R-CNN算法进行图像识别分类,所述R-CNN算法包括训练病害识别神经网络、识别智能发现病害的种类。
所述训练病害识别神经网络的步骤包括:
Step 1:提取车载移动处理单元上传的图片数据流,使用选择性搜索将图片分成若干个候选区域得到矩阵(M×N)×L,M×N为任意候选区域的横纵长度,L为候选区域的数量。
Step 2:将图片的每个候选区域输入卷积神经网络,经过若干个卷积层、池化层、激励层及权重矩阵相乘后,得出该图片的特征向量R。
Step 3:求出目标值与实际输出的差值,并将其逐步反馈到前向传播层中,更新权重矩阵;所述目标值为该图片中真实的病害特征向量;所述实际输出为该图片利用R-CNN算法识别后输出的病害特征向量。
Step 4:重复Step1-Step3步骤,得出分类矩阵R×C,C为病害分类的种类。
所述识别智能发现病害的种类的步骤包括:
Step 1:提取车载移动处理单元上传的图片数据流,使用选择性搜索将图片分成若干个候选区域得到矩阵(M×N)×L,M×N为任意候选区域的横纵长度,L为候选区域的数量;将图片的每个候选区域输入R-CNN卷积神经网络,经过若干个卷积层、池化层、激励层及权重矩阵相乘后,得出该图片的特征向量R。
Step 2:将特征向量R导入权利要求3求得的所述分类矩阵R×C,求出病害分类的概率分布。
Step 3:根据概率分布,判断图片中含有病害的大类结果,所述病害的大类结果为所述病害类型包括裂缝、坑槽。
Step 4:按照设定病害特征及病害尺寸阈值,判断病害属于哪种小类,所述设定病害特征包括路面类型、病害程度,储存病害结果。
所述GPS轨迹数据轻量化、纠正异常偏移的方法为:
Step 1:获取给定时间内上传的所述GPS轨迹数据的数据坐标,以时间戳先后顺序进行排序,得到A0。
Step 2:对于A0中每个坐标Px,根据车速选择采集其前面的坐标数量并采集;在平均车速60km/h的情况下,采集前6个坐标,即Px-1~Px-6。
Step 3:计算7个坐标即Px~Px-6间相邻坐标差异量Δx,根据时间戳的变化量计算出每个点的速度Vx~Vx-5。
Step 3-1:如上述速度均<5km/h,即车辆未达行驶阈值,则将A0中其他数据进行逻辑删除,输出Px作为A0这个批次的代表数据。
Step 3-2:如速度符合最低行驶阈值,遍历A0中各点;如果某点对于其前一点的Δx 大于100米,将此点视为轨迹漂移的离群值点位,筛选删除离群值点位,返回A0中剩下的数据作为代表数据。
Step 4:将代表数据储存在所述轨迹数据存储数据库中。
所述数据勘误的方法为:
Step 1:获取一个时间段内的所述GPS轨迹数据的GPS数据集A0。
Step 2:获取对应时间段的巡查车本地存储数据库中的车辆本地存储数据B0。
Step 3:根据权利要求6中GPS轨迹数据轻量化的方法对B0做数据勘误。
Step 4:求得二者并集数据S0(A0∪B0),并更新到轨迹数据存储数据库。
所述GPS定位服务模块获得轨迹定位数据的所属路段及对应桩号的具体步骤为:
Step 1:在所述轨迹数据存储数据库选择一个待处理GPS轨迹数据P0。
Step 2:在所述设施量存储数据库和GIS地图路网图层数据库查询距离P0最近的3条道路Ra、Rb、Rc及其所在位置的对应桩号,分别从P0做垂线于该三条路。
Step 3:选取垂线距离最短的路为定位路段的候选,设垂线与路段交点为坐标V0。
Step 4:设该路段起点为S0,终点为E0,将V0-S0/E0-S0,得到坐标V0在该路段的百分比位置V0%。
Step 5:获取路段长度L0,计算L0*V0%得到距离起点的路段长度,累加S0的桩号;最终输出所述GPS轨迹数据的所属路段R及其对应桩号。
计算路段覆盖率的步骤为:
Step 1:调取GPS轨迹数据储存数据库中被定位到该路段的轨迹定位数据集,设为A0 (P1,P2,P3...)。
Step 2:顺序计算每个GPS数据和上一个数据的间距,累加得到本次巡查中该路段的实际作业里程CL。
Step 3:查询所述考核规则数据库中此路段的规定作业里程RL,计算本次巡查中该路段的路段覆盖率RC=CL/PL。
对重点巡查路段包括城市道路和双向四车道以上的大型道路进行更频繁的巡查的方法为,将所述规定作业里程RL设置为真实路段长度的两倍,即一次巡查活动内需要将此路段巡查两次。
计算标段覆盖率的步骤为:
Step 1:查询考核规则数据库,获取隶属于标段S的路段的集合R以及他们的巡查覆盖率。
Step 2:将集合R中所有路段的实际作业里程CL累加,得到标段总实际作业里程SCL,累加所有规定作业里程RL,得到标段总规定作业里程SRL,得到本次巡查中该标段的标段覆盖率SC=SCL/SRL。
本发明提出了一种基于GPS轨迹定位的道路巡查量化考核***及方法,包括:车载监测设备组、车载移动处理单元、云端数据分析***和GIS地图可视化***。利用云端数据分析***中的病害识别算法模块、GPS数据处理纠偏算法库、GPS定位服务模块对GPS数据进行处理。包括通过GPS轨迹数据的纠错和清洗机制,消除大量冗余、错误的病害数据后将病害识别位置传输给养护单位处置工单,并利用清洗后的GPS轨迹数据对病害巡查过程进行量化考核,通过计算路段覆盖率和标段覆盖率实现对道路巡查的量化考核,通过GIS地图可视化***对各路段、标段的养护情况以及巡查车对养护路段的覆盖情况进行展示,将巡查车中的GPS数据与道路巡查量化考核***深度结合。
本发明使用的GPS数据处理纠偏算法模块检测数据,对重复GPS数据进行清洗,纠正距离过远或溢出养护边界的GPS点位。通过航向角辅助判断车辆行驶方向,即上下行情况。提升了GPS数据质量、优化存储体量、清理错误数据。形成线性的连续可读的GPS轨迹记录,直观的使用户提升GPS轨迹的使用效率。
本发明通过GPS定位服务模块,将GPS轨迹坐标定位归属路段,并将其投影到路段的相对位置。记录该投影点的桩号,入库记录定位位置。即实现准确、自动化的进行GPS定位统计。
综上所述,本发明实现了从道路巡查的角度对道路养护方案进行科学评价、为道路养护的预测和进一步决策提供了一定数据基础。
附图说明
图1:一种基于GPS轨迹定位的道路巡查量化考核***结构图。
图2:一种利用深度学习算法病害识别分类流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步描述。
如图1所示,一种基于GPS轨迹定位的道路巡查量化考核***,包括:车载监测设备组、车载移动处理单元、云端数据分析***和GIS地图可视化***。
所述车载监测设备组可实时采集巡查车GPS轨迹点、道路病害动态画面以及雷达点云数据并将采集到的数据保存在本地储存数据库;所述道路病害动态画面以图片数据流形式保存和传输,所述雷达点云数据获取病害的长、宽和深度来辅助道路病害动态画面确认病害大小。
所述车载移动处理单元作为中介将车载监测设备组中的图片数据流、GPS轨迹点数据和雷达点云数据上传到云端数据分析***。
所述云端数据分析***接收车载移动处理单元上传的数据,所述云端数据分析***包括储存单元、数据处理单元和数据分析单元。
所述储存单元包括轨迹数据存储数据库、设施量存储数据库、GIS地图路网图层数据库和考核规则数据库,所述轨迹数据存储数据库用于保存监测设备组上传巡查车实时GPS轨迹点数据并形成GPS轨迹数据,所述设施量存储数据库存储管理单位下辖路段范围内应养护设施和路段信息,所述路段信息包括路段本身的基本属性、隶属信息、所属类型;所述GIS 地图路网图层数据库包含考核路段的矢量信息,包括长度、方向、位置、上下行情况;所述考核规则数据库存储考核规则信息,包括考核路段的应作业里程、实际作业里程、负责单位、负责车辆号、考核上下行情况。
所述数据处理单元包括病害识别算法模块、GPS数据处理纠偏算法库、GPS定位服务模块;所述GPS数据处理纠偏算法库通过算法逻辑将所述轨迹数据存储数据库中的GPS轨迹数据轻量化,纠正异常偏移、数据勘误;所述GPS定位服务模块获取所述轨迹数据存储数据库中的GPS轨迹数据,从所述设施量存储数据库获取应养护设施和路段信息包括位置桩号,将巡查车轨迹与路段和位置桩号进行匹配,确认巡查车GPS轨迹数据的所属路段及对应桩号,并将所述GPS轨迹数据的所属路段及对应桩号数据储存在轨迹数据存储数据库中,并根据所述GPS轨迹数据计算巡查车的实际作业里程和更新巡查车总的实际作业里程,并储存在所述考核规则数据库中;所述病害识别算法模块使用车载监测设备组上传的图片数据流,利用深度学习算法进行图像识别分类,根据病害发展程度和特征类别,鉴定病害结果,通过所述 GPS定位服务模块获取病害位置,派发对应类型的处置工单。
所述数据分析单元包括量化分析算法模块;所述量化分析算法模块通过所述GPS轨迹数据计算实际作业里程并储存在考核规则数据库中,通过查询考核规则数据库计算路段覆盖率、标段覆盖率;所述标段为相邻区域内路段的集合。
所述GIS地图可视化***接收所述数据分析单元的路段覆盖率、标段覆盖率结果,并通过在地理地图中绘制结果矢量图层展示各路段、标段的巡查车覆盖情况。
如图2所示,所述深度学习算法使用R-CNN算法进行图像识别分类,所述R-CNN算法步骤包括训练病害识别神经网络、识别智能发现病害的种类。
所述训练病害识别神经网络的步骤包括:
Step 1:提取车载移动处理单元上传的图片数据流,使用选择性搜索将图片分成若干个候选区域得到矩阵(M×N)×L,M×N为任意候选区域的横纵长度,L为候选区域的数量。
Step 2:将图片的每个候选区域输入卷积神经网络,经过若干个卷积层、池化层、激励层及权重矩阵相乘后,得出该图片的特征向量R。
Step 3:求出目标值与实际输出的差值,并将其逐步反馈到前向传播层中,更新权重矩阵;所述目标值为该图片中真实的病害特征向量;所述实际输出为该图片利用R-CNN算法识别后输出的病害特征向量。
Step 4:重复Step1-Step3步骤,得出分类矩阵R×C,C为病害分类的种类。
所述识别智能发现病害的种类的步骤包括:
Step 1:提取车载移动处理单元上传的图片数据流,使用选择性搜索将图片分成若干个候选区域得到矩阵(M×N)×L,M×N为任意候选区域的横纵长度,L为候选区域的数量;将图片的每个候选区域输入R-CNN卷积神经网络,经过若干个卷积层、池化层、激励层及权重矩阵相乘后,得出该图片的特征向量R。
Step 2:将特征向量R导入权利要求3求得的所述分类矩阵R×C,求出病害分类的概率分布。
Step 3:根据概率分布,判断图片中含有病害的大类结果,所述病害的大类结果为所述病害类型包括裂缝、坑槽。
Step 4:按照设定病害特征及病害尺寸阈值,判断病害属于哪种小类,所述设定病害特征包括路面类型、病害程度,储存病害结果。
实施例2:
GPS数据处理纠偏算法库通过算法逻辑将所述轨迹数据存储数据库中的GPS轨迹数据轻量化,纠正异常偏移、数据勘误。
GPS轨迹数据轻量化、纠正异常偏移的方法为:
Step 1:获取给定时间内上传的所述GPS轨迹数据的数据坐标,以时间戳先后顺序进行排序,得到A0。
Step 2:对于A0中每个坐标Px,根据车速选择采集其前面的坐标数量并采集;在平均车速60km/h的情况下,采集前6个坐标,即Px-1~Px-6。
Step 3:计算7个坐标即Px~Px-6间相邻坐标差异量Δx,根据时间戳的变化量计算出每个点的速度Vx~Vx-5。
Step 3-1:如上述速度均<5km/h,即车辆未达行驶阈值,则将A0中其他数据进行逻辑删除,输出Px作为A0这个批次的代表数据。
Step 3-2:如速度符合最低行驶阈值,遍历A0中各点;如果某点对于其前一点的Δx 大于100米,将此点视为轨迹漂移的离群值点位,筛选删除离群值点位,返回A0中剩下的数据作为代表数据。
伪代码示意如下:
公路路况复杂,周遭情况不确定性多。容易出现信号不佳的区域(如隧道或无基站)导致信号出现延迟上传,打乱GPS轨迹数据流。作为解决方案,服务器每晚会进行一次整体 GPS数据的校正。获取车辆本地存储的当天GPS数据来做对比补充。数据确认完整后正是入库存储当天GPS轨迹数据。
Step 4:将代表数据储存在所述轨迹数据存储数据库中。
所述数据勘误的方法为:
Step 1:获取一个时间段内的所述GPS轨迹数据的GPS数据集A0。
Step 2:获取对应时间段的巡查车本地存储数据库中的车辆本地存储数据B0。
Step 3:根据权利要求6中GPS轨迹数据轻量化的方法对B0做数据勘误。
Step 4:求得二者并集数据S0(A0∪B0),并更新到轨迹数据存储数据库。
实施例3:
所述GPS定位服务模块获得轨迹定位数据的所属路段及对应桩号的具体步骤为:
Step 1:在所述轨迹数据存储数据库选择一个待处理GPS轨迹数据P0。
Step 2:在所述设施量存储数据库和GIS地图路网图层数据库查询距离P0最近的3条道路Ra、Rb、Rc及其所在位置的对应桩号,分别从P0做垂线于该三条路。
Step 3:选取垂线距离最短的路为定位路段的候选,设垂线与路段交点为坐标V0。
Step 4:设该路段起点为S0,终点为E0,将V0-S0/E0-S0,得到坐标V0在该路段的百分比位置V0%。
Step 5:获取路段长度L0,计算L0*V0%得到距离起点的路段长度,累加S0的桩号;最终输出所述GPS轨迹数据的所属路段R及其对应桩号。
实施例4:
数据分析单元包括量化分析算法模块;所述量化分析算法模块通过所述GPS轨迹数据计算实际作业里程并储存在考核规则数据库中,通过查询考核规则数据库计算路段覆盖率、标段覆盖率;所述标段为相邻区域内路段的集合。
计算路段覆盖率的步骤为:
Step 1:调取GPS轨迹数据储存数据库中被定位到该路段的轨迹定位数据集,设为A0 (P1,P2,P3...)。
Step 2:顺序计算每个GPS数据和上一个数据的间距,累加得到本次巡查中该路段的实际作业里程CL。
Step 3:查询所述考核规则数据库中此路段的规定作业里程RL,计算本次巡查中该路段的路段覆盖率RC=CL/PL。
根据道路管理要求的不同,部分道路如城市道路和双向四车道以上的大型道路需要进行更频繁的巡查。其规定作业里程将设置为真实路段长度的两倍,即一次巡查活动内需要将此路段巡查两次。名为重点巡查路段。
对重点巡查路段包括城市道路和双向四车道以上的大型道路进行更频繁的巡查的方法为,将所述规定作业里程RL设置为真实路段长度的两倍,即一次巡查活动内需要将此路段巡查两次。
计算标段覆盖率的步骤为:
Step 1:查询考核规则数据库,获取隶属于标段S的路段的集合R以及他们的巡查覆盖率。
Step 2:将集合R中所有路段的实际作业里程CL累加,得到标段总实际作业里程SCL,累加所有规定作业里程RL,得到标段总规定作业里程SRL,得到本次巡查中该标段的标段覆盖率SC=SCL/SRL。
以上所述仅为本发明的优选实施例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无法对所有的实施方式予以穷举。凡是属于本发明的技术方案所引申出的显而易见的变化或变动,仍处于本发明的范围之内。
Claims (10)
1.一种基于GPS轨迹定位的道路巡查量化考核***,其特征在于,包括:车载监测设备组、车载移动处理单元、云端数据分析***和GIS地图可视化***;
所述车载监测设备组可实时采集巡查车GPS轨迹点、道路病害动态画面以及雷达点云数据并将采集到的数据保存在本地储存数据库;所述道路病害动态画面以图片数据流形式保存和传输,所述雷达点云数据获取病害的长、宽和深度来辅助道路病害动态画面确认病害大小;
所述车载移动处理单元作为中介将车载监测设备组中的图片数据流、GPS轨迹点数据和雷达点云数据上传到云端数据分析***;
所述云端数据分析***接收车载移动处理单元上传的数据,所述云端数据分析***包括储存单元、数据处理单元和数据分析单元;
所述储存单元包括轨迹数据存储数据库、设施量存储数据库、GIS地图路网图层数据库和考核规则数据库,所述轨迹数据存储数据库用于保存监测设备组上传巡查车实时GPS轨迹点数据并形成GPS轨迹数据,所述设施量存储数据库存储管理单位下辖路段范围内应养护设施和路段信息,所述路段信息包括路段本身的基本属性、隶属信息、所属类型;所述GIS地图路网图层数据库包含考核路段的矢量信息,包括长度、方向、位置、上下行情况;所述考核规则数据库存储考核规则信息,包括考核路段的应作业里程、实际作业里程、负责单位、负责车辆号、考核上下行情况;
所述数据处理单元包括病害识别算法模块、GPS数据处理纠偏算法库、GPS定位服务模块;所述GPS数据处理纠偏算法库通过算法逻辑将所述轨迹数据存储数据库中的GPS轨迹数据轻量化,纠正异常偏移、数据勘误;所述GPS定位服务模块获取所述轨迹数据存储数据库中的GPS轨迹数据,从所述设施量存储数据库获取应养护设施和路段信息包括位置桩号,将巡查车轨迹与路段和位置桩号进行匹配,确认巡查车GPS轨迹数据的所属路段及对应桩号,并将所述GPS轨迹数据的所属路段及对应桩号数据储存在轨迹数据存储数据库中,并根据所述GPS轨迹数据计算巡查车的实际作业里程和更新巡查车总的实际作业里程,并储存在所述考核规则数据库中;所述病害识别算法模块使用车载监测设备组上传的图片数据流,利用深度学习算法进行图像识别分类,根据病害发展程度和特征类别,鉴定病害结果,通过所述GPS定位服务模块获取病害位置,派发对应类型的处置工单;
所述数据分析单元包括量化分析算法模块;所述量化分析算法模块,通过查询考核规则数据库的实际作业里程和规定作业里程计算路段覆盖率、标段覆盖率;所述标段为相邻区域内路段的集合;
所述GIS地图可视化***接收所述数据分析单元的路段覆盖率、标段覆盖率结果,并通过在地理地图中绘制结果矢量图层展示各路段、标段的巡查车覆盖情况。
2.由权利要求1所述的一种基于GPS轨迹定位的道路巡查量化考核***,其特征在于,所述深度学习算法使用R-CNN算法进行图像识别分类,所述R-CNN算法包括训练病害识别神经网络、识别智能发现病害的种类。
3.采用权利要求1-2所述***的道路巡查量化考核方法,其特征在于,所述训练病害识别神经网络的步骤包括:
Step 1:提取车载移动处理单元上传的图片数据流,使用选择性搜索将图片分成若干个候选区域得到矩阵(M×N)×L,M×N为任意候选区域的横纵长度,L为候选区域的数量;
Step 2:将图片的每个候选区域输入卷积神经网络,经过若干个卷积层、池化层、激励层及权重矩阵相乘后,得出该图片的特征向量R;
Step 3:求出目标值与实际输出的差值,并将其逐步反馈到前向传播层中,更新权重矩阵;所述目标值为该图片中真实的病害特征向量;所述实际输出为该图片利用R-CNN算法识别后输出的病害特征向量;
Step 4:重复Step1-Step3步骤,得出分类矩阵R×C,C为病害分类的种类。
4.由权利要求3所述的道路巡查量化考核方法,其特征在于,所述识别智能发现病害的种类的步骤包括:
Step 1:提取车载移动处理单元上传的图片数据流,使用选择性搜索将图片分成若干个候选区域得到矩阵(M×N)×L,M×N为任意候选区域的横纵长度,L为候选区域的数量;将图片的每个候选区域输入R-CNN卷积神经网络,经过若干个卷积层、池化层、激励层及权重矩阵相乘后,得出该图片的特征向量R;
Step 2:将特征向量R导入权利要求3求得的所述分类矩阵R×C,求出病害分类的概率分布;
Step 3:根据概率分布,判断图片中含有病害的大类结果,所述病害的大类结果为所述病害类型包括裂缝、坑槽;
Step 4:按照设定病害特征及病害尺寸阈值,判断病害属于哪种小类,所述设定病害特征包括路面类型、病害程度,储存病害结果。
5.采用权利要求1所述的***的道路巡查量化考核方法,其特征在于,所述GPS轨迹数据轻量化、纠正异常偏移的方法为,
Step 1:获取给定时间内上传的所述GPS轨迹数据的数据坐标,以时间戳先后顺序进行排序,得到A0;
Step 2:对于A0中每个坐标Px,根据车速选择采集其前面的坐标数量并采集;在平均车速60km/h的情况下,采集前6个坐标,即Px-1~Px-6;
Step 3:计算7个坐标即Px~Px-6间相邻坐标差异量Δx,根据时间戳的变化量计算出每个点的速度Vx~Vx-5;
Step 3-1:如上述速度均<5km/h,即车辆未达行驶阈值,则将A0中其他数据进行逻辑删除,输出Px作为A0这个批次的代表数据;
Step 3-2:如速度符合最低行驶阈值,遍历A0中各点;如果某点对于其前一点的Δx大于100米,将此点视为轨迹漂移的离群值点位,筛选删除离群值点位,返回A0中剩下的数据作为代表数据。
Step 4:将代表数据储存在所述轨迹数据存储数据库中。
6.由权利要求5所述的道路巡查量化考核方法,其特征在于,所述数据勘误的方法为:
Step 1:获取一个时间段内的所述GPS轨迹数据的GPS数据集A0;
Step 2:获取对应时间段的巡查车本地存储数据库中的车辆本地存储数据B0;
Step 3:根据权利要求6中GPS轨迹数据轻量化的方法对B0做数据勘误;
Step 4:求得二者并集数据S0(A0∪B0),并更新到轨迹数据存储数据库。
7.由权利要求6所述的道路巡查量化考核方法,其特征在于,所述GPS定位服务模块获得轨迹定位数据的所属路段及对应桩号的具体步骤为:
Step 1:在所述轨迹数据存储数据库选择一个待处理GPS轨迹数据P0;
Step 2:在所述设施量存储数据库和GIS地图路网图层数据库查询距离P0最近的3条道路Ra、Rb、Rc及其所在位置的对应桩号,分别从P0做垂线于该三条路;
Step 3:选取垂线距离最短的路为定位路段的候选,设垂线与路段交点为坐标V0;
Step 4:设该路段起点为S0,终点为E0,将V0-S0/E0-S0,得到坐标V0在该路段的百分比位置V0%;
Step 5:获取路段长度L0,计算L0*V0%得到距离起点的路段长度,累加S0的桩号;最终输出所述GPS轨迹数据的所属路段R及其对应桩号。
8.由权利要求7所述的道路巡查量化考核方法,其特征在于,计算路段覆盖率的步骤为:
Step 1:调取GPS轨迹数据储存数据库中被定位到该路段的轨迹定位数据集,设为A0(P1,P2,P3...);
Step 2:顺序计算每个GPS数据和上一个数据的间距,累加得到本次巡查中该路段的实际作业里程CL;
Step 3:查询所述考核规则数据库中此路段的规定作业里程RL,计算本次巡查中该路段的路段覆盖率RC=CL/PL。
9.由权利要求8所述的道路巡查量化考核方法,其特征在于,对重点巡查路段包括城市道路和双向四车道以上的大型道路进行更频繁的巡查的方法为,将所述规定作业里程RL设置为真实路段长度的两倍,即一次巡查活动内需要将此路段巡查两次。
10.由权利要求9所述的道路巡查量化考核方法,其特征在于,计算标段覆盖率的步骤为:
Step 1:查询考核规则数据库,获取隶属于标段S的路段的集合R以及他们的巡查覆盖率;
Step 2:将集合R中所有路段的实际作业里程CL累加,得到标段总实际作业里程SCL,累加所有规定作业里程RL,得到标段总规定作业里程SRL,得到本次巡查中该标段的标段覆盖率SC=SCL/SRL。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211283907.4A CN115630056B (zh) | 2022-10-20 | 2022-10-20 | 一种基于gps轨迹定位的道路巡查量化考核***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211283907.4A CN115630056B (zh) | 2022-10-20 | 2022-10-20 | 一种基于gps轨迹定位的道路巡查量化考核***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115630056A true CN115630056A (zh) | 2023-01-20 |
CN115630056B CN115630056B (zh) | 2024-01-26 |
Family
ID=84906754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211283907.4A Active CN115630056B (zh) | 2022-10-20 | 2022-10-20 | 一种基于gps轨迹定位的道路巡查量化考核***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115630056B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117112932A (zh) * | 2023-10-25 | 2023-11-24 | 成都智达万应科技有限公司 | 一种基于gps的道路巡查覆盖率的分析方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108335377A (zh) * | 2017-12-26 | 2018-07-27 | 武汉长江通信智联技术有限公司 | 一种基于gis技术的道路巡查车辆业务自动考核的方法 |
CN109827582A (zh) * | 2019-03-29 | 2019-05-31 | 深圳市鹏途交通科技有限公司 | 一种快速确定道路路网病害相对位置的方法及*** |
US20210319561A1 (en) * | 2020-11-02 | 2021-10-14 | BeSTDR Infrastructure Hospital(Pingyu) | Image segmentation method and system for pavement disease based on deep learning |
CN114282033A (zh) * | 2022-03-02 | 2022-04-05 | 成都智达万应科技有限公司 | 一种基于gps纠偏及公路病害智能上报*** |
-
2022
- 2022-10-20 CN CN202211283907.4A patent/CN115630056B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108335377A (zh) * | 2017-12-26 | 2018-07-27 | 武汉长江通信智联技术有限公司 | 一种基于gis技术的道路巡查车辆业务自动考核的方法 |
CN109827582A (zh) * | 2019-03-29 | 2019-05-31 | 深圳市鹏途交通科技有限公司 | 一种快速确定道路路网病害相对位置的方法及*** |
US20210319561A1 (en) * | 2020-11-02 | 2021-10-14 | BeSTDR Infrastructure Hospital(Pingyu) | Image segmentation method and system for pavement disease based on deep learning |
CN114282033A (zh) * | 2022-03-02 | 2022-04-05 | 成都智达万应科技有限公司 | 一种基于gps纠偏及公路病害智能上报*** |
Non-Patent Citations (1)
Title |
---|
唐咸燕: "路面病害智能识别和养护管理***应用", 交通与运输, vol. 37, no. 5, pages 39 - 43 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117112932A (zh) * | 2023-10-25 | 2023-11-24 | 成都智达万应科技有限公司 | 一种基于gps的道路巡查覆盖率的分析方法及*** |
CN117112932B (zh) * | 2023-10-25 | 2024-01-30 | 成都智达万应科技有限公司 | 一种基于gps的道路巡查覆盖率的分析方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115630056B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670277B (zh) | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 | |
CN107766808B (zh) | 道路网络空间中车辆对象移动轨迹聚类的方法及*** | |
CN112800911B (zh) | 一种路面损伤快速检测及自然数据集构建方法 | |
CN111210612B (zh) | 基于公交gps数据与站点信息提取公交线路轨迹的方法 | |
CN106228808B (zh) | 基于浮动车时空网格数据的城市快速路旅行时间预测方法 | |
CN112800913B (zh) | 一种基于多源特征融合的路面损伤数据时空分析方法 | |
CN108171993B (zh) | 一种基于手机信令大数据的高速公路车辆速度计算方法 | |
CN111653094B (zh) | 一种基于手机信令数据且含路网修正的城市出行方式综合识别方法 | |
CN116758744B (zh) | 基于人工智能的智慧城市运维管理方法、***及存储介质 | |
CN110880238B (zh) | 一种基于手机通信大数据的道路拥堵监测方法 | |
CN111653096A (zh) | 一种基于手机信令数据的城市出行方式识别方法 | |
CN107195177A (zh) | 基于分布式内存计算框架对城市交通路况的预测方法 | |
CN108806301A (zh) | 一种公交车辆信息的自动识别方法 | |
CN114282033B (zh) | 一种基于gps纠偏及公路病害智能上报*** | |
CN115662122B (zh) | 一种基于gps的道路巡查、病害识别和巡查考核的养护***及方法 | |
CN112991743A (zh) | 基于行驶路径的实时交通风险ai预测方法及其*** | |
CN115630056B (zh) | 一种基于gps轨迹定位的道路巡查量化考核***及方法 | |
CN109712402B (zh) | 一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置 | |
CN115601972B (zh) | 无人矿山行驶区域的障碍物处理*** | |
CN108596381B (zh) | 基于od数据的城市停车需求预测方法 | |
CN116434525A (zh) | 一种高速公路智能管理预警*** | |
CN114398413A (zh) | 一种道路巡检智能分析方法、设备及存储介质 | |
Yang et al. | Three-dimensional structure determination of grade-separated road intersections from crowdsourced trajectories | |
CN117764303B (zh) | 一种基于人工智能的道路巡检数据分析***及方法 | |
CN116740948B (zh) | 车辆行程速度的预测估值方法、装置、介质及应用 |
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 |