10.19721/j.cnki.1671-8879.2022.06.006
基于深度学习的路面病害检测与时空追溯方法
为了在路面正常服役状态下建立对单个病害的连续跟踪与劣化分析,提出一种路面病害时空追溯方法,将高频更新的病害巡查数据建立时空关联,搭建病害级别的劣化状态连续跟踪.首先介绍了计算机视觉算法,实现了依据图像数据进行6类路面病害的识别与车道级定位,然后引入了"场景-方位-特征"的三级病害匹配架构实现不同时间采集病害的连续跟踪.具体包括基于改进的具有噪声基于密度的聚类方法(DBSCAN)实现空间场景聚类,基于K近邻(K-means)聚类的方向角分类以区分上下行采集数据,以及基于尺度不变特征转换(SIFT)特征匹配网络实现单个病害的匹配.为验证以上方法,累积了港珠澳大桥、东海大桥等桥隧道路人工标注病害图像7000余张,用其训练了病害检测算法,并利用上海市S32高速公路(上海—嘉兴—湖州)高频巡检数据进行衰变跟踪验证,数据包含双向160km高速路为期1个月的每日巡检数据,通过定义组内最大距离、组间最小距离以及方位角分布差异等指标以评价匹配方法,并用其验证了上述匹配跟踪框架的有效性.研究结果表明:该方法的病害匹配成功率达84.74%.在大雨的作用下路面病害的劣化周期最短只要48h.除此以外,所提出的方法还可用于路侧安全设施、标志标牌的损坏评估与状态跟踪,助力交通基础设施服役性能退化状态的精准评估.
道路工程、病害匹配跟踪、深度学习、路面病害、路面劣化规律
42
U411(道路工程)
国家重点研发计划2019YFB1600703
2023-03-02(万方平台首次上网日期,不代表论文的发表时间)
共13页
53-65