首页|基于深度学习的路面病害检测与时空追溯方法

基于深度学习的路面病害检测与时空追溯方法

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
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.
Automatic tracking method of pavement performance decay based on deep learning

李亦舜、刘成龙、曹静、李峰、杜豫川

展开 >

同济大学道路与交通工程教育部重点实验室,上海201804

上海城市基础设施更新工程技术研究中心,上海200032

北京航空航天大学交通科学与工程学院,北京100191

道路工程 病害匹配跟踪 深度学习 路面病害 路面劣化规律

2019YFB1600703

2022

10.19721/j.cnki.1671-8879.2022.06.006

长安大学学报(自然科学版)
长安大学

长安大学学报(自然科学版)

CSTPCDCSCD北大核心
影响因子：1.011
ISSN：1671-8879
年,卷(期)：2022.42(6)
  • 2
  • 2