[go: up one dir, main page]

CN108166362B - 一种沥青路面裂缝类型的自动识别方法 - Google Patents

一种沥青路面裂缝类型的自动识别方法 Download PDF

Info

Publication number
CN108166362B
CN108166362B CN201711411862.3A CN201711411862A CN108166362B CN 108166362 B CN108166362 B CN 108166362B CN 201711411862 A CN201711411862 A CN 201711411862A CN 108166362 B CN108166362 B CN 108166362B
Authority
CN
China
Prior art keywords
crack
cracks
grid
length
grids
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
Application number
CN201711411862.3A
Other languages
English (en)
Other versions
CN108166362A (zh
Inventor
惠冰
刘晓芳
李岩
梁海媚
丁梦华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changan University
Original Assignee
Changan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changan University filed Critical Changan University
Priority to CN201711411862.3A priority Critical patent/CN108166362B/zh
Publication of CN108166362A publication Critical patent/CN108166362A/zh
Application granted granted Critical
Publication of CN108166362B publication Critical patent/CN108166362B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01C—CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE; MACHINES OR AUXILIARY TOOLS FOR CONSTRUCTION OR REPAIR
    • E01C23/00—Auxiliary devices or arrangements for constructing, repairing, reconditioning, or taking-up road or like surfaces
    • E01C23/01—Devices or auxiliary means for setting-out or checking the configuration of new surfacing, e.g. templates, screed or reference line supports; Applications of apparatus for measuring, indicating, or recording the surface configuration of existing surfacing, e.g. profilographs
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Road Repair (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种沥青路面裂缝类型的自动识别方法，首先通过人工测定裂缝信息，通过3D检测裂缝数据，再将龟裂块和裂缝的方向划分至各自的网格尺寸后计算单元网格的特征指标，其次根据网格中各行各列的裂缝长度的和判断裂缝的方向，最后计算各单元路段中龟裂，横缝，纵缝的分布；本方法以具体量化的方法为龟裂程度的确定，裂缝方向的判断确定提供了一套系统化理论，为其自动化的识别提供了基本流程；同时这一流程为进一步探讨裂缝破坏特征信息及发展规律奠定了基础，对填缝封缝路段的科学养护具有重要意义，有益于进一步利用三维激光检测技术进行智能化养护系统的开发。

Description

一种沥青路面裂缝类型的自动识别方法
技术领域
本发明属于沥青路面病害检测评价领域，具体涉及一种沥青路面裂缝类型的自动识别方法。
背景技术
裂缝作为沥青路面最主要的病害类型之一，由行车荷载和温度应力的反复作用所产生，是路面早期损坏的主要形式，几乎伴随着沥青路面的整个生命期。根据《公路技术状况评定标准》对我国部分省市高速公路路面损坏类型的现状调查，裂缝占路面损坏的比例经常超过60％，若不及时养护，易造成基层强度和稳定的迅速下降，形成龟裂、坑槽等结构性病害，降低使用寿命并增加维修费用。而对不同特征裂缝成因发展的研究分析、及时有效的裂缝处治、以及各裂缝对填缝的适应性，均对防止其进一步发展，确保路面质量和结构稳定十分重要。这些都建立在裂缝分类的基础之上，因此，对各路段裂缝进行量化识别分类是进行养护性能研究的重要条件和养护路段选择的有效依据，对提升路面性能具有重要意义。
由于气候条件和交通状况的差异，国内外不同地区裂缝的存在形式不完全相同，另外为配合各地区的养护管理系统需求，裂缝的分类也不尽相同。《公路技术状况评定标准》以块度和方向为依据将裂缝分为四大类(龟裂、块裂、横缝，纵缝)，虽然具有典型的外观特征，但不具备成因及位置等涉及到机理分析的因素考虑，这样的分类目标不利于作为填缝选择的评价标准，另外结合其他规范的分类结果，总结目前对裂缝类型的划分如下：
(1)根据方向分为横缝、纵缝、不规则裂缝；
(2)根据位置分为轮迹带纵缝和非轮迹带纵缝、边缘裂缝、疲劳(荷载)裂缝、块裂；
(3)根据成因分为荷载裂缝/疲劳裂缝/龟裂、反射裂缝、滑移裂缝、块状裂缝；
(4)根据块度大小分为荷载裂缝/疲劳裂缝/龟裂、块裂。因此，需要结合裂缝形成机理和分布特征，重新对分类目标进行合理清晰的定义。
目前国内规范对裂缝分类依据的描述仍然是定性的，这些规则主要用于人工检测，存在主观性太强，效率低下，难以准确定位进行路段划分，评定严重程度等问题。但是随着检测技术的发展，基于精确细致的裂缝数据，可以实现对其量化，自动化的裂缝分类方法更加有利于科学化的裂缝发展评价及填缝区域选择。而现行规范没有以养护性能研究为目标进行分类细则和分类方法的考虑，无法更好的反映不同作用(荷载、温度等)下的裂缝发展特征，难以满足实际的填缝需求，而实际应用中常出现需要填缝的路段没有得到及时处治导致更严重病害的发生，造成维修费用的增加。不同类型的裂缝进行裂缝填封获得的养护效益也不同。裂缝根据外观形态不同主要分为单根裂缝和龟裂(块度较大的块裂划分在单根裂缝中，块度较小的块裂划分在龟裂中，本发明不将块裂进行单独分类)，龟裂由于存在结构破坏的可能性，且当密度太大时使用裂缝填封会导致抗滑性太差，一般能够通过裂缝填封进行处治的裂缝都是单根裂缝，为满足实际填缝需求，当前迫切需要解决的一个技术问题是确定适用于填缝选择的裂缝自动分类的方法。
发明内容
本发明的目的在于克服上述不足，提供一种沥青路面裂缝类型的自动识别方法，方法能够准确、快速的区分适用于填缝需求的不同特征的裂缝类型，并对裂缝的严重程度进行划分。
为了达到上述目的，本发明包括以下步骤：
步骤一，根据人工检测标定的单元裂缝路段类型及3D激光裂缝检测获得的裂缝总长度，通过决策树分类法确定阈值，将裂缝总长度与阈值进行对比，使单元路段划分为龟裂与非龟裂两种类型；
步骤二，根据轮迹带、龟裂块度以及裂缝影响宽度的大小，分别针对龟裂块的识别和单根裂缝的方向的判断划分各自的网格尺寸，并计算单元网格的特征指标；
步骤三，根据轮迹带处网格的四个特征指标的计算结果，通过线性支持向量机进行分类，并结合四邻域法筛选出非龟裂路段中的龟裂块；
步骤四，在筛选出非龟裂路段中的龟裂块的网格划分尺寸上，通过单根裂缝占据网格范围的不同，对各行各列的裂缝长度分别求和，根据求和后最大值的位置确定裂缝的长度并判断裂缝的方向；
步骤五，重复步骤二至步骤四，计算各单元路段中龟裂，横缝，纵缝的分布，即龟裂比例、横缝长度及纵缝长度，完成沥青路面裂缝类型的自动识别。
步骤一中，阈值的确定方法如下：随机选取若干样本，并平分为两组，分别用于决策树的训练和测试，通过第一组样本对决策树进行训练，根据实际人工检测判断龟裂的标准对样本进行龟裂路段的标定，通过第二组样本对决策树进行判断，判断合格后即完成阈值的确定。
步骤二中，网格划分尺寸及单元网格特征指标计算过程如下：
第一步，对比国外规范中对轮迹带的不同定义，选择与非龟裂路段中龟裂块范围一致的方案进行轮迹带的划分；
第二步，将具有龟裂的路段划分为块度为规范中最小尺寸的网格，并确定轮迹带和非轮迹带；
将具有横缝的路面划分为块度为规范中最小尺寸的网格；
第三步，计算每个网格内裂缝的长度，代表路面局部位置的裂缝密度，裂缝的长度通过裂缝上所有相邻裂缝点的直线距离的和得到，当一条裂缝处于不同网格内时，连接被网格边界分开的相邻两个裂缝点，求连线与网格边界线的交点，通过交点将连线分为两段，两段的长度分别计入到所属网格内，最终得到每个网格内裂缝的总长度Lk，m，n。
单元网格的特征指标包括网格内裂缝长度和Lk，m，n、横向相邻网格内裂缝长度均值TLk，m，n、纵向相邻网格内裂缝长度的移动平均值LLk，m，n和轮迹带内裂缝长度均值PLk，m，n；
Figure GDA0002246477470000041
Figure GDA0002246477470000042
Figure GDA0002246477470000043
Figure GDA0002246477470000044
xi，yi-代表以网格为界限求取边界交点后的裂缝点集坐标；
k-代表路段样本单元编号；
m-代表轮迹带处网格y方向编号，m＝1，2，…，M，M为m的最大取值；
n-代表轮迹带处网格x方向编号，n＝1，2，…，N，N为n的最大取值。
步骤三中，通过线性支持向量机进行分类的具体步骤如下：
第一步，选择线性核函数Φ(·)把样本从原输入空间转为Hilbert空间的线性可分问题，
特征向量的内积空间Φ(·)＝K(Xj，X)＝Xj·X，(5)
Xj＝(Lk，m，n，TLk，m，n，LLk，m，n，PLk，m，n) (6)
第二步，确定最优超平面条件，设样本集(Xj，yj)，其中j＝1，2，...，1600，X∈Rn，yj∈{-1，1}，则最优分类超平面为：
WTΦ(X)+b＝0 (7)
松弛变量ξj≥0，进行超平面参数(W，b)的确定，即转化为约束优化问题
Figure GDA0002246477470000045
引入拉格朗日乘子
Figure GDA0002246477470000046
将约束优化问题转化为
Figure GDA0002246477470000051
第三步，SVM模型参数确定；
根据Kuhn-Tucker定理，ai不为0，对应的训练样本称为支持向量，记为
Figure GDA0002246477470000052
通过SMO算法进行
Figure GDA0002246477470000053
的确定，采用启发式算法设定其中两个ai为变量，固定其它ai将多元规划转换为一元二次规划问题，进行运算直到满足约束条件为止，根据式(8)和式(9)中的约束条件推导并计算参数：
Figure GDA0002246477470000054
b*＝y0-w*TX0，(X0，y0)为支持向量所对应的样本点集 (11)
第四步，函数间隔计算；
根据确定的最优超平面，确定不同样本点到该平面的函数间隔
Figure GDA0002246477470000055
即完成龟裂块的初步分类。
步骤四中，单根裂缝占据网格范围的不同，对各行各列的裂缝长度分别求和的具体方法如下，
第一步，网格划分后，判断路段内每条裂缝所在的网格及网格内的裂缝长度；
第二步，计算每条裂缝所属的每行和每列网格内裂缝的总长度RLk，No，p和CLk，No，q；
Figure GDA0002246477470000056
Figure GDA0002246477470000057
p-代表包含单根裂缝最小区域的每列网格的x方向编号，P为该列p的最大值；
q-代表包含单根裂缝最小区域的每行网格的y方向编号，Q为该行q的最大值；
第三步，找到裂缝总长度峰值所在的行或列；
第四步，当峰值出现在行和时，判断裂缝为横缝，当峰值出现在列和时，判断裂缝为纵缝，并根据对应的裂缝编号确定相应的总长度为裂缝长度。
步骤五中，龟裂比例＝龟裂块网格个数/80；
裂缝平均长度＝∑同类型裂缝总长度/同类型裂缝个数。
与现有技术相比，本发明首先通过人工测定裂缝信息，通过3D检测裂缝数据，再将龟裂块和裂缝的方向划分至各自的网格尺寸后计算单元网格的特征指标，其次根据网格中各行各列的裂缝长度和判断裂缝的方向，最后计算各单元路段中龟裂，横缝，纵缝的分布；本方法以具体量化的方法为龟裂程度的确定，裂缝方向的判断确定提供了一套系统化理论，为其自动化的识别提供了基本流程；同时这一流程为进一步探讨裂缝破坏特征信息及发展规律奠定了基础，对填缝封缝路段的具有重要意义，有益于进一步利用三维激光检测技术进行智能化养护系统的开发。
附图说明
图1为本发明流程图；
图2为非龟裂路段与龟裂路段分类对比图；其中(a)为非龟裂路段，(b)为龟裂路段；
图3为轮迹带的两种定义示意图；其中(a)为第一种轮迹带定义方式，(b)为第二种轮迹带定义方式；
图4为两种轮迹带划分结果对比示意图；其中(a)为第一种轮迹带定义方式的划分结果，(b)为第二种轮迹带定义方式的划分结果；
图5为本发明轮迹带划分结果示意图；其中，(a)为车道区分示意图，(b)为轮迹带位置示意图；
图6为龟裂块识别网格划分结果示意图；
图7为单根裂缝方向判断网格划分结果示意图；
图8为裂缝被网格分割的计算方法示意图；
图9为单元网格内裂缝总长度结果示意图；
图10为四邻域排除法示例示意图；
图11为横纵缝识别判断示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
实施例：
参见图1，实施例以1.6km的路段的检测数据为例。
一、非龟裂路段筛选；
1、人工检测裂缝信息；
人工检测作为路面状况检测的主要手段，由具备一定经验的检测人员对路面裂缝的类型进行判断，记录裂缝位置，方向，本发明以人工检测获得的信息作为裂缝分类分级的实际标准，用来与利用3D检测数据进行自动分类的结果进行对比。
2、3D检测裂缝数据；
本发明利用3D激光检测数据获得精确的裂缝数据，随机选取车道宽3.66m，单位长度5m的50个单元路段为样本，对每个路段的所有裂缝进行编号0，1，2，…，以5m路段面向检测进行方向起始断面的左侧标线为原点，记录所有路段不同编号裂缝点数据的坐标。
表1 3D检测裂缝数据
Figure GDA0002246477470000071
Figure GDA0002246477470000081
根据裂缝发展阶段的不同，本发明首先将路段划分为龟裂路段和非龟裂路段两部分，龟裂路段即龟裂程度高，基本不存在其他裂缝类型的路段；非龟裂路段情况较为复杂，包含横缝与纵缝，因此先通过两种路段类型的划分，将非龟裂路段筛选出来。
为了对训练和测试样本进行精度判断，首先根据实际人工检测判断龟裂的标准对样本进行龟裂路段的标定。然后利用路段轮迹带内裂缝长度的和，选用决策树对路段类型进行划分，得到如图2的样本单元路段划分结果。
从表一中随机选取100个样本，分为2组，每组50个，分别用于决策树的训练和测试。为了对训练和测试样本进行精确判断，首先根据实际人工检测判断龟裂的标准对样本进行龟裂路段的标定。
利用50个训练样本对决策树进行训练，得到阈值为2552cm时龟裂路段的判断率为94％，认为是可靠的。因此，设定单个样本路段内裂缝长度达到2552cm以上时为龟裂路段，通过对50个测试样本进行分类，具体计算结果如表2所示，得到对龟裂路段判断的正确率达98％。
表2测试样本龟裂路段分类结果
Figure GDA0002246477470000082
二、网格划分与计算流程；
1、轮迹带位置确定；
由于龟裂是由荷载引起的，主要发生在轮迹带范围内，非轮迹带内的龟裂块主要由轮迹带内的龟裂延伸所形成，且当非轮迹带存在龟裂，则轮迹带内的龟裂已非常严重，应该将整个路段定义为龟裂路段，因此本发明对龟裂的识别和和比例计算都只考虑轮迹带范围内的裂缝。
首先需要对轮迹带进行定义，根据国外规范对轮迹带的两种定义，分别为图3(a)与图3(b)所示的形式。两者对轮迹带宽度的定义略有不同，根据两个定义对采集到的裂缝路段进行划分，得到图4所示结果。可以看到第二种定义与实际荷载裂缝的位置更符合，因此本发明采用方案2中轮迹带的定义，首先将车道分区，如图5所示。整个车道通过两条轮迹带和车道线分为5个区域，两个轮迹带分别为0.915m，轮迹带与车道线间距0.4575m，两条轮迹带相距0.915m。
2、全局网格尺寸确定；
1)、基于龟裂块识别的网格划分；
网格划分是为了计算路面局部的裂缝密度，从而对龟裂块进行识别定位，为保证网格尺度能识别出龟裂定义的块度，网格需接近方形，根据非龟裂路段上龟裂块的分布特性，关于龟裂块识别的网格尺寸确定应在轮迹带和非轮迹带划分的基础上进行。具体划分尺度可以根据裂缝分类的需要进行取值，为避免单根裂缝与龟裂块产生混淆，根据中国《公路技术状况评定标准》中龟裂块度小于0.5m的定义，将路段划分为块度近似0.5m的网格，由于3D激光检测设备获得的路段为5m长，因此纵向分为10段，每段0.5m，横向由于设计路宽为3.66m，结合步骤2的轮迹带划分结果，横向均分为8段，得到如图6所示的网格划分示例，将5m长、车道宽3.66m的路段划分为10*8个网格，其中纵向第2、3、6、7列为轮迹带，第1、4、5、8列为非轮迹带。
2)基于横纵缝识别的网格划分；
由于单根裂缝分布方向的不确定性，若网格划分尺度太大，小于网格尺度的裂缝可能仅占一个网格，难以进行横纵方向的判断，因此为了更准确的对裂缝方向进行识别，提高判断的准确率，需要对网格进行更细的划分。
目前没有对裂缝最小长度的定义，根据《公路技术状况评定标准》，在计算裂缝的损坏面积时，取影响宽度0.2m，因此假定裂缝长度应大于影响宽度，为了判断的准确率，将路段划分为块度近似0.2m的网格，由于本发明中单元路段为5m长，因此纵向分为24段，每段0.2083m，横向由于设计路宽为3.66m，因此横向取整划分为18段，每段0.2033m，整个5m长车道分为432个网格，这种划分尺度一方面符合对裂缝最小长度的假设，另一方面最大程度的提高判断的准确率，如图7所示。
3、单元网格特征指标计算；
将路段划分为网格后，如图8所示，计算每个网格内裂缝的长度，代表路面局部位置的裂缝密度。裂缝的长度通过裂缝上所有相邻裂缝点的直线距离的和得到，当一条裂缝处于不同网格内时，连接被网格边界分开的相邻两个裂缝点，求连线与网格边界线的交点，通过交点将连线分为两段，两段的长度分别计入到所属网格内，最终得到每个网格内裂缝的总长度Lk，m，n，如图9所示。
本发明通过计算网格内裂缝的长度，反映裂缝的密度，进而根据龟裂的形成机理和分布特征，提出4个分布特征指标(网格内裂缝长度和Lk，m，n、横向相邻网格内裂缝长度均值TLk，m，n、纵向相邻网格内裂缝长度的移动平均值LLk，m，n和轮迹带内裂缝长度均值PLk，m，n)用于非龟裂路段中龟裂块的识别。本发明取两个轮迹带内的40个网格进行分析。用于龟裂块的识别，通过线性支持向量机(SVM)找到非龟裂路段中的龟裂块，确定龟裂发生的位置，计算说明如下：
Figure GDA0002246477470000111
Figure GDA0002246477470000112
Figure GDA0002246477470000113
Figure GDA0002246477470000114
xi，yi-代表以网格为界限求取边界交点后的裂缝点集坐标，i＝1，2，…，I；
k-代表路段样本单元编号；
m-代表轮迹带处网格y方向编号，m＝1，2，…，M(M为m的最大取值，本发明中M＝10)；
n-代表轮迹带处网格x方向编号，n＝1，2，…，N(N为n的最大取值，本发明中N＝4)。
三、基于网格定位的龟裂块识别；
1、训练线性向量机模型；
为了对训练和测试样本进行精度判断，首先根据实际人工检测判断龟裂的标准对样本进行龟裂块的标定。然后利用步骤三提出的4个特征指标，选择线性支持向量机(SVM)对龟裂块进行识别，在样本库中随机选取40个非龟裂路段样本，每个样本两个轮迹带40个网格，共计1600个网格，每个网格由4个特征指标组成一条数据，作为训练集和测试集的样本信息，如表3和表4所示：
表3训练集样本信息(共计40个路段)
Figure GDA0002246477470000115
Figure GDA0002246477470000121
注：0代表非龟裂块，1代表龟裂块
表4测试集样本信息(共计40个路段)
Figure GDA0002246477470000122
1)首先选择线性核函数Φ(·)把样本从原输入空间转为Hilbert空间的线性可分问题；
Φ(·)＝K(Xj，X)＝Xj·X(即特征向量的内积空间) (5)
Xj＝(Lk，m，n，TLk，m，n，LLk，m，n，PLk，m，n) (6)
2)确定最优超平面条件；
WTΦ(X)+b＝0 (7)
松弛变量ξj≥0，进行超平面参数(W，b)的确定，即转化为约束优化问题
Figure GDA0002246477470000131
引入拉格朗日乘子
Figure GDA0002246477470000132
将约束优化问题转化为
Figure GDA0002246477470000133
3)SVM模型参数确定；
根据Kuhn-Tucker定理，ai不为0，对应的训练样本称为支持向量，记为
Figure GDA0002246477470000134
通过SMO算法进行
Figure GDA0002246477470000135
的确定，采用启发式算法设定其中两个ai为变量，固定其它ai将多元规划转换为一元二次规划问题，进行运算直到满足约束条件为止，根据(8)(9)中的约束条件推导并计算参数：
Figure GDA0002246477470000136
b*＝y0-W*TX0，(X0，y0)为支持向量所对应的样本点集 (11)
4)函数间隔计算；
根据确定的最优超平面，确定不同样本点到该平面的函数间隔；
Figure GDA0002246477470000137
本发明首先将训练集作为样本，进行1)到3)计算，根据训练好的模型，进行4)中计算，进而得到龟裂块的初步识别结果。
2、四邻域排除法确定龟裂块；
本发明在识别龟裂块时，对网格裂缝总长度达到一定程度的独立网格进行排除，如图10所示，当多条裂缝相交时，网格内裂缝的长度也会较大，但这些裂缝并不会形成小块，因此不能判断为龟裂。根据龟裂的形成机理，龟裂是由基层的损坏引起的，因此，龟裂不会单独在一个网格内产生，必会在一定范围内存在。因此，本发明定义只有四邻域内有网格也被判定为龟裂块时，才判断其为龟裂。
将1600条数据随机分为2组，每组800条，分别用于SVM的训练和测试。通过800条训练数据得到龟裂的判断率为95.1％，认为是可靠的。利用训练好的SVM对800条试验数据进行分类，在根据四邻域排除法进行剔除后，得到具体计算结果如表5所示，对龟裂块判断的正确率达93.5％。
表5测试样本龟裂块分类结果
Figure GDA0002246477470000141
四、基于网格细化的裂缝方向识别；
根据确定出的龟裂块识别结果，得到非龟裂块的分布位置，非龟裂块包括横缝及纵缝，下面对裂缝方向进行判断，具体步骤如下：
1)网格划分后，判断路段内每条裂缝所在的网格及网格内的裂缝长度，如图11(a)所示；
2)计算每条裂缝所属的每行和每列网格内裂缝的总长度RLk，No，p和CLk，No，q，如图11(b)所示；
Figure GDA0002246477470000142
Figure GDA0002246477470000143
p-代表包含单根裂缝最小区域的每列网格的x方向编号，P为该列p的最大值；
q-代表包含单根裂缝最小区域的每行网格的y方向编号，Q为该行q的最大值；
3)找到裂缝总长度峰值所在的行或列，如图11(b)(c)中的数字；
4)当峰值出现在行和时，判断裂缝为横缝，当峰值出现在列和时，判断裂缝为纵缝，并且在表1中根据对应的裂缝编号确定相应的总长度为裂缝长度，如图11(c)所示。
五、裂缝类型分布；
据以上步骤可以识别出得到各单元路段中龟裂，横缝，纵缝的分布，即龟裂比例，横缝长度，及纵缝长度，如表6所示：
龟裂比例＝龟裂块网格个数/80(本发明定义龟裂路段的龟裂比例为100％)；
裂缝平均长度＝∑同类型裂缝总长度/同类型裂缝个数。
表6裂缝类型分布
Figure GDA0002246477470000151

Claims (7)

1.一种沥青路面裂缝类型的自动识别方法，其特征在于，包括以下步骤：
步骤一，根据人工检测标定的单元裂缝路段类型及3D激光裂缝检测获得的裂缝总长度，通过决策树分类法确定阈值，将裂缝总长度与阈值进行对比，使单元路段划分为龟裂与非龟裂两种类型；
步骤二，根据轮迹带、龟裂块度以及裂缝影响宽度的大小，分别针对龟裂块的识别和单根裂缝的方向的判断划分各自的网格尺寸，并计算单元网格的特征指标；
步骤三，根据轮迹带处网格的四个特征指标的计算结果，通过线性支持向量机进行分类，并结合四邻域法筛选出非龟裂路段中的龟裂块；
步骤四，在筛选出非龟裂路段中的龟裂块的网格划分尺寸上，通过单根裂缝占据网格范围的不同，对各行各列的裂缝长度分别求和，根据求和后最大值的位置确定裂缝的长度并判断裂缝的方向；
步骤五，重复步骤二至步骤四，计算各单元路段中龟裂，横缝，纵缝的分布，即龟裂比例、横缝长度及纵缝长度，完成沥青路面裂缝类型的自动识别。
2.根据权利要求1所述的一种沥青路面裂缝类型的自动识别方法，其特征在于，步骤一中，阈值的确定方法如下：随机选取若干样本，并平分为两组，分别用于决策树的训练和测试，通过第一组样本对决策树进行训练，根据实际人工检测判断龟裂的标准对样本进行龟裂路段的标定，通过第二组样本对决策树进行判断，判断合格后即完成阈值的确定。
3.根据权利要求1所述的一种沥青路面裂缝类型的自动识别方法，其特征在于，步骤二中，网格划分尺寸及单元网格特征指标计算过程如下：
第一步，对比国外规范中对轮迹带的不同定义，选择与非龟裂路段中龟裂块范围一致的方案进行轮迹带的划分；
第二步，将具有龟裂的路段划分为块度为规范中最小尺寸的网格，并确定轮迹带和非轮迹带；
将具有横缝的路面划分为块度为规范中最小尺寸的网格；
第三步，计算每个网格内裂缝的长度，代表路面局部位置的裂缝密度，裂缝的长度通过裂缝上所有相邻裂缝点的直线距离的和得到，当一条裂缝处于不同网格内时，连接被网格边界分开的相邻两个裂缝点，求连线与网格边界线的交点，通过交点将连线分为两段，两段的长度分别计入到所属网格内，最终得到每个网格内裂缝的总长度Lk,m,n。
4.根据权利要求1所述的一种沥青路面裂缝类型的自动识别方法，其特征在于，单元网格的特征指标包括网格内裂缝长度和Lk,m,n、横向相邻网格内裂缝长度均值TLk,m,n、纵向相邻网格内裂缝长度的移动平均值LLk,m,n和轮迹带内裂缝长度均值PLk,m,n；
Figure FDA0001521396010000021
Figure FDA0001521396010000022
Figure FDA0001521396010000023
Figure FDA0001521396010000024
xi，yi—代表以网格为界限求取边界交点后的裂缝点集坐标；
k—代表路段样本单元编号；
m—代表轮迹带处网格y方向编号，m＝1,2，…，M，M为m的最大取值；
n—代表轮迹带处网格x方向编号，n＝1,2,…，N，N为n的最大取值。
5.根据权利要求1所述的一种沥青路面裂缝类型的自动识别方法，其特征在于，步骤三中，通过线性支持向量机进行分类的具体步骤如下：
第一步，选择线性核函数Φ(·)把样本从原输入空间转为Hilbert空间的线性可分问题，
特征向量的内积空间Φ(·)＝K(Xj,X)＝Xj·X， (5)
Xj＝(Lk,m,n,TLk,m,n,LLk,m,n,PLk,m,n) (6)
第二步，确定最优超平面条件，设样本集(Xj,yj)，其中j＝1,2,…,1600，X∈Rn，yj∈{-1,1}，则最优分类超平面为：
WTΦ(X)+b＝0 (7)
松弛变量ξj≥0，进行超平面参数(W,b)的确定，即转化为约束优化问题
Figure FDA0001521396010000031
引入拉格朗日乘子
Figure FDA0001521396010000032
将约束优化问题转化为
Figure FDA0001521396010000033
第三步，SVM模型参数确定；
根据Kuhn-Tucker定理，ai不为0，对应的训练样本称为支持向量，记为
Figure FDA0001521396010000034
通过SMO算法进行
Figure FDA0001521396010000035
的确定，采用启发式算法设定其中两个ai为变量，固定其它ai将多元规划转换为一元二次规划问题，进行运算直到满足约束条件为止，根据式(8)和式(9)中的约束条件推导并计算参数：
Figure FDA0001521396010000036
b*＝y0-W*TX0，(X0，y0)为支持向量所对应的样本点集 (11)
第四步，函数间隔计算；
根据确定的最优超平面，确定不同样本点到该平面的函数间隔
Figure FDA0001521396010000037
即完成龟裂块的初步分类。
6.根据权利要求1所述的一种沥青路面裂缝类型的自动识别方法，其特征在于，步骤四中，单根裂缝占据网格范围的不同，对各行各列的裂缝长度分别求和的具体方法如下，
第一步，网格划分后，判断路段内每条裂缝所在的网格及网格内的裂缝长度；
第二步，计算每条裂缝所属的每行和每列网格内裂缝的总长度RLk,No,p和CLk,No,q；
Figure FDA0001521396010000041
Figure FDA0001521396010000042
p-代表包含单根裂缝最小区域的每列网格的x方向编号，P为该列p的最大值；
q-代表包含单根裂缝最小区域的每行网格的y方向编号，Q为该行q的最大值；
第三步，找到裂缝总长度峰值所在的行或列；
第四步，当峰值出现在行和时，判断裂缝为横缝，当峰值出现在列和时，判断裂缝为纵缝，并根据对应的裂缝编号确定相应的总长度为裂缝长度。
7.根据权利要求1所述的一种沥青路面裂缝类型的自动识别方法，其特征在于，步骤五中，龟裂比例＝龟裂块网格个数/80；
裂缝平均长度＝∑同类型裂缝总长度/同类型裂缝个数。
CN201711411862.3A 2017-12-23 2017-12-23 一种沥青路面裂缝类型的自动识别方法 Active CN108166362B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711411862.3A CN108166362B (zh) 2017-12-23 2017-12-23 一种沥青路面裂缝类型的自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711411862.3A CN108166362B (zh) 2017-12-23 2017-12-23 一种沥青路面裂缝类型的自动识别方法

Publications (2)

Publication Number Publication Date
CN108166362A CN108166362A (zh) 2018-06-15
CN108166362B true CN108166362B (zh) 2020-04-07

Family

ID=62523864

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711411862.3A Active CN108166362B (zh) 2017-12-23 2017-12-23 一种沥青路面裂缝类型的自动识别方法

Country Status (1)

Country Link
CN (1) CN108166362B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109002667B (zh) * 2018-09-21 2022-04-15 江苏中路工程技术研究院有限公司 一种基于裂缝发展形态的裂缝成因分析方法
CN109870458B (zh) * 2019-02-19 2021-11-09 福建农林大学 一种基于三维激光传感器及包围盒的路面裂缝检测与分类方法
CN111738371B (zh) * 2020-08-26 2020-11-27 西南石油大学 一种基于随机森林数据挖掘的地层裂缝条数预测方法
CN117030730B (zh) * 2023-08-10 2024-07-19 苏州苏瑞膜纳米科技有限公司 一种基于三维激光扫描的快速缺陷检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0678895B2 (ja) * 1991-01-24 1994-10-05 肇産業株式会社 欠陥判別方法
US20140375770A1 (en) * 2012-08-31 2014-12-25 Systèmes Pavemetrics Inc. Method and apparatus for detection of foreign object debris
CN103323526A (zh) * 2013-05-30 2013-09-25 哈尔滨工业大学 一种基于超声相控阵和支持向量机的焊缝缺陷检测识别方法
CN103364410B (zh) * 2013-07-23 2015-07-08 三峡大学 一种基于模板搜索的水工混凝土结构水下表面裂缝检测方法
CN106087677B (zh) * 2016-06-02 2018-07-31 上海华城工程建设管理有限公司 沥青路面裂缝类型自动识别方法

Also Published As

Publication number Publication date
CN108166362A (zh) 2018-06-15

Similar Documents

Publication Publication Date Title
Zhang et al. Automatic pavement defect detection using 3D laser profiling technology
CN108166362B (zh) 一种沥青路面裂缝类型的自动识别方法
JP5479944B2 (ja) 舗装路面のクラックの抽出と損傷レベルの評価方法
CN107818237A (zh) 沥青路面破损状况的评价方法
CN102359056B (zh) 一种沥青路面数据的检测方法
CN106649709B (zh) 一种基于数据挖掘的车辆停留行为模式预测与评估方法
Javari Spatial variability of rainfall trends in Iran
CN101183399A (zh) 一种分析和提高半导体生产线的成品率的方法
CN107230021A (zh) 高效筛选供水管网泄漏区域的方法
CN109359770A (zh) 一种基于机器学习预测中暑发生的模型及方法
CN105678734B (zh) 一种图像匹配系统的异源测试图像标定方法
CN111523825A (zh) 基于多维度的高速公路沥青路面长期性能评价方法
Noori et al. Airport pavement distress analysis
CN109003248B (zh) 一种细粒沉积岩纹层结构的表征方法
Jiang A crack detection and diagnosis methodology for automated pavement condition evaluation
CN106709501A (zh) 一种图像匹配系统的景象匹配区域选择与基准图优化方法
CN121095260A (zh) 一种大理岩矿石质量快速评价方法及系统
CN112489026A (zh) 基于多分支并行卷积神经网络的沥青路面病害检测方法
Serigos et al. Evaluation of rut-depth accuracy and precision using different automated measurement systems
Koch et al. Machine vision techniques for condition assessment of civil infrastructure
CN118112224A (zh) 基于组合赋值与模糊聚类的路面结构裂缝评价方法
CN112859073A (zh) 一种基于PSInSAR技术的道路破损评估方法
CN116187075B (zh) 一种土壤重金属累积形成驱动模型的构建系统和方法
Chen et al. Predicting pavement cracking performance using laser scanning and geocomplexity‐enhanced machine learning
Elunai et al. Asphalt concrete surfaces macrotexture determination from still images

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