基于深度学习的公路路面病害检测算法

针对公路路面病害图像存在背景干扰多、病害信息弱、尺度差异大等问题,提出了一种基于深度学习的公路路面病害检测方法。以YOLOv4算法为基础,在检测网络中引入可变形卷积,并提出基于路径聚合网络(path aggregation network,PANet)的自适应空间特征融合结构,充分学习公路路面病害的细节特征,实现不同尺度特征信息的高效融合;采用平均准确率损失(average precision loss,AP-loss)函数作为分类损失函数,促使网络在训练过程中更加注重于正样本。实验表明,在公路路面病害检测中,改进YOLOv4算法的平均准确率达到了95.34%,每张图像的平均检测时间为0.071 s。与快速基于区域的卷积神经网络(faster region-based convolutional neural networks,Faster R-CNN)算法相比,所提出的算法在持有较高检测准确率的同时,减少了运算时间,可以满足公路路面病害检测的准确性与实时性需求。

基于改进YOLOv4的公路路面病害检测算法

针对公路路面病害存在的类别多、尺度变化大及样本数据集小导致的病害检测困难等问题,提出了基于改进YOLOv4的公路路面多尺度病害检测算法。首先,在CSPDarknet-53骨干网络中采用深度可分离卷积替代普通卷积,降低了网络参数计算量;然后,基于Focal loss改进YOLOv4的损失函数,解决了网络训练过程中正、负样本不平衡而导致的检测精度较低的问题;最后,借助迁移学习思想对YOLOv4网络进行预训练,并运用翻转、裁剪、亮度变换、噪声扰动等方法进行数据集扩充,解决了公路路面病害样本不足导致的网络训练过拟合问题。实验结果表明,所提基于YOLOv4+DC+FL算法对公路路面病害检测的平均精度均值可达到93.64%,相较于原始的YOLOv4检测网络提高了3.25%,检测每张图片平均时间为35.8 ms,缩减了7.9 ms。

探究公路沥青混凝土路面病害与修复措施

在中国公路建设项目蓬勃发展的背景下,沥青混凝土路面项目获得了大范围的运用。但是,因为存在项目前期设计以及建设等影响要素,导致沥青混凝土路面出现了结构性损害与开裂等各项病害,使公路建设项目的交通秩序受到了巨大的影响。鉴于此,文章在探析沥青混凝土路面优点的前提下,阐述了部分沥青混凝土路面的病害种类,进一步提出了对应的修复措施,希望能够使相关行业人员获取有效的帮助。

公路沥青路面病害及预防措施

沥青路面由于具有较好的路用性能,广泛应用于各等级公路。随着经济的快速发展,车辆的大型化和车辆保有量不断增长,沥青路面出现了泛油、拥包、裂缝和翻浆等常见病害,病害的出现会导致道路各层加重损坏,影响道路功能正常发挥,以致严重影响道路使用时效。改文基于公路沥青路面病害进行分析,提出了设计和施工过程中,防治病害的预防措施。

公路工程路基路面常见病害及防治对策

结合工程实践,对公路工程路基路面常见病害及其原因进行了分析,并根据原因提出了有效的防范对策,加强对公路施工质量的控制,从而减少病害的发生,保证公路行车的安全性和舒适性。

公路路面的日常养护与修复方法

针对公路路面病害问题,以沥青路面的裂缝、坑槽两种病害为例,对病害的类型与成因进行深入分析,在此基础上,结合以往实践经验,提出一系列日常养护与修复方法,如裂缝修补、坑槽修补、雾封层、沥青再生技术、微表处、超薄磨耗层和薄层加铺层,对不同方法的特点、作用机理与适用范围加以总结,从而为实际的养护修复工作提供参考。

处治路面病害新举措

本文主要结合德州市公路管理局陵县公路局在处治S315线路面病害的实际情况,分析了在相同路段,采用不同的施工工艺,使用不同的施工机械处治路面病害,从而达到高质量、高效率的施工结果。为广大从事公路养护者治理公路路面病害提供了很好的参考素材。从而达到相互交流,共同提高,为社会创造良好舒适的交通通行环境的目的。

公路工程路基路面常见质量通病及防治措施

在日常生活中经常可以看到公路工程路基路面有变形、下沉、裂缝等现象,给人们的出行带来许多不便。因此,施工单位也比较重视这些问题,且列入工作的重点来作业。笔者对公路工程路基路面常见的质量问题进行了浅析,且进一步提出了预防及整治相关措施,以提高公路工程施工质量。

沥青混凝土路面常见病害的防治

沥青混凝土作为路用材料,在世界各国得到了广泛的应用,从乡村道路到高速公路的路面面层,都普遍采用。但由于沥青材质本身的差异,以及受设计和施工质量的影响,沥青路面常常出现开裂、泛油、松散、坑槽等常见病害,这些病害的出现严重影响了行车速度、行车安全,加大了汽车磨损,缩短了沥青路面使用寿命,影响了道路投资效益。