高速公路路基路面病害检测技术研究

路桥工程建设的发展对于我国的经济建设具有重要的促进作用,在近些年来,路桥工程得到了广泛的建设,覆盖范围越来越广,工程量越来越大,所以对于工程的质量要求有所提高。在高速公路路基路面的施工中,对其进行病害检测非常重要,是保证高速公路质量的重要基础。在检测技术日益成熟的过程中,要进行合理的选择,保证检测的科学准确性,为高速公路的质量奠定坚实的基础。

路面缺陷智能检测系统与方法综述

从路面缺陷检测系统组成和特点出发,首先简要回顾了路面缺陷检测系统与传统路面图像处理方法的发展过程。在此基础上,探讨了国内外典型路面缺陷检测系统的现状,包含重型道路状况智能检测系统、轻量化路面质量检测系统,并对检测系统的性能及部分参数进行了描述。然后,详细介绍了基于机器学习、深度学习理论的路面缺陷智能化检测方法的演变历程,重点分析了基于深度学习技术的路面缺陷智能化检测方法国内外的研究进展,主要包含基于区域卷积神经网络、单次多框检测器、YOLO目标检测、Transformer检测模型等路面缺陷智能检测方法。最后,从多模信息融合、双轻量化设备、稳健智能化算法等方面对路面缺陷智能化检测系统的发展趋势和应用前景进行了展望。

融合CBAM-YOLOv7模型的路面缺陷智能检测方法研究

针对目前路面缺陷检测精度不高的问题,基于目前综合性能较强的YOLOv7模型进行改进,提出了融合卷积注意力模块的CBAM-YOLOv7模型。该模型通过重参数化、高效聚合、辅助训练等模块来加快模型的收敛过程,还通过融合卷积注意力机制来提升模型的检测精度。面向路面缺陷多分类问题,在公开数据集上分别使用Faster R-CNN、YOLOv6、YOLOv7、CBAM-YOLOv7模型进行实验验证分析,利用mAP值、F1值、FPS值作为模型的精度与效率评价指标。实验结果显示:融合CBAM-YOLOv7的路面缺陷检测结果的mAP值和F1值分别能达到83.75%和67.8%,FPS值能达到51.22 Hz,相较于其他模型均有明显提高。

改进YOLOv5的路面缺陷快速检测方法研究

为了实现路面缺陷的智能快速化检测,对深度学习目标检测算法YOLOv5进行改进,得到的3种检测模型(YOLOv5-A,YOLOv5-C,YOLOv5-AC)均可采用视频检测的方式对路面5类缺陷进行快速检测。采用智能手机和数码相机采集路面缺陷图像并制作数据集,在满足视频检测的需求下,使用K-means算法和1-IoU作为样本距离重新聚类anchor,得到更优的锚框参数;在网络多个结构中引入CBAM注意力机制,增强模型的特征提取能力。实验结果表明,YOLOv5-C算法在训练集上的平均精度达到91.8%,相较于原模型提高1%;YOLOv5-A算法在验证集上的平均精度达到92.7%,相较于原模型提高1.7%;在实际检测效果上,YOLOv5-AC算法在裂缝、破碎板和坑洞的识别准确度上达到89%、62%、90%,相较于原模型提高了45%、4%、5%,且模型的检测速度达到40 FPS。YOLOv5-AC算法具有较高的检测精度和识别速度,一定条件下可以满足在道路缺陷检测中的智能化实时检测需求。

基于BEMD和KELM的路面病害检测算法

受外界环境以及道路材料本身影响,路面会出现破损。尽管裂缝是路面破损的首要表现形式,但是其他类型病害仍然占重要比重。针对传统路面病害检测算法对常见线性裂缝分类准确度较高但对车辙、松散等复杂病害识别效果一般且适应性较差的问题,提出一种基于二维经验模态分解(BEMD)与核极限学习机(KELM)相结合的复杂路面病害识别方法。该方法首先采用二维经验模态分解对路面病害图像进行筛分,然后结合主成分分析法对分解后得到的固有模态分量进行降维,最后将上述得到的新特征输入到核极限学习机中进行训练。实验结果表明该算法对复杂病害有较高的识别率,其中松散病害识别率为95.6%,车辙病害识别率为92.1%,坑洼病害识别率为96.9%,网状裂缝识别率为97.3%,与传统脉冲耦合卷积神经网络相比,该算法提高了约9.85%。

桥面铺装病害检测技术研究

在桥梁的全生命周期中,桥面板是最容易出现病害的部分。桥面铺装层常常由于施工方法选择不当、混凝土老化、钢筋锈蚀等原因产生各种病害,这对桥梁结构、使用性能都会造成不利影响,因此有必要对相关病害进行检测,并对桥面质量做出相关评价。本文介绍了国内外四种主要无损检测方法(半电池电位法、探地雷达法、冲击回波法、红外热成像法)的工作原理以及相应的检测设备,利用其中一种或几种方法能准确评估桥面板的恶化情况,对桥面板状况进行快速、无损检测,为实现桥面铺装的准确检测提供技术支持,从而减少结构病害,延长桥梁的使用寿命。

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。

半刚性基层沥青路面病害的原因与防治

通过分析某二级路沥青路面病害情况 ,提出设计、地质、气候、材料、施工及养护等方面存在的问题是半刚性基层沥青路面发生病害的主要原因。针对病害原因提出采用合理的沥青路面结构设计、重视路面排水设计、采用合理的基层和底基层结构、控制原材料质量、优化沥青混合料配合比、严格控制施工、加强养护等预防措施 ,同时针对具体病害提出碾压、塞缝、挖除、填补及罩面等治理措施 。

3D激光扫描仪测设路面平整度及病害研究

路面平整度及病害检测是道路工程研究的重要内容.基于静态的三维脉冲激光扫描技术在一定程度上可以弥补现有检测技术和方法的不足,实现快速、方便、大面积的测设.有较高的应用价值.

水泥混凝土路面接缝病害的形成机理及预防对策

概述了水泥混凝土路面接缝破坏的种类和特征,分析了引起水泥混凝土路面接缝破坏的原因,提出了相应的预防措施。

桂柳高速公路路面改造工程中的路基检测评价

文章结合桂林-柳州高速公路路面改造工程中的路基病害调查工件,介绍了既有路基检测评价方法及内容,并根据检测结果对桂柳路存在的路基病害类型进行了分类,为类似工程提供借鉴。

高速公路车辙与裂缝问题的对策研究

文章针对目前高速公路沥青路面出现车辙和裂缝病害的问题,分析产生病害的原因,提出了利用不断变换行车道位置,恢复沥青路面的粘弹塑性,避免裂缝产生,延长路面使用寿命等解决高速公路车辙与裂缝的对策。

公路工程质量通病及其在施工中的预控

为提高公路工程质量 ,从公路防护工程、高填土下沉、沥青路面早期破损、桥头跳车等方面对七项工程质量通病的产生原因作了分析 ,提出了相应的预防方法和解决途径。

隧道路面病害成因分析与处治措施研究

针对重庆市某隧道路面病害情况,结合其隧址区气象地质水文情况,通过分析隧道路面开裂原因,提出注浆换拱、混凝土面板更换和沥青面层修复综合性处治措施,为类似隧道病害处治工程提供重要借鉴。

水泥混凝土路面质量通病分析与预防

介绍了水泥混凝土路面的常见病害,分析了造成病害的原因并提出了相应的预防措施。

浅谈高等级公路沥青路面常见病害分析及养护措施

高速公路建成通车后随着通车年限的增长以及交通量的不断增加,沥青路面各种病害也接踵而至,比如功能性破坏、沉降、推移、松散、车辙等各类常见病害。为保证沥青路面的使用质量完好,对沥青路面的病害及其成因进行深入分析,采取相应的防治养护措施,有关经验可供相关专业人员参考。

桥面铺装施工缺陷对铺装层受力的影响

以连续刚构桥箱梁桥面板上局部实体模型为分析对象,通过对桥面铺装垫层有无施工缝缺陷及桥面铺装垫层与主梁桥面板之间有无界面黏结缺陷等情况的三维有限元模型的计算,分析了桥面铺装层的受力特性和界面连接状况对层间剪应力及拉应力分布的影响。研究结果表明:当桥面铺装层与桥面板之间出现缺陷后,铺装层在汽车荷载作用下将产生较大的层间剪应力、纵向和横向拉应力,从而促使桥面铺装层结构发生剪切破坏和铺装垫层混凝土的开裂破坏。

试论混凝土公路路面缺陷原因及防治措施

近些年来,随着经济社会的不断发展,水泥混凝土道路修建数量逐年增多。但也存在不少问题,由于水泥混凝土路面自身的特点及水泥砼路面长期暴露在日晒、雨淋、冻融、温差及各种化学物质侵蚀的自然环境中,长期经受车辆及行人的冲击荷载、循环荷载及磨耗,会产生不同程度的损坏。

浅析桥面铺装病害的原因及防治措施

近年来,随着我国高速公路的飞速发展,越来越多的高速公路投入营运。营运过程中的桥面铺装破损问题也越来越成为高速公路桥梁的一大病害。文章简要地介绍了桥面铺装常见病害产生的原因及防治措施。

广西路网公路沥青路面病害调查及分析

文章通过广西路网公路沥青路面大规模现场病害调查和室内试验,分析了路网公路沥青路面的主要病害类型及损坏特征,建立了路面残余空隙率、面层强度、油石比、基层强度等性能指标与路面损坏之间的关系,可为沥青路面设计及施工提供参考。