公路检测装备测量数据准确性评估模型研究

多功能路况快速检测设备集成了多种高精度测量仪器,结构复杂,技术要求高,对不同设备的技术及使用性能进行科学评估是保障路况数据采集质量亟待解决的问题。为解决这一问题,基于实际标定类型的分类提出了一种新的公路检测装备测量数据准确性评估模型。该评估模型分有标准值线性回归标定模型和无标准值线性回归标定模型两种,前者用标定方程的斜率、截距和相关系数是否超出规定的阈值判定检测装备测值的准确性,后者采用Z比分数健统计方法判断测值处于离群的检测装备。该评估模型可适应不同条件的标定环境,可准确判断检测装备测值是否异常,实用性强。

基于深度学习方法的路面裂缝目标检测

公路和城市道路最主要的路面损坏类型是裂缝类病害。能否准确识别,尤其在众多路面信息图像中高效甄别各类表观病害,为路面技术状况评定、养护科学决策和路面病害处置提供基础数据,是当前领域研究的重难点。为此,对横向裂缝、纵向裂缝、斜裂缝长度类和龟裂、破损板面积类等典型裂缝类病害几何特征进行分析,确定了自动识别裂缝样本标注方法,构建了路面裂缝目标检测样本库,包含沥青裂缝长度类图像样本6 311个、龟裂面积类图像样本4 086个、水泥裂缝长度类图像样本37 945个、破碎板面积类图像样本7 310个。基于Faster-RCNN进行训练验证,开展路面裂缝目标检测并实现自动识别。利用北京市政道路2 000 km路面图像进行试验验证,并与路面裂缝Unet分割自动识别方法进行对比。试验结果表明,开展路面裂缝目标检测可通过提出的深度学习方法,有效提高召回率和准确率,其值高达85%以上,自动识别运行效率为12.3帧/s,与Unet分割自动识别方法对比更接近路面裂缝实际情况。