典型文献
基于深度学习的路面病害检测与时空追溯方法
文献摘要：
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.
文献关键词：
道路工程;病害匹配跟踪;深度学习;路面病害;路面劣化规律
中图分类号：
作者姓名：
李亦舜;刘成龙;曹静;李峰;杜豫川
作者机构：
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
文献出处：
引用格式：
[1]李亦舜;刘成龙;曹静;李峰;杜豫川-.基于深度学习的路面病害检测与时空追溯方法)[J].长安大学学报（自然科学版）,2022(06):53-65
A类：
病害匹配跟踪,路面劣化规律
B类：
路面病害,病害检测,常服,服役状态,巡查数据,立时,时空关联,计算机视觉算法,图像数据,车道级定位,基于密度,聚类方法,DBSCAN,空间场景,场景聚类,近邻,means,方向角,上下行,采集数据,尺度不变特征转换,SIFT,特征匹配,匹配网络,港珠澳大桥,东海大桥,桥隧,路人,病害图像,余张,检测算法,S32,高速公路,嘉兴,湖州,巡检数据,衰变,数据包,160km,高速路,最大距离,最小距离,方位角,角分布,分布差异,匹配方法,配成,功率达,大雨,48h,除此以外,路侧,安全设施,标牌,状态跟踪,交通基础设施,服役性能,性能退化,退化状态,精准评估,道路工程
AB值：
0.469034
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
