CN108760740A - 一种基于机器视觉的路面抗滑性能快速检测方法 - Google Patents
一种基于机器视觉的路面抗滑性能快速检测方法 Download PDFInfo
- Publication number
- CN108760740A CN108760740A CN201810548514.9A CN201810548514A CN108760740A CN 108760740 A CN108760740 A CN 108760740A CN 201810548514 A CN201810548514 A CN 201810548514A CN 108760740 A CN108760740 A CN 108760740A
- Authority
- CN
- China
- Prior art keywords
- road surface
- skid
- model
- road
- image
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000012360 testing method Methods 0.000 claims description 29
- 238000009826 distribution Methods 0.000 claims description 23
- 238000005259 measurement Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000013526 transfer learning Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 239000012634 fragment Substances 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims 1
- 201000010099 disease Diseases 0.000 abstract description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 2
- 238000011835 investigation Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 239000004576 sand Substances 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
Landscapes
- 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)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于机器视觉的路面抗滑性能快速检测方法，该方法基于机器视觉的方法快速检测路面抗滑性能，即从路面图片中提取纹理信息，并筛选出对路面抗滑作用明显的组分，剔除噪声纹理与其它表观特征的影响，建立其与路面抗滑指标的相关模型，实现基于图像识别的抗滑性能预估。与现有技术相比，本发明可以有效判别路面抗滑性能是否满足安全标准，测量速度快、价格廉宜、适合大范围进行道路病害排查、检测使用，可以有效提高交通安全。
Description
技术领域
本发明涉及路面质量检测和信息自动采集技术领域，尤其是涉及一种基于机器视觉的路面抗滑性能快速检测方法。
背景技术
路面抗滑性能是影响驾驶安全的最重要的因素之一，尤其在雨雪环境下，其产生的影响更为明显。路面抗滑性能一般认为是轮胎抱死时轮胎的滑动阻力，或者是在轮胎不发生滚动时的车辆在路面的阻力。根据英国1973年事故数据显示，高速公路摩擦系数提高0.15，雨天交通事故率从原来的56次/公里降低到了29次/公里。TRRL RR76报告显示：每提高10％的铺面抗滑性能，将降低13％的事故率。抗滑性能不仅本身影响交通安全，其衰变情况以及在不同环境下的波动性也是影响交通安全的重要参数。
目前，在路面抗滑性能检测方法的研究中，抗滑性能的表征参数主要分为两类：一是路面指标：道路表面构造深度，二是响应指标：路面摩擦系数。前者检测主要分为三类：断面类、体积法。断面仪主要是直接测量道路的纹理深度，通过检测粗构造的纵断面来计算其构造深度的。市面上常见到的设备有激光断面仪、灯光扫面仪等。铺沙法将已知体积的标准砂摊铺在路面上，用平板尽量将砂推成一个圆形，砂的体积同所摊铺圆平均面积之比即为路面的构造深度。通过实验对比发现激光断面仪与铺沙法所获得路面构造深度相关系数仅为0.45左右，也就是说两者并无明显关联。因此，铺沙法虽然操作较为简单，但由于操作过程中个体差异的影响导致了不同环境下的计量参数难以比较。近几年有的国家采用玻璃球作为砂的替代品，在一定程度上可以提高测量值的重现性。构造深度虽然是路面本身的特征，但是由于其作用机理较为复杂，获得参数后也很难与实际行车质量建立联系。因此，在更多的场合中推荐使用摩擦系数测试。
摩擦系数的测量参数也因检测方法而异，一般来说主要分为：锁轮拖车法、偏转轮法、制动距离法以及摆式仪法。锁轮拖车法是摩擦系数最直观的检测方法，其测试过程就是将装有标准试验轮胎的单轮或双轮拖车，由牵引车以要求的测定速度在洒水湿润的路面上拖行；抱死测试轮，通过测量牵引力，除以作用在轮胎上的垂直力，可以得到滑移系数SN表征路面的稳态抗滑能力。这是一种离散型的测量方法，对测试路段的质量有一定要求，且速度较慢。
偏转轮法是一种连续性的抗滑检测方法，有效提高了路面抗滑的检测效率。它主要是在拖车上安装两只自由转动的标准试验轮胎，它们对车辆行驶方向偏转一定角度。在汽车牵引下以一定速度在潮湿的路面上行驶时，试验轮胎和路面间收到侧向摩阻力的作用，记录下的侧向摩阻力除以作用在试验轮上的载重，就可得侧向抗滑系数SFC。这种方法在使用过程中可以提高检测效率，但测量速度有标准要求，且需要专门、无车的测试环境。
制动距离法是直接通过车辆的刹车测量抗滑系数，主要是利用测试车辆以一定速度在潮湿路面上行驶，当四个车轮被制动时，车辆减速滑行到停止时的距离，可用来表恒非稳态的抗滑能力，以自动距离数SDN表示。这种方法可以得到非稳态的抗滑系数，但是由于测试车辆的各项参数均具有唯一性，因此检测现场的可重复性低，不同车辆间的对比性较差，缺乏统一的部署和大量车辆参数的统一。
摆式仪法是由英国TRRL发明并逐渐在世界上推广的铺面抗滑检测方法，是目前工程应用最广泛的手段之一。它是依据摆从一定高度落下时，势能转化为机械能并克服摩擦力做功的原理来测定路面的抗滑值。锤底面装有橡胶块，当摆锤从一定高度自由下摆时，滑块面同试验铺面相接触。由于两者之间的摩擦而消耗部分能量，使摆锤只能回摆到一定高度，从仪器中读出，以抗滑值BPN表示。但在使用过程中，难以准确判断摆放高度，保持相同的摩擦面积，因此会造成一定误差，且该方法测量的区域较小，为静态离散测量。因此，大都在工程验收中进行使用。
传统检测方法存在耗时费力、价格昂贵，从而道路路面抗滑性能不能得到及时检测，引发安全隐患。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于机器视觉的路面抗滑性能快速检测方法，可以有效判别路面抗滑性能是否满足安全标准，测量速度快、价格廉宜、适合大范围进行道路病害排查、检测使用，可以有效提高交通安全。
本发明的目的可以通过以下技术方案来实现：
一种基于机器视觉的路面抗滑性能快速检测方法，该方法基于机器视觉的方法快速检测路面抗滑性能，即从路面图片中提取纹理信息，并筛选出对路面抗滑作用明显的组分，剔除噪声纹理与其它表观特征的影响，建立图片纹理参数与路面抗滑指标的相关模型，实现基于图像识别的抗滑性能预估。
优选地，所述的方法包括：通过局部二值特征提取的方法对图像的每一个像素的局部差异进行定量表征，统计全部像素点的二值特征分布，利用混合高斯分布提取主要波动特征，实现噪音滤波，利用提取的正态分布权重、均值和方差三个特征向量进行模型训练，采用随机森林建立正态分布参数与路面抗滑性能的相关关系；
同时，采用迁移学习的方法在现有图像分解深度网络的基础上，加入实际测量的数据与抗滑指标。
优选地，为避免样本量大小对于检测结果的影响，在实际操作中分别采用以上两种方法对照测量误差，选用误差较小的模型作为预估模型。
优选地，所述的方法具体包括以下步骤：
(1)选取高清视频采集设备、GPS设备、测试车辆以及拍摄帧数；
(2)将所述的高清视频采集设备布置在测试车辆前方，视频设备镜头朝向路面；
(3)在所需测量路段进行匀速行驶，通过高清视频采集设备实时采集路面的高清视频照片，通过GPS设备采集位置信息，利用时间戳进行图像与GPS的数据匹配，并将测得数据存储在高清视频采集设备的内存卡中；
(4)对采集的照片进行局部二值特征LBP提取，将原始图片转化为灰度模式，对比任意一像素点，与其周围8个像素点的灰度差异，若周围灰度大于或等于中心像素灰度，则标记为1，反之，标记为0；
(5)将获得的二进制值，通过顺时针的方向，从12点钟位置出发组成二进制序列，进而转化为十进制数字；
(6)对图片中所有的像素点进行上述的LBP提取方法，统计十进制数字数目，绘制直方图；
(7)对所述的直方图进行混合高斯分布GMM转化，将原有图示转化为两个正态分布叠加结果，统计两个正态分布的权重、均值和方差；
(8)采用随机森林算法建立路面抗滑性与正态分布参数模型，计算平均预测误差；
(9)将原始图像进行切割，转化为多个图像，采用迁移学习模型进行样本训练，获得路面抗滑性能与图片碎片的关联模型，计算平均预测误差；
(10)在不同样本量条件下，分别进行9、10中所述的算法进行预测误差计算，选择预测误差较小的模型作为检测模型，进行路面抗滑性能检测。
优选地，所述的高清视频采集设备螺栓与测试车辆连接。
优选地，所述的步骤(9)中的转化后的图像为150*150*3像素的图像。
与现有技术相比，本发明提供一种通过车载高清视频采集设备、GPS等，基于机器视觉的方法快速检测路面抗滑性能的方法，可以有效解决传统检测方法耗时费力，价格昂贵等问题，及时发觉路面抗滑性能衰变，避免事故发生。其中具体要解决的问题是，从路面图片中提取纹理信息，并筛选出对路面抗滑作用明显的组分，提出噪声纹理与其它表观特征的影响，建立其与路面抗滑指标的相关模型，实现基于图像是别的抗滑性能预估。
附图说明
图1为本发明算法流程图；
图2为局部二值特征提取流程图；
图3为LBP特征统计直方图示例图；
图4(a)和图4(b)为混合高斯分布计算结果曲线图；
图5为VGGNet模型框架结构示意图；
图6为交叉验证误差结果示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
本发明涉及一种基于机器视觉的路面抗滑性能快速检测方法，具体流程如图1所示。该检测方法主要是利用局部二值特征、混合高斯分布、随机森林、迁移学习等方法，实现了通过路面照片预估其抗滑性能的功能。
大致可以分为三个主要步骤：
第一步，基于图像识别的纹理特征提取与抗滑性能关联
抗滑性能是铺面的特性，主要由路面的纹理产生。但多种其他因素，如胎压、积水，温度，行车荷载，车辆速度，铺面基配，施工条件等都对该阻力具有较大的影响，因此实时检测路面的抗滑性能尤为重要。路表面在不同波长时所表现出的不同功能性问题，波长小于0.5mm时称为细构造，为轮胎面提供附着力，以保证路表面的抗滑能力。波长为0.5-50mm的路表面为粗构造主要为保证雨天高速行驶的安全性。一般认为小于50mm的构造波长叫做微观构造，微观构造为路面提供了基本的抗滑力。宏观构造对于抗滑性能的影响较为复杂，往往表现为和微观构造的组合影响。
由于抗滑性能主要由表观属性决定，因此本发明考虑通过图像识别的方法，提取路面的表观特征。为保证宏微观特征的准确提取，建议采用高清视频采集设备，分辨率不小于720P，帧数不低于每秒10帧，这样可以保证每个位置的准确覆盖和纹理的可靠识别。
首先将采集到的图片进行局部二值特征提取，如图2。主要分为以下步骤：①将RPG图像转化为灰度图；②取任意中心像素及其周围矩形范围内的8个周围像素；③比较周围像素与中心像素的灰度差，若周围像素灰度大于或等于中心像素，则标记为1，反之标记为0；④以顺时针方向，从12点钟位置出发，将各个元素的值组成二进制序列(如11001000)，并将二进制序列转化为十进制(0-256之间)；⑤对图像中所有元素进行上述操作，统计各十进制数字出现频率，绘制直方图，如图3。
由于图片的LBP特征为微观特征，其中部分特征与路面抗滑有强相关，而另一些则为噪音，因此采用混合高斯分布将上述直方图转化为两个高斯分布的叠加，并提取其中的权重、均值和方差作为训练参数。计算过程中，利用EM启发式算法计算上述参数，直至收敛，混合高斯分布的计算结果如图4(a)和图4(b)。最终将获得的计算参数与GPS位置进行时间戳标签匹配，确定其客观抗滑性能指标进行模型回归。
将获得权重、均值、方差共6个属性作为训练集，以实际的路面抗滑性能值BPN作为标签，采用随机森林模型进行模型训练。由于在养护和管理过程中，养护人员更在意路面抗滑性能是否满足规范标准，因此对标签进行二进制转化，将满足抗滑要求的路段标记为1，不满足的标记为0，并计算随机森林预测的误差。
第二步，建立基于图像特征的迁移学习模型
深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习可以实现直接对图像信息进行处理，自动通过聚类分析等方法提取相关特征，但如果样本量不够则可能存在过拟合或欠拟合等问题，导致获得属性类别特征不准确。因此，本发明在深度学习的基础上采用迁移学习的方法。迁移学习是把已学训练好的模型参数迁移到新的模型来帮助新模型训练。考虑到大部分图像纹理特征存在相关性的，所以通过迁移学习可以将已经学到的模型参数(如VGGNet)分享给新模型从而加快并优化模型的学习效率。本专利采用VGGNet网络，其主要是反复堆叠3x3小型卷积核和2x2最大池化层，成功构筑16～19层深卷积神经网络。拓展性强，迁移其他图片数据泛化性好。结构简洁，整个网络都用同样大小卷积核尺寸和最大池化尺寸，其模型结构如图5。
首先将图片切割为150*150*3的小块，并根据实际的抗滑值进行标签，并将图片输入到VGGNet中进行训练，直接获得深度学习模型，并记录模型误差。
第三步，在不同样本量大小下LBP和VGGNet的误差比较
对于学习过程，样本量的大小直接决定了结果的可靠性。但实际的标定过程中，很难实现大量样本的采集工作，且样本量具体对于不同模型的敏感程度不同。经测试，上述两种模型都可以有效的反应路面的抗滑性能，在实际的操作中，分别对于标定样本图片进行上述处理，比较两种模型的预估误差，选择误差更好的模型作为实测模型。在实际测试中，直接利用视频采集装置采集路面照片信息，并将图片导入到模型系统中进行平台计算，生成路面抗滑性能预估值。
实施案例
(1)安置高清摄像装置于测试车辆上，以50km/h的建议测试速度行驶，采集视频及GPS数据。
在上海市嘉定区选择典型沥青道路，利用检测车辆进行视频采集，测试速度为50m/h，图片分别率为6000*4000*3，测试帧数为20帧/秒，将视频采集设备固定在车辆前杠，方向朝下面向路面。标定路面的抗滑性能由摆式仪测得的BPN表示。
(2)基于局部二值特征和混合高斯分布的纹理特征提取
利用LBP计算模型，通过Matlab软件，将测量图片导入，并转化为灰度图像，进行LBP计算，绘制直方图。将直方图数据存入SQL数据，采用混合高斯分布模型进行特征参数提取，结果如表1。将标准BPN和计算的特征参数输入到随机森林中进行计算，利用10折交叉验证估计预测误差，误差结果如图6。
表1
(3)基于VGGNet迁移学习模型的抗滑性能预估
将视频采集图片切割为150*150*3的尺寸，放入所述模型中进行样本训练，获得预测误差，如表2所示。
表2
| 方法 | 查全率 | 预测正率 | 准确度 |
| 卷积神经网络 | 0.6485 | 0.7616 | 0.6514 |
| VGGNet网络 | 0.8030 | 0.8863 | 0.8114 |
(4)模型比较与实际测试
根据上述模型算法获得在已有样本条件下纹理识别准确率为86％，迁移学习准确率为81％，因此，采用LBP纹理识别模型，进行实际测试，在实际测试的5个路段中预测结果均与实际抗滑性能相符，可以用于快速的抗滑性能检测使用。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种基于机器视觉的路面抗滑性能快速检测方法，其特征在于，该方法基于机器视觉的方法快速检测路面抗滑性能，即从路面图片中提取纹理信息，并筛选出对路面抗滑作用明显的组分，剔除噪声纹理与其它表观特征的影响，建立图片纹理参数与路面抗滑指标的相关模型，实现基于图像识别的抗滑性能预估。
2.根据权利要求1所述的方法，其特征在于，所述的方法包括：通过局部二值特征提取的方法对图像的每一个像素的局部差异进行定量表征，统计全部像素点的二值特征分布，利用混合高斯分布提取主要波动特征，实现噪音滤波，利用提取的正态分布权重、均值和方差三个特征向量进行模型训练，采用随机森林建立正态分布参数与路面抗滑性能的相关关系；
同时，采用迁移学习的方法在现有图像分解深度网络的基础上，加入实际测量的数据与抗滑指标。
3.根据权利要求2所述的方法，其特征在于，为避免样本量大小对于检测结果的影响，在实际操作中分别采用以上两种方法对照测量误差，选用误差较小的模型作为预估模型。
4.根据权利要求1或2所述的方法，其特征在于，所述的方法具体包括以下步骤：
(1)选取高清视频采集设备、GPS设备、测试车辆以及拍摄帧数；
(2)将所述的高清视频采集设备布置在测试车辆前方，视频设备镜头朝向路面；
(3)在所需测量路段进行匀速行驶，通过高清视频采集设备实时采集路面的高清视频照片，通过GPS设备采集位置信息，利用时间戳进行图像与GPS的数据匹配，并将测得数据存储在高清视频采集设备的内存卡中；
(4)对采集的照片进行局部二值特征LBP提取，将原始图片转化为灰度模式，对比任意一像素点，与其周围8个像素点的灰度差异，若周围灰度大于或等于中心像素灰度，则标记为1，反之，标记为0；
(5)将获得的二进制值，通过顺时针的方向，从12点钟位置出发组成二进制序列，进而转化为十进制数字；
(6)对图片中所有的像素点进行上述的LBP提取方法，统计十进制数字数目，绘制直方图；
(7)对所述的直方图进行混合高斯分布GMM转化，将原有图示转化为两个正态分布叠加结果，统计两个正态分布的权重、均值和方差；
(8)采用随机森林算法建立路面抗滑性与正态分布参数模型，计算平均预测误差；
(9)将原始图像进行切割，转化为多个图像，采用迁移学习模型进行样本训练，获得路面抗滑性能与图片碎片的关联模型，计算平均预测误差；
(10)在不同样本量条件下，分别进行9、10中所述的算法进行预测误差计算，选择预测误差较小的模型作为检测模型，进行路面抗滑性能检测。
5.根据权利要求4所述的方法，其特征在于，所述的高清视频采集设备螺栓与测试车辆连接。
6.根据权利要求4所述的方法，其特征在于，所述的步骤(9)中的转化后的图像为150*150*3像素的图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810548514.9A CN108760740B (zh) | 2018-05-31 | 2018-05-31 | 一种基于机器视觉的路面抗滑性能快速检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810548514.9A CN108760740B (zh) | 2018-05-31 | 2018-05-31 | 一种基于机器视觉的路面抗滑性能快速检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108760740A true CN108760740A (zh) | 2018-11-06 |
| CN108760740B CN108760740B (zh) | 2020-10-02 |
Family
ID=64001048
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810548514.9A Active CN108760740B (zh) | 2018-05-31 | 2018-05-31 | 一种基于机器视觉的路面抗滑性能快速检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108760740B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109671077A (zh) * | 2018-12-24 | 2019-04-23 | 上海智能交通有限公司 | 一种沥青路面抗滑性能检测方法及系统 |
| US20190362510A1 (en) * | 2018-05-24 | 2019-11-28 | Lu Sun | Method and system for evaluating friction coefficient and skid resistence of a surface |
| CN110765909A (zh) * | 2019-10-14 | 2020-02-07 | 同济大学 | 基于车载摄像头辅助分布式驱动电动汽车路面估计方法 |
| CN112098409A (zh) * | 2020-09-17 | 2020-12-18 | 国网河南省电力公司濮阳供电公司 | 一种输电线路复合绝缘子憎水性带电测试方法 |
| CN112818563A (zh) * | 2021-02-25 | 2021-05-18 | 同济大学 | 一种基于摩擦接触面预估的路面抗滑性能评价方法 |
| CN112927204A (zh) * | 2021-02-25 | 2021-06-08 | 同济大学 | 一种基于关键渗水点识别的路面渗水性能评估方法 |
| CN113434954A (zh) * | 2021-06-15 | 2021-09-24 | 同济大学 | 一种振动式路面平整度测试车的标定方法 |
| CN115128074A (zh) * | 2022-07-05 | 2022-09-30 | 山东高速集团有限公司创新研究院 | 沥青路面抗滑性能预测系统的构建方法及其构建的系统 |
| CN115825410A (zh) * | 2022-11-22 | 2023-03-21 | 重庆大学 | 基于路面构造预估轮胎路面作用噪声水平的方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102007017293A1 (de) * | 2007-04-12 | 2008-10-16 | Continental Automotive Gmbh | Fahrspurdetektion mit Schwarz-Weiß-Kamera und Farbkamera |
| CN103114514A (zh) * | 2013-01-31 | 2013-05-22 | 长安大学 | 一种水泥混凝土路面刻槽构造深度检测算法 |
-
2018
- 2018-05-31 CN CN201810548514.9A patent/CN108760740B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102007017293A1 (de) * | 2007-04-12 | 2008-10-16 | Continental Automotive Gmbh | Fahrspurdetektion mit Schwarz-Weiß-Kamera und Farbkamera |
| CN103114514A (zh) * | 2013-01-31 | 2013-05-22 | 长安大学 | 一种水泥混凝土路面刻槽构造深度检测算法 |
Non-Patent Citations (2)
| Title |
|---|
| VICTOR M.C. ARAUJO等: "Measuring skid resistance of hot mix asphalt using the aggregate image measurement system (AIMS)", 《CONSTRUCTION AND BUILDING MATERIALS》 * |
| 宋永朝等: "基于数字图像技术的露石混凝土路面纹理构造抗滑性能", 《哈尔滨工业大学学报》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190362510A1 (en) * | 2018-05-24 | 2019-11-28 | Lu Sun | Method and system for evaluating friction coefficient and skid resistence of a surface |
| CN109671077A (zh) * | 2018-12-24 | 2019-04-23 | 上海智能交通有限公司 | 一种沥青路面抗滑性能检测方法及系统 |
| CN109671077B (zh) * | 2018-12-24 | 2020-12-08 | 上海智能交通有限公司 | 一种沥青路面抗滑性能检测方法及系统 |
| CN110765909A (zh) * | 2019-10-14 | 2020-02-07 | 同济大学 | 基于车载摄像头辅助分布式驱动电动汽车路面估计方法 |
| CN110765909B (zh) * | 2019-10-14 | 2023-06-02 | 同济大学 | 基于车载摄像头辅助分布式驱动电动汽车路面估计方法 |
| CN112098409A (zh) * | 2020-09-17 | 2020-12-18 | 国网河南省电力公司濮阳供电公司 | 一种输电线路复合绝缘子憎水性带电测试方法 |
| CN112927204A (zh) * | 2021-02-25 | 2021-06-08 | 同济大学 | 一种基于关键渗水点识别的路面渗水性能评估方法 |
| CN112818563B (zh) * | 2021-02-25 | 2022-08-05 | 同济大学 | 一种基于摩擦接触面预估的路面抗滑性能评价方法 |
| CN112927204B (zh) * | 2021-02-25 | 2022-09-20 | 同济大学 | 一种基于关键渗水点识别的路面渗水性能评估方法 |
| CN112818563A (zh) * | 2021-02-25 | 2021-05-18 | 同济大学 | 一种基于摩擦接触面预估的路面抗滑性能评价方法 |
| CN113434954A (zh) * | 2021-06-15 | 2021-09-24 | 同济大学 | 一种振动式路面平整度测试车的标定方法 |
| CN115128074A (zh) * | 2022-07-05 | 2022-09-30 | 山东高速集团有限公司创新研究院 | 沥青路面抗滑性能预测系统的构建方法及其构建的系统 |
| CN115128074B (zh) * | 2022-07-05 | 2024-02-20 | 山东高速集团有限公司创新研究院 | 沥青路面抗滑性能预测系统的构建方法及其构建的系统 |
| CN115825410A (zh) * | 2022-11-22 | 2023-03-21 | 重庆大学 | 基于路面构造预估轮胎路面作用噪声水平的方法 |
| CN115825410B (zh) * | 2022-11-22 | 2023-12-22 | 重庆大学 | 基于路面构造预估轮胎路面作用噪声水平的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108760740B (zh) | 2020-10-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108760740B (zh) | 一种基于机器视觉的路面抗滑性能快速检测方法 | |
| US12098945B2 (en) | Real-time vehicle overload detection method based on convolutional neural network | |
| CN110992683B (zh) | 一种基于动态图像感知的交叉口盲区预警方法及系统 | |
| CN111985494B (zh) | 一种基于轻量化车载终端的道路病害检测及分类方法 | |
| CN105513354A (zh) | 基于视频的城市道路交通拥堵检测系统 | |
| CN111735524B (zh) | 基于图像识别的轮胎荷载获取方法、车辆称重方法及系统 | |
| CN103198713B (zh) | 基于交通数据和天气数据的减少交通事故的车辆调控方法 | |
| CN106840049A (zh) | 基于内置三轴加速传感器智能手机的路面质量评级方法 | |
| CN110111563A (zh) | 一种城市快速路的实时交通状态估计方法 | |
| CN111274843A (zh) | 基于监控视频的货车超载监测方法及系统 | |
| CN109632037B (zh) | 一种基于图像智能识别的城市内涝积水深度检测方法 | |
| CN103116988A (zh) | 基于tof相机的车流量及车型检测方法 | |
| CN111882882A (zh) | 一种动态平板秤称重区域汽车跨车道行驶行为检测方法 | |
| CN103440503A (zh) | 一种车辆车身颜色检测识别方法 | |
| CN108399403A (zh) | 一种基于车牌尺寸计算的车距检测方法 | |
| Shtayat et al. | Using supervised machine learning algorithms in pavement degradation monitoring | |
| CN106373125A (zh) | 一种基于信息熵的雪花噪声检测方法 | |
| CN112329569A (zh) | 一种基于图像深度学习系统的货运车辆状态实时识别方法 | |
| CN103528531A (zh) | 小型车车辆参数的物联网图像智能检测系统 | |
| CN116738211A (zh) | 一种基于多源异构数据融合的道路状况识别方法 | |
| CN115544763A (zh) | 一种路面平整度预测方法、系统及介质 | |
| CN112528208B (zh) | 一种无称重ai智能识别货车超载估算方法、装置及系统 | |
| Zhang et al. | Factors affecting the accuracy of a computer vision-based vehicle weight measurement system | |
| CN104517444A (zh) | 一种开车使用手机违法行为的检测系统 | |
| CN114228727B (zh) | 车辆行驶安全评估方法、装置、设备及存储介质 |
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 |