一种采用人工神经网技术的道路边界遥测识别算法制造技术

本发明专利技术提出了一种采用人工神经网技术的道路边界遥测识别算法，具体包括以下步骤：S1.获取的扫描探头和地面扫描点之间的距离信息；S2.将扫描探头的纵向轨迹定义为y轴、对地面的横向扫描定义为x轴、地面扫描点之间的高差定义为z轴；S3.通过对y轴上同一点的不同x线点的相邻点阵推理计算，根据z轴上邻点高差的变化趋势，在产生突变的位置，求得最接近边界的相应x点位，伴随y值变化，可以找到一连串的x点，确定道路边界的初始值；S4.通过对道路边界初始值进行平滑分析校正，获得基于x、y坐标的有效道路边界。能够实现自动给出道路测量的边界的目的，为确定路面的平整度、面积和其他参数的计算范围提供科学依据。的计算范围提供科学依据。的计算范围提供科学依据。

【技术实现步骤摘要】
一种采用人工神经网技术的道路边界遥测识别算法


[0001]本专利技术涉及道路遥测数据分析的
，特别是一种采用人工神经网技术的道路边界遥测识别算法，更具体地说是通过人工智能神经网络技术，对道路遥测数据进行分析，达到自动确定道路有效边界的目的。

技术介绍

[0002]目前确定道路边界的方法存在下述不足：
[0003]1、缺少非人工确定道路边界的方案。
[0004]2、欠缺通过遥测数据确定道路边界的解决方案。
[0005]3、未见采用人工智能技术，可以通过遥测数据分析，自动确定道路边界的可执行方案。

技术实现思路

[0006]本专利技术的目的就是解决现有技术中的问题，提出一种采用人工神经网技术的道路边界遥测识别算法，该算法处理速度快、通用性好、有效性强，能够节省人工，智能自动确定道路边界。
[0007]为实现上述目的，本专利技术提出了一种采用人工神经网技术的道路边界遥测识别算法，该识别算法基于人工智能神经网络，通过对现场遥测数据进行推理计算，自动获取道路有效边界，具体包括以下步骤：
[0008]S1.获取现场遥测数据：获取扫描探头和地面扫描点之间的距离信息；
[0009]S2.设定三维坐标系：将扫描探头的纵向轨迹定义为y轴、对地面的横向扫描定义为x轴、地面扫描点之间的高差定义为z轴；
[0010]S3.确定道路边界的初始值：通过对y轴上同一点的不同x线点的相邻点阵推理计算，根据z轴上邻点高差的变化趋势，在产生突变的位置，求得最接近边界的相应x点位，伴随y值变化，可以找到一连串的x点，确定道路边界的初始值；
[0011]S4.确定有效道路边界：通过对道路边界初始值进行平滑分析校正，获得基于x、y坐标的有效道路边界。
[0012]作为优选，步骤S1中，所述扫描探头设置在无人机上，所述现场遥测数据获取的方式具体为：无人机在相关道路上方，按照设计轨迹纵向飞行，通过扫描探头对地面进行横向扫描，获取无人机上扫描探头和地面扫描点之间的距离信息。
[0013]作为优选，所述横向扫描所采用的方式包括：激光扫描、超声波扫描。
[0014]作为优选，所述识别算法以对应纵轴y的横轴上的x点组合为输入，通过不同层级内的神经元变换和权重组合，找到高差ΔZ突变组元，获得输出边界序列RB(y)，具体表述如下：
[0015][0016]在式(1-1)中，道路边界函数f{RB
lr
(y)}用矩阵集合表述，被描述为跟随纵坐标y值变化的左边界C
l
(y)RB
l
(y)和右边界C
r
(y)RB
r
(y)横坐标x点的集合；RB(y)表示对应于y的边界点x，C表示智能平滑校正因子，T表示转置矩阵，C由人工智能系统的规则推理集，根据相邻边界点和边界延伸趋势推理产生；
[0017][0018][0019]式(2-1)表示道路左边界初值由高差趋势突变的x最大值构成，式(2-2)表示道路右边界初值由高差趋势突变的x最小值构成；其中，RB(y)表示对应于y的边界点x，X(y)表示应于y的x值，σ(ΣWΔZ)为人工神经网络推理函数，W为神经元的输入权重因子，ΔZ为相应x、y坐标点附近的高差值组元参数，ΔZ的输出由相关坐标点附近的25个神经元推理产生。
[0020]作为优选，所述识别算法放置于云中心，可对多段道路同时进行计算。
[0021]本专利技术的有益效果：本专利技术采用人工智能神经网络技术，对无人机通过激光、超声或其他无线电波等测距方法采集获取的现场遥测数据进行计算分析判断，实现自动给出道路测量的边界的目的，为确定路面的平整度、面积和其他参数的计算范围提供科学依据。本专利技术可以对无路缘石的道路表面进行边界分析，从而实现快速、准确、有效地对路面范围做出判断，为进一步的路面平整度、路面有效面积的分析计算提供有效边界，可以提高工作效益和施工质量、节省人力资源、缩短测量与计算时间，有助于相关道路的作业、整修和验收，有利于道路的科学施工和养护。本专利技术可以满足物联网集成管理、分布作业的使用要求。
[0022]本专利技术的特征及优点将通过实施例结合附图进行详细说明。
【附图说明】
[0023]图1是本专利技术一种采用人工神经网技术的道路边界遥测识别算法的所采用系统结构示意图；
[0024]图2是本专利技术一种采用人工神经网技术的道路边界遥测识别算法的三维坐标示意框图；
[0025]图3是本专利技术一种采用人工神经网技术的道路边界遥测识别算法的左边界人工神经网络模型结构示意图。
【具体实施方式】
[0026]参阅图1为本专利技术的所采用系统的结构示意图，主要包括设置在云中心的道路边
界遥测识别算法和在现场作业的数据遥测系统。
[0027]参阅图2，图3本专利技术采用人工神经网技术的道路边界遥测识别算法为对现场遥测数据进行计算、推理、分析的计算方法。
[0028]现场遥测数据是无人机在相关道路上方，按照设计轨迹纵向飞行，扫描探头通过激光、超声波或其他无线电波对地面进行横向扫描(在同一道路轨迹点上，探头摆动，对地面扫描)，获取的无人机和地面扫描点之间的距离信息。
[0029]计算方法是先设定三维坐标系(如图2所示)，将纵向轨迹定义为y轴(在同一个y值点上，探头摆动对地面横向扫描。完成一个y值的横向扫描后，无人机带动探头进入下一个y值点，探头进行下一点的摆动扫描)、横向扫描定义为x轴、扫描点之间的高差定义为z轴；通过对y轴上同一点的不同x线点的相邻点阵推理计算；根据z轴上邻点高差的变化趋势，在产生突变的位置，求得最接近边界的相应x点位；伴随y值变化，可以找到一连串的x点，从而找到道路边界的初始值；通过对道路边界初始值进行平滑分析校正，获得基于x、y坐标的有效道路边界。由于这个计算方法采用了人工智能神经网络方法，进行推理计算，所有称之为基于人工神经网络的边界识别算法。
[0030]这个算法被放置在云中心，可以对多段道路同时进行计算。算法的具体表述如下：
[0031][0032]在式(1-1)中，道路边界函数f{RB
lr
(y)}用矩阵集合表述，被描述为跟随纵坐标y值变化的左边界C
l
(y)RB
l
(y)和右边界C
r
(y)RB
r
(y)横坐标x点的集合。RB(y)表示对应于y的边界点x，C表示智能平滑校正因子，T表示转置矩阵。C由专用人工智能系统的规则推理集，根据相邻边界点和边界延伸趋势推理产生。
[0033][0034][0035]式(2-1)表示道路左边界初值由高差趋势突变的x最大值构成。
[0036]式(2-2)表示道路右边界初值由高差趋势突变的x最小值构成。
[0037]因为三维坐标轴的y轴，设置在道路的中央部分，其左部的x值均为负值，把产生高差突变区域的最右端，也就是相应最大的x值，确定为左边界初值；相反，y轴右本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种采用人工神经网技术的道路边界遥测识别算法，其特征在于：该识别算法基于人工智能神经网络，通过对现场遥测数据进行推理计算，自动获取道路有效边界，包括以下步骤：S1.获取现场遥测数据：获取扫描探头和地面扫描点之间的距离信息；S2.设定三维坐标系：将扫描探头的纵向轨迹定义为y轴、对地面的横向扫描定义为x轴、地面扫描点之间的高差定义为z轴；S3.确定道路边界的初始值：通过对y轴上同一点的不同x线点的相邻点阵推理计算，根据z轴上邻点高差的变化趋势，在产生突变的位置，求得最接近边界的相应x点位，伴随y值变化，可以找到一连串的x点，确定道路边界的初始值；S4.确定有效道路边界：通过对道路边界初始值进行平滑分析校正，获得基于x、y坐标的有效道路边界。2.如权利要求1所述的一种采用人工神经网技术的道路边界遥测识别算法，其特征在于：步骤S1中，所述扫描探头设置在无人机上，所述现场遥测数据获取的方式具体为：无人机在相关道路上方，按照设计轨迹纵向飞行，通过扫描探头对地面进行横向扫描，获取无人机上扫描探头和地面扫描点之间的距离信息。3.如权利要求2所述的一种采用人工神经网技术的道路边界遥测识别算法，其特征在于：所述横向扫描所采用的方式包括：激光扫描、超声波扫描。4.如权利要求1所述的一种采用人工神经网技术的道路边界遥测识别算法，其特征在于...

【专利技术属性】
技术研发人员：周芦慧，肖良军，刘利民，
申请(专利权)人：湖州师范学院，
类型：发明
国别省市：