【技术实现步骤摘要】
本专利技术涉及道路检测，具体来说是一种面向道路运检一体化的巡检方法及系统。
技术介绍
1、随着我国交通网络的持续优化，交通基础设施的建设策略已由单一的建设阶段，逐步转向建设与养护并行的新模式。在这一转变中，道路检测作为道路养护的关键环节，其重要性日益凸显。面对日益增长的交通流量，道路损害的频率随之升高。因此，能够及时且准确地掌握道路的实时技术状况，对于道路管理部门来说至关重要，这不仅有助于他们快速响应，采取必要的维护和修复措施，防止损害的扩散，还能有效提升道路的行驶舒适度和延长其使用寿命。
2、当前，道路检测主要通过两种方式进行：专业检测车辆和人工巡查。专业检测车辆装备了先进的高精度传感器，能够定期收集道路状况的详细数据。尽管这种方法可以快速获得结构化的道路信息，但其高昂的成本、对设备精度的高要求以及对专业操作人员的依赖，都导致了检测的经济负担。此外，由于检测频率和周期的限制，这种方法难以满足我国不同等级道路的日常运维需求。
3、另一方面，人工巡查依赖于专业人员的现场检查来记录道路的损坏情况。这种方法虽然能够提供直观的损坏信息，但其效率较低，覆盖范围有限，且数据的准确性、真实性和完整性常常受到质疑，这在一定程度上限制了道路养护工作的精细化和系统化。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，提供一种面向道路运检一体化的巡检方法及系统，用以降低对于检测额外的劳动力和成本，大幅度提高检测频次的同时，进一步的提升检测的精度。
2、为了实
3、本专利技术提供的面向道路运检一体化的巡检方法，还有其他技术特征，其中所述巡检方法用于道路表观病害调查、道路平整度检测、道路覆盖物检测或道路附属设施盘点与评定。
4、本专利技术提供的面向道路运检一体化的巡检方法，还有其他技术特征，其中所述浮动车为公交车、出租车、网约车或物流车。
5、本专利技术提供的面向道路运检一体化的巡检方法，还有其他技术特征，其中所述步骤s1包括传感器采集到的数据、采集时间和实时位置信息。
6、本专利技术提供的面向道路运检一体化的巡检方法，还有其他技术特征，其中所述步骤s2中所述车载数据终端，用于对采集到的数据进行预处理以及历史数据储存，数据预处理包括数据清洗、时空配准，视频图像数据的自动识别，所述数据中心用于对采集到的数据进行存储、管理、分析和发布。
7、本专利技术提供的面向道路运检一体化的巡检方法，还有其他技术特征，其中所述步骤s3中的融合处理，包括同车传感器的数据融合以及不同车传感器的时空融合、道路状况评价指标计算、检测结果的精度提升、检测数据的时空关联。
8、本专利技术提供的面向道路运检一体化的巡检方法，还有其他技术特征，其中所述步骤s3中道路状况的评价指标计算，包括：a.针对道路表观病害调查，通过传感器获取到的道路路面图像数据，采用深度学习模型对病害的类型、尺寸、位置进行识别，采用的算法包括yolo系列模型、faster r-cnn模型、mask r-cnn模型，在获取到上述病害信息后，根据《公路技术状况评定标准》（jtg5210）或《城镇道路养护技术规范》（cjj36）计算道路技状况评价指标pci；b.针对道路平整度检测，根据传感器获得的车辆振动响应、竖向加速度、路面表面高程信息，采用平整度解析算法计算道路技术状况指标iri、rqi；c.针对路面覆盖物检测，根据传感器获得的覆盖物类型、厚度信息，采用路面摩擦系数解析算法计算道路技术状况指标摩擦系数；d.针对道路附属设施盘点与评定，通过传感器获取到的道路附属设施图像数据，采用深度学习模型对附属设施的类型、位置、损坏类型进行识别，采用的算法包括yolo系列模型、faster r-cnn模型、mask r-cnn模型。
9、本专利技术提供的面向道路运检一体化的巡检方法，还有其他技术特征，其中所述步骤s3中贝叶斯融合算法其计算步骤为：s4.1. 定义问题和符号；s4.1.1.输入数据：x：不同车次的识别结果，记为x1,x2,…,xn，每个识别结果包含病害的数量和类型组合，记作xi={(数量i,类型i)}；s4.1.2.假设：正确的病害识别结果h，即包括正确的病害数量和类型组合；s4.2计算似然函数p(xi∣h)；s4.2.1.假设：根据病害识别算法的计算结果，确定算法识别的准确率 β，在此将算法识别正确定义为识别出的病害数量与病害类型均准确，若数量或类型存在一项错误，即为识别错误。由此可以得到每辆车正确识别的概率为 β，错误识别的概率为（1- β）；s4.2.2.似然函数：对于假设hj（假设的病害组合），第 i辆车的识别结果 x i的似然设定为： ；s4.3.设定先验概率p(hj)：在没有其他信息时，初始假设所有可能的病害数量和类型组合的先验概率相等，即： ，其中m为所有可能的病害组合数量；如果有其他先验知识（例如某些病害组合更常见），根据这些知识调整先验概率；s4.4.算后验概率p(hj∣x)：对于每一个可能的病害组合hj，其后验概率为：，其中总似然函数，其中 x为所有车次识别结果的集合， x={ x1, x2,…, x n}，后验概率为： ，其中，k为遍历所有可能的病害组合；s4.5.选择最大后验概率的假设：最终选择后验本文档来自技高网...
【技术保护点】
1.一种面向道路运检一体化的巡检方法，其特征在于所述方法步骤如下：
2.如权利要求1所述的一种面向道路运检一体化的巡检方法，其特征在于所述巡检方法用于道路表观病害调查、道路平整度检测、道路覆盖物检测或道路附属设施盘点与评定。
3.如权利要求1所述的一种面向道路运检一体化的巡检方法，其特征在于所述浮动车为公交车、出租车、网约车或物流车。
4.如权利要求1所述的一种面向道路运检一体化的巡检方法，其特征在于所述步骤S1包括传感器采集到的数据、采集时间和实时位置信息。
5.如权利要求1所述的一种面向道路运检一体化的巡检方法，其特征在于所述步骤S2中所述车载数据终端，用于对采集到的数据进行预处理以及历史数据储存，数据预处理包括数据清洗、时空配准，视频图像数据的自动识别，所述数据中心用于对采集到的数据进行存储、管理、分析和发布。
6.如权利要求1所述的一种面向道路运检一体化的巡检方法，其特征在于所述步骤S3中的融合处理，包括同车传感器的数据融合以及不同车传感器的时空融合、道路状况评价指标计算、检测结果的精度提升、检测数据的时空关联。
7.如权利要求1所述的一种面向道路运检一体化的巡检方法，其特征在于所述步骤S3中道路状况及其评价指标计算，包括：
8.如权利要求1所述的一种面向道路运检一体化的巡检方法，其特征在于，所述步骤S3中贝叶斯融合算法其计算步骤为：
9.如权利要求1所述的一种面向道路运检一体化的巡检方法，其特征在于所述步骤S4的养护维修方案中，根据浮动车获取的道路全寿命周期技术状况数据，通过机器学习、深度学习分析算法，做出道路养护决策，所采用的分析算法包括决策树、支持向量机、多层感知机、强化学习。
10.一种采用如权利要求1-9任一所述巡检方法的面向道路运检一体化的巡检系统，其特征在于包括：
...【技术特征摘要】
1.一种面向道路运检一体化的巡检方法，其特征在于所述方法步骤如下：
2.如权利要求1所述的一种面向道路运检一体化的巡检方法，其特征在于所述巡检方法用于道路表观病害调查、道路平整度检测、道路覆盖物检测或道路附属设施盘点与评定。
3.如权利要求1所述的一种面向道路运检一体化的巡检方法，其特征在于所述浮动车为公交车、出租车、网约车或物流车。
4.如权利要求1所述的一种面向道路运检一体化的巡检方法，其特征在于所述步骤s1包括传感器采集到的数据、采集时间和实时位置信息。
5.如权利要求1所述的一种面向道路运检一体化的巡检方法，其特征在于所述步骤s2中所述车载数据终端，用于对采集到的数据进行预处理以及历史数据储存，数据预处理包括数据清洗、时空配准，视频图像数据的自动识别，所述数据中心用于对采集到的数据进行存储、管理、分析和发布。
6.如权利要求1所述的...
【专利技术属性】
技术研发人员：赵荣欣，蔡爵威，邢云，吴华勇，周子杰，李博，
申请(专利权)人：上海市建筑科学研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。