基于路面感知数据智能分类的加载车行驶纠偏方法和系统技术方案

本发明专利技术公开了一种基于路面感知数据智能分类的加载车行驶纠偏方法和系统，所述方法包括：获取来自足尺路面上多个高频传感器的待分类数据；根据足尺路面不同高频传感器数据特征构建自适应阈值，对处于加载过程中的传感器数据进行提取；将获得的多个压力感知数据片段进行可视化转换，获得对应的待分类图像数据；构建DCNN6卷积神经网络并对卷积神经网络进行训练；利用经训练的卷积神经网络模型获得待分类图像数据的分类结果；利用所述分类结果对车辆的驾驶轨迹进行提示。本发明专利技术可以有效解决足尺环道中的动态高频传感器数据自动分类问题，为全路域受力分析和把握车辙演变规律提供有力的数据支撑，且分类速度快、精度高，节省人力物力。力。力。

【技术实现步骤摘要】
基于路面感知数据智能分类的加载车行驶纠偏方法和系统


[0001]本专利技术属于道路工程
，具体涉及一种基于路面感知数据智能分类的加载车行驶纠偏方法和系统。

技术介绍

[0002]目前，随着公路的使用时间逐渐延长，道路路面及其内部结构会受到不同程度的损害，道路的寿命因此而缩短，而且车辆行驶安全也受到了一定的威胁。2015年，我国足尺路面试验环道工程系统正式建成，用于开展足尺路面结构全寿命周期的多元服役行为的演化规律研究。该试验环道简称为RIOHTRACK，路面结构的每一层均布设有大量传感器，主要对沥青路面各项性能进行测量。为了能够通过数据准确控制加载车行驶轮迹带分布位于预先设置的传感器上方区域，从而更加准确地分析荷载所导致的路面受力情况的不同，从而进行全路域受力情况分析以及车辙演变规律研究，需要及时对该类传感器数据进行智能分类研究，快速地发现车辆偏离预设轨迹，对司机进行行驶纠偏。
[0003]早期的高频传感器数据分类和异常检测是人工完成的，数据筛查效率极低且易受主观因素影响，导致无法快速有效地对数据进行客观准确的分析，从而使后续路面性能与受力分析出现偏差。在数据自动化检测方面，现有的方法存在过程复杂、耗时长、针对性不足等问题。
[0004]此外，现有的高频传感器数据分类和异常检测方法通常直接采用数据的方式进行处理，由于一个完整的加载情况大概包括至少8000个数据点，传统方法无法对一个完整的加载过程中的异常情况进行识别，目前数据异常检测方法无法对需要大量数据共同判断数据状态的情况进行正常和异常的分类。因此急需提出一种对高频环道传感器数据有针对性的自动化检测方法。

技术实现思路

[0005]为了解决现有技术中存在的上述问题，本专利技术提供了一种基于路面感知数据智能分类的加载车行驶纠偏方法和系统。本专利技术要解决的技术问题通过以下技术方案实现：
[0006]本专利技术的一个方面提供了一种基于路面感知数据智能分类的加载车行驶纠偏系统，包括：
[0007]获取来自足尺路面上多个高频传感器的原始数据；
[0008]根据足尺路面不同高频传感器数据特征构建自适应阈值，对处于加载过程中的传感器数据进行提取，获得多个压力感知数据片段；
[0009]将所述多个压力感知数据片段进行可视化转换，获得对应的待分类图像数据；
[0010]构建卷积神经网络，其中，所述卷积神经网络包括特征提取单元和特征映射单元，其中，所述特征提取单元用于提取所输入的图像数据的各类特征，包括依次连接的六层卷积层和一层池化层，所述六层卷积层分别采用relu函数对图像数据进行特征提取，获得特征图像，所述池化层用于对所述特征图像进行压缩和传输；所述特征映射单元用于利用所
述特征图像与图像类别变迁的映射关系，获得所述特征图像的分类结果，所述特征映射单元包括依次连接的一层平坦层和两层全连接层；
[0011]利用经训练的卷积神经网络模型对所述待分类图像数据进行处理，获得所述待分类图像数据的分类结果；
[0012]利用所述分类结果获取异常数据对应的时间和空间位置，并对车辆的驾驶轨迹进行提示。
[0013]在本专利技术的一个实施例中，根据足尺路面不同高频传感器数据特征构建自适应阈值，对处于加载过程中的传感器数据进行提取，包括：
[0014]存储所述多个高频传感器的相关参数，所述相关参数包括数据源格式和传感器的参数信息；
[0015]根据当前高频传感器的相关参数自适应设定数据提取所需的数据阈值；
[0016]利用所述相关参数和所述数据阈值，对所述待分类原始数据进行提取，提取出处于加载过程中的压力感知数据。
[0017]在本专利技术的一个实施例中，根据当前高频传感器的相关参数自适应设定数据提取所需的数据阈值，包括：
[0018]提取不同高频传感器数据的描述性指标，至少包括平均值、中位数、众数、最大值、最小值、25百分位数、75百分位数、极差、四分位数极差、离散系数；
[0019]通过所述描述性指标综合分析不同高频传感器的数据分布特征，并依据所述数据分布特征自适应地调整不同传感器对应的数据阈值。
[0020]在本专利技术的一个实施例中，所述数据阈值包括数据的上极值阈值、下极值阈值，上下极值阈值之间的最大间隔极差阈值、上下极值阈值之间的最小间隔极差阈值。
[0021]在本专利技术的一个实施例中，构建卷积神经网络，包括：
[0022]构建用于对所述图像数据进行分类的卷积神经网络；
[0023]获取来自足尺路面上多个高频传感器的大量原始数据，对所述原始数据中处于加载过程中的压力感知数据进行提取和可视化转换，获得大量图像数据；
[0024]对所述大量图像数据进行标注，添加正常标签和异常标签，获得带正常标签或异常标签的大量图像数据以组成所述训练数据集；
[0025]利用所述训练数据集对所述卷积神经网络进行训练，获得对该数据具有良好分类能力的卷积神经网络模型。
[0026]在本专利技术的一个实施例中，对所述大量图像数据进行标注，添加正常标签和异常标签，包括：
[0027]利用人工标注的多张高频传感器数据图像对构建的标注网络进行预训练，通过多层中间卷积层逐步学习高频传感器数据图像特征并初始化网络参数；利用反向传播标注误差，优化节点权重，以最小化网络误差；更新各节点权重，依次利用反向传播更新各层的节点权重，实现标注网络的参数优化，完成对标注网络的训练；
[0028]将待标注的所述大量图像数据输入已经训练好的具备图像分类能力的网络模型中，完成图像的半自动化标注。
[0029]本专利技术的另一方面提供了一种基于路面感知数据智能分类的加载车行驶纠偏系统，包括数据采集模块、数据提取模块、数据可视化模块、数据分类模块和提示模块，其中，
[0030]所述数据采集模块连接至位于足尺路面上多个高频传感器，用于获取所述多个高频传感器的原始数据；
[0031]所述数据提取模块用于根据足尺路面不同高频传感器数据特征构建自适应阈值，对处于加载过程中的传感器数据进行提取，获得多个压力感知数据片段；
[0032]所述数据可视化模块用于将所述多个压力感知数据片段进行可视化转换，获得对应的待分类图像数据；
[0033]所述数据分类模块内设置有卷积神经网络，所述卷积神经网络用于在经训练后对所述待分类图像数据进行分类，并输出分类结果。
[0034]在本专利技术的一个实施例中，所述数据提取模块包括存储单元、阈值设置单元和数据处理单元，其中，
[0035]所述存储单元用于存储所述多个高频传感器的相关参数，所述相关参数包括数据源格式、传感器信息以及传感器的关联数据；
[0036]所述阈值设置单元用于根据当前高频传感器的相关参数自适应设定数据提取所需的数据阈值，其中，所述数据阈值包括数据的上极值阈值、下极值阈值，上下极值阈值之间的最大间隔极差阈值、上下极值阈值之间的最小间隔极差阈值；
[0037]所述数据处理单元用于利用所述相关本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于路面感知数据智能分类的加载车行驶纠偏方法，其特征在于，包括：获取来自足尺路面上多个高频传感器的原始数据；根据足尺路面不同高频传感器数据特征构建自适应阈值，对处于加载过程中的传感器数据进行提取，获得多个压力感知数据片段；将所述多个压力感知数据片段进行可视化转换，获得对应的待分类图像数据；构建卷积神经网络，其中，所述卷积神经网络包括特征提取单元和特征映射单元，其中，所述特征提取单元用于提取所输入的图像数据的各类特征，包括依次连接的六层卷积层和一层池化层，所述六层卷积层分别采用relu函数对图像数据进行特征提取，获得特征图像，所述池化层用于对所述特征图像进行压缩和传输；所述特征映射单元用于利用所述特征图像与图像类别变迁的映射关系，获得所述特征图像的分类结果，所述特征映射单元包括依次连接的一层平坦层和两层全连接层；利用经训练的卷积神经网络模型对所述待分类图像数据进行处理，获得所述待分类图像数据的分类结果；利用所述分类结果获取异常数据对应的时间和空间位置，并对车辆的驾驶轨迹进行提示。2.根据权利要求1所述的基于路面感知数据智能分类的加载车行驶纠偏方法，其特征在于，根据足尺路面不同高频传感器数据特征构建自适应阈值，对处于加载过程中的传感器数据进行提取，包括：存储所述多个高频传感器的相关参数，所述相关参数包括数据源格式和传感器的参数信息；根据当前高频传感器的相关参数自适应设定数据提取所需的数据阈值；利用所述相关参数和所述数据阈值，对所述待分类原始数据进行提取，提取出处于加载过程中的压力感知数据。3.根据权利要求2所述的基于路面感知数据智能分类的加载车行驶纠偏方法，其特征在于，根据当前高频传感器的相关参数自适应设定数据提取所需的数据阈值，包括：提取不同高频传感器数据的描述性指标，至少包括平均值、中位数、众数、最大值、最小值、25百分位数、75百分位数、极差、四分位数极差、离散系数；通过所述描述性指标综合分析不同高频传感器的数据分布特征，并依据所述数据分布特征自适应地调整不同传感器对应的数据阈值。4.根据权利要求3所述的基于路面感知数据智能分类的加载车行驶纠偏方法，其特征在于，所述数据阈值包括数据的上极值阈值、下极值阈值，上下极值阈值之间的最大间隔极差阈值、上下极值阈值之间的最小间隔极差阈值。5.根据权利要求1所述的基于路面感知数据智能分类的加载车行驶纠偏方法，其特征在于，构建卷积神经网络，包括：构建用于对所述图像数据进行分类的卷积神经网络；获取来自足尺路面上多个高频传感器的大量原始数据，对所述原始数据中处于加载过程中的压力感知数据进行提取和可视化转换，获得大量图像数据；对所述大量图像数据进行标注，添加正常标签和异常标签，获得带正常标签或异常标签的大量图像数据以组成所述训练数据集；
利用所述训...

【专利技术属性】
技术研发人员：孙朝云，裴莉莉，沙爱民，郝雪丽，吴玉龙，李荣磊，李伟，户媛姣，袁博，韩雨希，
申请(专利权)人：长安大学，
类型：发明
国别省市：