本发明专利技术提供一种沥青路面抗滑性能预测系统的构建方法，通过数字图像采集平台获取检测点的图像，利用数字图像处理技术和卷积神经网络分割灰度图像并进行二值化处理；利用二值化图像区分裹附沥青的集料和表面空隙，结合灰度图像确定两部分的灰度值之差，并使用检测的构造深度值进行标定。然后，利用训练后的卷积神经网络就可以快速而有效地预测指定位置的抗滑性能，为道路建设和管理部门提供决策依据。为道路建设和管理部门提供决策依据。为道路建设和管理部门提供决策依据。
【技术实现步骤摘要】
沥青路面抗滑性能预测系统的构建方法及其构建的系统
[0001]本专利技术涉及沥青路面抗滑性能检测
，具体涉及一种基于深度学习理论的沥青路面抗滑性能评估及预测的方法。
技术介绍
[0002]沥青路面抗滑性能是沥青路面使用性能评价指标的关键，直接关系到汽车在行驶过程中的安全性。随着数字图像获取与人工智能等
的发展，抗滑性能的检测方法逐渐有了很大的改进，基于机器视觉技术对路面构造深度进行分析进而预测路面的抗滑性能也成为近年来的研究热点。通过图像分析，并利用传统方法进行标定，预测沥青路面构造深度，实现对路面整体抗滑安全性的合理分析，建立沥青路面抗滑性能和安全性的预测系统，对道路建设与后期运营提供指导。
[0003]使用融合的数字图像处理技术和人工智能技术，可以提高检测的覆盖面，甚至100％覆盖检测。同时，利用深度学习理论还可以提升检测的速度。一般而言，通过训练，利用卷积神经网络可以提升图像分割的准确性。快速而符合精度要求的沥青路面抗滑性能预测将为整个路面安全状况提供更加全面和合理的判断依据，能够为道路运营单位和养护单位提供决策基础。良好的抗滑性能可满足汽车在路面上高速行驶的要求，同时也为轮胎与路面之间提供了安全刹车距离所需的摩阻力，减少交通事故隐患。因此亟需对沥青路面抗滑性能指标与测试方法进行研究，以达到对路面抗滑性能达到精确预测的目的，提高了路面行车的安全性，减少了因路面抗滑性能减小而造成的侧翻、滑移等事故的发生。
技术实现思路
[0004]本专利技术提供一种沥青路面抗滑性能预测系统的构建方法，具体步骤如下：
[0005](1)采集路面的图片，并用手工铺砂法确定采集图片的区域的构造深度检测值；
[0006](2)采集的图片利用MATLAB软件转化为标准化灰度图像；
[0007](3)利用卷积神经网络对标准灰度图像进行图像分割和二值化训练；
[0008](4)当训练准确率未达到85％时，继续训练；当训练准确率达到85％以上时，即可结束训练；训练完成后暂时保存得到的最佳图像分割模型；
[0009](5)对比步骤(3)二值图像和步骤(2)得到的灰度图像，针对灰度图像，将与二值图内白色区域相对应像素的灰度值取平均值，同理，将与黑色区域相对应像素的灰度值取平均值，然后求白色区域与黑色区域灰度平均值之差。
[0010](6)利用步骤(1)得到的单张图片区域的构造深度对步骤(5)得到的灰度值平均值之差进行标定，得到单位灰度差值所对应的构造深度值，之后再用训练用的所有单张图片得到的单位灰度差值所对应的构造深度值求出平均值；
[0011](7)使用未参与训练的单张图片经过步骤(2)
‑
(5)得到图片的白色区域与黑色区域灰度平均值之差，再乘以步骤(6)得到的单位灰度差值所对应的构造深度值求出平均值，得到预测的构造深度；
[0012](8)使用步骤(7)的方法，利用多张图像进行验证，对比预测和实测的构造深度，利用如下回归决定系数公式进行评估：
[0013][0014]其中：
[0015]α
i
为实测的第i张图像的构造深度值；
[0016]β
i
为通过U
‑
Net网络预测的构造深度值；
[0017]为通过U
‑
Net网络预测的构造深度的平均值；
[0018]l为所有测得图像的总和；
[0019]构造深度预测评估指标R2不小于75％；
[0020]如果R2小于75％，则继续步骤(3)的训练，直到本步骤的R2不小于75％；
[0021]如果R2不小于75％，则沥青路面抗滑性能预测系统构建完成。
[0022]在上述方案的基础上，步骤(3)中的卷积神经网络是U
‑
Net卷积神经网络。
[0023]在上述方案的基础上，步骤(3)采用binary crossentropy损失函数评估训练过程；binary crossentropy损失函数为
[0024][0025]其中，o为预测值的数量，y
l
和分别为实际值和预测值。
[0026]在上述方案的基础上，步骤(5)中：各区域灰度值平均值计算公式：
[0027][0028][0029]两区域灰度平均值之差，公式如下：
[0030][0031]式中：对应于二值图白色区域像素位置的灰度值记作像素总数为k；黑色区域像素位置的灰度值记作像素总数为n。
[0032]在上述方案的基础上，步骤(6)中单张图片的单位灰度差值所对应的构造深度值＝构造深度检测值
÷
两区域灰度平均值之差。
[0033]在上述方案的基础上，步骤(1)中图像采集时先搭建图像采集平台，具体的是在长、宽、高为1米
×
1米
×
1.2米的长方体暗箱的四个顶角上安置四个可以调节亮度的LED灯，在暗箱的顶面中心位置处放置用于垂直拍摄沥青路面摄像机，暗箱底面中心位置处，开设有方孔；在拍摄沥青路面前，将方孔中心放置在预定检测位置。
[0034]本专利技术还提供了一张上述方法构建的沥青路面抗滑性能预测系统。
[0035]基于上述的预测系统，本专利技术还提供一种使用上述预测系统进行沥青路面抗滑性能预测的方法，具体步骤如下：
[0036](1)图像采集
[0037]采集方法与系统构建时图像采集的方法相同；
[0038](2)图像预处理
[0039]处理方法与系统构建时图像预处理的方法相同；
[0040](3)预处理后的图像输入沥青路面抗滑性能预测系统中进行构造的深度值的预测。
[0041]一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的预测方法步骤。
[0042]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述预测方法步骤。
[0043]本专利技术通过数字图像采集平台获取检测点的图像，利用数字图像处理技术和卷积神经网络分割灰度图像并进行二值化处理；利用二值化图像区分裹附沥青的集料和表面空隙，结合灰度图像确定两部分的灰度值之差，并使用检测的构造深度值进行标定。然后，利用训练后的卷积神经网络就可以快速而有效地预测指定位置的抗滑性能，为道路建设和管理部门提供决策依据。
附图说明
[0044]图1为本专利技术实施沥青路面抗滑性能预测方法技术路线图；
[0045]图2为图像采集时暗箱的结构说明图；
[0046]图3为手工铺砂法测定构造深度示意图；
[0047]图4为采集的沥青路面图像(编号001)；
[0048]图5为数字图像区域选择；
[0049]图6为与手工铺砂法对应的数字图像圆形区域裁剪；
[0050]图7为数字图像灰度处理；
[0051]图8本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种沥青路面抗滑性能预测系统的构建方法，其特征在于，具体步骤如下：(1)采集路面的图片，并用手工铺砂法确定采集图片的区域的构造深度检测值；(2)采集的图片利用MATLAB软件转化为标准化灰度图像；(3)利用卷积神经网络对标准灰度图像进行图像分割和二值化训练；(4)当训练准确率未达到85％时，继续训练；当训练准确率达到85％以上时，即可结束训练；训练完成后暂时保存得到的最佳图像分割模型；(5)对比步骤(3)二值图像和步骤(2)得到的灰度图像，针对灰度图像，将与二值图内白色区域相对应像素的灰度值取平均值，同理，将与黑色区域相对应像素的灰度值取平均值，然后求白色区域与黑色区域灰度平均值之差。(6)利用步骤(1)得到的单张图片区域的构造深度对步骤(5)得到的灰度值平均值之差进行标定，得到单位灰度差值所对应的构造深度值，之后再用训练用的所有单张图片得到的单位灰度差值所对应的构造深度值求出平均值；(7)使用未参与训练的单张图片经过步骤(2)
‑
(5)得到图片的白色区域与黑色区域灰度平均值之差，再乘以步骤(6)得到的单位灰度差值所对应的构造深度值的平均值，得到预测的构造深度；(8)使用步骤(7)的方法，利用多张图像进行验证，对比预测和实测的构造深度，利用如下回归决定系数公式进行评估：其中：α
i
为实测的第i张图像的构造深度值；β
i
为通过U
‑
Net网络预测的构造深度值；为通过U
‑
Net网络预测的构造深度的平均值；l为所有测得图像的总和；构造深度预测评估指标R2不小于75％；如果R2小于75％，则继续步骤(3)的训练，直到本步骤的R2不小于75％；如果R2不小于75％，则沥青路面抗滑性能预测系统构建完成。2.根据权利要求1所述的沥青路面抗滑性能预测系统的构建方法，其特征在于，步骤(3)中的卷积神经网络是U
‑
Net卷积神经网络。3.根据权利要求2所述的沥青路面抗滑性能预测系统的构建方法，其特征在...
【专利技术属性】
技术研发人员：辛公锋，龙关旭，赵瑜隆，王福海，赵之仲，张文亮，尚志强，张泽军，罗晓雪，
申请(专利权)人：山东交通学院，
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。