一种非接触式纹理摩擦预测方法技术

本发明专利技术公开了一种非接触式纹理摩擦预测方法，包括以下步骤：

【技术实现步骤摘要】
一种非接触式纹理摩擦预测方法


[0001]本专利技术涉及路面抗滑性能分析
，具体涉及一种非接触式纹理摩擦预测方法
。

技术介绍

[0002]道路交通安全是由多种因素共同作用的结果，而沥青路面的主要安全标准是胎面之间的相互作用，这与表面纹理特征直接相关，它有助于防滑和排水
。
而路面摩擦力是衡量路面行驶安全的重要标准，对于减少事故尤其是在潮湿天气下具有很大作用
。
[0003]传统的道路摩擦评价方法一般采用接触式摩擦测量设备得到摩擦系数，而这些接触式摩擦测量设备存在易受环境干扰
、
阻碍交通
、
数据可重复性差等缺点
。
随着三维激光测量技术和计算机算力的发展，非接触式的表面纹理测量设备引起广泛关注，越来越多学者使用机器学习方法进行路面摩擦预测，然而机器学习方法最大局限性在于其无法处理其自然状态下的原始数据，即必须依靠预处理或是特征提取将原始数据转化为特征向量才能进行训练；而基于深度学习技术的研究长期以来都是以
CNN
为骨干的网络架构一直是计算机视觉领域的主流架构，该类模型有着网络参数大，模型训练速度慢等缺点
。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供的一种非接触式纹理摩擦预测方法解决了现有模型网络参数大，模型训练速度慢的问题
。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种非接触式纹理摩擦预测方法，包括以下步骤：<br/>S1、
设置试验路段，获取数据集；
S2、
使用数据集对纹理摩擦预测网络模型进行训练，得到训练好的纹理摩擦预测网络模型；
S3、
利用训练好的纹理摩擦预测网络模型对实际压实施工过程中采集的纹理数据进行预测，得到该路段的摩擦性能，完成非接触式纹理摩擦预测
。
[0006]进一步地：所述步骤
S1
包括以下分步骤：
S11、
设置试验路段，在压路机上设置用于扫描纹理的高速激光断面检测仪；
S12、
使用设置好高速激光断面检测仪的压路机进行压实操作，并在最后一遍压实过程中对试验路段测试点位的路面纹理进行扫描，得到完整的路面纹理信号；
S13、
完整的路面纹理信号划分为短纹理信号得到路面纹理数据集
Ti'
；划分方法为：每一米短纹理信号包含
2000
个数据点；
S14、
将路面纹理数据集
Ti'
进行去噪处理得到去噪后的路面纹理数据集
Ti
；
S15、
使用动态摩擦测量仪测量压实过后的试验路段测试点位的路面摩擦水平，得到摩擦数据集
Fi'
；
S16、
将数据集
Fi'
的摩擦系数在（
0.2,1.0
）范围内，按照每
0.1
为间隔进行划分，得
到划分后的摩擦数据集
Fi
；
S17、
将去噪后的路面纹理数据集
Ti
和划分后的摩擦数据集
Fi
作为获取的数据集
。
[0007]进一步地：所述步骤
S14
包括以下分步骤：
S141、
计算路面纹理数据集
Ti'
中一段短纹理信号高程的均值，设置阈值高程，将超过阈值高程的噪声点替换为均值；
S142、
使用快速傅里叶变换通过巴特沃斯滤波器设定阈值波段得到宏观纹理和微观纹理；
S143、
对微观纹理进行
MAD
法离群值去噪得到去噪后的微观纹理；
S144、
宏观纹理进行均值滤波去噪得到去噪后的宏观纹理；
S145、
将去噪后的宏观纹理与去噪后的微观纹理重构得到去噪后的纹理信号；其中，重构公式为：
=+
；
S146、
将通过高斯滤波平滑得到最终短纹理信号
X
；
S147、
重复执行步骤
S141
‑
S146
，直到将路面纹理数据集
Ti'
每一段短纹理信号转换为最终短纹理信号
X
，得到去噪后的路面纹理数据集
Ti。
[0008]进一步地：所述步骤
S144
中得到去噪后的宏观纹理的方法为：其中，去噪后的宏观纹理为所有的集合，
g(i,j)
为去噪后的坐标点，为去噪前的坐标点，
h
为邻域算子，
k
和
l
分别为卷积核的高和宽
。
[0009]进一步地：所述步骤
S146
得到最终短纹理信号
X
的公式为：其中，为二维高斯卷积核；为标准差；
x
和
y
为距离中心点的横纵坐标
。
[0010]进一步地：所述步骤
S2
包括以下分步骤：
S21、 将去噪后的路面纹理数据集
Ti
和划分后的摩擦数据集
Fi
进行位置匹配，并将位置匹配后的
Ti
和
Fi
按照
6:2:2
的比例分别划分为训练集
Ti
训练
、
训练集
Fi
训练
、
验证集
Ti
验证
、
验证集
Fi
验证
、
测试集
Ti
测试
和测试集
Fi
测试
；
S22、
使用训练集
Ti
训练
作为输入，训练集
Fi
训练
作为标签对纹理摩擦预测网络模型进行训练，并使用验证集
Ti
验证
和
Fi
验证
进行验证，确定最优参数，得到训练好的纹理摩擦预测网络模型
。
[0011]进一步地：所述步骤
S22
中确定最优参数，最终验证得到的最优网络参数为
: 初始学习率为
0.1
，采用
SGD
优化器，一次训练所抓取的数据样本数量
Btach_size=32
，迭代次数
Epochs=100。
[0012]进一步地：所述步骤
S3
中，所述训练好的纹理摩擦预测网络模型对输入数据的处理方法包括以下步骤：
S31、
将去噪后的短纹理信号作为所述训练好的纹理摩擦预测网络模型的输入数据，输入至
Transformer
网络的
Patch Embedding
模块；
S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种非接触式纹理摩擦预测方法，其特征在于，包括以下步骤：
S1、
设置试验路段，获取数据集；所述数据集包括去噪后的路面纹理数据集
Ti
和划分后的摩擦数据集
Fi
；
S2、
使用数据集对纹理摩擦预测网络模型进行训练，得到训练好的纹理摩擦预测网络模型；
S3、
利用训练好的纹理摩擦预测网络模型对实际压实施工过程中采集的纹理数据进行预测，得到该路段的摩擦性能，完成非接触式纹理摩擦预测
。2.
根据权利要求1所述的非接触式纹理摩擦预测方法，其特征在于，所述步骤
S1
包括以下分步骤：
S11、
设置试验路段，在压路机上设置用于扫描纹理的高速激光断面检测仪；
S12、
使用设置好高速激光断面检测仪的压路机进行压实操作，并在最后一遍压实过程中对试验路段测试点位的路面纹理进行扫描，得到完整的路面纹理信号；
S13、
完整的路面纹理信号划分为短纹理信号得到路面纹理数据集
Ti'
；划分方法为：每一米短纹理信号包含
2000
个数据点；
S14、
将路面纹理数据集
Ti'
进行去噪处理得到去噪后的路面纹理数据集
Ti
；
S15、
使用动态摩擦测量仪测量压实过后的试验路段测试点位的路面摩擦水平，得到摩擦数据集
Fi'
；
S16、
将数据集
Fi'
的摩擦系数在（
0.2,1.0
）范围内，按照每
0.1
为间隔进行划分，得到划分后的摩擦数据集
Fi
；
S17、
将去噪后的路面纹理数据集
Ti
和划分后的摩擦数据集
Fi
作为获取的数据集
。3.
根据权利要求2所述的非接触式纹理摩擦预测方法，其特征在于，所述步骤
S14
包括以下分步骤：
S141、
计算路面纹理数据集
Ti'
中一段短纹理信号高程的均值，设置阈值高程，将超过阈值高程的噪声点替换为均值；
S142、
使用快速傅里叶变换通过巴特沃斯滤波器设定阈值波段得到宏观纹理和微观纹理；
S143、
对微观纹理进行
MAD
法离群值去噪得到去噪后的微观纹理；
S144、
宏观纹理进行均值滤波去噪得到去噪后的宏观纹理；
S145、
将去噪后的宏观纹理与去噪后的微观纹理重构得到去噪后的纹理信号；其中，重构公式为：
=+
；
S146、
将通过高斯滤波平滑得到最终短纹理信号
X
；
S147、
重复执行步骤
S141
‑
S146
，直到将路面纹理数据集
Ti'
每一段短纹理信号转换为最终短纹理信号
X
，得到去噪后的路面纹理数据集
Ti。4.
根据权利要求3所述的非接触式纹理摩擦预测方法，其特征在于，所述步骤
S144
中得到去噪后的宏观纹理的方法为：
其中，去噪后的宏观纹理为所有的集合，
g(i,j)
为去噪后的坐标点，为去噪前的坐标点，
h
为邻域算子，
k
和
l
分别为卷积核的高和宽
。5.
根据权利要求3所述的非接触式纹理摩擦预测方法，其特征在于，所述步骤
S146
得到最终短纹理信号
X
的公式为：其中， 为二维高斯卷积核；为标准差；
x
和
y
为距离中心点的横纵坐标
。6.
根据权利要求2所述的非接触式纹理摩擦预测方法，其特征在于，所述步骤
S2
包括以下分步骤：
S21、 将去噪后的路面纹理数据集
Ti
和划分后的摩擦数据集
Fi
进行位置匹配，并将位置匹配后的
Ti
和
Fi
按照
6:2:2
的比例分别划分为训练集
Ti
训练
、
训练集
Fi
训练
、
验证集
Ti
验证
、
验证集
Fi
验证
、
测试集
Ti
测试
和测试集
Fi
测试
；
S22、
使用训练集
Ti
训练

【专利技术属性】
技术研发人员：黄河，聂梓龙，袁文丹，战友，杨智翔，周炜，毛广茂，刘志彤，王世法，艾长发，
申请(专利权)人：四川成绵苍巴高速公路有限责任公司成都分公司，
类型：发明
国别省市：