一种基于三维数据的路面结构质量控制方法及系统
文献发布时间:2023-06-19 19:30:30
技术领域
本申请涉及路面质量控制的技术领域,尤其是涉及一种基于三维数据的路面结构质量控制方法及系统。
背景技术
随着沥青路面的运营使用,早期病害也成为了道路工作者困恼的难题之一,不仅降低了道路的服务质量和使用寿命,也对车辆行驶构成严重威胁。已有研究显示,沥青面层施工质量问题是引起早期病害最为主要的原因之一,其中级配离析影响更是显著,已有的试验结论表明:沥青混合料的路用性能与使用寿命受级配影响大,各面层结构级配离析均会对路面寿命产生影响,其中上面层离析影响最为显著,面层疲劳寿命最高可减少约90%。
在沥青面层施工过程中,一方面各规格冷集料自身存在的级配波动会对沥青混合料拌和级配产生影响;另一方面,沥青混合料运输、摊铺、碾压等过程会引起沥青混合料级配变异,导致与设计级配出现偏差,对沥青路面的使用性能产生影响。现行的《公路沥青路面施工技术规范》(JTGF40-2004)规定了沥青面层施工过程中级配的检测方法和频率,要求拌和站对各热料仓数据全程监控,进行总量检验;并且要求检测人员对拌和混合料进行抽样检测,每天1到2次。尽管规定了级配检测的要求与方法,但存在一定弊端,一方面,检测主要集中在拌和阶段,未涉及运输、摊铺等施工过程,与级配变异发生在整个施工过程相悖,导致针对性不强;另一方面,检测方法与手段存在实时性低、抽样量少等问题,难以对混合料级配稳定起到理想的控制效果。因此,有必要找到一个对路面摊铺过程中集料级配质量实时动态控制的方法,以尽可能达到保障混合料性能的目的。
发明内容
为了能够在摊铺的过程中,对路面集料级配质量进行动态控制,本申请提供一种基于三维数据的路面结构质量控制方法及系统。
第一方面,本申请提供的一种基于三维数据的路面结构质量控制方法,采用如下技术方案:
一种基于三维数据的路面结构质量控制方法,包括:
摊铺后,通过三维激光扫描仪扫描路面,获取路面扫描数据;
将所述路面扫描数据输入至预先训练完成的神经网络中,获得输出值;
基于所述输出值和细度模数,获得实际集料的实际粗细情况;
基于预设的级配区和所述输出值,获得实际集料的实际级配;
比较所述实际级配和理想级配,获得比较结果;
根据所述比较结果,控制摊铺机动作。
通过采用上述技术方案,由于摊铺机在摊铺后,三维激光扫描仪随即可以扫描摊铺后的路面,从而获取路面扫描数据,而后路面扫描数据被输入至神经网络中,从而获得输出值,再根据细度模数,获得实际集料的实际粗细情况,再根据级配区,获得实际集料的实际级配,根据实际级配和理想级配的比较结果,控制摊铺机的动作;因此能够自动对集料进行评估,对施工过程及时给予反馈,降低了对人工的依赖,从而实现了对路面集料级配质量进行动态控制。
可选的,所述根据所述比较结果,控制摊铺机动作具体包括:
获得实际级配与理想级配之间的误差率;
判断所述误差率是否超过误差率阈值,若是,则控制摊铺机动作。
可选的,所述控制方法还包括:
获取三维激光扫描仪周围环境信息;
基于所述环境信息,判断三维激光扫描仪是否需要进行防护,若是,则控制防护组件对三维激光扫描仪进行防护。
通过采用上述技术方案,能够及时的根据周围环境信息控制防护组件对三维激光扫描仪进行防护。
可选的,所述控制方法还包括:
所述环境信息包括湿度、温度和粉尘浓度;
若所述湿度超过湿度阈值,则控制所述防护组件进行除湿处理;
若是所述温度超过温度最高阈值,则控制所述防护组件进行降温处理,若所述温度低于温度最低阈值,则控制所述防护组件进行加热处理;
若所述粉尘浓度超过浓度阈值,则控制所述防护组件进行降尘处理。
通过采用上述技术方案,通过根据不同的环境信息,控制防护组件执行不同的处理方式,提高了防护组件的适用性,防护效果更好。
可选的,所述防护组件包括:
壳体,安装于所述三维激光扫描仪的机架上,将所述三维激光扫描仪的扫描头罩设于内,所述壳体开设有供所述扫描头扫描的扫描窗口,所述壳体表面开设有多个风孔,所述壳体内开设有风槽,所述风孔与所述风槽连通;
电加热丝,铺设于所述壳体内;
旋涡式鼓风机,安装于所述壳体上,并且与所述风槽连通;
挡板,转动连接于所述壳体上,用于启闭所述扫描窗口;
驱动部件,安装于所述壳体上,用于驱动所述挡板的转动。
通过采用上述技术方案,除湿处理可以是控制电加热丝对壳体进行加热,降温处理可以是启动旋涡式鼓风机,使得该鼓风机正转,实现吹风的效果,加热处理和除湿处理操作一致,降尘处理,可以是启动旋涡式鼓风机,使得鼓风机反转,形成抽风的效果,从而能够抽走壳体附件的粉尘,启动驱动部件,驱动部件驱动挡板转动,使得挡板遮蔽扫描窗口,以减少灰尘对扫描头的影响。
可选的,所述驱动部件包括:
驱动电机,安装于所述壳体上;
驱动主齿轮,与所述驱动电机输出轴同轴固定连接;
驱动从齿轮,与所述驱动主齿轮啮合,且同轴固定连接于转轴上,所述挡板通过所述转轴与所述壳体转动连接。
可选的,训练神经网络的步骤包括:
获取路面扫描数据,构建样本库;
从所述样本库中随机选取90%的样本作为训练集,剩余样本作为测试集;
构建残差深度卷积神经网络,所述残差深度卷积神经网络包括多个顺序连接的残差块,所述残差块的数据处理方式包括直线连接和跳跃连接,所述直线连接为将上一层输出作为本层原始输入逐步进行卷积、归一化、激活处理;所述跳跃连接直接将上一层输出与所述直线连接输出处进行张量元素内容相加;所述残差块将加和结果直接作为残差块处理结果进行输出;将所述训练集输入至所述残差深度卷积神经网络中,获得网络权重参数,所述残差深度卷积神经网络初步训练完成;
将所述测试集输入至初步训练完成的所述残差深度卷积神经网络中,测试网络性能。
可选的,当前网络层第l层的输出等于正常网络的输出计算公式如下:a
所述残差深度卷积神经网络中反向传播的误差传播公式如下:
J表示代价函数,用于衡量预测值与训练集输出值之间的差异;σ′(z
可选的,所述残差深度卷积神经网络中逻辑回归使用的损失函数为:L(y
代价函数为:
其中,其中y
逻辑回归梯度下降计算公式为:
其中,y为预测值,y
第二方面,本申请提供了一种基于三维数据的路面结构质量控制系统,采用如下技术方案:
一种基于三维数据的路面结构质量控制系统,包括:
三维激光扫描仪,安装于摊铺机上,用于扫描摊铺后的路面,并发送路面扫描数据;
控制器,包括:
数据获取模块,用于获取所述路面扫描数据;
神经网络模块,用于将所述路面扫描数据输入至预先训练完成的神经网络中,获得输出值;集料粗细情况获得模块,基于所述输出值和细度模数,获得实际集料的实际粗细情况;
集料级配获得模块,基于预设的级配区和所述输出值,获得实际集料的实际级配;
比较模块,比较所述实际级配和理想级配,获得比较结果;
所述控制器根据比较结果,控制摊铺机动作。
通过采用上述技术方案,由于摊铺机在摊铺后,三维激光扫描仪随即可以扫描摊铺后的路面,数据获取模块获取路面扫描数据,而后扫描数据被输入至神经网络中,从而获得输出值,集料粗细情况获得模块再根据细度模数,获得实际集料的实际粗细情况,集料级配获得模块再根据级配区,获得实际集料的实际级配,控制器根据比较模块获得的比较结果,控制摊铺机的动作;因此能够自动对集料进行评估,对施工过程及时给予反馈,降低了对人工的依赖,从而实现了对路面集料级配质量进行动态控制。
综上所述,本申请存在至少以下有益效果:
1、由于在摊铺后,通过三维激光扫描仪扫描路面,并将路面扫描数据输入至神经网络中,获得输出值,再根据输出值和细度模数,获得实际集料的实际粗细情况,以及根据级配区,获得实际集料的实际级配,从而将实际级配和理想级配进行比较,根据比较结果,控制摊铺机的动作,因此能够自动对集料进行评估,对施工过程及时给予反馈,降低了对人工的依赖,从而实现了对路面集料级配质量进行动态控制。
2、通过获取三维激光扫描仪周围的环境信息,进而判断三维激光扫描仪是否需要防护,从而能够延长三维激光扫描仪的使用寿命,并且能够提高测量精度。
附图说明
图1是本申请方法实施例一实施方式的流程框图;
图2是S160一具体实施方式的流程框图;
图3是本申请方法实施例另一实施方式的流程框图;
图4是防护组件的结构示意图;
图5是训练神经网络的流程框图;
图6是残差深度卷积神经网路结构图;
图7是本申请系统实施例一实施方式的结构框图;
图8是本申请系统实施例另一实施方式的结构框图。
附图标记说明:100、壳体;110、扫描窗口;120、风孔;130、挡板;200、三维激光扫描仪;300、控制器;310、数据获取模块;320、神经网络模块;330、集料粗细情况获得模块;340、集料级配获得模块;350、比较模块;351、误差率获得单元;352、判断单元;410、温度传感器;420、湿度传感器;430、粉尘浓度传感器。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图1-附图8,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请一实施例公开一种基于三维数据的路面结构质量控制方法。参照图1,作为该方法的一实施方式,该方法可以包括S110-S160:
S110,摊铺后,通过三维激光扫描仪扫描路面,获取路面扫描数据;其中,路面扫描数据通常为图像数据。
S120,将路面扫描数据输入至预先训练完成的神经网络中,获得输出值;
具体地,再将路面扫描数据输入至神经网络前,可以对路面扫描数据按照预设的尺寸,进行切割取样。
S130,基于输出值和细度模数,获得实际集料的实际粗细情况;
具体地,以骨料为砂为例,砂的粗细程度是指不同粒径的砂粒混合体平均粒径大小,通常用细度模数(Mx)表示;根据细度模数Mx大小可以将砂按下列分类:
Mx>3.7特粗砂;Mx=3.1~3.7粗砂;Mx=3.0~2.3中砂;Mx=2.2~1.6细砂;Mx=1.5~0.7特细砂。若是输出值为3.5,则表示实际集料为粗砂。
S140,基于预设的级配区和输出值,获得实际集料的实际级配;
具体地,累计筛余百分率:某号筛的分计筛余百分率和大于某号筛的各筛分计筛余百分率的总和;分计筛余百分率:某号筛上的筛余量占试样总质量的百分率。筛分析是用一套孔径为4.75,2.36,1.18,0.600,0.300,0.150mm的标准筛,将500克干砂由粗到细依次过筛,称量各筛上的筛余量(g),计算各筛上的分计筛余率(%),再计算累计筛余率(%)。
砂的颗粒级配根据0.600mm筛孔对应的累计筛余百分率,分成Ⅰ区、II区和Ⅲ区三个级配区。级配良好的粗砂应落在Ⅰ区;级配良好的中砂应落在II区;细砂则在Ⅲ区。
例如,若是输出值为3.5,则实际集料为粗砂,则理想级配应为I区;根据预设的级配区与输出值的映射关系,3.5也对应Ⅰ区,该Ⅰ区为实际集料的实际级配。
S150,比较实际级配和理想级配,获得比较结果;
具体地,比较实际级配和理想级配,实际上就是比较实际级配和理想级配各自对应的累计筛余率。
S160,根据比较结果,控制摊铺机动作。
具体地,参照图2,如S161-S162:
S161,获得实际级配与理想级配之间的误差率;
S162,判断误差率是否超过误差率阈值,若是,则控制摊铺机动作。
以上述例子为例,实际级配对应的累积筛余率为40%,理想级配对应的累积筛余率为50%,两者的误差率为10%,大于误差率阈值5%,因此需要控制摊铺机停止摊铺或者是调整摊铺机的出料等,可根据实际情况控制摊铺机的动作。
参照图3,作为控制方法的另一实施方式,该控制方法可以包括S210-S220:
S210,获取三维激光扫描仪周围环境信息;
具体地,环境信息可以包括湿度、温度和粉尘浓度等;在摊铺机上安装温度传感器、湿度传感器和粉尘浓度传感器等类型传感器,以对附近湿度、温度、粉尘浓度等进行检测。
S220,基于环境信息,判断三维激光扫描仪是否需要进行防护,若是,则控制防护组件对三维激光扫描仪进行防护。
具体地,若湿度超过湿度阈值,则控制防护组件进行除湿处理;若是温度超过温度最高阈值,则控制防护组件进行降温处理,若是温度低于温度最低阈值,则控制防护组件进行加热处理;若是粉尘浓度超过浓度阈值,则控制防护组件进行降尘处理。
需要说明的是,参照头4,该防护组件可以包括:
壳体100,固定连接于三维激光扫描仪的机架上,将三维激光扫描仪的扫描头罩设于内,壳体100开设有供扫描头扫描的扫描窗口110,壳体100表面周向开设有多个风孔120,壳体100内开设有环形的风槽(图中未显示),风孔120与风槽连通;
电加热丝(图中未显示),铺设于壳体100内;
旋涡式鼓风机(图中未显示),通过螺栓安装于壳体100上,并且与风槽连通;
挡板130,通过转轴转动连接于壳体100上,用于启闭扫描窗口110;
驱动部件(图中未显示),安装于壳体100上,用于驱动挡板130的转动。
该驱动部件可以包括:
驱动电机,通过螺栓安装于壳体100上;
驱动主齿轮,与驱动电机输出轴同轴固定连接;
驱动从齿轮,与驱动主齿轮啮合,且同轴固定连接于转轴上。
最后需要说明的是,在本实施方式中,参照图5,训练神经网络的步骤包括S310-S350:
S310,获取路面扫描数据,构建样本库;
S320,从样本库中随机选取90%的样本作为训练集,剩余样本作为测试集;
S330,构建残差深度卷积神经网络;
残差深度卷积神经网络包括多个顺序连接的残差块,残差块的数据处理方式包括直线连接和跳跃连接,直线连接为将上一层输出作为本层原始输入逐步进行卷积、归一化、激活处理;跳跃连接直接将上一层输出与直线连接输出处进行张量元素内容相加;残差块将加和结果直接作为残差块处理结果进行输出;
S340,将训练集输入至残差深度卷积神经网络中,获得网络权重参数,在训练集全部输入后,残差深度卷积神经网络训练完成;
S350,将测试集输入至初步训练完成的残差深度卷积神经网络中,测试网络性能。
卷积神经网络最主要的两个部分是卷积层和池化层,卷积层(Convolutionallayer,即CONV层)的核心是卷积运算。对于图像中所有或大部分像素,以该像素为中心的局部窗口内的像素与卷积核进行内积运算,将计算记过作为该像素的新值。遍历图像中的所有或大部分像素,进行上述内积运算,加上偏差,应用激活函数进行激活,完成一次滤波,得到一个和原图像相同尺寸或比原图像尺寸较小的输出特征。通常情况下,卷积神经网络的当前第l层输入数据为上一层第(l-1)层的输出数据a
应用激活函数g对线性运算结果进行激活,得到下一层的输入层a
学习过程由信号的正向传播与误差的反向传播两个过程组成。误差正向传播为:输入样本->输入层->各隐藏层(处理)->输出层。误差反向传播为:输出误差(某种形式)->隐藏层(逐层)->输入层,其主要目的是通过将输出误差反传,将误差分摊给各层所有单元,从而获得各层单元的误差信号,进而修正各单元的权值;其过程是一个权值调整的过程。
残差深度卷积神经网络中反向传播的误差传播公式如下:
J表示代价函数,用于衡量预测值与训练集输出值之间的差异;σ′(z
参照图6,建立ResNet10神经网络,ResNet10神经网络包含9个卷积层、1个全连接层和2个池化层;CONV表示卷积层,POOL池化层,FC表示全连接层,每层的7X7,3X3表示卷积核大小,各个卷积层的数字64,128,256,512分别表示对应卷积层卷积核数量;最大池化层即最大子采样函数取区域内所有神经元的最大值。全局平均池化层为不以窗口的形式取均值,而是以上一层的输入为单位进行均值化的池化层,即每一个特征图(featuremap)输出一个值。图4中的/2表示设置参数stride=2,,使输入尺寸长度会变为原来的一半,例如原输入为224*224,经过对应处理后会变为112*112,目的是调整特征图宽度和高度尺寸。该神经网络的构建方法规定了图像输入尺寸为224*224的RGB图像,第一层卷积层设置64个卷积核,卷积核尺寸为7*7,卷积层步长(stride)设置为2个像素;第一层卷积层后接一个最大池化层,最大池化的树池尺寸为3*3,步长(stride)设置为2个像素,填充(padding)设置为补零(same);最大池化层后接4个残差块,残差块中卷积核尺寸均为3*3;残差处理后为全局池化层;池化后接全连接层,再使用Softmax分类进行分类,逻辑回归使用的损失函数方程(Lossfunction)为:
L(y
代价函数为:
逻辑回归梯度下降计算公式为:
其中,y为预测值,y
需要说明的是,该神经网络的训练方法为常规训练方法,仅是训练集和测试集不同,以及构建的神经网络中参数不同而已。
本实施例的实施原理为:
摊铺机摊铺时,三维激光扫描仪扫描摊铺后的路面,而后获取路面扫描数据,并将路面扫描数据输入至神经网络中,获得输出值,而后再基于细度模数,获得实际集料的实际级配,并根据级配区,获得实际集料的实际级配,而后获得实际级配与理想级配之间的误差率,并判断误差率是否超过误差率阈值,若是,则控制摊铺机动作;在摊铺机摊铺时,同时获取三维激光扫描仪周围环境信息,并根据环境信息判断三维激光扫描仪是否需要进行防护,若是,则控制防护组件对三维激光扫描仪进行防护。
基于上述方法实施例,本申请另一实施例公开一种基于三维数据的路面结构质量控制系统。参照图7,作为该系统的一实施方式,该系统可以包括:
三维激光扫描仪200,安装于摊铺机上,用于扫描摊铺后的路面,并发送路面扫描数据;
控制器300,包括:
数据获取模块310,用于获取路面扫描数据;
神经网络模块320,用于将路面扫描数据输入至预先训练完成的神经网络中,获得输出值;
集料粗细情况获得模块330,基于输出值和细度模数,获得实际集料的实际粗细情况;
集料级配获得模块340,基于预设的级配区和输出值,获得实际集料的实际级配;
比较模块350,比较实际级配和理想级配,获得比较结果;
控制器300根据比较结果,控制摊铺机动作。
比较模块350可以包括:
误差率获得单元351,用于获得实际级配与理想级配之间的误差率;
判断单元352,用于判断误差率是否超过误差率阈值,若是,则控制器300控制摊铺机动作。
参照图8,作为该系统的另一实施方式,该系统可以包括:
温度传感器410,用于检测三维激光扫描仪周围温度,并发送温度信息;
湿度传感器420,用于检测三维激光扫描仪周围湿度,并发送湿度信息;
粉尘浓度传感器430,用于检测三维激光扫描仪周围的粉尘浓度,并发送粉尘浓度信息;
防护组件,与控制器300连接,用于在湿度超过湿度阈值,则进行除湿处理,用于在温度温度超过温度最高阈值时,进行降温处理,在温度低于温度最低阈值时,进行加热处理,用于在粉尘浓度超过浓度阈值时,进行降尘处理。
本实施例的实施原理为:
摊铺机摊铺时,三维激光扫描仪200扫描摊铺后的路面,而后数据获取模块310获取路面扫描数据,神经网络模块320将路面扫描数据输入至神经网络中,获得输出值,而后集料粗细情况获得模块330再基于细度模数,获得实际集料的实际级配,集料级配获得模块340根据级配区,获得实际集料的实际级配,误差率获得单元351获得实际级配与理想级配之间的误差率,判断单元352判断误差率是否超过误差率阈值,若是,则控制器300控制摊铺机动作;在摊铺机摊铺时,温度传感器410、湿度传感器420和粉尘浓度传感器430会检测三维激光扫描仪200周围的湿度、温度和粉尘浓度,控制器300用于在判断湿度超过湿度阈值,则进行除湿处理,用于在判断温度温度超过温度最高阈值时,进行降温处理,在判断温度低于温度最低阈值时,进行加热处理,用于在判断粉尘浓度超过浓度阈值时,进行降尘处理。
以上均为本申请的较佳实施例,并非依次限制本申请的保护范围,本说明书(包括摘要和附图)中公开的任一特征,除非特别叙述,均可被其他等效或者具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
- 一种基于众包轨迹数据的交通数据质量控制方法
- 一种基于三维GIS的地震勘探辅助数据质量控制方法
- 一种基于路面三维数据的路面错台检测方法及装置