[發明專利]一種道路路面狀況檢測方法及檢測系統

有效

• 申請號: 201910432962.7
• 申請日: 2019-05-23
• 公開（公告）號: CN110108655B
• 公開（公告）日: 2022-01-11
• 發明（設計）人: 熊顯名;張文濤;張乾坤;曾啟林;張麗娟
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G01N21/31
• 分類號: G01N21/31
• 代理公司: 北京中濟緯天專利代理有限公司 11429
• 代理人: 石燕妮

1.一種道路路面狀況檢測方法，其特征在于，包括如下步驟：

平行于路面放置第一本底，垂直于路面放置第二本底，所述第一本底表面和第二本底表面在檢測光源的照射下反射光線；

采集所述第一本底和所述第二本底的反射光譜數據；

比較第一本底反射光譜數據和第二本底反射光譜數據，得到道路路面狀況檢測結果，具體步驟包括：

對第一本底反射光譜數據和第二本底反射光譜數據進行預處理，其中，預處理為進行十次波形相加求平均和五點三次算法平滑處理；

根據第二本底反射光譜數據判斷所述檢測光源類型；

用預處理后的第二本底反射光譜數據除以預處理后的第一本底反射光譜數據，得到比較數據，根據所述比較數據的波形判斷道路路面狀況，得到道路路面狀況檢測結果；

當所述檢測光源為太陽光時，陽光照射在第一本底和第二本底上，通過第一光譜儀和第二光譜儀分別采集第一本底和第二本底上580nm—1100nm波段的光譜數據，并取可見光660-680nm波段光譜數據作為光源環境特征值，然后計算得到比較數據，并對比較數據的波形放大1000倍后進行采樣，采樣點為256個：

若所述比較數據的波形位于第一設定區間內，則所述道路路面狀況為路面正常，其中，將比較數據放大1000倍，第一設定區間的范圍為950≤R1≤1050；

若所述比較數據的波形位于所述第一設定區間下方，則所述道路路面狀況為路面積雪，且比較數據的波形數值越小，雪的厚度越深；

若所述比較數據的波形位于所述第一設定區間上方，將第一光譜數據輸入BP神經網絡分類模型中進行識別，以判斷道路路面狀況為路面結冰或路面有水中的一種；

訓練BP神經網絡，以得到所述BP神經網絡分類模型的方法包括：

大量采集15000-70000/counts光照下，分別帶有1mm-10mm水量的、1mm-10mm厚度的冰層的第一本底的反射光譜樣本數據，和同等光照強度下第二本底的反射光譜樣本數據；

對第一本底的反射光譜樣本數據和第二本底的反射光譜樣本數據進行預處理；

用預處理后的第二本底的反射光譜樣本數據除以預處理后的第一本底的反射光譜樣本數據，得到樣本比較數據，并取出第二本底的反射光譜曲線中660-680nm波段的光譜樣本數據作為光源環境特征值；

將樣本比較數據與光源環境特征值進行融合，得到修正樣本比較數據；

將修正樣本比較數據按照一定比例分為訓練樣本數據和測試樣本數據，將訓練樣本數據輸入BP神經網絡模型，對BP神經網絡模型進行訓練，將測試樣本數據輸入訓練后的BP神經網絡模型進行驗證，得到所述BP神經網絡分類模型。

2.根據權利要求1所述的一種道路路面狀況檢測方法，其特征在于，所述檢測光源還可以為人造燈源中的一種。

3.根據權利要求2所述的一種道路路面狀況檢測方法，其特征在于，所述檢測結果為路面積雪、路面正常、路面結冰或路面有水中的一種。

4.根據權利要求1所述的一種道路路面狀況檢測方法，其特征在于，當所述檢測光源為人造燈源時：

若所述比較數據的波形位于第一設定區間內，則所述道路路面狀況為路面正常；

若所述比較數據的波形位于所述第一設定區間下方，則所述道路路面狀況為路面積雪；

若所述比較數據的波形位于所述第一設定區間上方，且所述比較數據的波形位于第二設定區間內，則所述道路路面狀況為路面結冰；若所述比較數據的波形位于第二設定區間上方，則所述道路路面狀況為路面有水。

5.一種道路路面狀況檢測系統，其特征在于，包括:第一光譜儀、第二光譜儀、第一本底、第二本底、檢測光源、數據處理器、預警器和顯示器，所述第一光譜儀和第二光譜儀均與數據處理器連接；

所述檢測光源用于照射第一本底表面和第二本底表面，使第一本底表面和第二本底表面反射光線；

所述第一本底與路面平行放置，以使冰、水和雪能夠自然落于第一本底上面；

所述第二本底與路面垂直放置，以避免冰、水和雪落于第二本底上；

所述第一光譜儀用于采集所述第一本底的反射光譜數據；

所述第二光譜儀用于采集所述第二本底的反射光譜數據；

所述數據處理器用于對第一本底的反射光譜數據和第二本底的反射光譜數據進行比較，以得到道路路面狀況檢測結果，并將所述檢測結果傳輸到顯示器和預警器，比較第一本底反射光譜數據和第二本底反射光譜數據，得到道路路面狀況檢測結果，具體步驟包括：

對第一本底反射光譜數據和第二本底反射光譜數據進行預處理，其中，預處理為進行十次波形相加求平均和五點三次算法平滑處理；

根據第二本底反射光譜數據判斷所述檢測光源類型；

用預處理后的第二本底反射光譜數據除以預處理后的第一本底反射光譜數據，得到比較數據，根據所述比較數據的波形判斷道路路面狀況，得到道路路面狀況檢測結果；

當所述檢測光源為太陽光時，陽光照射在第一本底和第二本底上，通過第一光譜儀和第二光譜儀分別采集第一本底和第二本底上580nm—1100nm波段的光譜數據，并取可見光660-680nm波段光譜數據作為光源環境特征值，然后計算得到比較數據，并對比較數據的波形放大1000倍后進行采樣，采樣點為256個：

若所述比較數據的波形位于第一設定區間內，則所述道路路面狀況為路面正常，其中，將比較數據放大1000倍，第一設定區間的范圍為950≤R1≤1050；

若所述比較數據的波形位于所述第一設定區間下方，則所述道路路面狀況為路面積雪，且比較數據的波形數值越小，雪的厚度越深；

若所述比較數據的波形位于所述第一設定區間上方，將第一光譜數據輸入BP神經網絡分類模型中進行識別，以判斷道路路面狀況為路面結冰或路面有水中的一種；

訓練BP神經網絡，以得到所述BP神經網絡分類模型的方法包括：

大量采集15000-70000/counts光照下，分別帶有1mm-10mm水量的、1mm-10mm厚度的冰層的第一本底的反射光譜樣本數據，和同等光照強度下第二本底的反射光譜樣本數據；

對第一本底的反射光譜樣本數據和第二本底的反射光譜樣本數據進行預處理；

用預處理后的第二本底的反射光譜樣本數據除以預處理后的第一本底的反射光譜樣本數據，得到樣本比較數據，并取出第二本底的反射光譜曲線中660-680nm波段的光譜樣本數據作為光源環境特征值；

將樣本比較數據與光源環境特征值進行融合，得到修正樣本比較數據；

將修正樣本比較數據按照一定比例分為訓練樣本數據和測試樣本數據，將訓練樣本數據輸入BP神經網絡模型，對BP神經網絡模型進行訓練，將測試樣本數據輸入訓練后的BP神經網絡模型進行驗證，得到所述BP神經網絡分類模型；

所述預警器安裝于道路上，用于根據接收到的檢測結果，發出預警；

所述顯示器安裝在控制室中，用于顯示所述檢測結果。