[發明專利]一種道路施工安全風險監測方法及系統

在審

• 申請號: 201911336867.3
• 申請日: 2019-12-23
• 公開（公告）號: CN111127424A
• 公開（公告）日: 2020-05-08
• 發明（設計）人: 王海燕;歐陽斌;丁芝華;閆磊;李胤;王寶春;余靜
• 申請（專利權）人: 交通運輸部科學研究院;交科院科技集團有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/46;G06K9/62;G01N21/88;G01N33/42;G06Q50/08
• 代理公司: 北京中和立達知識產權代理事務所(普通合伙) 11756
• 代理人: 張攀

1.一種道路施工安全風險監測方法，其特征在于，包括以下步驟：

(1)利用物化方法檢測道路施工材料的物理化學性能；

(2)利用強度檢測設備檢測道路主體結構強度數據；利用測量工具檢測道路主體尺寸數據；利用攝像設備采集道路圖像對道路表面缺陷進行檢測；

(3)利用防水測試設備測試道路的防水性能；

(4)利用計算程序計算道路平整度；

(5)比對步驟，使用檢測數據與安全標準數據進行比對；

(6)利用評估模型根據各項數據，比對數據對道路施工安全風險進行評估；

(7)使用顯示裝置對各項數據信息進行顯示。

2.如權利要求1所述的道路施工安全風險監測方法，其特征在于，步驟(2)中的利用攝像設備采集道路圖像對道路表面缺陷進行檢測的方法包括以下步驟：

S1.獲取具有路面缺陷的圖像并進行灰度處理形成路面缺陷灰度圖像；

S2.對路面缺陷灰度圖像進行紋理特征提取，提取出特征值組成紋理特征向量，并以紋理特征向量表征路面缺陷灰度圖像；

S3：對紋理特征向量進行歸一化處理；

S4.將同一缺陷類別的紋理特征向量表征的路面缺陷灰度圖像進行均分，形成訓練集和測試集；

S5.以兩個相同的自編碼器構成棧式自編碼器，并通過棧式自編碼器對訓練集進行高維抽象特征提??；

S6.將softmaxlayer邏輯分類層堆棧于棧式自編碼器形成深度神經網絡，通過深度神經網絡對高維抽象特征進行訓練，訓練完成后，對測試集中的路面灰度圖像完成分類識別。

3.如權利要求2所述的道路施工安全風險監測方法，其特征在于，獲取的路面缺陷包括坑槽、龜裂、裂紋和松散。

4.根據權利要求3所述的道路施工安全風險監測方法，其特征在于，步驟S2中，包括如下步驟：

S21.采用灰度差分統計法對路面缺陷面灰度圖像進行特征提取，并提取出三個特征值：差分平均值、差分對比度以及差分熵；

S22.采用Gabor算法對路面缺陷灰度圖像進行特征提取，并提取出三個特征值：Gabor平均值、Gabor對比度和Gabor熵；

S23.采用灰度梯度法對路面缺陷灰度圖像進行特征值提取，并提取出四個特征值：梯度平均值、梯度方差、梯度偏度和梯度峰度；

S24.采用灰度共生矩陣法對路面缺陷灰度圖像進行特征提取，提取出五個特征值：能量、相關性、共生對比度、同質性和共生熵；

S25.采用灰度直方圖法對路面缺陷灰度圖像進行特征提取，提取出四個特征值：直方圖均值、直方圖方差、直方圖偏度和直方圖峰度；

S26.采用Tamura算法對路面缺陷灰度圖像進行特征提取，提取出六個特征值：粗糙度、規整度、對比度、方向性、線性度和粗略度；

S27.將步驟S21-S26中所提取處的特征值排列組成1×25階表征路面缺陷灰度圖像的紋理特征向量：直方圖平均值、差分平均值、梯度平均值、Gabor平均值、能量、粗糙度、直方圖方差、梯度方差、相關性、規整度、直方圖偏度、梯度偏度、同質性、方向性、直方圖峰度、梯度峰度、線性度、差分對比度、Gabor對比度、共生對比度、Tamura的對比度、粗略度、差分熵、Gabor熵、共生熵。

5.根據權利要求3或4所述的道路施工安全風險監測方法，其特征在于，步驟S5中，自編碼器由三層神經網絡構成，分別是輸入層、隱藏層和輸出層。

6.一種終端，其特征在于，所述終端搭載實現權利要求1～5任意一項所述道路施工安全風險監測方法的控制器。

7.一種計算機可讀存儲介質，包括指令，當其在計算機上運行時，使得計算機執行如權利要求1-5任意一項所述的道路施工安全風險監測方法。