本發(fā)明屬于路面性能監(jiān)測，具體涉及一種基于數字孿生模型的路面車轍成因分析方法。

背景技術：

1、路面車轍是指在道路表面由于重復車輛負荷的作用而形成的凹槽或軌跡。這種現象通常出現在交通量大的道路上，尤其是在車道的輪跡部分。車轍的形成主要是由于路面材料在重復的交通載荷下發(fā)生變形，尤其是在高溫條件下路面材料的穩(wěn)定性降低時更為明顯。

2、路面車轍會嚴重影響道路的使用安全和舒適性。首先，車轍會導致駕駛不穩(wěn)定，尤其是在濕滑的路面上，車輛更容易失控，增加交通事故的風險。其次，車轍中積水會引發(fā)水滑現象，進一步加劇安全隱患。此外，車轍還會影響車輛的燃油效率，因為駕駛者需要頻繁調整方向來適應路面不平的情況，這種頻繁的調整增加了燃油消耗。從長遠來看，車轍的存在還會加速道路磨損，增加道路維護成本。

3、專利號為201410102675.7、發(fā)明名稱為“路面線激光車轍檢測與識別方法及處理系統(tǒng)”的發(fā)明專利，提出了一種利用激光線圖像來檢測和識別路面車轍的方法和系統(tǒng)。該方法通過采集車轍激光線圖像，提取圖像的脊性特征強度，利用灰度值波形曲線的波峰確定脊點，從而準確地提取車轍激光線。這一過程自動化程度高，能實時進行，并且系統(tǒng)具有較好的魯棒性，為車轍深度的準確測量提供了可靠數據。但是研究缺乏路面車轍成因分析方法研究，導致無法準確預測和防治車轍問題，進而影響道路的使用壽命和安全性。而且這種缺乏將導致道路維護成本增加，因為未能及時采取有效的預防和修復措施，需要更頻繁的維護和重建工作，從而增加經濟負擔。

技術實現思路

1、本發(fā)明要解決的問題是準確的對路面車轍成因進行分析，提出一種基于數字孿生模型的路面車轍成因分析方法。

2、為實現上述目的，本發(fā)明通過以下技術方案實現：

3、一種基于數字孿生模型的路面車轍成因分析方法，包括如下步驟：

4、s1.?采用車載三維結構光相機采集路面圖像，然后對采集的路面圖像進行預處理，得到預處理后的路面圖像；

5、s2.?建立車轍相似病害的確定方法，將步驟s1得到的預處理后的路面圖像提取全部包含車轍以及與車轍的圖像特征最相似的病害類型的路面圖像；

6、s3.?對步驟s2得到的全部包含車轍以及與車轍的圖像特征最相似的病害類型的路面圖像，進行標注，得到面向車轍識別的數據集；

7、s4.?構建面向車轍識別的基礎模型、輔助模型與強化模型；

8、s5.?構建面向車轍識別的基礎模型、輔助模型與強化模型輸出層之間的損失函數，然后計算面向車轍識別的基礎模型、輔助模型與強化模型之間的總體損失函數；

9、s6.?利用步驟s3得到的面向車轍識別的數據集對構建的面向車轍識別的基礎模型、輔助模型與強化模型進行訓練，得到訓練好的面向車轍識別的基礎模型作為路面車轍智能識別模型；

10、s7.?構建基于路面車轍智能識別模型的路面車轍狀態(tài)更新的數字孿生模型；

11、s8.?基于步驟s7得到的路面車轍狀態(tài)更新的數字孿生模型，建立路面車轍成因分析方法。

12、進一步的，步驟s1的具體實現方法包括如下步驟：

13、s1.1.?采用車載三維結構光相機采集路面圖像，采集過程中車速控制在70km/h以內；

14、s1.2.?對采集的路面圖像采用哈夫曼編碼方式進行壓縮，得到壓縮后的路面圖像；

15、s1.3.?將壓縮后的路面圖像進行平面投影，得到投影后的路面圖像為預處理后的路面圖像。

16、進一步的，步驟s2的具體實現方法包括如下步驟：

17、s2.1.?設置車轍的相似病害包括縱向裂縫、橫向裂縫、龜裂、坑槽、擁包、剝落、泛油、沉陷、啃邊；

18、s2.2.?將步驟s1得到的預處理后的路面圖像進行人工挑選，挑選出所有包括車轍以及相似病害的路面圖像，并且框選出對應病害區(qū)域，并將路面圖像中的車轍、縱向裂縫、橫向裂縫、龜裂、坑槽、擁包、剝落、泛油、沉陷、啃邊區(qū)域依次標記為、、、、、、、、、；

19、s2.3.?將像素灰度值0~255等分為16個灰度級區(qū)間，記為，；

20、s2.4.?統(tǒng)計車轍中各灰度級對應的像素數量，然后統(tǒng)計車轍的相似病害縱向裂縫、橫向裂縫、龜裂、坑槽、擁包、剝落、泛油、沉陷、啃邊對應的各灰度級對應的像素數量、、、、、、、、；

21、s2.5.?將各灰度級對應的像素數量進行標準化操作，得到標準像素數量，其中，車轍對應的標準像素數量為，計算公式為：

22、；

23、縱向裂縫、橫向裂縫、龜裂、坑槽、擁包、剝落、泛油、沉陷、啃邊對應的標準像素數量為、、、、、、、、；

24、s2.6.?以為基準，依次建立車轍與其他病害間的關系函數，計算公式為：

25、；

26、其中，ii表示其他相似病害的序號，ii=2,3,4,5…10，得到、、、、、、、、分別表示車轍與縱向裂縫、橫向裂縫、龜裂、坑槽、擁包、剝落、泛油、沉陷、啃邊的關系函數；

27、s2.7.?比較、、、、、、、、，并按照從大到小的關系順序進行排序，選取排名前3位的關系函數對應的病害類型為與車轍的圖像特征最相似的病害類型，然后挑選出全部包含車轍以及與車轍的圖像特征最相似的病害類型的路面圖像，剩余圖像進行刪除。

28、進一步的，步驟s3的具體實現方法包括如下步驟：

29、s3.1.?通過人工標注的方法，將步驟s2得到的全部包含車轍以及與車轍的圖像特征最相似的病害類型的路面圖像框選出車轍區(qū)域及其它三種病害，并將車轍標識為rutting，其它三種病害依次標記為other1、other2、other3，得到面向車轍識別的數據集；

30、s3.2.?按照數量比為8:2的比例，將面向車轍識別的數據集劃分為訓練集和測試集。

31、進一步的，步驟s4的具體實現方法包括如下步驟：

32、s4.1.?構建面向車轍識別的基礎模型：

33、s4.1.1.?基礎模型a由1個輸入層、4個卷積層、5個激活層、3個池化層、1個展平層flatten層、1個全連接層、1個輸出層構成；

34、s4.1.2.?將步驟s3得到的訓練集輸入到基礎模型a中，通過誤差反向傳播算法，計算神經網絡單元的權重和偏置，完成基礎模型a的訓練，得到訓練完畢的基礎模型a；

35、基礎模型a的損失函數的計算公式為：

36、；

37、其中，為基礎模型a的損失函數；為基礎模型a中數據樣本總數；為第個樣本的真實標簽，為基礎模型a預測第個樣本為類別1的概率；

38、s4.1.3.?基礎模型a對應的4個輸出單元的節(jié)點輸出值為，將4個輸出單元的節(jié)點輸出值進行初始轉換，得到輸出值對應的概率值的計算公式為：

39、；

40、然后將4個輸出單元的節(jié)點輸出值進一步優(yōu)化轉換，得到輸出值對應的增強概率值的計算公式為：

41、；

42、其中， g為增強系數，然后對每個節(jié)點對應的實際病害標注為；

43、s4.1.4.?采用以及步驟s3得到的訓練集，結合誤差鏈式求導法則，訓練基礎模型a，訓練完畢后，得到基礎模型a對應的4類病害的輸出值，依次記為；

44、s4.2.?構建面向車轍識別的輔助模型：

45、s4.2.1.?輔助模型b由1個輸入層、8個卷積層、9個激活層、5個池化層、1個flatten層、1個全連接層、1個輸出層構成；

46、s4.2.2.?將步驟s3得到的訓練集輸入到輔助模型b中，通過誤差反向傳播算法，計算神經網絡單元的權重和偏置，完成輔助模型b的訓練，得到訓練完畢的輔助模型b；

47、輔助模型b的損失函數的計算公式為：

48、；

49、其中，為輔助模型b的損失函數；為輔助模型b中數據樣本總數；為第個樣本的真實標簽，為輔助模型b預測第個樣本為類別1的概率；

50、s4.2.3.?輔助模型b對應的4個輸出單元的節(jié)點輸出值為，將4個輸出單元的節(jié)點輸出值進行初始轉換，得到輸出值對應的概率值的計算公式為：

51、；

52、然后將4個輸出單元的節(jié)點輸出值進一步優(yōu)化轉換，得到輸出值對應的增強概率值的計算公式為：

53、；

54、s4.2.4.?采用以及步驟s3得到的訓練集，結合誤差鏈式求導法則，訓練輔助模型b，訓練完畢后，得到輔助模型b對應的病害輸出值為，輸出層的4個節(jié)點中，每個節(jié)點對應的實際病害標注為，；

55、s4.3.?構建面向車轍識別的強化模型：

56、s4.3.1.?強化模型c由1個輸入層、10個卷積層、11個激活層、6個池化層、1個flatten層、1個全連接層、1個輸出層構成；

57、s4.3.2.?將步驟s3得到的訓練集輸入到強化模型c中，通過誤差反向傳播算法，計算神經網絡單元的權重和偏置，完成強化模型c的訓練，得到訓練完畢的強化模型c；

58、強化模型c的損失函數的計算公式為：

59、；

60、其中，為強化模型c的損失函數；為強化模型c中數據樣本總數；為第個樣本的真實標簽，為強化模型c預測第個樣本為類別1的概率；

61、s4.3.3.?強化模型c對應的4個輸出單元的節(jié)點輸出值為，將4個輸出單元的節(jié)點輸出值進行初始轉換，得到對應的概率值的計算公式為：

62、；

63、然后將4個輸出單元的節(jié)點輸出值進一步優(yōu)化轉換，得到輸出值對應的增強概率值的計算公式為：

64、；

65、其中， g為增強系數，然后對每個節(jié)點對應的實際病害標注為；

66、s4.3.4.?采用以及步驟s3得到的訓練集，結合誤差鏈式求導法則，訓練強化模型c，訓練完畢后，得到強化模型c對應的4類病害的輸出值為。

67、進一步的，步驟s5的具體實現方法包括如下步驟：

68、s5.1.?基于和，建立輔助模型b與基礎模型a輸出層之間的損失函數，計算公式為：

69、；

70、基于和，構建輸出值對應的概率值的基礎模型a的損失函數，計算公式為：

71、；

72、基于和，建立輔助模型b與基礎模型a輸出層之間的關系損失函數，計算公式為：

73、，

74、其中，為的權重系數，為的權重系數；

75、s5.2.?建立強化模型c與輔助模型b輸出層之間的關系損失函數，表達式為：

76、；

77、其中，為的權重系數，為的權重系數，為基于和的損失函數；為基于和的損失函數；

78、的計算公式為：

79、；

80、的計算公式為：

81、；

82、s5.3.?建立強化模型c與基礎模型a輸出層之間的關系損失函數，表達式為：

83、；

84、其中，為的權重系數，為的權重系數，為基于和的損失函數，為基于和的損失函數；

85、的計算公式為：

86、；

87、的計算公式為：

88、；

89、s5.4.?定義基礎模型a、輔助模型b、強化模型c之間對應的總體損失函數，計算公式為：

90、。

91、進一步的，步驟s6的具體實現方法為利用步驟s3得到的面向車轍識別的數據集，基于鏈式求導法則，通過誤差反向傳播方式，對構建的面向車轍識別的基礎模型、輔助模型與強化模型進行訓練，當步驟s5得到的總體損失函數為最小時，對應模型參數為最優(yōu)，得到訓練后的基礎模型a為最終使用的路面車轍智能識別模型。

92、進一步的，步驟s7的具體實現方法包括如下步驟：

93、s7.1.?將步驟s6得到的路面車轍智能識別模型導出為用于獨立服務的部署文件，包括pt文件、pth文件、json文件、txt文件中的一種；

94、s7.2.?構建道路信息模型；

95、s7.2.1.?收集道路的位置、長度、寬度、布局的信息；

96、s7.2.2.?將步驟s7.2.1得到的數據存儲在數據庫中，并構建道路的基礎三維模型，所述道路的基礎三維模型包括道路的幾何信息；

97、s7.2.3.?在步驟s7.2.2的基礎上，在道路的基礎三維模型中添加材料屬性、設計規(guī)范、歷史維護數據，得到道路信息模型；

98、s7.2.4.?將道路信息模型導出為被web應用支持的格式文件，包括json文件、js文件中的一種；

99、s7.3.?在數字孿生平臺中，導入步驟s7.1得到的路面車轍智能識別模型的部署文件，導入步驟s7.2得到的道路信息模型格式文件；

100、s7.4.?采用python構建圖像數據與路面車轍智能識別模型之間的api接口，用于進行車轍智能識別；采用python構建路面車轍智能識別模型與道路信息模型之間的api接口，完成基于路面車轍智能識別模型的路面車轍狀態(tài)更新的數字孿生模型的構建。

101、進一步的，步驟s8的具體實現方法包括如下步驟：

102、s8.1.?采用三維結構光相機采集道路表面數據，并上傳到步驟s7建立的數字孿生模型中，然后采用系統(tǒng)中部署完成的路面車轍智能識別模型，對路面圖像中的車轍區(qū)域進行智能識別，并挑選出全部包含路面車轍的圖像，得到車轍數據；

103、s8.2.?對路面車轍進行現場復核，并搜集車轍位置處的相關因素的數據，相關因素包括荷載、氣溫、路面材料類型、路基和基層強度、面層厚度、施工質量、交通流量，再基于步驟s8.1得到的車轍數據，每個因素選擇9個測點進行測量，然后對數據進行歸一化處理；

104、s8.3.?采用對荷載、氣溫、路面材料類型、路基和基層強度、面層厚度、施工質量、交通流量、車轍歸一化數據進行統(tǒng)一表達，其中，jj=1~8，kk=1~9；

105、采用依次表示荷載、氣溫、路面材料類型、路基和基層強度、面層厚度、施工質量、交通流量、車轍的歸一化值，分別表示各因素中的9個測點測得的結果；

106、計算每兩個因素間的協方差值，計算公式為：

107、；

108、；

109、；

110、其中，表示第 jj個因素歸一化值的平均值；表示第個因素歸一化值的平均值，jk=1~8；

111、s8.4.?基于步驟s8.3的計算公式，計算得到采集荷載與采集荷載、路面材料類型、路基和基層強度、面層厚度、施工質量、交通流量、車轍之間的協方差值：

112、；

113、計算得到氣溫與采集荷載、氣溫、路面材料類型、路基和基層強度、面層厚度、施工質量、交通流量、車轍之間的協方差值：

114、；

115、計算得到路面材料類型與采集荷載、氣溫、路面材料類型、路基和基層強度、面層厚度、施工質量、交通流量、車轍之間的協方差值：

116、；

117、計算得到路基和基層強度與采集荷載、氣溫、路面材料類型、路基和基層強度、面層厚度、施工質量、交通流量、車轍之間的協方差值：

118、；

119、計算得到面層厚度與采集荷載、氣溫、路面材料類型、路基和基層強度、面層厚度、施工質量、交通流量、車轍之間的協方差值：

120、；

121、計算得到施工質量與采集荷載、氣溫、路面材料類型、路基和基層強度、面層厚度、施工質量、交通流量、車轍之間的協方差值：

122、；

123、計算得到交通流量與采集荷載、氣溫、路面材料類型、路基和基層強度、面層厚度、施工質量、交通流量、車轍之間的協方差值：

124、；

125、計算得到車轍與采集荷載、氣溫、路面材料類型、路基和基層強度、面層厚度、施工質量、交通流量、車轍之間的協方差值：

126、；

127、s8.5.?在上述協方差值計算的基礎上，構建協方差矩陣 xfc，表達式為：

128、；

129、s8.6.?基于協方差矩陣 xfc，計算特征值tz1~?tz8，采用python中的scipy.linalg.eig函數進行特征值計算；

130、將得到的tz1~tz8按照從大到小的順序排列，重新標記的特征值為tzn1~tzn8，其中，tzn1對應的因素為對路面車轍影響最大的因素；

131、s8.7.?定義閾值為 yz，計算，從1開始試算，并逐漸增加，當滿足時，停止計算，此時，范圍內對應的路面車轍影響因素，即為導致路面出現車轍的主要因素，為重新標記的特征值計算閾值的總個數。

132、本發(fā)明的有益效果：

133、本發(fā)明所述的一種基于數字孿生模型的路面車轍成因分析方法，將強化模型和輔助模型的性能，傳遞給基礎模型，使得基礎模型成為一個參數量小、計算速度快、性能好的路面裂縫智能識別模型。對于路面檢測而言，道路里程長、服役狀態(tài)復雜，需要及時對路面病害進行處理，因此，需要智能識別模型識別的快速和準確。本方法有效平衡了車轍智能識別模型的性能與效率：基礎模型在保持輕量和快速響應的同時，還具備高性能，可實現車轍的準確識別。不僅減少了對高性能計算資源的依賴，降低了能耗和運維成本，而且提高了模型的適應性和擴展性，使其可廣泛應用于資源受限的環(huán)境。通過構建基礎模型、輔助模型與強化模型關聯關系，可保留基礎模型輕量化特征的前提下，提高基礎模型的識別準確率。同時，提出了一種相似病害的確定方法，有利于進一步確定車轍與相似病害的特征差異，保證模型性能。

134、本發(fā)明所述的一種基于數字孿生模型的路面車轍成因分析方法，提出一種基于數字孿生的路面車轍成因分析方法，可以通過規(guī)避對車轍形成主要因素的方式，減少車轍的發(fā)生，提高道路的整體性能和耐久性，降低維護成本，提高行車安全。