一种半刚性基层路面基层松散程度识别方法 专利技术说明

测量装置的制造及其应用技术1.本发明属于道路基层检测技术领域，尤其涉及一种半刚性基层路面基层松散程度识别方法。背景技术：2.半刚性基层整体性好、承载力高、造价低、能够就地取材，同时还具有优良的力学性能和路用性能，半刚性基层材料作为道路的基层和底基层得到了广泛的应用，半刚性基层的推广和应用为我国高速公路建设和经济发展起到了巨大的作用，判断半刚性基层路面基层松散病害的程度也变得愈加重要。半刚性基层路面基层检测的方法有很多，主要有落锤式弯沉仪检测、探地雷达检测、钻芯取样等。钻芯取样法随机性较大，且会影响半刚性基层路面基层的完整性，不作为半刚性基层路面基层检测的主要手段；落锤式弯沉仪通过检测半刚性基层路面基层弯沉盆来反演道面结构模型，可以进一步评价机场的承载能力，在半刚性基层路面基层设计、施工质量控制及后期运营取得了重要应用；探地雷达技术可对半刚性基层路面基层内部病害进行检测，探地雷达技术利用电磁波在不同介质面发生反射的原理，通过回波信号的成像，来判断半刚性基层路面基层内部的状况，可以用于识别半刚性基层路面基层有无松散病害。3.随着探地雷达技术越来越多应用于半刚性基层路面基层检测，对雷达数据和雷达图像解释的要求也随之提高。目前探地雷达图像的结束主要还是通过人的经验判断，属于定性判断，且存在一定的偏差，就半刚性基层路面基层松散病害的探地雷达图像来说看，通过雷达图像只能大致判断此处可能有基层松散病害，但很难评价松散病害的程度，不能很好地指导修复方案的制定。因此，对雷达数据的准确解读，实现对半刚性基层路面基层松散状态的精确识别，是目前亟待解决的技术难题。公开号为cn109082982b的专利提供了一种半刚性基层沥青路面开裂的处理方法，采用裂缝综合测试仪检测所述半刚性基层沥青路面的待测裂缝的裂缝宽度和裂缝深度；并且采用探地雷达gpr检测获得所述半刚性基层沥青路面中各个结构层的检测结果，进而实现对半刚性路面病害全面系统的快速检测。另外，综合所述裂缝宽度、所述裂缝深度和所述检测结果对所述待测裂缝划分开裂类型；然后对各开裂类型中的待测裂缝进行开裂病害成因分析；并基于各开裂类型中的待测裂缝各自对应的结构层次和开裂病害成因，对各开裂类型中的待测裂缝进行对应的防治处理。此专利虽然用到了探地雷达对半刚性路面进行检测，但是其所检测分析的是路面裂缝以及开裂成因，与半刚性基层是否松散以及松散程度并无关系。4.因此，如何提供一种准确、便捷的半刚性基层路面基层松散程度识别方法，是本技术领域人员亟待解决的问题。技术实现要素：5.针对现有技术的不足，本发明的目的是提供一种半刚性基层路面基层松散程度识别方法，以解决现有技术中无法准确识别半刚性基层路面基层松散程度的问题。6.为了解决上述技术问题，本发明采用了如下的技术方案：7.本发明提供了一种半刚性基层路面基层松散程度识别方法，包括以下步骤：8.s10、结合半刚性基层路面基层技术状况评价标准和现场检测资料对半刚性基层路面基层松散病害区域进行松散程度等级划分；9.s20、基于探地雷达属性概念提取与半刚性基层路面基层松散程度有关的探地雷达信号属性；10.s30、构造基于所述探地雷达信号属性的bp神经网络半刚性基层路面基层松散程度识别模型；11.s40、利用与半刚性基层路面基层松散程度有关的探地雷达信号属性构建神经网络学习样本，并进行学习训练，获得所述bp神经网络半刚性基层路面基层松散程度识别模型；12.s50、根据所述bp神经网络半刚性基层路面基层松散程度识别模型对半刚性基层路面基层松散病害程度进行分类识别。13.进一步的，所述步骤s30中，bp神经网络半刚性基层路面基层松散程度识别模型包括输入层、隐藏层和输出层，其中输入层神经元包括均方根振幅、平均绝对值振幅、最大波峰振幅、平均波峰振幅、最大波谷振幅、平均波谷振幅、振幅的平方差、振幅的立方差、振幅的峰态，输出层的神经元数为4，其输出值为对应雷达信号的半刚性基层路面基层松散程度分类，隐藏层的神经元数由样本数及训练寻优来确定。14.进一步的，确定隐藏层的神经元数具体公式如下：[0015][0016]其中，m为隐藏层节点数，n为输入层节点数，l为输出层节点数，a为1至10之间的常数。[0017]进一步的，所述步骤s40中，对所述bp神经网络半刚性基层路面基层松散程度识别模型中各连接权值分别赋一个区间(0，1)内的随机数，设定误差函数e，给定计算精度和最大学习次数m，根据输入数据计算网络输出。[0018]进一步的，bp神经网络原理是利用隐藏层各神经元的误差项和各神经元的输出值来修正输出单元的权值。[0019]进一步的，在对所述bp神经网络半刚性基层路面基层松散程度识别模型进行训练的过程中，判断网络误差是否满足要求，当误差达到预设计算精度或学习次数大于预设学习次数时，依据获得的权值和阈值建立半刚性基层路面基层松散程度分类识别模型。[0020]进一步的，提取探地雷达现场检测数据的雷达属性值输入到bp神经网络半刚性基层松散程度识别模型中，经bp神经网络的计算分析，判断半刚性基层路面基层松散病害的程度。[0021]进一步的，所述步骤s10中，松散程度等级划分包括无松散病害、轻度松散、一般松散和严重松散。[0022]进一步的，所述步骤s20中，提取探地雷达信号属性的方法为基于时域特征的属性提取方法。[0023]进一步的，具体的时域特征分析获取的有关特征值包括峰值振幅属性、波谷振幅属性、平均峰值振幅属性、总能量属性、均方根振幅属性和振幅峰态属性。[0024]本发明提供的半刚性基层路面基层松散程度识别方法与现有技术相比，至少具有如下有益效果：[0025]现有技术中探地雷达所检测的为半刚性基层路面基层的开裂宽度和深度，以及分析开裂的原因，无法对半刚性基层路面基层的松散程度进行识别。本发明过程简单、结果准确，综合探地雷达检测的探测结果为原始数据，结合bp神经网络技术对半刚性基层路面基层存在的松散病害进行分类识别，精确识别出半刚性基层路面基层松散病害的程度，为机场养护方案的制定提供指导，保证半刚性基层路面质量。。附图说明[0026]为了更清楚地说明本发明的方案，下面将对实施例描述中所需要使用的图作一个简单的介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0027]图1为本发明实施例提供的一种半刚性基层路面基层松散程度识别方法的流程图。具体实施方式[0028]为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。[0029]除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。[0030]本发明提供了一种半刚性基层路面基层松散程度识别方法，应用于半刚性基层路面基层的检测过程中，半刚性基层路面基层松散程度识别方法包括以下步骤：[0031]s10、结合半刚性基层路面基层技术状况评价标准和现场检测资料对半刚性基层路面基层松散病害区域进行松散程度等级划分；[0032]s20、基于探地雷达属性概念提取与半刚性基层路面基层松散程度有关的探地雷达信号属性；[0033]s30、构造基于探地雷达信号属性的bp神经网络半刚性基层路面基层松散程度识别模型；[0034]s40、利用与半刚性基层路面基层松散程度有关的探地雷达信号属性构建神经网络学习样本，并进行学习训练，获得bp神经网络半刚性基层路面基层松散程度识别模型；[0035]s50、根据bp神经网络半刚性基层路面基层松散程度识别模型对半刚性基层路面基层松散病害程度进行分类识别。[0036]本发明过程简单、结果准确，综合探地雷达检测的探测结果为原始数据，结合bp神经网络技术对半刚性基层路面基层存在的松散病害进行分类识别，精确识别出半刚性基层路面基层松散病害的程度，为机场养护方案的制定提供指导，保证半刚性基层路面质量。[0037]为了使本技术领域的人员更好地理解本发明方案，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述。[0038]本发明提供了一种半刚性基层路面基层松散程度识别方法，应用于半刚性基层路面基层的检测过程中，如图1所述，本实施例中，所述半刚性基层路面基层松散程度识别方法包括以下步骤：[0039]s10、结合半刚性基层路面基层技术状况评价标准和现场检测资料对半刚性基层路面基层松散病害区域进行松散程度等级划分；[0040]具体地，将半刚性基层松散程度划分为4个不同类型的输出值：无松散病害、轻度松散、一般松散和严重松散。[0041]进一步的，本实施例中，采用多种道路检测手段对半刚性基层路面基层进行检测，检测方法包括：探地雷达检测、钻芯取样、落锤式弯沉仪检测。[0042]s20、基于探地雷达属性概念提取与半刚性基层路面基层松散程度有关的探地雷达信号属性；[0043]具体地，借鉴地震属性技术，提取探地雷达信号中与半刚性基层路面基层松散程度有关的雷达属性，其中提取方法为基于时域特征的属性提取方法。[0044]进一步的，本实施例中，具体的时域分析获取的有关特征值为峰值振幅属性、波谷振幅属性、平均峰值振幅属性、总能量属性、均方根振幅属性和振幅峰态属性，其中，雷达信号时域特征值计算方法如下：[0045]均方根振幅：[0046]平均绝对值振幅：[0047]最大波峰振幅：amax＝max[ai]，[0048]最大波谷振幅：amin＝min[ai]；[0049]平均波峰振幅：[0050]平均波谷振幅：[0051]振幅的平方差：[0052]振幅的立方差：[0053]振幅的峰态：[0054]其中，ai为一道雷达电磁波某一时刻对应的幅值。[0055]s30、构造基于探地雷达信号属性的bp神经网络半刚性基层路面基层松散程度识别模型；[0056]具体地，步骤s30中，bp神经网络的模型结构为3层，包括输入层、隐藏层和输出层，共提取9个雷达属性作为输入层神经元，即与半刚性基层路面基层松散程度有关的雷达属性，从时域中提取的属性9个，分别为均方根振幅、平均绝对值振幅、最大波峰振幅、平均波峰振幅、最大波谷振幅、平均波谷振幅、振幅的平方差、振幅的立方差、振幅的峰态，输出层的神经元数为4，其输出值为对应雷达信号的半刚性基层路面基层松散程度分类。隐藏层的神经元数由样本数及训练寻优来确定。[0057]进一步的，本实施例中，确定隐藏层的神经元数的具体公式为：[0058][0059]其中，m为隐藏层节点数，n为输入层节点数，l为输出层节点数，a为1至10之间的常数。[0060]进一步的，本实施例中，对半刚性基层路面基层松散程度等级进行赋值，便于神经网络的学习和识别，神经网络模型输出松散程度，其中，无松散病害赋值001、轻度松散病害赋值010、一般松散病害赋值011、严重松散病害赋值100。[0061]s40、利用与半刚性基层路面基层松散程度有关的探地雷达信号属性构建神经网络学习样本，并进行学习训练，获得bp神经网络半刚性基层路面基层松散程度识别模型；[0062]具体地，收集研究半刚性基层路面基层松散病害的典型案例，对探地雷达检测数据进行分析，获取其中雷达属性值，构建学习样本，对bp神经网络模型中各连接权值分别赋一个区间(0,1)内的随机数，设定误差函数e，给定计算精度和最大学习次数m，根据输入数据计算网络输出。[0063]进一步的，本实施例中，bp神经网络原理是利用隐藏层各神经元的误差项和各神经元的输出值来修正输出单元的权值。[0064]进一步的，本实施例中，在对网络进行训练的过程中，判断网络误差是否满足要求，当误差达到预设精度或学习次数大于预设次数时，则判断算法训练结束，否则进入下一圈学习，直到依据获得的权值和阈值建立半刚性基层路面基层松散程度分类识别模型。[0065]s50、根据bp神经网络半刚性基层路面基层松散程度识别模型对半刚性基层路面基层松散病害程度进行分类识别。[0066]进一步的，本实施例中，提取探地雷达现场检测数据的雷达属性值输入到基于探地雷达技术的bp神经网络半刚性基层路面基层松散程度识别模型中，经bp神经网络的计算分析，判断半刚性基层路面基层松散病害的程度。[0067]现有技术中探地雷达所检测的为半刚性基层路面基层的开裂宽度和深度，以及分析开裂的原因，无法对半刚性基层路面基层的松散程度进行识别。本发明过程简单、结果准确，综合探地雷达检测的探测结果为原始数据，结合bp神经网络技术对半刚性基层路面基层存在的松散病害进行分类识别，精确识别出半刚性基层路面基层松散病害的程度，为机场养护方案的制定提供指导，保证半刚性基层路面质量。[0068]显然，以上所描述的实施例仅仅是本发明较佳实施例，而不是全部的实施例，附图中给出了本发明的较佳实施例，但并不限制本发明的专利范围。本发明可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本发明专利保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!