基于YOLO的探地雷达道路多重隐蔽病害实时识别方法

    公开(公告)号:CN117269954A

    公开(公告)日:2023-12-22

    申请号:CN202311093852.5

    申请日:2023-08-28

    IPC分类号: G01S13/88

    摘要: 一种基于YOLO的探地雷达道路多重隐蔽病害实时识别方法。目前的探地雷达道路识别方法中未有兼备同时对多种病害信息同时识别并实时且及时的检测过程。本发明中的探地雷达道路多重隐蔽病害实时识别方法为将采集后雷达数据进行预处理后进行筛选,筛选后的数据进行多重道路隐患目标标注后制作形成图像数据集,利用训练优化完毕的YOLO神经网络模型对图像数据集进行平均精度AP、精确率P、召回率R、调和平均值F1、平均精度均值mAP、每秒传输帧数FPS和/或推理时间XX的识别和评估过程。

    一种基于三维探地雷达的沥青路面层间接触状态评价方法

    公开(公告)号:CN114384511B

    公开(公告)日:2024-07-19

    申请号:CN202210032783.6

    申请日:2022-01-12

    IPC分类号: G01S13/88 G01N23/00 G01N1/08

    摘要: 一种基于三维探地雷达的沥青路面层间接触状态评价方法,属于三维探地雷达检测技术领域。为解决现有现有的沥青路面层间接触状态评价方法不能兼顾准确性和实验量的问题。本发明首先采集三维探地雷达数据并对沥青路面各结构层进行划分;根据沥青路面各结构层相对介电常数得到每个结构层反射波振幅强度,然后将沥青路面划分成层间接触状态单元,计算各单元内振幅强度代表值,统计各车道反射振幅代表值并汇总得到全幅路面反射振幅代表值数据集,利用绘图软件绘制各车道振幅频率分布曲线;最后基于各车道反射振幅代表值及累计分布频率,结合钻芯取样的芯样情况和路表破损情况,对层间接触状态进行评价。本发明适用于沥青路面层间接触状态评价。

    一种基于Sigmoid函数的土体热导率预测方法

    公开(公告)号:CN115659598B

    公开(公告)日:2023-06-02

    申请号:CN202211185360.4

    申请日:2022-09-27

    摘要: 本发明公开了一种基于Sigmoid函数的土体热导率预测方法,所述方法包括如下步骤:一、下限/上限热导率计算:根据土的孔隙率,获得土的下限热导率和上限热导率;二、Ke值计算:根据土体饱和度、土体含砂率,对Ke值进行计算;三、土体热导率计算:根据土体下限热导率、上限热导率与Ke值,计算得出土体热导率k。本发明全方位考虑饱和度、含砂率、干密度对Ke的影响,并对三种Ke模型进行了比较,三种模型考虑了受饱和度单独作用、饱和度&含砂率耦合作用、饱和度&含砂率&干密度耦合作用影响。此模型拟合参数来自超过700个测试数据,能更为准确地预测土的热导率,可被方便应用于工程与科学研究。

    一种基于三维探地雷达的沥青路面层间接触状态评价方法

    公开(公告)号:CN114384511A

    公开(公告)日:2022-04-22

    申请号:CN202210032783.6

    申请日:2022-01-12

    IPC分类号: G01S13/88 G01N23/00 G01N1/08

    摘要: 一种基于三维探地雷达的沥青路面层间接触状态评价方法,属于三维探地雷达检测技术领域。为解决现有现有的沥青路面层间接触状态评价方法不能兼顾准确性和实验量的问题。本发明首先采集三维探地雷达数据并对沥青路面各结构层进行划分;根据沥青路面各结构层相对介电常数得到每个结构层反射波振幅强度,然后将沥青路面划分成层间接触状态单元,计算各单元内振幅强度代表值,统计各车道反射振幅代表值并汇总得到全幅路面反射振幅代表值数据集,利用绘图软件绘制各车道振幅频率分布曲线;最后基于各车道反射振幅代表值及累计分布频率,结合钻芯取样的芯样情况和路表破损情况,对层间接触状态进行评价。本发明适用于沥青路面层间接触状态评价。

    基于YOLO的探地雷达道路多重隐蔽病害实时识别方法

    公开(公告)号:CN117269954B

    公开(公告)日:2024-04-16

    申请号:CN202311093852.5

    申请日:2023-08-28

    IPC分类号: G01S13/88

    摘要: 一种基于YOLO的探地雷达道路多重隐蔽病害实时识别方法。目前的探地雷达道路识别方法中未有兼备同时对多种病害信息同时识别并实时且及时的检测过程。本发明中的探地雷达道路多重隐蔽病害实时识别方法为将采集后雷达数据进行预处理后进行筛选,筛选后的数据进行多重道路隐患目标标注后制作形成图像数据集,利用训练优化完毕的YOLO神经网络模型对图像数据集进行平均精度AP、精确率P、召回率R、调和平均值F1、平均精度均值mAP、每秒传输帧数FPS和/或推理时间XX的识别和评估过程。