一种非接触式纹理摩擦预测方法

本发明涉及路面抗滑性能分析，具体涉及一种非接触式纹理摩擦预测方法。

背景技术：

1、道路交通安全是由多种因素共同作用的结果，而沥青路面的主要安全标准是胎面之间的相互作用，这与表面纹理特征直接相关，它有助于防滑和排水。而路面摩擦力是衡量路面行驶安全的重要标准，对于减少事故尤其是在潮湿天气下具有很大作用。

2、传统的道路摩擦评价方法一般采用接触式摩擦测量设备得到摩擦系数，而这些接触式摩擦测量设备存在易受环境干扰、阻碍交通、数据可重复性差等缺点。随着三维激光测量技术和计算机算力的发展，非接触式的表面纹理测量设备引起广泛关注，越来越多学者使用机器学习方法进行路面摩擦预测，然而机器学习方法最大局限性在于其无法处理其自然状态下的原始数据，即必须依靠预处理或是特征提取将原始数据转化为特征向量才能进行训练；而基于深度学习技术的研究长期以来都是以cnn为骨干的网络架构一直是计算机视觉领域的主流架构，该类模型有着网络参数大，模型训练速度慢等缺点。

技术实现思路

1、针对现有技术中的上述不足，本发明提供的一种非接触式纹理摩擦预测方法解决了现有模型网络参数大，模型训练速度慢的问题。

2、为了达到上述发明目的，本发明采用的技术方案为：一种非接触式纹理摩擦预测方法，包括以下步骤：

3、s1、设置试验路段，获取数据集；

4、s2、使用数据集对纹理摩擦预测网络模型进行训练，得到训练好的纹理摩擦预测网络模型；

5、s3、利用训练好的纹理摩擦预测网络模型对实际压实施工过程中采集的纹理数据进行预测，得到该路段的摩擦性能，完成非接触式纹理摩擦预测。

6、进一步地：所述步骤s1包括以下分步骤：

7、s11、设置试验路段，在压路机上设置用于扫描纹理的高速激光断面检测仪；

8、s12、使用设置好高速激光断面检测仪的压路机进行压实操作，并在最后一遍压实过程中对试验路段测试点位的路面纹理进行扫描，得到完整的路面纹理信号；

9、s13、完整的路面纹理信号划分为短纹理信号得到路面纹理数据集ti'；

10、划分方法为：每一米短纹理信号包含2000个数据点；

11、s14、将路面纹理数据集ti'进行去噪处理得到去噪后的路面纹理数据集ti；

12、s15、使用动态摩擦测量仪测量压实过后的试验路段测试点位的路面摩擦水平，得到摩擦数据集fi'；

13、s16、将数据集fi'的摩擦系数在（0.2,1.0）范围内，按照每0.1为间隔进行划分，得到划分后的摩擦数据集fi；

14、s17、将去噪后的路面纹理数据集ti和划分后的摩擦数据集fi作为获取的数据集。

15、进一步地：所述步骤s14包括以下分步骤：

16、s141、计算路面纹理数据集ti'中一段短纹理信号高程的均值，设置阈值高程，将超过阈值高程的噪声点替换为均值；

17、s142、使用快速傅里叶变换通过巴特沃斯滤波器设定阈值波段得到宏观纹理和微观纹理；

18、s143、对微观纹理进行mad法离群值去噪得到去噪后的微观纹理；

19、s144、宏观纹理进行均值滤波去噪得到去噪后的宏观纹理；

20、s145、将去噪后的宏观纹理与去噪后的微观纹理重构得到去噪后的纹理信号；

21、其中，重构公式为：=+；

22、s146、将通过高斯滤波平滑得到最终短纹理信号 x；

23、s147、重复执行步骤s141-s146，直到将路面纹理数据集ti'每一段短纹理信号转换为最终短纹理信号 x，得到去噪后的路面纹理数据集ti。

24、进一步地：所述步骤s144中得到去噪后的宏观纹理的方法为：

25、

26、其中，去噪后的宏观纹理为所有的集合， g( i, j)为去噪后的坐标点，为去噪前的坐标点， h为邻域算子， k和 l分别为卷积核的高和宽。

27、进一步地：所述步骤s146得到最终短纹理信号 x的公式为：

28、

29、其中，为二维高斯卷积核；为标准差； x和 y为距离中心点的横纵坐标。

30、进一步地：所述步骤s2包括以下分步骤：

31、s21、 将去噪后的路面纹理数据集ti和划分后的摩擦数据集fi进行位置匹配，并将位置匹配后的ti和fi按照6:2:2的比例分别划分为训练集ti训练、训练集fi训练、验证集ti验证、验证集fi验证、测试集ti测试和测试集fi测试；

32、s22、使用训练集ti训练作为输入，训练集fi训练作为标签对纹理摩擦预测网络模型进行训练，并使用验证集ti验证和fi验证进行验证，确定最优参数，得到训练好的纹理摩擦预测网络模型。

33、进一步地：所述步骤s22中确定最优参数，最终验证得到的最优网络参数为: 初始学习率为0.1，采用sgd优化器，一次训练所抓取的数据样本数量btach_size=32，迭代次数epochs=100。

34、进一步地：所述步骤s3中，所述训练好的纹理摩擦预测网络模型对输入数据的处理方法包括以下步骤：

35、s31、将去噪后的短纹理信号作为所述训练好的纹理摩擦预测网络模型的输入数据，输入至transformer网络的patch embedding模块；

36、s32、将输入数据通过128个长度和步长都为64的一维卷积核后，将输入数据分割为32份，并增加一个深度同样为128的可训练参数class token，在分割后的32份数据与class token前均加上位置编码信息后作为patch embedding模块的输出；

37、s33、将patch embedding模块的输出经过6次堆叠的transformer encoder模块后分别输出用于分类的class token和32个包含原始图像信息的image token；

38、s34、将用于分类的class token作为transformer网络的mlp head模块的输入，通过长度为预测类别个数的线性激活层后得到第一输出；

39、s35、将32个包含原始图像信息的image token作为transformer网络的basicblock模块的输入，经过两个残差模块后得到第二输出；

40、s36、将第一输出和第二输出进行拼接后通过softmax激活函数得到最终预测结果，其公式为：

41、

42、其中， yk为预测为第k类摩擦性能的概率， g( xk)为第一输出和第二输出进行拼接后特征数据； k为类别数。

43、进一步地：所述步骤s33中transformer encoder模块对输入数据的处理方法包括以下步骤：

44、s331、将patch embedding模块的输出中的每个token通过三个全连接层生成与输入相同尺寸的三个参数向量、和，将三个向量以head长度进行均分得到、和，重新拼接后得到多头注意力机制的输出：

45、

46、其中， q代表 query，与每个 k进行匹配； k代表 key，与每个q进行匹配； v代表从每个部分中提取到的信息；代表划分长度head值；

47、s332、将多头注意力机制的输出与输入token相加，并通过一层层标准化，得到第三输出；

48、s333、将第三输出作为mlp block模块的输入，将mlp block模块的输入依次通过第一层全连接层、gelu激活函数和池化层将输入放大为33×512；

49、s334、将放大为33×512的输入通过第二层全连接层和池化层还原尺寸，并与第三输出进行拼接后作为transformer encoder模块的输出。

50、本发明的有益效果为：

51、1.本发明通过在实验路段利用压路机上的高速激光断面检测仪获取纹理信号，利用动态摩擦测量仪测得对应的摩擦性能作为输入标签，将标签和预处理的纹理信号输入摩擦预测网络进行训练，提高了数据的准确性；

52、2.压路机调用训练完毕的摩擦预测网络可以预对刚施工完成的新路面的摩擦性能进行非接触式的准确识别，以判断该路段的初始抗滑性能，避免了接触式检测存在的耗费人工、损伤路面等问题，同时也为未来该路段的抗滑衰变过程提供数据支撑；

53、3.采用transformer网络模型解决了现有模型网络参数大，模型训练速度慢等缺点。