摘要
目的 构建沥青路面车辙病害检测及预警模型,以期提高沥青路面车辙病害的识别与预测水平。方法 本研究集成多源数据,通过深度学习技术与多种机器学习算法,构建了高效的车辙检测及预警模型。结果 基于BEMD与KELM的检测算法对车辙的识别率达到92.1%,在复杂场景下的综合性能(F1分数)优于主流分割模型DeepLabV3+约1.9%,且单张图像处理时间仅需0.28 s;在多种预警模型中,LSTM-BPNN特征融合模型性能最优,其训练集与测试集决定系数(R^(2))分别达0.821和0.796。研究证实,累计当量轴次与环境因素(温度、降水)是车辙发展的最主要影响因素,两者合计贡献度达55.8%,其中仅环境因素(温度、降水)的贡献度为27.3%,同时发现了车辙深度超过10 mm后的自加速现象。结论 本研究为解决路面车辙的智能检测与精准预警提供了有效的技术方案与理论依据。
出处
《实验室检测》
2025年第23期22-24,共3页
Laboratory Testing
