三種路面破損分類算法的仿真比較_圖文

1、交通運(yùn)輸工程與信息學(xué)報(bào)第2卷第3期 2004年9月 Journal of Transportation Engineering and Information No.3 V o1.2 Sept.2004 53交通運(yùn)輸工程與信息學(xué)報(bào) 2004年第3期 三種路面破損分類算法的仿真比較肖旺新等 交通運(yùn)輸工程與信息學(xué)報(bào) 2004年第3期 三種路面破損分類算法的仿真比較肖旺新等 交通運(yùn)輸工程與信息學(xué)報(bào) 2004 年 第3期 表3 Tab.3 測試 數(shù)據(jù) A1 A2 A3 B1 B2 B3 C1 C2 C3 密度因子測試結(jié)果 圖片來測試這三種算法的性能。 對于容易區(qū)分的橫向 和縱向裂縫，因比較簡單，用實(shí)際

2、路面去驗(yàn)證三種算 法時(shí)，其測試效果基本如表 2 表 4，限于篇幅，省 略之。 圖 7、 8 分別是文獻(xiàn)2中給出的典型實(shí)際塊狀 圖 裂縫和典型龜狀裂縫， 也是唯一的兩幅已經(jīng) “0” 、 “1” 子塊化的塊狀裂縫和龜狀裂縫路面。這樣的實(shí)際路 面，應(yīng)該可以充分的檢驗(yàn)我們提出的算法。 由于實(shí)際收集到的破損路面總是不夠， 我們采用 一種比較巧妙的解決方案：對于塊狀裂縫，我們從圖 8 的任意抽一行一列，代替圖 7 的任意抽一行一列， 這樣可以產(chǎn)生 4 萬多種塊狀裂縫；對于龜狀裂縫，我 們基本按照表 1 中人工產(chǎn)生龜狀裂縫時(shí)采用的方法， 即把圖 8 分別從中心、左上、左下、右上、右下刪除 不同大小方塊，以及

3、從圖 8 中任意刪除一行、兩行、 Test results from density factor algorithm 錯(cuò)誤明細(xì)表 縱向 裂縫 12 4 13 5 2 8 1 8 12 橫向 裂縫 8 15 18 7 6 6 10 11 15 塊狀 裂縫 0 0 0 1 0 0 0 0 0 龜狀 裂縫 0 0 0 0 0 0 0 0 0 完好 路面 0 0 0 0 0 0 0 0 0 總數(shù) 143 268 462 150 150 150 150 210 270 總體識 別率 /(% 86.01 92.91 93.29 91.33 94.67 90.67 92.67 90.95 90.00 表4

4、 方向密度因子測試結(jié)果 Test results from Tab.4 directional density factor algorithm 測試 數(shù)據(jù) A1 A2 A3 B1 B2 B3 C1 C2 C3 錯(cuò)誤明細(xì)表 縱向 裂縫 0 0 0 0 0 0 0 0 0 橫向 裂縫 0 0 0 0 0 0 0 0 0 塊狀 裂縫 0 0 0 2 0 0 2 0 0 龜狀 裂縫 0 0 0 0 0 0 0 0 0 完好 路面 0 0 0 0 0 0 0 0 0 總數(shù) 143 268 462 150 150 150 150 210 270 總體識 別率 /(% 100 100 100 98.67

5、100 100 98.67 100 100 圖7 Fig.7 實(shí)際的塊狀裂縫 One block of real pavement crack 從表 2、表 3 和表 4 可以看出，對于人工數(shù)據(jù)， PROXIMITY 算法和方向密度因子算法的識別率都很 高，難以看出算法的優(yōu)劣?；久芏纫蜃铀惴ǖ恼w 識別率略低于 PROXIMITY 算法和方向密度因子算 法，但是，對于常規(guī)算法最難區(qū)分、識別的塊狀裂縫 和龜狀裂縫，基本密度因子算法的誤判數(shù)為 1，方向 密度因子算法的誤判數(shù)為 4，PROXIMITY 算法的誤 判數(shù)為 13，說明基本密度因子算法對塊狀裂縫和龜 狀裂縫的識別率最高。 2.3 實(shí)際路

6、面數(shù)據(jù)測試結(jié)果 為了進(jìn)一步測試算法的優(yōu)劣， 我們采用實(shí)際路面 Fig.8 圖8 實(shí)際的龜狀裂縫 One alligator of real pavement crack 58 三種路面破損分類算法的仿真比較 肖旺新 等 三行，一列、兩列、三列和四列，以及同時(shí)刪除一行 和一列、一行和兩列，一列和兩行等，我們共隨機(jī)產(chǎn) 生 4500 個(gè)龜狀裂縫樣本。測試結(jié)果見表 5 表 6。 表5 不同方法對龜狀裂縫識別結(jié)果 Tab.5 Test results of 基于破損密度因子的路面破損分類方法的可行性和 優(yōu)越性。下一步的工作是進(jìn)一步改進(jìn)密度因子方法， 即設(shè)計(jì)不同結(jié)構(gòu)不同大小或不同形式的密度因 子，得到不同

7、的改進(jìn)算法，以達(dá)到對更多類型的路面 破損形式進(jìn)行分類的目的。 different algorithm for alligator crack 識別方法 PROXIMITY 方法 密度因子方法 方向密度因子方法 錯(cuò)誤數(shù)目 1 634 0 0 總數(shù) 4 500 4 500 4 500 識別率/(% 63.7 100 100 表6 不同方法對塊狀裂縫識別結(jié)果 Tab.6 Test results of different algorithms for block crack 識別方法 錯(cuò)誤數(shù)目 749 1 015 總數(shù) 3 888 3 888 3 888 3 888 3 888 3 888 3 88

8、8 3 888 3 888 3 888 3 888 3 888 3 888 3 888 3 888 3 888 3 888 3 888 3 888 3 888 3 888 3888 3 888 3 888 3 888 3 888 3 888 3 888 3 888 3 888 3 888 3 888 3 888 識別率/(% 80.74 73.89 82.00 78.94 80.20 77.34 78.06 78.86 79.63 78.91 96.42 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 10

9、0 100 100 100 100 表 2 告訴我們，對于表 1 中的人工數(shù)據(jù)， PROXIMITY 方法識別率很高。 但是， 5 告訴我們， 表 對 于 4 500 個(gè) 實(shí) 際 龜 狀 裂 縫 的 變 化 出 來 的 數(shù) 據(jù) ， PROXIMITY 方法的缺陷就表現(xiàn)出來。PROXIMITY 方法把其中的 1 632 個(gè)龜狀裂縫識別為塊狀裂縫，把 其中的 2 個(gè)龜狀裂縫識別為縱向裂縫。文獻(xiàn)2中沒 有發(fā)現(xiàn)這個(gè)問題， 可能是他的實(shí)際測試的路面數(shù)據(jù)太 少 了 ， 總 共 才 127 個(gè) ， 其 中 龜 狀 裂 縫 才 16 個(gè) ， PROXIMITY 方 法 識 別 正 確 的 有 14 個(gè) ， 識

10、 別 率 為 88 %。 雖然識別率不低， 但是， 測試的路面數(shù)據(jù)太少。 對于實(shí)際的塊狀裂縫和龜狀裂縫， 密度因子算法 和方向密度因子算法的識別率都很高，100 %或者非 常接近 100 %。而 PROXIMITY 算法，雖然對表 1 中 的人工數(shù)據(jù)識別率很高，但是，表 5 和表 6 表明，對 于實(shí)際路面數(shù)據(jù)，其識別率不高，證明 PROXIMITY 算法泛化能力比較差。 密度因子方法 PROXIMITY 方法 700 819 770 881 853 822 792 820 139 0 0 0 0 0 0 0 0 0 0 0 0 3 結(jié) 語 本文通過大量的模擬路面和實(shí)際路面對三種路 0 0 0

11、0 方向密度 因子方法 0 0 0 0 0 0 面破損分類算法進(jìn)行了仿真，仿真結(jié)果表明： 1）三種路面破損分類算法中，方向密度因子算 法對五種常見路面破損類型的整體識別效果最好； 2）對于常規(guī)算法最難區(qū)分的塊狀裂縫和龜狀裂 縫，基本密度因子的算法的識別效果最好。 通過本文的仿真試驗(yàn)， 充分驗(yàn)證了文獻(xiàn)3提出的 59 交通運(yùn)輸工程與信息學(xué)報(bào) 2004 年 第3期 參考文獻(xiàn) 1 王榮本，王 超，初秀民. 路面破損圖像識別研究 Dissertation Submitted to the Faculty of the 進(jìn)展J. 吉林大學(xué)學(xué)報(bào)（工學(xué)版） ，2002；32（4） ： 91-97. 2 Lee

12、 B. J. Development of an integrated digital pavement imaging and neural network system D. A 3 University of Iowa, 2001. 肖旺新，張 雪，黃 衛(wèi). 基于破損密度因子的路 面破損識別新方法J. 交通運(yùn)輸工程與信息學(xué)報(bào)， 2004；2（2） ：82-89. 上接第 15 頁 和經(jīng)驗(yàn)估計(jì)相對容易一些。設(shè) F 是 Rn 上任意非空的 有界子集， (F是長度最大為 ， N 可以覆蓋 F 的集中 的最少個(gè)數(shù)，則 F 的主車流維數(shù)為 3 結(jié) 論 本文重點(diǎn)對主干道上主車流分形圖形的形成過 di

13、m B F = lim log N ( F 0 log （3） 程進(jìn)行了描述， 并結(jié)合圖形說明了主車流在主干道上 的分形控制機(jī)理， 以及實(shí)現(xiàn)分形幾何控制將會(huì)大大提 高我國城市主干道的主車流流速，減小道路建設(shè)投 資，降低排放污染的重大意義。為了實(shí)現(xiàn)對主車流的 幾何控制， 在對主車流分形維數(shù)進(jìn)行數(shù)學(xué)描述的基礎(chǔ) 上，得出實(shí)際的主車流圖形的分形維數(shù)為1.749，這 進(jìn)一步說明了主車流圖形是分形， 用分形理論對主車 流進(jìn)行控制是完全可行的。 取桑塔鈉轎車長度與安全距離之和作為網(wǎng)格長 度 ，以單車道寬作為網(wǎng)格寬度，用這樣的網(wǎng)格去覆 蓋主車 流圖 形，網(wǎng) 格中 有圖形 象素 的方格 數(shù)目 4 為 N(F，那么由式（3）即可求出主車流維數(shù)。用此方 法可求得哈爾濱市某信號控制交叉口的主車流圖形 的分形維數(shù)為1.749。 參考文獻(xiàn) 1 李作敏，黃中祥，張亞軍. 高速公路交通流分形特 性分析J. 中國公路學(xué)報(bào)，2000；13（3） ：82-85. 2 賀國光，馬壽峰，馮蔚東.