本發(fā)明屬于道路工程，具體涉及一種路面擁包形成因素分析方法、電子設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、路面擁包病害，是一種常見(jiàn)的道路結(jié)構(gòu)性病害，通常表現(xiàn)為道路表面出現(xiàn)不規(guī)則的隆起或波浪狀凸起。這種現(xiàn)象多由路面下部的材料不均勻、排水不良、基層或底基層的不穩(wěn)定性以及重載車輛頻繁駛過(guò)引起。

2、路面擁包病害對(duì)于路面使用和交通有著顯著的負(fù)面影響。路面擁包會(huì)導(dǎo)致行車的不平順，影響駕駛舒適性和車輛行駛的穩(wěn)定性，尤其是對(duì)于高速行駛的車輛，路面擁包可能導(dǎo)致車輛控制困難，增加交通事故的風(fēng)險(xiǎn)。路面擁包還可能導(dǎo)致車輛過(guò)度磨損，特別是對(duì)車輛的懸掛系統(tǒng)和輪胎造成較大的壓力。在公共交通和貨運(yùn)交通中，這種路面狀況還可能導(dǎo)致運(yùn)輸延誤，影響整體的交通效率和經(jīng)濟(jì)成本。

3、申請(qǐng)?zhí)枮?01711445923.8、發(fā)明名稱為“一種瀝青路面擁包多維度特征指標(biāo)識(shí)別方法”（201711445923.8）的發(fā)明專利，提出了一種使用三維線激光檢測(cè)設(shè)備對(duì)瀝青路面擁包進(jìn)行精確掃描和特征提取的方法，通過(guò)獲取和平滑點(diǎn)云數(shù)據(jù)來(lái)重構(gòu)擁包的三維表面輪廓，建立三維坐標(biāo)系，并從中提取多維度特征指標(biāo)來(lái)分析擁包病害的嚴(yán)重程度和潛在影響。

4、然而，上述發(fā)明沒(méi)有考慮路面擁包影響因素分析方法，無(wú)法準(zhǔn)確識(shí)別和評(píng)估導(dǎo)致路面擁包的各種因素，會(huì)使得道路維護(hù)團(tuán)隊(duì)無(wú)法有效地預(yù)防或及時(shí)修復(fù)這種病害。這種情況不僅會(huì)縮短道路的使用壽命，還可能導(dǎo)致維修成本增加。此外，道路使用者的安全也會(huì)因?yàn)槁访娌黄巾樅蜐撛诘母咚傩旭傦L(fēng)險(xiǎn)而受到威脅，嚴(yán)重時(shí)可能導(dǎo)致交通事故。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明要解決的問(wèn)題是針對(duì)道路擁包影響因素進(jìn)行準(zhǔn)確分析，提出一種路面擁包形成因素分析方法、電子設(shè)備及存儲(chǔ)介質(zhì)。

2、為實(shí)現(xiàn)上述目的，本發(fā)明通過(guò)以下技術(shù)方案實(shí)現(xiàn)：

3、一種路面擁包形成因素分析方法，包括如下步驟：

4、s1.?采用車載三維結(jié)構(gòu)光相機(jī)采集路面圖像，然后對(duì)采集的路面圖像進(jìn)行壓縮處理，得到壓縮處理后的路面圖像；

5、s2.?將步驟s1得到的壓縮處理后的路面圖像進(jìn)行相似病害識(shí)別，提取全部包含擁包以及與擁包的圖像特征最相似的病害類型的路面圖像，構(gòu)建用于路面擁包快速識(shí)別的數(shù)據(jù)集；

6、s3.?構(gòu)建路面擁包快速識(shí)別的基礎(chǔ)模型、第一輔助模型、第二輔助模型與強(qiáng)化模型；然后構(gòu)建基于路面擁包快速識(shí)別的基礎(chǔ)模型、第一輔助模型、第二輔助模型與強(qiáng)化模型輸出層之間的損失函數(shù)；

7、s4.?構(gòu)建路面擁包快速識(shí)別的強(qiáng)化模型和基礎(chǔ)模型的層間損失函數(shù)；然后構(gòu)建路面擁包快速識(shí)別模型的總體損失函數(shù)；

8、s5.?利用步驟s2得到的用于路面擁包快速識(shí)別的數(shù)據(jù)集對(duì)構(gòu)建的基礎(chǔ)模型、第一輔助模型、第二輔助模型與強(qiáng)化模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的基礎(chǔ)模型作為路面擁包快速識(shí)別模型；

9、s6.?對(duì)步驟s5得到的路面擁包快速識(shí)別模型進(jìn)行改進(jìn)處理，得到輕量化的路面擁包快速識(shí)別模型；

10、s7.?基于步驟s6得到的輕量化的路面擁包快速識(shí)別模型構(gòu)建數(shù)字孿生模型；

11、s8.?基于步驟s7得到的數(shù)字孿生模型，構(gòu)建路面擁包形成因素分析方法。

12、進(jìn)一步的，步驟s2的具體實(shí)現(xiàn)方法包括如下步驟：

13、s2.1.?設(shè)置路面擁包的相似病害包括縱向裂縫、橫向裂縫、龜裂、車轍、坑槽、剝落、泛油、沉陷、啃邊；

14、s2.2.?將步驟s1得到的處理后的路面圖像進(jìn)行人工挑選，挑選出所有包括路面擁包以及相似病害的路面圖像，并且框選出對(duì)應(yīng)病害區(qū)域，并將路面圖像中的路面擁包、縱向裂縫、橫向裂縫、龜裂、車轍、坑槽、剝落、泛油、沉陷、啃邊區(qū)域依次標(biāo)記為 pho1、 pho2、 pho3、 pho4、 pho5、 pho6、 pho7、 pho8、 pho9、 pho10；

15、s2.3.?將像素灰度值0~255等分為16個(gè)灰度級(jí)區(qū)間，記為，=1,2,3，…，16；

16、s2.4.?統(tǒng)計(jì)路面擁包中各灰度級(jí)對(duì)應(yīng)的像素?cái)?shù)量，然后統(tǒng)計(jì)路面擁包的相似病害縱向裂縫、橫向裂縫、龜裂、車轍、坑槽、剝落、泛油、沉陷、啃邊對(duì)應(yīng)的各灰度級(jí)對(duì)應(yīng)的像素?cái)?shù)量、、、、、、、、；

17、s2.5.?將各灰度級(jí)對(duì)應(yīng)的像素?cái)?shù)量進(jìn)行標(biāo)準(zhǔn)化操作，得到標(biāo)準(zhǔn)像素?cái)?shù)量，其中，路面擁包對(duì)應(yīng)的標(biāo)準(zhǔn)像素?cái)?shù)量為，計(jì)算公式為：

18、；

19、縱向裂縫、橫向裂縫、龜裂、車轍、坑槽、剝落、泛油、沉陷、啃邊對(duì)應(yīng)的標(biāo)準(zhǔn)像素?cái)?shù)量為、、、、、、、、；

20、s2.6.?以為基準(zhǔn)，依次建立路面擁包與其他病害間的關(guān)系函數(shù)，計(jì)算公式為：

21、；

22、其中，ii表示其他相似病害的序號(hào)，ii=2,3,4,5…10，得到、、、、、、、、分別表示路面擁包與縱向裂縫、橫向裂縫、龜裂、車轍、坑槽、剝落、泛油、沉陷、啃邊的關(guān)系函數(shù)；

23、s2.7.?比較、、、、、、、、，并按照從大到小的關(guān)系順序進(jìn)行排序，選取排名前3位的關(guān)系函數(shù)對(duì)應(yīng)的病害類型為與路面擁包的圖像特征最相似的病害類型，然后挑選出全部包含路面擁包以及與路面擁包的圖像特征最相似的病害類型的路面圖像；

24、s2.8.?通過(guò)人工標(biāo)注的方法，將步驟s2.8得到的全部包含路面擁包以及與路面擁包的圖像特征最相似的病害類型的路面圖像框選出路面坑槽區(qū)域及其它三種病害，并將路面擁包標(biāo)識(shí)為upheaval，其它三種病害依次標(biāo)記為other1、other2、other3，得到用于路面擁包快速識(shí)別的數(shù)據(jù)集；

25、s2.9.?按照數(shù)量比為8:2的比例，將用于路面擁包快速識(shí)別的數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集。

26、進(jìn)一步的，步驟s3的具體實(shí)現(xiàn)方法包括如下步驟：

27、s3.1.?構(gòu)建路面擁包快速識(shí)別的基礎(chǔ)模型：

28、s3.1.1.?基礎(chǔ)模型a由1個(gè)輸入層、9個(gè)卷積層、9個(gè)激活層、3個(gè)池化層、1個(gè)合并層、1個(gè)上采樣層、1個(gè)路徑聚合網(wǎng)絡(luò)層panet、1個(gè)池化拼接層、1個(gè)空間金字塔池化層spp、1個(gè)輸出層構(gòu)成：

29、s3.1.2.?將步驟s2得到的訓(xùn)練集輸入到基礎(chǔ)模型a中，通過(guò)誤差反向傳播算法，計(jì)算神經(jīng)網(wǎng)絡(luò)單元的權(quán)重和偏置，完成基礎(chǔ)模型a的訓(xùn)練，得到訓(xùn)練完畢的基礎(chǔ)模型a；

30、基礎(chǔ)模型a的損失函數(shù)的計(jì)算公式為：

31、；

32、其中，為基礎(chǔ)模型a的損失函數(shù)；為基礎(chǔ)模型a中數(shù)據(jù)樣本總數(shù)；為第 ia個(gè)樣本的真實(shí)標(biāo)簽，為基礎(chǔ)模型a預(yù)測(cè)第 ia個(gè)樣本為類別1的概率；

33、s3.1.3.?基礎(chǔ)模型a對(duì)應(yīng)的4個(gè)輸出單元的節(jié)點(diǎn)輸出值為 a1、 a2、 a3、 a4，將4個(gè)輸出單元的節(jié)點(diǎn)輸出值進(jìn)行初始轉(zhuǎn)換，得到輸出值對(duì)應(yīng)的概率值的計(jì)算公式為：；

34、然后將4個(gè)輸出單元的節(jié)點(diǎn)輸出值進(jìn)一步優(yōu)化轉(zhuǎn)換，得到輸出值對(duì)應(yīng)的增強(qiáng)概率值的計(jì)算公式為：

35、；

36、其中， g為增強(qiáng)系數(shù)，然后對(duì)每個(gè)節(jié)點(diǎn)對(duì)應(yīng)的實(shí)際病害標(biāo)注為；

37、s3.1.4.?采用以及步驟s2得到的訓(xùn)練集，結(jié)合誤差鏈?zhǔn)角髮?dǎo)法則，訓(xùn)練基礎(chǔ)模型a，訓(xùn)練完畢后，得到基礎(chǔ)模型a對(duì)應(yīng)的4類病害的輸出值，依次記為，，，；

38、s3.2.?構(gòu)建路面擁包快速識(shí)別的第一輔助模型：

39、s3.2.1.?第一輔助模型b由1個(gè)輸入層、9個(gè)卷積層、9個(gè)激活層、5個(gè)池化層、1個(gè)合并層、1個(gè)上采樣層、1個(gè)panet層、1個(gè)池化拼接層、1個(gè)spp層、1個(gè)輸出層構(gòu)成：

40、s3.2.2.?將步驟s2得到的訓(xùn)練集輸入到第一輔助模型b中，通過(guò)誤差反向傳播算法，計(jì)算神經(jīng)網(wǎng)絡(luò)單元的權(quán)重和偏置，完成第一輔助模型b的訓(xùn)練，得到訓(xùn)練完畢的第一輔助模型b；

41、第一輔助模型b的損失函數(shù)的計(jì)算公式為：

42、；

43、其中，為第一輔助模型b的損失函數(shù)；為第一輔助模型b中數(shù)據(jù)樣本總數(shù)；為第 ib個(gè)樣本的真實(shí)標(biāo)簽，為第一輔助模型b預(yù)測(cè)第 ib個(gè)樣本為類別1的概率；

44、s3.2.3.?第一輔助模型b對(duì)應(yīng)的4個(gè)輸出單元的節(jié)點(diǎn)輸出值為 b1、 b2、 b3、 b4，將4個(gè)輸出單元的節(jié)點(diǎn)輸出值進(jìn)行初始轉(zhuǎn)換，得到輸出值 b i對(duì)應(yīng)的概率值的計(jì)算公式為：

45、；

46、然后將4個(gè)輸出單元的節(jié)點(diǎn)輸出值進(jìn)一步優(yōu)化轉(zhuǎn)換，得到輸出值 b i對(duì)應(yīng)的增強(qiáng)概率值的計(jì)算公式為：

47、；

48、s3.2.4.?采用以及步驟s2得到的訓(xùn)練集，結(jié)合誤差鏈?zhǔn)角髮?dǎo)法則，訓(xùn)練第一輔助模型b，訓(xùn)練完畢后，得到第一輔助模型b對(duì)應(yīng)的病害輸出值為，輸出層的4個(gè)節(jié)點(diǎn)中，每個(gè)節(jié)點(diǎn)對(duì)應(yīng)的實(shí)際病害標(biāo)注為， i=1,2,3,4；

49、s3.3.?構(gòu)建路面擁包快速識(shí)別的第二輔助模型：

50、s3.3.1.?第二輔助模型c由1個(gè)輸入層、12個(gè)卷積層、12個(gè)激活層、5個(gè)池化層、1個(gè)合并層、1個(gè)上采樣層、1個(gè)panet層、1個(gè)池化拼接層、1個(gè)spp層、1個(gè)輸出層構(gòu)成：

51、s3.3.2.?將步驟s2得到的訓(xùn)練集輸入到第二輔助模型c中，通過(guò)誤差反向傳播算法，計(jì)算神經(jīng)網(wǎng)絡(luò)單元的權(quán)重和偏置，完成第二輔助模型c的訓(xùn)練，得到訓(xùn)練完畢的第二輔助模型c；

52、第二輔助模型c的損失函數(shù)的計(jì)算公式為：

53、；

54、其中，為第二輔助模型c的損失函數(shù)；為第二輔助模型c中數(shù)據(jù)樣本總數(shù)；為第 ic個(gè)樣本的真實(shí)標(biāo)簽，為第二輔助模型c預(yù)測(cè)第 ic個(gè)樣本為類別1的概率；

55、s3.3.3.?第二輔助模型c對(duì)應(yīng)的4個(gè)輸出單元的節(jié)點(diǎn)輸出值為，將4個(gè)輸出單元的節(jié)點(diǎn)輸出值進(jìn)行初始轉(zhuǎn)換，得到對(duì)應(yīng)的概率值的計(jì)算公式為：

56、；

57、然后將4個(gè)輸出單元的節(jié)點(diǎn)輸出值進(jìn)一步優(yōu)化轉(zhuǎn)換，得到輸出值對(duì)應(yīng)的增強(qiáng)概率值的計(jì)算公式為：

58、；

59、其中， g為增強(qiáng)系數(shù)，然后對(duì)每個(gè)節(jié)點(diǎn)對(duì)應(yīng)的實(shí)際病害標(biāo)注為；

60、s3.3.4.?采用以及步驟s2得到的訓(xùn)練集，結(jié)合誤差鏈?zhǔn)角髮?dǎo)法則，訓(xùn)練第二輔助模型c，訓(xùn)練完畢后，得到第二輔助模型c對(duì)應(yīng)的4類病害的輸出值為；

61、s3.4.?構(gòu)建路面擁包快速識(shí)別的強(qiáng)化模型：

62、s3.4.1.?強(qiáng)化模型d由1個(gè)輸入層、14個(gè)卷積層、14個(gè)激活層、5個(gè)池化層、1個(gè)合并層、1個(gè)上采樣層、1個(gè)panet層、1個(gè)池化拼接層、1個(gè)spp層、1個(gè)輸出層構(gòu)成：

63、s3.4.2.?將步驟s2得到的訓(xùn)練集輸入到強(qiáng)化模型d中，通過(guò)誤差反向傳播算法，計(jì)算神經(jīng)網(wǎng)絡(luò)單元的權(quán)重和偏置，完成強(qiáng)化模型d的訓(xùn)練，得到訓(xùn)練完畢的強(qiáng)化模型d；

64、強(qiáng)化模型d的損失函數(shù)的計(jì)算公式為：

65、；

66、其中，為強(qiáng)化模型d的損失函數(shù)；為強(qiáng)化模型d中數(shù)據(jù)樣本總數(shù)；為第 id個(gè)樣本的真實(shí)標(biāo)簽，為強(qiáng)化模型d預(yù)測(cè)第 id個(gè)樣本為類別1的概率；

67、s3.4.3.?強(qiáng)化模型d對(duì)應(yīng)的4個(gè)輸出單元的節(jié)點(diǎn)輸出值為，將4個(gè)輸出單元的節(jié)點(diǎn)輸出值進(jìn)行初始轉(zhuǎn)換，得到對(duì)應(yīng)的概率值的計(jì)算公式為：

68、；

69、然后將4個(gè)輸出單元的節(jié)點(diǎn)輸出值進(jìn)一步優(yōu)化轉(zhuǎn)換，得到輸出值對(duì)應(yīng)的增強(qiáng)概率值的計(jì)算公式為：

70、；

71、其中， g為增強(qiáng)系數(shù)，然后對(duì)每個(gè)節(jié)點(diǎn)對(duì)應(yīng)的實(shí)際病害標(biāo)注為；

72、s3.4.4.?采用以及步驟s2得到的訓(xùn)練集，結(jié)合誤差鏈?zhǔn)角髮?dǎo)法則，訓(xùn)練強(qiáng)化模型d，訓(xùn)練完畢后，得到強(qiáng)化模型d對(duì)應(yīng)的4類病害的輸出值為；

73、s3.5.?基于和，建立第一輔助模型b與基礎(chǔ)模型a輸出層之間的損失函數(shù)，計(jì)算公式為：

74、；

75、基于和，構(gòu)建輸出值對(duì)應(yīng)的概率值的基礎(chǔ)模型a的損失函數(shù)，計(jì)算公式為：

76、；

77、基于和，建立第一輔助模型b與基礎(chǔ)模型a輸出層之間的關(guān)系損失函數(shù)，計(jì)算公式為：

78、

79、其中，為的權(quán)重系數(shù)，為的權(quán)重系數(shù)；

80、s3.6.?建立第二輔助模型c與第一輔助模型b輸出層之間的關(guān)系損失函數(shù)，表達(dá)式為：

81、；

82、其中，為的權(quán)重系數(shù)，為的權(quán)重系數(shù)，為基于和的損失函數(shù)；為基于和的損失函數(shù)；

83、的計(jì)算公式為：

84、；

85、的計(jì)算公式為：

86、；

87、s3.7.?建立第二輔助模型c與基礎(chǔ)模型a輸出層之間的關(guān)系損失函數(shù)，表達(dá)式為：

88、；

89、其中，為的權(quán)重系數(shù)，為的權(quán)重系數(shù)，為基于和的損失函數(shù)，為基于和的損失函數(shù)；

90、的計(jì)算公式為：

91、；

92、的計(jì)算公式為：

93、；

94、s3.8.?建立強(qiáng)化模型d與基礎(chǔ)模型a輸出層之間的關(guān)系損失函數(shù)，表達(dá)式為：

95、；

96、其中，為的權(quán)重系數(shù)，為的權(quán)重系數(shù)，為基于和的損失函數(shù)；

97、的計(jì)算公式為：

98、；

99、s3.9.?建立強(qiáng)化模型d與第二輔助模型c輸出層之間的關(guān)系損失函數(shù)，表達(dá)式為：

100、；

101、其中，為的權(quán)重系數(shù)，為的權(quán)重系數(shù)，為基于和的損失函數(shù)，為基于和的損失函數(shù)；

102、的計(jì)算公式為：

103、；

104、的計(jì)算公式為：

105、。

106、進(jìn)一步的，步驟s4的具體實(shí)現(xiàn)方法包括如下步驟：

107、s4.1.?假設(shè)具有小模型 a和大模型 d，建立小模型 a中的第二、三、四層以及輸出層，分別與大模型 d中的第四、六、十層以及輸出層建立聯(lián)系；

108、s4.2.?對(duì)于小模型中的第二層和大模型 d中的第四層建立關(guān)系，小模型 a第二層輸出記為，對(duì)應(yīng)的寬度×長(zhǎng)度×通道數(shù)的尺寸為；大模型 d第四層輸出記為，對(duì)應(yīng)的寬度×長(zhǎng)度×通道數(shù)的尺寸為；

109、進(jìn)行尺寸比較，當(dāng)時(shí)，在小模型第二層輸出中，添加卷積操作，卷積核尺寸為1×1，卷積核數(shù)量為，得到輸出為，此時(shí)，對(duì)應(yīng)的各通道輸出值為，k i為通道編號(hào)，對(duì)應(yīng)的各通道輸出值為；

110、建立基于時(shí)的小模型 a的第二層與大模型 d的第四層間的損失函數(shù)，計(jì)算公式為：

111、；

112、當(dāng)時(shí)，在大模型 d第四層輸出中，添加卷積操作，卷積核尺寸為1×1，卷積核數(shù)量為，得到輸出為；此時(shí)，對(duì)應(yīng)的各通道輸出值為：，對(duì)應(yīng)的各通道輸出值為；

113、建立時(shí)的小模型 a的第二層與大模型 d的第四層間的損失函數(shù)，計(jì)算公式為：

114、；

115、s4.3.?對(duì)于小模型中的第三層和大模型 b中的第六層建立關(guān)系，得到小模型 a第三層與大模型 b第六層間的損失函數(shù)；

116、s4.4.?對(duì)于小模型中的第四層和大模型 b中的第十層建立關(guān)系，得到小模型 a第四層與大模型 b第十層間的損失函數(shù)；

117、s4.5.?當(dāng)小模型為基礎(chǔ)模型a時(shí)，小模型 a中的第二、三、四層分別為基礎(chǔ)模型a的池化層1的輸出、池化層2的輸出、池化層4的輸出；當(dāng)大模型為強(qiáng)化模型d時(shí)，大模型 d中的第四、六、十層分別為強(qiáng)化模型d的池化層2的輸出、池化層3的輸出、池化層5的輸出；

118、s4.6.?基于強(qiáng)化模型d到基礎(chǔ)模型a的輸出層之間的損失函數(shù)和層間損失函數(shù)，定義兩個(gè)模型間的總損失函數(shù)，計(jì)算公式為：

119、；

120、其中，為對(duì)應(yīng)的權(quán)重系數(shù)，為對(duì)應(yīng)的權(quán)重系數(shù)，為對(duì)應(yīng)的權(quán)重系數(shù)。

121、進(jìn)一步的，步驟s5的具體實(shí)現(xiàn)方法為利用步驟s2得到的數(shù)據(jù)集基于鏈?zhǔn)角髮?dǎo)法則，通過(guò)誤差反向傳播方式，對(duì)基礎(chǔ)模型、第一輔助模型、第二輔助模型與強(qiáng)化模型進(jìn)行訓(xùn)練，當(dāng)總體損失函數(shù)為最小時(shí)，對(duì)應(yīng)模型參數(shù)為最優(yōu)，得到訓(xùn)練好的基礎(chǔ)模型作為路面擁包快速識(shí)別模型。

122、進(jìn)一步的，步驟s6的具體實(shí)現(xiàn)方法包括如下步驟：

123、s6.1.?對(duì)步驟s5得到的路面擁包快速識(shí)別模型，設(shè)置對(duì)增強(qiáng)系數(shù) g依次取值為： g=1,3,5,7,9,11,15,20,30,40,50；

124、s6.2.?基于不同的增強(qiáng)系數(shù) g得到11種工況，對(duì)路面擁包快速識(shí)別模型進(jìn)行訓(xùn)練得到11種模型，設(shè)置11個(gè)路面擁包快速識(shí)別模型對(duì)應(yīng)的準(zhǔn)確率依次為，i=1,2,3,…,11，計(jì)算公式為：

125、；

126、其中，表示采用訓(xùn)練集訓(xùn)練后的第 i個(gè)模型在對(duì)測(cè)試集中的數(shù)據(jù)進(jìn)行識(shí)別時(shí)，預(yù)測(cè)為擁包且實(shí)際為擁包的樣本數(shù)量；表示采用訓(xùn)練集訓(xùn)練后的第 i個(gè)模型在對(duì)測(cè)試集中的數(shù)據(jù)進(jìn)行識(shí)別時(shí)，預(yù)測(cè)為擁包但實(shí)際不是擁包的樣本數(shù)量；

127、比較得到中的最大值；

128、對(duì)應(yīng)的路面擁包快速識(shí)別模型為最終得到的輕量化的路面擁包快速識(shí)別模型。

129、進(jìn)一步的，步驟s7的具體實(shí)現(xiàn)方法包括如下步驟：

130、s7.1.?將步驟s6得到的輕量化的路面擁包快速識(shí)別模型導(dǎo)出為用于獨(dú)立服務(wù)的部署文件，包括pt文件、pth文件、json文件、txt文件中的一種；

131、s7.2.?構(gòu)建道路信息模型；

132、s7.2.1.?收集道路的位置、長(zhǎng)度、寬度、布局的信息；

133、s7.2.2.?將步驟s7.2.1得到的數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)庫(kù)中，并構(gòu)建道路的基礎(chǔ)三維模型，所述道路的基礎(chǔ)三維模型包括道路的幾何信息；

134、s7.2.3.?在步驟s7.2.2的基礎(chǔ)上，在道路的基礎(chǔ)三維模型中添加材料屬性、設(shè)計(jì)規(guī)范、歷史維護(hù)數(shù)據(jù)，得到道路信息模型；

135、s7.2.4.?將道路信息模型導(dǎo)出為被web應(yīng)用支持的格式文件，包括json文件、js文件中的一種；

136、s7.3.?在數(shù)字孿生平臺(tái)中，導(dǎo)入步驟s7.1得到的輕量化的路面擁包快速識(shí)別模型的部署文件，導(dǎo)入步驟s7.2得到的道路信息模型格式文件；

137、s7.4.?采用python構(gòu)建圖像數(shù)據(jù)與輕量化的路面擁包快速識(shí)別模型之間的api接口，用于進(jìn)行車轍智能識(shí)別；采用python構(gòu)建輕量化的路面擁包快速識(shí)別模型與道路信息模型之間的api接口，完成數(shù)字孿生模型的構(gòu)建。

138、進(jìn)一步的，步驟s8的具體實(shí)現(xiàn)方法包括如下步驟：

139、s8.1.?采用三維結(jié)構(gòu)光相機(jī)采集道路表面數(shù)據(jù)，并上傳到步驟s7建立的數(shù)字孿生模型中，然后采用系統(tǒng)中部署完成的輕量化的路面擁包快速識(shí)別模型，對(duì)路面圖像中的路面擁包區(qū)域進(jìn)行智能識(shí)別，并挑選出全部包含路面擁包的圖像，并對(duì)擁包進(jìn)行現(xiàn)場(chǎng)復(fù)核，并測(cè)量路面擁包的高度gd；

140、s8.2.?設(shè)置擁包形成的影響因素包括路面材料老化、環(huán)境溫度、水損害、重載車輛、交通荷載、路面厚度、路面溫度、路面抗壓強(qiáng)度；路面材料老化通過(guò)瀝青氧化物含量進(jìn)行量化指標(biāo)，水損害通過(guò)路面滲水量進(jìn)行量化指標(biāo)，重載車輛通過(guò)重載車輛數(shù)量進(jìn)行量化指標(biāo)，交通荷載通過(guò)交通量進(jìn)行量化指標(biāo)；

141、s8.3.?選取10個(gè)時(shí)間節(jié)點(diǎn)t1、t2、t3、…t10，分別采集10個(gè)時(shí)間節(jié)點(diǎn)下，得到對(duì)應(yīng)的各個(gè)量化指標(biāo)的值如下：

142、10個(gè)時(shí)間節(jié)點(diǎn)下的瀝青氧化物含量：lh1、lh2、lh3、lh4、lh5、lh6、lh7、lh8、lh9、lh10；

143、10個(gè)時(shí)間節(jié)點(diǎn)下的環(huán)境溫度：hw1、hw2、hw3、hw4、hw5、hw6、hw7、hw8、hw9、hw10；

144、10個(gè)時(shí)間節(jié)點(diǎn)下的路面滲水量：ss1、ss2、ss3、ss4、ss5、ss6、ss7、ss8、ss9、ss10；

145、10個(gè)時(shí)間節(jié)點(diǎn)下的重載車輛數(shù)量：zz1、zz2、zz3、zz4、zz5、zz6、zz7、zz8、zz9、zz10；

146、10個(gè)時(shí)間節(jié)點(diǎn)下的交通量：jl1、jl2、jl3、jl4、jl5、jl6、jl7、jl8、jl9、jl10；

147、10個(gè)時(shí)間節(jié)點(diǎn)下的路面厚度：hd1、hd2、hd3、hd4、hd5、hd6、hd7、hd8、hd9、hd10；

148、10個(gè)時(shí)間節(jié)點(diǎn)下的路面溫度：lw1、lw2、lw3、lw4、lw5、lw6、lw7、lw8、lw9、lw10；

149、10個(gè)時(shí)間節(jié)點(diǎn)下的路面抗壓強(qiáng)度：ky1、ky2、ky3、ky4、ky5、ky6、ky7、ky8、ky9、ky10；

150、10個(gè)時(shí)間節(jié)點(diǎn)下的路面擁包高度：gd1、gd2、gd3、gd4、gd5、gd6、gd7、gd8、gd9、gd10；

151、s8.4.?分別計(jì)算10個(gè)時(shí)間節(jié)點(diǎn)下的各個(gè)量化指標(biāo)的平均值，得到瀝青氧化物含量平均值為、環(huán)境溫度平均值為、路面滲水量平均值為、重載車輛數(shù)量平均值為、交通量平均值為、路面厚度平均值為、路面溫度平均值為、路面抗壓強(qiáng)度平均值為、路面擁包高度平均值為；

152、s8.5.?計(jì)算各個(gè)量化指標(biāo)與路面擁包高度間的關(guān)聯(lián)強(qiáng)度系數(shù)，計(jì)算公式如下：

153、；

154、其中，為第 ii個(gè)時(shí)間節(jié)點(diǎn)下的量化指標(biāo)值，為第 ii個(gè)時(shí)間節(jié)點(diǎn)下的路面擁包高度；zb表示量化評(píng)價(jià)指標(biāo)，包含瀝青氧化物含量、環(huán)境溫度、路面滲水量、重載車輛數(shù)量、交通量、路面厚度、路面溫度、路面抗壓強(qiáng)度；即，瀝青氧化物含量、環(huán)境溫度、路面滲水量、重載車輛數(shù)量、交通量、路面厚度、路面溫度、路面抗壓強(qiáng)度與路面擁包高度間的關(guān)聯(lián)強(qiáng)度系數(shù)分別為：、、、、、、、；

155、s8.6.?將步驟s8.5得到的全部關(guān)聯(lián)強(qiáng)度系數(shù)按照從大到小的順序排列，重新標(biāo)記為tzn1~?tzn8，其中，tzn1對(duì)應(yīng)的擁包形成的影響因素為對(duì)路面擁包影響最大的影響因素；

156、s8.7.?定義閾值 yz，計(jì)算， ni從1開(kāi)始計(jì)算，并逐漸增加，當(dāng) ni值滿足時(shí)，停止計(jì)算，此時(shí)， ni值對(duì)應(yīng)的路面擁包影響因素，即為導(dǎo)致路面出現(xiàn)擁包的主要影響因素。

157、一種電子設(shè)備，包括存儲(chǔ)器和處理器，存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述的處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)所述的一種路面擁包形成因素分析方法的步驟。

158、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)所述的一種路面擁包形成因素分析方法。

159、本發(fā)明的有益效果：

160、本發(fā)明所述的一種路面擁包形成因素分析方法，提出一種相似病害的確定方法，降低模型對(duì)擁包的誤判行為。

161、本發(fā)明所述的一種路面擁包形成因素分析方法，提出一種基礎(chǔ)模型、輔助模型與強(qiáng)化模型輸出層損失函數(shù)構(gòu)建方法，提高模型對(duì)擁包特征提取能力；

162、本發(fā)明所述的一種路面擁包形成因素分析方法，提出一種輕量化的路面擁包智能識(shí)別模型，提升模型的學(xué)習(xí)效率和性能。

163、本發(fā)明所述的一種路面擁包形成因素分析方法，提出基于增強(qiáng)系數(shù)的基礎(chǔ)模型改進(jìn)方法，提高模型的泛化能力。

164、本發(fā)明所述的一種路面擁包形成因素分析方法，提出一種道路數(shù)字孿生模型構(gòu)建與路面擁包病害更新方法，實(shí)現(xiàn)數(shù)字孿生模型的構(gòu)建與路面擁包區(qū)域的準(zhǔn)確更新。

165、本發(fā)明所述的一種路面擁包形成因素分析方法，提出一種基于數(shù)字孿生的路面擁包影響因素分析方法，可以幫助工程師在設(shè)計(jì)和施工階段預(yù)防路面擁包的發(fā)生，更有效地計(jì)劃和執(zhí)行維修工作，針對(duì)性地解決問(wèn)題，從而提高道路的整體質(zhì)量和使用壽命。這種分析方法還有助于提高道路的安全性，通過(guò)減少事故發(fā)生的風(fēng)險(xiǎn)，保護(hù)道路使用者的生命安全。