一种高速路面坑槽巡检装置及其方法与流程

本发明涉及路面坑槽检测，尤其涉及一种高速路面坑槽巡检装置及其方法。

背景技术：

1、目前，高速公路路面坑槽巡检主要依赖人工徒步巡查、专用检测车辆定期巡检或无人机航拍等方式。其中，人工巡查效率低且存在较大人身安全隐患；专用检测车设备昂贵，巡检频率低、成本高；无人机巡检受续航能力和恶劣天气条件限制较大。上述方式均属于事后检测模式，即路面坑槽已形成并对行车安全构成威胁后才能被发现和处置。

2、此外，现有养护管理中的预算编制主要依靠管理者的经验估算，缺乏科学的数据支撑和定量分析手段，导致养护资金投放的精准性不足，容易出现资金浪费或关键路段得不到及时维护的问题。同时，现有检测手段与养护决策之间缺乏有效的数据闭环，检测数据未能充分用于指导养护方案的优化和资金的合理分配。

3、近年来，数字孪生技术已在基础设施运维领域开展应用探索，但将其与高频次、低成本的路面数据采集手段深度融合，并进一步延伸至养护资金需求的智能推演，目前尚未形成系统化的技术方案。

技术实现思路

1、有鉴于此，本发明的目的在于提出一种高速路面坑槽巡检装置及其方法，以解决目前巡检方式均属于事后检测模式，不能实现指导养护方案生成的问题。

2、基于上述目的，本发明提供了一种高速路面坑槽巡检装置，包括：

3、巡检机器人，跨坐于高速公路护栏顶部并沿其往复移动，所述巡检机器人上搭载有多类型传感器和边缘计算模块，所述多类型传感器用于在移动过程中同步采集路面的多源感知数据，所述边缘计算模块用于对所述多源感知数据进行实时预处理；

4、数字孪生平台，与所述巡检机器人通过无线通信网络连接，接收预处理后的所述多源感知数据；所述数字孪生平台内置有几何模型构建模块、历史数据库模块、数据融合模块、模型训练模块、坑槽形成预测模型和养护资金需求推演模块；

5、所述几何模型构建模块用于根据路段设计图纸和高精度地图构建高速公路路段的三维几何模型；所述历史数据库模块用于整合并存储历年路面技术状况检测数据、历年坑槽病害记录、历年交通流量数据、历年气象数据以及路面结构设计参数；所述数据融合模块用于将所述多源感知数据与所述历史数据在统一的空间坐标和时间轴上对齐融合，形成标准训练数据集；所述模型训练模块用于根据所述标准训练数据集训练所述坑槽形成预测模型；所述坑槽形成预测模型用于根据所述多源感知数据和所述历史数据，预测未来设定时间窗口内各目标路段的坑槽形成风险概率及预测形成时间窗口，并输出坑槽风险预测结果；

6、所述养护资金需求推演模块用于根据所述坑槽风险预测结果，自动识别养护需求类型及对应的养护工程量，并结合动态更新的养护单价数据库，推演不同养护策略下的养护资金需求曲线，输出包含多情景对比分析的养护资金需求推演结果；

7、所述数字孪生平台还用于根据所述坑槽风险预测结果动态生成所述巡检机器人的巡检任务计划，对不同风险等级的路段分配不同的巡检频率。

8、所述多类型传感器包括：

9、路面图像采集单元，所述路面图像采集单元为高分辨率工业相机，所述工业相机配置有全局快门，用于在所述巡检机器人移动过程中连续采集路面可见光图像，所述路面可见光图像用于识别已形成的路面坑槽和路面裂缝；

10、激光雷达单元，所述激光雷达单元为多线激光雷达，用于在所述巡检机器人移动过程中连续采集路面三维点云数据，所述路面三维点云数据用于生成路面高程模型并测量坑槽的三维尺寸；

11、惯性测量单元，所述惯性测量单元用于采集所述巡检机器人在移动过程中的实时运动姿态数据，所述运动姿态数据包括三轴加速度、三轴角速度和航向角，用于校正因路面不平和车辆通行引起的传感器位移误差；

12、全球定位系统模块，所述全球定位系统模块用于采集所述巡检机器人在每一数据采集时刻的实时位置信息，所述实时位置信息用于将所述多源感知数据与地理空间位置进行关联；

13、振动加速度传感器，所述振动加速度传感器用于采集所述巡检机器人本体沿所述护栏移动时产生的振动信号，所述振动信号用于间接评估路面的平整度；

14、所述多源感知数据包括所述路面可见光图像、所述路面三维点云数据、所述运动姿态数据、所述实时位置信息和所述振动信号。

15、所述多类型传感器经过统一的时空标定：

16、空间标定方面，以所述巡检机器人的质心为原点建立传感器空间坐标系，采用改进迭代最近点算法实现所述路面三维点云数据与所述路面可见光图像的像素级空间配准，使各传感器采集的数据具有统一的空间基准；

17、时间标定方面，以所述全球定位系统模块的时钟为基准时钟，采用卡尔曼滤波实现各传感器数据的时间同步，时间同步精度优于10毫秒；

18、经时空标定后的所述路面可见光图像、所述路面三维点云数据、所述运动姿态数据、所述实时位置信息和所述振动信号在统一的空间坐标和时间轴上融合，形成具有完整时空标签的路面多源感知数据集。

19、所述边缘计算模块对所述多源感知数据进行的实时预处理包括：

20、对所述路面可见光图像进行去噪处理和对比度增强处理；

21、对所述路面三维点云数据进行滤波处理和配准处理，剔除离群点；

22、对所述振动信号进行带通滤波处理和时域特征提取处理，提取包括振动峰值、振动均方根值和振动主频在内的振动特征参数；

23、经预处理后的所述多源感知数据的数据量小于原始采集数据量的30%，经预处理后的所述多源感知数据通过所述无线通信网络传输至所述数字孪生平台。

24、所述坑槽形成预测模型为融合物理机理与数据驱动的混合预测模型，包括：

25、物理机理子模型，基于路面结构力学衰减理论建立路面性能基准衰减曲线，所述基准衰减曲线以路面结构层厚度、材料弹性模量和基层承载能力为输入参数，输出路面状况指数在无外部干预条件下的理论衰减轨迹；

26、数据驱动子模型，采用长短期记忆网络构建，以所述标准训练数据集为训练样本，以路段基本信息、交通荷载特征和气候条件为输入特征，以实际路面状况指数衰减值与所述基准衰减曲线之间的偏差值为预测目标，学习实际衰减相对于理论衰减的非线性偏差模式；

27、所述坑槽形成预测模型将所述物理机理子模型输出的基准衰减曲线与所述数据驱动子模型输出的偏差预测值进行叠加校正，输出未来时间序列上的路面状况指数预测值；

28、当所述路面状况指数预测值低于预设的第一阈值且预测时间窗口内气象预报包含持续降雨或冻融循环条件时，所述坑槽形成预测模型输出对应路段的坑槽形成风险预警，所述坑槽形成风险预警包含风险等级和预测形成时间窗口。

29、所述预设的第一阈值为路面状况指数小于75，所述风险等级根据坑槽形成概率划分为高风险、中风险和低风险三个等级：

30、当坑槽形成概率大于等于60%时，标记为高风险等级；

31、当坑槽形成概率大于等于30%且小于60%时，标记为中风险等级；

32、当坑槽形成概率小于30%时，标记为低风险等级。

33、所述巡检任务计划对不同风险等级的路段分配不同的巡检频率，具体配置为：

34、对标记为高风险等级的路段分配每日巡检一次的巡检频率；

35、对标记为中风险等级的路段分配每三日巡检一次的巡检频率；

36、对标记为低风险等级的路段分配每周巡检一次的巡检频率。

37、所述养护资金需求推演模块包括：

38、养护需求识别子模块，用于根据所述坑槽风险预测结果中各路段的坑槽形成风险等级和预测形成时间窗口，识别未来各月度、各季度和各单位年度内需要进行养护干预的路段清单，并为清单中各路段匹配对应的养护措施类型，所述养护措施类型包括：针对预测路面状况指数将降至75至80区间且尚未形成坑槽的路段的预防性养护措施、针对预测将形成坑槽的路段的修补性养护措施、以及针对预测路面状况指数将降至60以下的路段的结构性大修措施；

39、工程量估算子模块，用于根据所述路段清单中各路段的路面结构参数和病害预测信息，结合预设的单位工程量指标，分别估算各项养护措施的实施工程量，所述实施工程量包括坑槽修补面积、裂缝灌封长度和预防性养护覆盖面积；

40、动态单价数据库模块，用于存储各类养护措施的材料单价、人工单价和机械台班单价，并按预设周期动态更新所述材料单价、所述人工单价和所述机械台班单价；

41、资金推演子模块，用于根据所述实施工程量和所述动态单价数据库模块中的当前单价数据，采用多情景分析法推演不同养护策略下的资金需求。

42、所述资金推演子模块执行的多情景分析法包括：

43、设定三种养护策略情景，分别为激进预防策略、常规修补策略和保守策略；

44、所述激进预防策略为：对所有标记为高风险等级和中风险等级的路段，在其预测形成时间窗口之前立即实施预防性养护措施；

45、所述常规修补策略为：仅对标记为高风险等级的路段实施修补性养护措施，对中风险等级路段暂不干预、继续监测；

46、所述保守策略为：对所有标记为高风险等级和中风险等级的路段均不实施预防性干预，等待坑槽实际形成后再实施修补性养护；

47、所述资金推演子模块分别计算各养护策略情景下未来设定时间周期内的养护资金需求，生成各情景下的月度资金需求分布数据、季度资金需求分布数据和年度资金需求分布数据；

48、所述资金推演子模块还对各养护策略情景进行全生命周期成本对比分析，计算各情景下在预设全生命周期年限内的累计养护成本，并输出累计养护成本最低的养护策略情景作为推荐养护方案。

49、基于相同的发明创造，本发明还提供了一种高速路面坑槽巡检方法，包括以下步骤：

50、步骤s1：所述数字孪生平台根据所述坑槽形成预测模型最新输出的坑槽风险预测结果，生成当日巡检任务计划，所述巡检任务计划中高风险等级路段、中风险等级路段和低风险等级路段分别被分配不同的巡检频率；

51、步骤s2：所述巡检机器人按照所述巡检任务计划沿高速公路护栏移动，在移动过程中所述多类型传感器同步采集路面的多源感知数据，所述多源感知数据至少包括路面可见光图像、路面三维点云数据、运动姿态数据、实时位置信息和振动信号；

52、步骤s3：所述边缘计算模块对所述多源感知数据进行实时预处理，所述预处理包括图像去噪增强、点云滤波配准和振动信号特征提取，经预处理后的数据通过无线通信网络上传至所述数字孪生平台；

53、步骤s4：所述数字孪生平台的数据融合模块接收经预处理的所述多源感知数据，将所述多源感知数据与所述历史数据库模块中的历史数据在统一的空间坐标和时间轴上进行对齐融合，更新所述标准训练数据集；

54、步骤s5：所述模型训练模块根据更新后的所述标准训练数据集对所述坑槽形成预测模型进行重新训练或参数校正，更新后的所述坑槽形成预测模型输出更新后的坑槽风险预测结果；

55、步骤s6：所述养护资金需求推演模块根据所述更新后的坑槽风险预测结果，自动识别各目标路段的养护需求类型及对应的养护工程量，结合所述动态单价数据库模块中的当前单价数据，采用多情景分析法推演不同养护策略下的养护资金需求曲线，并输出包含多情景对比分析的养护资金需求推演结果；

56、步骤s7：所述数字孪生平台根据所述养护资金需求推演结果自动生成多维度养护预算报告，所述多维度养护预算报告包含按时间维度的资金需求分布、按路段维度的资金需求明细、按养护措施维度的资金需求占比以及不同养护策略的资金需求对比数据，并输出累计养护成本最低的养护策略作为推荐养护方案；

57、步骤s8：获取养护作业实施后的实际养护数据，所述实际养护数据包括实际养护工程量、实际养护成本、养护后路面性能检测值和养护作业质量评价，将所述实际养护数据输入所述数字孪生平台的反馈校正模块；

58、步骤s9：所述反馈校正模块将所述实际养护数据与所述养护资金需求推演结果中的预测数据进行偏差对比，根据偏差对比结果对所述坑槽形成预测模型的模型参数进行校正更新，完成数据采集、坑槽预测、养护资金推演和反馈校正的完整闭环。

59、巡检机器人沿着高速公路护栏行进时，其搭载的多种传感器同步对路面进行多维度数据采集，获取的图像、点云、位置及振动等感知数据首先由机器人自带的边缘计算模块进行实时处理，在数据源头完成滤波、压缩和特征提取，从而有效减少需要传输的数据总量。处理后的数据经由无线网络传送至数字孪生平台，平台内的数据融合模块将这些新采集的感知数据与系统中已有的历史资料（包括历年路况检测记录、交通荷载统计、气象观测数据等）按照统一的空间坐标和时间序列进行整合对齐，由此构建出标准化的模型训练样本集。在此基础上，模型训练模块利用该样本集完成坑槽形成预测模型的训练，使其能够根据实时输入的路况信息和环境条件，推算出未来特定时段内各路段出现坑槽的可能性及大致时间节点，输出包含风险等级的空间分布预测结果。养护资金需求推演模块则以此预测结果为依据，自动判断需要采取养护措施的路段及其适用的维护方案，并测算不同策略下所需的资金规模。同时，数字孪生平台依据风险预测结果制定差异化的巡检计划，对风险等级较高的路段安排更为密集的监测频次，由此建立起从现场数据采集、信息融合处理、病害趋势预测直至巡检调度安排的完整数据闭环。

60、本发明通过巡检机器人与数字孪生平台的深度耦合，实现了路面坑槽检测从人工依赖向自动化智能化的跨越。机器人以护栏为轨道自主行进并持续采集路况信息，整个检测过程无需阻断交通流，也无需配备造价高昂的专用检测车辆，显著降低了日常巡检的人力开销和装备成本。数字孪生平台将实时采集数据与历史积累资料进行系统性融合，使预测模型具备提前感知病害萌芽的能力，将传统的出现即发现转变为未现先预知，为养护决策赢得了充足的前置时间。在此基础上，平台依据各路段的预测风险等级动态调配巡检资源，使有限的人力和设备优先服务于潜在病害最集中的区段，从整体上提升了巡检工作的针对性和资源使用效率。针对线路较长的实际情况，系统支持多台机器人分段协同作业，确保各段内的高风险区域能够在当日得到及时巡查，有效化解了单机作业模式下巡检覆盖范围与时效性之间的矛盾。