道路路面状况检测方法、装置和存储介质 |
|||||||
| 申请号 | CN202310850035.3 | 申请日 | 2023-07-12 | 公开(公告)号 | CN116558578B | 公开(公告)日 | 2023-10-17 |
| 申请人 | 中国公路工程咨询集团有限公司; 中咨公路养护检测技术有限公司; 中部高速公路管理(山西)有限公司; | 发明人 | 张艳红; 任国光; 崔玉萍; 侯芸; 姜宏维; 石国栋; 姜涛; 仝鑫隆; 孔庆忠; 李宇轩; 孙天成; 周晶; 何建彬; | ||||
| 摘要 | 本 发明 提供一种道路路面状况检测方法、装置和存储介质，涉及交通控制系统技术领域，该方法具体包括：基于第一 传感器 组，采集针对待检测的道路路面的第一路况传感数据；基于预设的路面路况检测模型，确定第一路况传感数据所对应的道路路面状况；路况检测模型包括第一模型模 块 和第二模型模块，第一模型模块和第二模型模块是基于路况传感数据样本集通过 集成学习 方式而进行训练的，路况传感数据样本集是基于第一传感器组而确定的；第一模型模块的模型特征维度与第一传感器组所对应的传感信息类型相匹配，并且第一模型模块的模型特征维度不同于第二模型模块的模型特征维度。由此，能够实时、精准地识别道路的路面状况。 | ||||||
| 权利要求 | 1.一种道路路面状况检测方法，其特征在于，所述方法包括： |
||||||
| 说明书全文 | 道路路面状况检测方法、装置和存储介质技术领域背景技术[0002] 道路路面安全质量一直被社会大众关注，在道路的交通量逐年递增的背景下，道路路面部分路段在使用一段时间后，会出现路面开裂，车辙、路面坑槽等情况，其对于目前道路路面使用性能的稳固造成了极大威胁。 [0003] 为了保证道路使用质量及运营安全，管养部门会定期对路面健康状况进行检测，形成路面检测报告。在检测过程中，需要根据现场情况对道路健康状况的异常数据进行处理，以保证检测结果的准确性，进一步指导后期养护决策及养护决策。 [0004] 目前，道路路面的健康状况检测技术主要是通过分析静态传感器的传感数据，以实现异常监测，例如识别传感数据是否超过传感警报阈值，且一般还需要介入人工判断分析，导致检测结果往往具有滞后性且无法保障检测结果精度。 [0005] 针对上述问题，目前业界暂未提出较佳的解决方案。 发明内容[0007] 本发明提供一种道路路面状况检测方法，所述方法包括：基于第一传感器组，采集针对待检测的道路路面的第一路况传感数据；所述第一路况传感数据包含多个路况传感信息，每一所述路况传感信息分别具有相应的传感信息类型；基于预设的路面路况检测模型，确定所述第一路况传感数据所对应的道路路面状况；所述路况检测模型包括第一模型模块和第二模型模块，所述第一模型模块和所述第二模型模块是基于路况传感数据样本集通过集成学习方式而进行训练的，其中所述路况传感数据样本集是基于所述第一传感器组而确定的；所述第一模型模块的模型特征维度与所述第一传感器组所对应的传感信息类型相匹配，并且所述第一模型模块的模型特征维度不同于所述第二模型模块的模型特征维度。 [0008] 根据本发明提供的一种道路路面状况检测方法，所述第二模型模块的模型特征维度与第二传感器组的传感信息类型相匹配，其中所述第一传感器组是由所述第二传感器组通过传感器更换操作而确定的。 [0009] 根据本发明提供的一种道路路面状况检测方法，所述基于预设的路况检测模型，确定所述第一路况传感数据所对应的道路路面状况，包括：确定所述第一路况传感数据分别相对于所述第一模型模块和所述第二模型模块的第一特征向量数据和第二特征向量数据；拼接所述第一特征向量数据和所述第二特征向量数据，以得到相应的特征拼接数据；预测所述特征拼接数据所对应的道路路面状况。 [0010] 根据本发明提供的一种道路路面状况检测方法，基于所述第一模型模块，确定所述第一路况传感数据所对应的第一特征向量数据；基于预设的线性特征映射算法和所述第一特征向量数据，确定针对所述第二模型模块的第二特征向量数据。 [0011] 根据本发明提供的一种道路路面状况检测方法，所述基于所述第一模型模块，确定所述第一路况传感数据所对应的第一特征向量数据，包括：在确定所述第一路况传感数据未覆盖所述第一传感器组所对应的各个传感信息类型的情况下，基于所述第一路况传感数据所对应的各个传感信息类型和所述第一传感器组所对应的各个传感信息类型，确定至少一个未被观测到的传感信息类型；基于所述第一模型模块提取所述第一路况传感数据所对应的初始特征向量；根据各个所述未被观测到的传感信息类型，确定针对所述初始特征向量的补全观测向量；根据所述初始特征向量和所述补全观测向量，确定所述第一特征向量数据。 [0012] 根据本发明提供的一种道路路面状况检测方法，所述根据各个所述未被观测到的传感信息类型，确定针对所述初始特征向量的补全观测向量，包括：根据各个所述未被观测到的传感信息类型和所述初始特征向量，构建相应的缺失数据矩阵，并计算所述缺失数据矩阵所对应的右奇异向量；在所述右奇异向量中均匀随机选取向量，以确定相应的恢复矩阵；基于所述恢复矩阵，确定针对所述初始特征向量的补全观测向量。 [0013] 本发明还提供一种道路路面状况检测装置，所述装置包括：传感数据采集单元，用于基于第一传感器组，采集针对待检测的道路路面的第一路况传感数据；所述第一路况传感数据包含多个路况传感信息，每一所述路况传感信息分别具有相应的传感信息类型；路面状况确定单元，用于基于预设的路面路况检测模型，确定所述第一路况传感数据所对应的道路路面状况；所述路况检测模型包括第一模型模块和第二模型模块，所述第一模型模块和所述第二模型模块是基于路况传感数据样本集通过集成学习方式而进行训练的，其中所述路况传感数据样本集是基于所述第一传感器组而确定的；所述第一模型模块的模型特征维度与所述第一传感器组所对应的传感信息类型相匹配，并且所述第一模型模块的模型特征维度不同于所述第二模型模块的模型特征维度。 [0014] 根据本发明提供的一种道路路面状况检测装置，所述第二模型模块的模型特征维度与第二传感器组的传感信息类型相匹配，其中所述第一传感器组是由所述第二传感器组通过传感器更换操作而确定的。 [0016] 本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述道路路面状况检测方法。 [0017] 本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述道路路面状况检测方法。 [0018] 本发明提供的一种道路路面状况检测方法、装置、电子设备及非暂态计算机可读存储介质，通过第一传感器组采集到第一路况传感数据，利用路面路况检测模型来直接预测相应的道路路面状况，无需人工介入，能有效保障检测结果的实时性，便于快速开展针对故障道路路面的维护操作。此外，路面路况检测模型集成了多个路面模型模块，除了包含模型特征维度与当前的传感器组的传感信息类型相匹配的第一模型模块之外，还包含具备其他模型特征维度的第二模型模块，将第一模型模块和第二模型模块通过集成学习方式而进行训练，使得路面路况检测模型能够较佳地处理复杂多样化的路面传感特征，且能有效应对少量传感器失效或传感信号弱的情况，保障最终所确定的道路路面状况的高精确度。附图说明 [0019] 为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。 [0020] 图1示出了根据本发明实施例的道路路面状况检测方法的一示例的流程图； [0021] 图2示出了根据图1中的步骤S120的一示例的操作流程图； [0022] 图3示出了根据本发明实施例的特征维度与空间随着时间演化的效果示意图； [0023] 图4示出了根据本发明实施例的路面路况检测模型的一示例的操作原理示意图； [0024] 图5示出了根据本发明实施例的道路路面状况检测装置的一示例的结构框图； [0025] 图6是本发明提供的电子设备的结构示意图。 具体实施方式[0026] 为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。 [0027] 图1示出了根据本发明实施例的道路路面状况检测方法的一示例的流程图。 [0028] 关于本发明实施例方法的执行主体，其可以是任意具有计算或处理能力的控制器或处理器，以实现向客户端用户提供智能对话服务的目标。在一些示例中，其可以是通过软件、硬件或软硬件结合的方式被集成配置在客户端或服务端中，在此应不加限制。 [0029] 下面将以道路路面状况监测系统为示例性的实施主体，来对本发明所涉及的技术方案的细节进行介绍。但应理解的是，下属流程中所涉及的一个或多个步骤可以是由在客户端或服务端中所安装部署的一个或多个控制器或软件来实现的。 [0030] 如图1所示，在步骤S110中，基于第一传感器组，采集针对待检测的道路路面的第一路况传感数据。这里，第一路况传感数据包含多个路况传感信息，每一路况传感信息分别具有相应的传感信息类型。 [0031] 示例性地，第一传感器组可以包含各种不同类型的传感器，例如温度传感器、湿度传感器、位置传感器等等。相应地，第一路况传感数据可以表示由第一传感器组中的各个传感器在数据采样时刻所采集的对应各种传感信息类型的路况传感信息。 [0032] 在步骤S120中，基于预设的路面路况检测模型，确定第一路况传感数据所对应的道路路面状况。这里，路面状况检测模型可以采用深度学习模型，由此利用路面路况检测模型来直接预测相应的道路路面状况，无需人工介入，能有效保障检测结果的实时性，便于快速开展针对故障道路路面的维护操作。 [0033] 需说明的是，在道路环境下的传感器组长期处于暴露状态，使得少量传感器失效或传感信号弱，导致所采集的第一路况传感数据会存在部分传感信息缺失的情况。 [0034] 进一步地，路况检测模型包括第一模型模块和第二模型模块，第一模型模块和第二模型模块是基于路况传感数据样本集通过集成学习方式而进行训练的，其中路况传感数据样本集是基于第一传感器组而确定的。示例性地，路况传感数据样本集包含多个路况传感数据样本，每一路况传感数据样本分别是由第一传感器组在特定时刻所采集的路况传感信息集合，并且每一路况传感数据样本分别具有相应的分类标签，例如“存在道路故障异常”和“无道路故障异常”。此外，第一模型模块的模型特征维度与第一传感器组所对应的传感信息类型相匹配，并且第一模型模块的模型特征维度不同于第二模型模块的模型特征维度。 [0035] 在本发明实施例中，将对应当前传感器组的第一模型模块与其他的模型模块进行交叉检测的集成学习，使得路面路况检测模型能够较佳地学习到针对路面路况检测的多种模型模块中不同的模型特征维度，使得在所采集的路况传感数据中缺失部分传感信息的情况下，依然能够较精确地对“存在路面故障异常”或“无路面故障异常”完成分类预测。 [0036] 需说明的是，目前一些业内的专家和学者提出，采用特定的道路路面的健康状况检测算法来完成对传感数据的检测处理，但其只能针对静态特征做出判断，而由于道路特征具有进化特性，导致其无法保障输出结果的精确度。 [0037] 相比之下，通过本发明实施例中的路面路况检测模型，利用路况传感数据样本集将多个对应不同传感信息特征维度的模型模块通过集成学习方式而进行训练，学习除传感信息类型之外的其他特征，能较佳地处理具有进化特性的道路特征，提高预测结果的精确度。 [0038] 在一些业务场景下，随着设备技术的不断更迭，道路运维管理人员可能会定期或不定期地对传感器组进行传感器更换操作，例如更换掉其中的一个或多个传感器。需说明的是，目前业内的专家和学者所提出的特定的道路路面的健康状况检测算法，往往是与传感器组绑定的，泛化程度不高，导致在传感器设备发生更换时因算法不匹配而无法精确地输出道路路面异常检测结果。 [0039] 鉴于此，在本发明实施例的一些示例中，第二模型模块的模型特征维度与第二传感器组的传感信息类型相匹配，其中第一传感器组是由所述第二传感器组通过传感器更换操作而确定的。由此，将传感器更换操作前后的传感器组所分别对应的两个模型模块进行集成学习，学习传感器更换前后的数据特征分布，使得即使对传感器组进行设备更新，由于路面路况检测模型较强的泛化能力，使其能较精准地完成对道路路面状况的预测。 [0040] 图2示出了根据图1中的步骤S120的一示例的操作流程图。 [0041] 如图2所示，在步骤S210中，确定第一路况传感数据分别相对于第一模型模块和第二模型模块的第一特征向量数据和第二特征向量数据。 [0042] 在本发明实施例的一个示例中，直接由第一模型模块和第二模型模块分别对第一路况传感数据进行特征处理，以分别得到相应的第一特征向量数据和第二特征向量数据。在本发明实施例的另一示例中，基于第一模型模块，确定第一路况传感数据所对应的第一特征向量数据。进而，基于预设的线性特征映射算法和第一特征向量数据，确定针对第二模型模块的第二特征向量数据。由此，考虑到第一模型模块与第二模型模块之间的特征维度的差异性，第二模型模块可能无法完整地提取第一路况传感数据中的特征信息，此时利用传感器更换场景下的特征线性转换关系，通过第一特征向量数据的线性转换而确定第二特征向量数据，得到更加全面且精准的第二特征向量数据。 [0043] 在步骤S220中，拼接第一特征向量数据和第二特征向量数据，以得到相应的特征拼接数据。 [0044] 在步骤S230中，预测特征拼接数据所对应的道路路面状况。 [0045] 在一些实施方式中，路面路况检测模型可以采用多层感知机，通过将不同模型模块所输出的特征向量数据进行拼接，以完成针对路面状况的预测操作，保留不同模型模块的处理特征信息，提高针对道路路面状况的预测结果的精确度。 [0046] 需说明的是，第一模型模块与第二模型模块的特征维度存在差异化设计，例如特征维度A在第一模型模块中设置且并未设置在第二模型模块中，或者特征维度B在第二模型模块中设置且并未设置在第一模型模块中。示例性地，当针对传感器组发生传感器更换操作时，导致相应的模型模块的特征维度也会相应地发生变化。在本发明实施例中，考虑到传感器更换前后的传感信息类型之间仍存在关联性，基于特征进化技术，将传感器更换前后特征数据进行关联，通过联合学习，以提高模型的泛化能力和预测精确度。 [0047] 具体地，关于上述步骤S210，在本发明实施例的一些示例中，基于第一模型模块，确定第一路况传感数据所对应的第一特征向量数据，并基于预设的线性特征映射算法和第一特征向量数据，确定针对第二模型模块的第二特征向量数据。由此，通过线性映射算法，能进一步提升实时性，实现基于对应第一模型模块的输入的第一路况传感数据快速衍生出针对第二模型模块的输入的第二特征向量数据，联合预测相应的道路路面状况。 [0048] 在一些情况下，例如传感器更换操作或传感器故障等，其会导致所实时采集到的信息类型不够全面，此时需要对未能观测到的数据或特征进行补全，以提高模型的鲁棒性。 [0049] 具体地，在确定第一路况传感数据未覆盖第一传感器组所对应的各个传感信息类型的情况下，基于第一路况传感数据所对应的各个传感信息类型和第一传感器组所对应的各个传感信息类型，确定至少一个未被观测到的传感信息类型。示例性地，将第一传感器组所对应的各个传感信息类型与由第一路况传感数据所观测到的各个传感信息类型进行作差，以得到未被观测到的传感信息类型。进而，基于第一模型模块提取第一路况传感数据所对应的初始特征向量，根据各个未被观测到的传感信息类型，确定针对初始特征向量的补全观测向量。示例性地，根据预设的特征进化算法，例如种群遗传算法、差分特征进化算法等，对当前时刻的特征进化向量的初始特征向量进行补全。根据初始特征向量和补全观测向量，确定第一特征向量数据。由此，智能确定针对未能观测到的数据特征的补全观测向量，通过向量补全，以提高模型的鲁棒性。 [0050] 在一些实施方式中，根据各个未被观测到的传感信息类型和初始特征向量，构建相应的缺失数据矩阵，并计算缺失数据矩阵所对应的右奇异向量。然后，在右奇异向量中均匀随机选取向量，以确定相应的恢复矩阵。进而，基于恢复矩阵，确定针对初始特征向量的补全观测向量，由此完成不同模型模块之间的特征映射。 [0051] 关于上述右奇异向量的定义说明，其是用于表示针对输入的矩阵进行奇异值分解(SVD)后所确定的正交矩阵的特定列。具体参照如下的示例解释： [0052] 设有m×n的输入的矩阵A，通过SVD操作将A划分为3个矩阵的乘积： [0053] Am×n=Um×mΣm×nVTn×n [0054] 其中，Σ是非负实对角矩阵，U和V都是正交矩阵，在复数域的话就是酉矩阵，即[0055] UTU=Em×m [0056] VTV=En×n [0057] 这样，U和V的列就分别表示输入的矩阵A的左奇异向量（left‑singular vectors）和右奇异向量（right‑singular vectors）。 [0058] 通过本发明实施例，通过路况检测模型捕捉不同模型的特征空间数据之间的差异信息，降低了用于计算进化特征数据的计算量，提高处理效率。 [0059] 需说明的是，目前一些业内的专家和学者提出，利用固有公式或深度算法与边缘设备对道路路面状况进行管理维护，并应用在各类道路监测维护周期中，但其一般缺陷在于数据更新导致的检测模型泛化性较差。具体地，主要存在以下两方面的影响：其一，传感器等监控设备面临不确定性更换造成数据特征变化；其二，道路本身特征随着时间变化，现有算法未针对特征的进化建模。另外，基于预测的深度算法没有考虑道路特征的进化特征，并且经典ARIMA模型属于线性模型，在大量观测数据的情况下测性能较差。此外，现实路况检测传感器中，由于传感器的情况不同，例如位置、温度、信号强弱等不同，传感器的失效时间也会有所不同。因此，寿命较短的传感器相对应的特征将比其他特征更早消失。而另一方面，新部署的传感器意味着新特性出现，也会导致先前算法不匹配而无法保障检测结果的精确度。 [0060] 鉴于此，在本发明实施例的一些示例中，通过融合特征进化技术与深度模型的策略实现道路异常检测，能够提高检测结果的精确度和实时性，从而有效降低道路的维护成本。 [0061] 具体地，给定路况信息序列 ，其中 ，且 。 表示时刻 的 个传感器记录的路段信息， 表示时刻 的 个传感器记录的路段信息， 特征空间与 的特征空间不同， 分别用O 和H 表示。在本发明实施例的一些示例中， 可以表示未更换传感器前的传感器组中传感器的数量， 可以表示更换传感器后的传感器组中传感器的数量。 [0062] 如图3所示，特征维度与空间随着时间演化，且存在渐变特性，因此利用特征进化与集成学习，提取前后特征之间的映射关系，并利用深度模型集成模型，通过学习预测函数，表示道路路况异常的预测概率，由此完成对道路路况的异常分类预测。 [0063] 具体地，根据路况信息子序列 构建预测模型 ，本发明使用MLP（Multi‑Layer Perceptron, 多层感知机）网络实施检测。由于特征随着时间演化，P的特征空间发生演化：旧空间 ，因此为了提升模型的泛化性能，采用模型交叉检测的集成学习方式来部署模型。 [0064] 这里，根据新旧空间分别学习空间O和空间H的检测模型 和 。其次，新旧传感器记录的道路特征空间存在相关性，因此利用线性特征映射算法实现了 。最终，构建集成学习模块，按照时间维度实时检测，并更新检测模型。 [0065] 需说明的是，为了检测模型泛化性更好，学习 ，进而利用在线梯度下降算法优化，根据新的观测数据 更新基于 而确定的检测模型 。利用 构建检测模型 。按照流式数据的方式，通过集成学习，新数据到来时同时更新特征空间 和 。最终，得到集成深度模型（即，路面路况检测模型） ，即f ，以此来完成最终检测。 [0066] 图4示出了根据本发明实施例的路面路况检测模型的一示例的操作原理示意图。 [0067] 如图4所示，将用于处理更换传感器前的 的第一MLP和用于处理更换传感器后的的第二MLP级联，在得到新输入的 时，通过线性特征映射算法 得到相匹配的 ，进而由第一MLP和第二MLP分别输出相应的特征空间数据 和 ，进而通过集成深度模型对输入特征数据进行预测，以得到最终的路面路况检测结果。 [0068] 这里，利用 与 构建深度预测模型分别如下： [0069] 式（1） [0070] 式（2） [0071] 其中， 与 属于非线性映射，y表示异常分类预测结果。 [0072] 需说明的是，针对上述线性特征映射算法 ，在新旧传感器的接替过程中， 向演化时需补全缺失值以更新 。 [0073] 具体地，设 ，s 表示观测到的维度，j 表示缺失维度的数量。因此首先对当前时刻的进化特征 进行补全。假设缺失数据的矩阵表示为M，得到补全观测向量如下： [0074] 式（3） [0075] 其中， 表示补全P1中数据缺失的向量，在P1中完全矩阵的右奇异向量中均匀随机选取λ个向量，组成恢复矩阵 ， 表示在V中随机选取的s行， 是矩阵M的第i行中随机选取的s个特征。 [0076] 由于监测数据P中P1与P2存在依赖性，故学习 充分捕捉前后特征的时态依赖，实现 提升模型的泛化性。实施最小二乘法学习 到 的映射 ， ，目标函数如下 [0077] 式（4） [0078] 其中， ， ， ， 表示时刻 的 个传感器记录的路段信息， 表示时刻 的 个传感器记录的路段信息。 [0079] 为了高实时性，同时 与 具有漂移特性，因此采用线性映射，即： [0080] 式（5） [0081] 进一步地，当存在数据更新时，因集成学习方式，而实时更新 和 。 [0082] 式（6） [0083] 式（7） [0084] 其中， 和 分别表示模型 、 的优化目标函数， 表示第 个样本的标签。 [0085] 设 和 的线性映射参数分别为 和 ，更新过程为： [0086] 式（8） [0087] 式（9） [0088] 同理，利用集成学习方法，针对进化特征 将 和 的输出结果线性映射后拼接，经过线性映射 ，后输入softmax函数输出检测值。最终的路面路况检测模型 可表示为： [0089] 式（10） [0090] 通过本发明实施例，由于道路特征具有进化特性，针对一特征流对构建静态特征的检测模型，同时为了提升泛化性能，学习前后特征空间的映射，并实施集成学习选取最优检测模型，由此提升道路异常路况的检测结果的实时性和前置性。 [0091] 下面对本发明提供的道路路面状况检测装置进行描述，下文描述的道路路面状况检测装置与上文描述的道路路面状况检测方法可相互对应参照。 [0092] 图5示出了根据本发明实施例的道路路面状况检测装置的一示例的结构框图。 [0093] 如图5所示，道路路面状况检测装置500包括传感数据采集单元510和路面状况确定单元520。 [0094] 传感数据采集单元510用于基于第一传感器组，采集针对待检测的道路路面的第一路况传感数据；所述第一路况传感数据包含多个路况传感信息，每一所述路况传感信息分别具有相应的传感信息类型。 [0095] 路面状况确定单元520用于基于预设的路面路况检测模型，确定所述第一路况传感数据所对应的道路路面状况；所述路况检测模型包括第一模型模块和第二模型模块，所述第一模型模块和所述第二模型模块是基于路况传感数据样本集通过集成学习方式而进行训练的，其中所述路况传感数据样本集是基于所述第一传感器组而确定的；所述第一模型模块的模型特征维度与所述第一传感器组所对应的传感信息类型相匹配，并且所述第一模型模块的模型特征维度不同于所述第二模型模块的模型特征维度。 [0096] 在本发明实施例的一些示例中，所述第二模型模块的模型特征维度与第二传感器组所对应的传感信息类型相匹配，其中所述第一传感器组是由所述第二传感器组通过传感器更换操作而确定的。 [0097] 图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行道路路面状况检测方法，该方法包括：基于第一传感器组，采集针对待检测的道路路面的第一路况传感数据；所述第一路况传感数据包含多个路况传感信息，每一所述路况传感信息分别具有相应的传感信息类型；基于预设的路面路况检测模型，确定所述第一路况传感数据所对应的道路路面状况；所述路况检测模型包括第一模型模块和第二模型模块，所述第一模型模块和所述第二模型模块是基于路况传感数据样本集通过集成学习方式而进行训练的，其中所述路况传感数据样本集是基于所述第一传感器组而确定的；所述第一模型模块的模型特征维度与所述第一传感器组所对应的传感信息类型相匹配，并且所述第一模型模块的模型特征维度不同于所述第二模型模块的模型特征维度。 [0098] 此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read‑Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。 [0099] 另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的道路路面状况检测方法，该方法包括：基于第一传感器组，采集针对待检测的道路路面的第一路况传感数据；所述第一路况传感数据包含多个路况传感信息，每一所述路况传感信息分别具有相应的传感信息类型；基于预设的路面路况检测模型，确定所述第一路况传感数据所对应的道路路面状况；所述路况检测模型包括第一模型模块和第二模型模块，所述第一模型模块和所述第二模型模块是基于路况传感数据样本集通过集成学习方式而进行训练的，其中所述路况传感数据样本集是基于所述第一传感器组而确定的；所述第一模型模块的模型特征维度与所述第一传感器组所对应的传感信息类型相匹配，并且所述第一模型模块的模型特征维度不同于所述第二模型模块的模型特征维度。 [0100] 又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的道路路面状况检测方法，该方法包括：基于第一传感器组，采集针对待检测的道路路面的第一路况传感数据；所述第一路况传感数据包含多个路况传感信息，每一所述路况传感信息分别具有相应的传感信息类型；基于预设的路面路况检测模型，确定所述第一路况传感数据所对应的道路路面状况；所述路况检测模型包括第一模型模块和第二模型模块，所述第一模型模块和所述第二模型模块是基于路况传感数据样本集通过集成学习方式而进行训练的，其中所述路况传感数据样本集是基于所述第一传感器组而确定的；所述第一模型模块的模型特征维度与所述第一传感器组所对应的传感信息类型相匹配，并且所述第一模型模块的模型特征维度不同于所述第二模型模块的模型特征维度。 [0101] 以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。 [0102] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。 [0103] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。 |
||||||
QQ群二维码
意见反馈
意见反馈