本發(fā)明屬于交通安全行駛評估，具體涉及基于數(shù)字孿生的路面坑槽影響的交通安全行駛評估方法。

背景技術(shù)：

1、路面坑槽對于路面使用和交通的影響顯著。首先，路面坑槽會(huì)導(dǎo)致駕駛不平順，影響車輛的操控穩(wěn)定性，增加事故的風(fēng)險(xiǎn)。駕駛者為了避開坑槽可能會(huì)進(jìn)行突然的車道變換或減速，這在高速行駛時(shí)尤其危險(xiǎn)，容易引發(fā)連鎖反應(yīng)事故。此外，坑槽中積水會(huì)增加滑行的可能，尤其在雨雪天氣下，增加車輛打滑或失控的風(fēng)險(xiǎn)。長期的坑槽問題還會(huì)加速車輛懸掛系統(tǒng)的磨損，增加車輛維護(hù)成本。因此，坑槽不僅直接影響道路的行車安全，還間接增加了交通運(yùn)行的經(jīng)濟(jì)負(fù)擔(dān)。

2、路面坑槽影響下的交通安全行駛評估方法，可以系統(tǒng)地分析坑槽對交通流和車輛行為的具體影響，識別高風(fēng)險(xiǎn)區(qū)域和情形。

3、申請?zhí)枮?02211373680.2、發(fā)明名稱為“一種路面坑槽的識別和評價(jià)方法、電子設(shè)備及存儲(chǔ)介質(zhì)”的發(fā)明專利，描述了一種高精度的路面坑槽檢測和評價(jià)方法，它涉及使用裝備有全球?qū)Ш蕉ㄎ幌到y(tǒng)、慣性導(dǎo)航系統(tǒng)、里程編碼計(jì)、相機(jī)和邊緣計(jì)算模組的采集車來收集路面坑槽數(shù)據(jù)。該方法通過unet深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)對路面坑槽圖像的智能識別和數(shù)據(jù)提取，并通過像素運(yùn)算處理來區(qū)分坑槽區(qū)域和非坑槽區(qū)域，進(jìn)一步利用卷積處理方法提取邊緣像素?cái)?shù)據(jù)，最終計(jì)算出坑槽的長度、面積和角度等評價(jià)指標(biāo)，從而提高了檢測的準(zhǔn)確度和信息提取的效率。但是沒有考慮路面坑槽對交通安全行駛的影響評估方法，無法準(zhǔn)確識別和評估坑槽對交通安全的具體影響，導(dǎo)致道路維護(hù)和修復(fù)工作不能針對性地進(jìn)行，增加了道路事故的風(fēng)險(xiǎn)。缺少有效的評估方法也意味著道路管理者無法優(yōu)化維修資金的投入，會(huì)過度或不足地分配資源，從而使得一些需要緊急處理的道路問題得不到及時(shí)解決，影響道路的整體運(yùn)營效率和安全性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明要解決的問題是準(zhǔn)確的對路面坑槽影響的交通安全行駛進(jìn)行評估，提出基于數(shù)字孿生的路面坑槽影響的交通安全行駛評估方法。

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

3、一種基于數(shù)字孿生的路面坑槽影響的交通安全行駛評估方法，包括如下步驟：

4、s1.?采用車載三維結(jié)構(gòu)光相機(jī)的方式，采集路面圖像，然后對采集的路面圖像進(jìn)行圖像像素更新處理，得到處理后的路面圖像；

5、s2.?對步驟s1得到的處理后的路面圖像進(jìn)行比較處理，提取出全部包含路面坑槽以及與路面坑槽的圖像特征最相似的病害類型的路面圖像；

6、s3.?基于步驟s2得到的全部路面圖像，構(gòu)建用于路面坑槽識別的數(shù)據(jù)集；

7、s4.?構(gòu)建用于路面坑槽識別的深度學(xué)習(xí)模型，包括基礎(chǔ)模型、輔助模型與強(qiáng)化模型；

8、s5.?構(gòu)建基礎(chǔ)模型、輔助模型與強(qiáng)化模型輸出層之間的損失函數(shù)，然后構(gòu)建基礎(chǔ)模型、輔助模型與強(qiáng)化模型之間的總體損失函數(shù)，利用步驟s3得到的用于路面坑槽識別的數(shù)據(jù)集對構(gòu)建的基礎(chǔ)模型、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)模型作為路面坑槽識別的深度學(xué)習(xí)模型；

9、s6.?構(gòu)建基于路面坑槽識別的深度學(xué)習(xí)模型的數(shù)字孿生模型；

10、s7.?基于步驟s6得到的數(shù)字孿生模型，建立基于數(shù)字孿生的路面坑槽影響的交通安全行駛評估方法。

11、進(jìn)一步的，步驟s1的具體實(shí)現(xiàn)方法包括如下步驟：

12、s1.?采用車載三維結(jié)構(gòu)光相機(jī)采集路面圖像，采集過程中車速控制在70km/h以內(nèi)；

13、s1.2.?對采集的路面圖像采用哈夫曼編碼方式進(jìn)行壓縮，得到壓縮后的路面圖像，然后進(jìn)行平面投影，得到投影后的路面圖像p；

14、s1.3.?將像素灰度值0~255等分成16個(gè)灰度級區(qū)間，記為， nu為灰度級編號， nu=1,2,3，…，16；

15、s1.4.?將步驟s1.2得到的投影后的路面圖像p進(jìn)行n等分，等分后的圖像矩陣記為pnum，num為等分后的圖像矩陣編號，num=1,2，…，n；

16、s1.5.?統(tǒng)計(jì)等分后的圖像中每個(gè)灰度級區(qū)間對應(yīng)的像素的頻率；

17、s1.6.?計(jì)算pnum中，每個(gè)灰度級對應(yīng)的灰度頻率累計(jì)值，計(jì)算公式為：

18、；

19、其中， no為小于等于 nu的灰度級編號， no=0,1,2,…, nu；

20、s1.7.?構(gòu)建像素值更新方法，計(jì)算公式為：

21、；

22、其中，為全部頻率累積值中的最小非零值，為等分后的圖像 pnum對應(yīng)的總像素?cái)?shù)，為灰度級的最大值，為灰度級對應(yīng)的像素更新值；

23、s1.8?對所有等分后的圖像進(jìn)行像素值更新處理，得到處理后的路面圖像。

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

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

26、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坑槽以及相似病害的路面圖像，并且框選出對應(yīng)病害區(qū)域，并將路面圖像中的路面坑槽、縱向裂縫、橫向裂縫、龜裂、車轍、擁包、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；

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

28、s2.4.?統(tǒng)計(jì)路面坑槽中各灰度級對應(yīng)的像素?cái)?shù)量，然后統(tǒng)計(jì)路面坑槽的相似病害縱向裂縫、橫向裂縫，龜裂，車轍，擁包，剝落，泛油，沉陷，啃邊對應(yīng)的各灰度級對應(yīng)的像素?cái)?shù)量、、、、、、、、；

29、s2.5.?將各灰度級對應(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，路面坑槽對應(yīng)的標(biāo)準(zhǔn)像素?cái)?shù)量為，計(jì)算公式為：

30、；

31、縱向裂縫、橫向裂縫，龜裂，車轍，擁包，剝落，泛油，沉陷，啃邊對應(yīng)的標(biāo)準(zhǔn)像素?cái)?shù)量為、、、、、、、、；

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

33、；

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

35、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)對應(yīng)的病害類型為與路面坑槽的圖像特征最相似的病害類型，然后挑選出全部包含路面坑槽以及與路面坑槽的圖像特征最相似的病害類型的路面圖像，待用。

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

37、s3.1.?通過人工標(biāo)注的方法，將步驟s2得到的全部包含路面坑槽以及與路面坑槽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，并將路面坑槽標(biāo)識為pit，其它三種病害依次標(biāo)記為other1、other2、other3，得到用于路面坑槽識別的數(shù)據(jù)集；

38、s3.2.?按照數(shù)量比為8:2的比例，將用于路面坑槽識別的數(shù)據(jù)集劃分為訓(xùn)練集和測試集。

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

40、s4.1.?構(gòu)建用于路面坑槽識別的基礎(chǔ)模型：

41、s4.1.1.?基礎(chǔ)模型a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、4個(gè)拼接層、4個(gè)卷積上采樣層、1個(gè)輸出層構(gòu)成；

42、s4.1.2.?將步驟s3得到的訓(xùn)練集輸入到基礎(chǔ)模型a中，通過誤差反向傳播算法，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；

43、基礎(chǔ)模型a的損失函數(shù)的計(jì)算公式為：

44、；

45、其中，la為基礎(chǔ)模型a的損失函數(shù)；na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)測第 ia個(gè)樣本為類別1的概率；

46、s4.1.3.?基礎(chǔ)模型a對應(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，得到輸出值對應(yīng)的概率值的計(jì)算公式為：

47、；

48、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，得到輸出值對應(yīng)的增強(qiáng)概率值的計(jì)算公式為：

49、；

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

51、s4.1.4.?采用以及步驟s3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對應(yīng)的4類病害的輸出值，依次記為，，，；

52、s4.2.?構(gòu)建用于路面坑槽識別的輔助模型：

53、s4.2.1.?輔助模型b由1個(gè)輸入層、18個(gè)卷積層、18個(gè)激活層、5個(gè)池化層、4個(gè)拼接層、4個(gè)卷積上采樣層、1個(gè)輸出層構(gòu)成：

54、s4.2.2.?將步驟s3得到的訓(xùn)練集輸入到輔助模型b中，通過誤差反向傳播算法，計(jì)算神經(jīng)網(wǎng)絡(luò)單元的權(quán)重和偏置，完成輔助模型b的訓(xùn)練，得到訓(xùn)練完畢的輔助模型b；

55、輔助模型b的損失函數(shù)的計(jì)算公式為：

56、；

57、其中，lb為輔助模型b的損失函數(shù)；nb為輔助模型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，為輔助模型b預(yù)測第 ib個(gè)樣本為類別1的概率；

58、s4.2.3.?輔助模型b對應(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對應(yīng)的概率值的計(jì)算公式為：

59、；

60、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對應(yīng)的增強(qiáng)概率值的計(jì)算公式為：

61、；

62、s4.2.4.?采用以及步驟s3得到的訓(xùn)練集，結(jié)合誤差鏈?zhǔn)角髮?dǎo)法則，訓(xùn)練輔助模型b，訓(xùn)練完畢后，得到輔助模型b對應(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)對應(yīng)的實(shí)際病害標(biāo)注為， i=1,2,3,4；

63、s4.3.?構(gòu)建用于路面坑槽識別的強(qiáng)化模型：

64、s4.3.1.?強(qiáng)化模型c由1個(gè)輸入層、22個(gè)卷積層、22個(gè)激活層、6個(gè)池化層、5個(gè)拼接層、5個(gè)卷積上采樣層、1個(gè)輸出層構(gòu)成；

65、s4.3.2.?將步驟s3得到的訓(xùn)練集輸入到強(qiáng)化模型c中，通過誤差反向傳播算法，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c的訓(xùn)練，得到訓(xùn)練完畢的強(qiáng)化模型c；

66、強(qiáng)化模型c的損失函數(shù)的計(jì)算公式為：

67、；

68、其中，lc為強(qiáng)化模型c的損失函數(shù)；nc為強(qiáng)化模型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，為強(qiáng)化模型c預(yù)測第 ic個(gè)樣本為類別1的概率；

69、s4.3.3.?強(qiáng)化模型c對應(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，得到對應(yīng)的概率值的計(jì)算公式為：

70、；

71、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，得到輸出值對應(yīng)的增強(qiáng)概率值的計(jì)算公式為：

72、；

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

74、s4.3.4.?采用以及步驟s3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c，訓(xùn)練完畢后，得到強(qiáng)化模型c對應(yīng)的4類病害的輸出值為。

75、進(jìn)一步的，步驟s5的具體實(shí)現(xiàn)方法包括如下步驟：

76、s5.1.?基于和，建立輔助模型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：

77、；

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

79、；

80、基于和，建立輔助模型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：

81、，

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

83、s5.2.?建立強(qiáng)化模型c與輔助模型b輸出層之間的關(guān)系損失函數(shù)，表達(dá)式為：

84、；

85、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)；

86、的計(jì)算公式為：

87、；

88、的計(jì)算公式為：

89、；

90、s5.3.?建立強(qiáng)化模型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：

91、；

92、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)；

93、的計(jì)算公式為：

94、；

95、的計(jì)算公式為：

96、；

97、s5.4.?定義基礎(chǔ)模型a、輔助模型b、強(qiáng)化模型c之間對應(yīng)的總體損失函數(shù)，計(jì)算公式為：

98、；

99、s5.5.?利用步驟s3得到的用于路面坑槽識別的數(shù)據(jù)集，基于鏈?zhǔn)角髮?dǎo)法則，通過誤差反向傳播方式，對基礎(chǔ)模型、輔助模型與強(qiáng)化模型進(jìn)行訓(xùn)練，當(dāng)步驟s4.7得到的總體損失函數(shù)為最小時(shí)，對應(yīng)模型參數(shù)為最優(yōu)，得到訓(xùn)練后的基礎(chǔ)模型a為用于路面坑槽識別的深度學(xué)習(xí)模型。

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

101、s6.1.?將步驟s5得到的路面坑槽識別的深度學(xué)習(xí)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；

102、s6.2.?構(gòu)建道路信息模型；

103、s6.2.1.?收集道路的位置、長度、寬度、布局的信息；

104、s6.2.2.?將步驟s6.2.1得到的數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)庫中，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；

105、s6.2.3.?在步驟s6.2.2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；

106、s6.2.4.?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；

107、s6.3.?在數(shù)字孿生平臺中，導(dǎo)入步驟s5.1得到的路面坑槽識別的深度學(xué)習(xí)模型的部署文件，然后導(dǎo)入步驟s5.2得到的道路信息模型格式文件；

108、s6.4.?采用python構(gòu)建圖像數(shù)據(jù)與路面坑槽識別的深度學(xué)習(xí)模型之間的api接口，用于進(jìn)行路面坑槽智能識別；采用python構(gòu)建路面坑槽識別的深度學(xué)習(xí)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。

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

110、s7.1.?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s6建立的數(shù)字孿生模型中，然后采用系統(tǒng)中部署完成的用于路面坑槽識別的深度學(xué)習(xí)模型，對路面圖像中的路面坑槽區(qū)域進(jìn)行智能識別，并挑選出全部包含路面坑槽的圖像，得到路面坑槽數(shù)據(jù)；

111、s7.2.?基于步驟s6.7得到的包含路面坑槽的圖像，識別每個(gè)圖像中路面坑槽的數(shù)量，計(jì)算坑槽的總數(shù)量 nm；

112、s7.3.?構(gòu)建隨機(jī)選擇坑槽的數(shù)量方法，得到隨機(jī)選擇坑槽的數(shù)量的計(jì)算公式為：

113、；

114、其中，為根據(jù)置信水平選定的 z分?jǐn)?shù)，通過查z值表得到；為對總體中有特定特征的單位的比例的估計(jì)值；為可接受的誤差；

115、s7.4.?按照坑槽數(shù)量進(jìn)行坑槽的隨機(jī)抽取，抽取完畢后，去現(xiàn)場測量坑槽的尺寸信息，并計(jì)算坑槽的體積；

116、以第1條道路的第1個(gè)坑槽為例，測量坑槽的長度，然后沿坑槽長度，對坑槽進(jìn)行10等分，在每一個(gè)等分截面處，均測量截面的寬度和深度，其中，指第1個(gè)坑槽的第ij個(gè)截面的寬度；指第1個(gè)坑槽的第ij個(gè)截面的深度，ij=1,2,3，…，9；

117、然后計(jì)算坑槽體積 v1，計(jì)算公式為：

118、；

119、計(jì)算得到第1條道路的全部個(gè)坑槽的坑槽體積、、…、，然后計(jì)算第1條道路的坑槽體積均值：

120、；

121、s7.5.?面向 np條道路，采集路面圖像，按照步驟s7.4的方法計(jì)算全部 np條道路對應(yīng)的坑槽體積均值，、、…、；然后計(jì)算全部道路對應(yīng)的坑槽體積平均值，計(jì)算公式為：

122、；

123、s7.6.?設(shè)置交通安全行駛評價(jià)指標(biāo)，包括事故數(shù)量、受傷人數(shù)、車輛損傷數(shù)量、行駛速度降低值、車輛劇烈顛簸次數(shù)；

124、獲取 np條道路對應(yīng)的事故數(shù)量，依次記為：；

125、獲取 np條道路對應(yīng)的受傷人數(shù)，依次記為：；

126、獲取 np條道路對應(yīng)的車輛損傷數(shù)量，依次記為：；

127、獲取 np條道路對應(yīng)的行駛速度降低值，依次記為：；

128、獲取 np條道路對應(yīng)的車輛劇烈顛簸次數(shù)，依次記為：；然后計(jì)算車輛劇烈顛簸次數(shù)平均值記為；

129、然后計(jì)算各交通安全行駛評價(jià)指標(biāo)zb的平均值：

130、；

131、zb表示交通安全行駛評價(jià)指標(biāo)，包含事故數(shù)量sgs、受傷人數(shù)ssr、車輛損傷數(shù)量css、行駛速度降低值sjd、車輛劇烈顛簸次數(shù)db，即，事故數(shù)量、受傷人數(shù)、車輛損傷數(shù)量、行駛速度降低值、車輛劇烈顛簸次數(shù)對應(yīng)的平均值分別為；

132、s7.7.?基于步驟s7.6的交通安全行駛評價(jià)指標(biāo)建立坑槽與交通安全行駛評價(jià)指標(biāo)的關(guān)聯(lián)關(guān)系如下：

133、建立坑槽與交通安全行駛評價(jià)指標(biāo)zb之間的關(guān)聯(lián)程度，

134、；

135、其中， jj為 np條道路中的一個(gè)，表示第 jj條道路對應(yīng)的坑槽體積均值；zb表示交通安全行駛評價(jià)指標(biāo)，包含事故數(shù)量sgs、受傷人數(shù)ssr、車輛損傷數(shù)量css、行駛速度降低值sjd、車輛劇烈顛簸次數(shù)db；即，坑槽與事故數(shù)量、受傷人數(shù)、車輛損傷數(shù)量、行駛速度降低值、車輛劇烈顛簸次數(shù)間的關(guān)聯(lián)程度分別為、；

136、s7.8.?對坑槽與事故數(shù)量、受傷人數(shù)、車輛損傷數(shù)量、行駛速度降低值、車輛劇烈顛簸次數(shù)間的關(guān)聯(lián)程度均設(shè)置臨界值，分別記為：

137、；

138、s7.9.?將坑槽與事故數(shù)量、受傷人數(shù)、車輛損傷數(shù)量、行駛速度降低值、車輛劇烈顛簸次數(shù)間的關(guān)聯(lián)程度，分別與臨界值；進(jìn)行比較；

139、當(dāng)、、、、中有任何一個(gè)成立時(shí)，即表明坑槽對交通安全行駛產(chǎn)生影響。

140、本發(fā)明的有益效果：

141、本發(fā)明所述的基于數(shù)字孿生的路面坑槽影響的交通安全行駛評估方法，路面坑槽通常是不規(guī)則形狀的損傷，它們在路面上有不同的大小、深度和邊緣特征。結(jié)合坑槽的特點(diǎn)，設(shè)計(jì)模型結(jié)構(gòu)包含輸入層，卷積層，激活層，池化層，拼接層，卷積上采樣層，輸出層。模型設(shè)計(jì)結(jié)構(gòu)中，卷積層用于提取不同層次的圖像特征，激活層用于增加非線性以識別復(fù)雜的坑槽模式，池化層用于降低特征維度并增強(qiáng)對位置變化的魯棒性，拼接層和卷積上采樣層用于結(jié)合不同分辨率的特征，保持邊緣細(xì)節(jié)，最終通過輸出層實(shí)現(xiàn)精確像素級的坑槽識別。這種設(shè)計(jì)允許模型捕捉到路面坑槽的細(xì)微差別，同時(shí)保持較高的計(jì)算效率和準(zhǔn)確性，適用于處理車載相機(jī)提供的復(fù)雜路面圖像數(shù)據(jù)。

142、本發(fā)明所述的基于數(shù)字孿生的路面坑槽影響的交通安全行駛評估方法，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，可以在保證對路面坑槽識別準(zhǔn)確率的前提下，壓縮模型至所需容量，進(jìn)而提高運(yùn)行速度，降低計(jì)算資源消耗，同時(shí)，保持模型的識別性能。

143、本發(fā)明所述的基于數(shù)字孿生的路面坑槽影響的交通安全行駛評估方法，數(shù)字孿生技術(shù)與路面坑槽快速識別方法的融合，能夠利用高精度的數(shù)字模型與實(shí)時(shí)數(shù)據(jù)相結(jié)合，實(shí)現(xiàn)對路面狀況的即時(shí)和準(zhǔn)確診斷。通過集成傳感器數(shù)據(jù)、圖像識別技術(shù)和機(jī)器學(xué)習(xí)模型，不僅能及時(shí)檢測和定位路面坑槽，還能預(yù)測未來的損害發(fā)展，從而優(yōu)化維護(hù)計(jì)劃和資源分配。這有助于提高道路安全性，減少維護(hù)成本，并延長道路使用壽命，對于提升公共安全和經(jīng)濟(jì)效率具有重大價(jià)值。

144、本發(fā)明所述的基于數(shù)字孿生的路面坑槽影響的交通安全行駛評估方法，能提供科學(xué)的數(shù)據(jù)支持，幫助道路管理者識別最危險(xiǎn)的坑槽位置，優(yōu)先進(jìn)行修復(fù)，從而顯著降低事故發(fā)生率。這種方法能幫助優(yōu)化預(yù)算分配，確保維修資金被有效利用，提高道路維護(hù)的經(jīng)濟(jì)效率。