2. 清华大学 土木工程系, 北京 100084
2. Department of Civil Engineering, Tsinghua University, Beijing 100084, China
路面是车辆轮胎直接作用载体,不同波长段路面纹理将会在一定程度上影响路面抗滑安全、噪声、排水、油耗、行车舒适度等性能[1]。1987年世界道路协会(Permenet International Association of Road Congress,PIARC)定义了它们之间的关系[2]。
道面纹理包含轮廓波长光谱信息,这些波长被分为4个等级[3]:0~0.5 mm为微观纹理,0.5~50 mm为宏观纹理,50~500 mm为巨观纹理,500 mm以上为不平整。路面宏观纹理由路表随机块状集料组成,微观纹理由集料表面粗糙凹凸体构成,细观尺度和宏观尺度包含三维纹理波长、纹理深度、自仿射分形和表面粗糙度功率谱等信息[4-5],Persson理论[6]指出胎路接触摩擦力包括滞后摩擦和黏着摩擦,二者产生的主要贡献者分别为宏观纹理和微观纹理,也有学者[7-8]指出道路三维纹理是产生胎路磨耗、滑动摩擦、附水路面飘滑、噪声等的重要因素。
平均构造深度(mean texture depth,MTD)[9]、平均断面深度(mean profile depth,MPD)[10]、均方根高度(root mean square height,Rq)是表征三维纹理的常用指标。MPD和MTD存在较高相关性且可以通过数学模型相互转换[11]。通过图像拍照可将纹理深度与灰度深度关联,从而计算出局部纹理深度信息MTD[12-14]。多角度近景摄影法可用于三维纹理点云信息的提取[15],并能得到较好效果,但这2种方法受拍照角度、相机精度、光照条件、图像处理算法选用的影响较大。将激光扫描仪圆形纹理仪集合数字图形处理技术用于局部沥青路面纹理信息提取,测试结果与手工铺砂法获得了较高关联[16-17],但只能在静态下进行调查,且后处理时间长。单点激光设备只能用以获取道面一维纹理深度信息[18-20],精度为1 mm的全车道快速激光断面仪可以获取调查路面3D信息[21-22],这种设备技术受国外限制造价昂贵,且只能获取1 mm尺度以上信息,一定程度上忽略了影响路面抗滑的低尺度纹理因素。以上所有工作都在指明今后将采取机器智能识别方法获取道面微观和宏观三维纹理信息,从而取代繁琐的人工检测,为区域化的快速网级道面三维信息获取和道面性能大数据挖掘提供技术支撑。
基于此,本文团队开发了车载式高精度三维激光轮廓仪[23]集成调查系统,其搭载的C5系列高速三维相机,能以4.5 kHz采样频率连续获取横向270 mm三维数字高程信息,行驶速度为20~100 km/h,垂直精度为0.01 mm,满足并优于微观和宏观纹理分界0.05 mm[10]。本文主要介绍激光断面仪横向布置的工作原理及三维纹理调查过程中的具体应用。
1 设备架构及原理介绍 1.1 设备系统架构总览该设备由高速三维相机、线激光发射器、轴编码器(distance measuring instrument,DMI)、千兆网信号传输线、控制中心组成,设备外观如图 1所示,布置架构如图 2所示,脉冲激光以线形呈现在靶材上,长270 mm,相机调查宽度为2 048 mm,意味着激光分散到像素点间距为0.12 mm。通过高速3D相机捕捉激光线,随着靶材高度变化,表面激光亮条纹在相机网格阵中与原来的位置发生相对移动,激光条纹与背景存在明显强度差,采用门限处理将其与背景进行二值化,通过重心算法[24](获取激光条纹中心)和数字图像滤波技术计算出每个目标点与预设零位面之间的距离,从而得到线激光扫描过的道面三维高程信息。
![]() |
图 1 (网络版彩图)3D数字一体化检测车 |
![]() |
图 2 (网络版彩图)激光断面仪调查设备系统 |
在实际的采集过程中,高速3D相机图像帧采集模式分为静态模式和距离触发模式,静态模式由控制中心发出采集信号,该模式通常在室内模拟不同速度采集状况,距离触发模式由数字轴编码器DMI(固定于车轮轴)触发采集信号。
1.2 线激光相机标定在系统使用之前, 相机激光标定是必要环节,相机通过标定板已知平面坐标计算激光平面在相机坐标系中的表示,构建点在平面上的约束以求解全球坐标系同相机坐标系转换旋转矩阵和平移矩阵外参数[25]。
设标定板平面在相机坐标系c中的参数为πc=[nc, d]∈
$ \boldsymbol{n}^{c \mathrm{~T}} \boldsymbol{p}^{c}+d=0. $ | (1) |
设激光坐标系l转换到相机坐标系的旋转和平移方程为Rcl, tcl。若激光点坐标系中的某个激光点pl落在标定板上,则通过点在平面上的约束可以构建包含外参数的方程:
$ \boldsymbol{n}^{c \mathrm{T}}\left(\boldsymbol{R}_{c l} \boldsymbol{p}^{l}+\boldsymbol{t}_{d}\right)+d^{c}=0. $ | (2) |
这就将任意激光点三维信息求解的问题转换为求解激光点坐标系和相机坐标系的对应映射函数关系,即求解含有外参数的旋转和平移方程。
相机坐标系到激光坐标系的变换矩阵为Rlc, tlc,则有
$ \boldsymbol{p}^{c}=\boldsymbol{R}_{l c}^{\mathrm{T}}\left(\boldsymbol{p}^{l}-\boldsymbol{t}_{l c}\right) . $ | (3) |
假定激光线形成的平面为初始平面z=0,则pl=[x, y, o]T,将其代入式(3)得到
$ \begin{gathered} \boldsymbol{p}^{c}=\boldsymbol{R}_{l c}^{\mathrm{T}}\left(\left[\begin{array}{l} x \\ y \\ 0 \end{array}\right]-\boldsymbol{t}_{l c}\right)= \\ \boldsymbol{R}_{l c}^{\mathrm{T}}\left[\begin{array}{ll} 1 & 0 \\ 0 & 1 & -\boldsymbol{t}_{l c} \\ 0 & 0 \end{array}\right]\left[\begin{array}{l} x \\ y \\ 1 \end{array}\right]=\boldsymbol{H} \overline{\boldsymbol{P}}\ ^{1}. \end{gathered} $ | (4) |
其中:
$ \boldsymbol{H}=\boldsymbol{R}_{l c}^{\mathrm{T}}\left[\begin{array}{ll} 1 & 0 &\\ 0 & 1& \boldsymbol{t}_{l c}\\ 0 & 0& \end{array}\right]. $ | (5) |
代入式(2)得
$ \boldsymbol{n}^{c \mathrm{T}} \boldsymbol{H} \overline{\boldsymbol{P}}\ ^{1}=-d^{c} . $ | (6) |
其中H为包含9个外参数的3×3矩阵。同一平面的单线激光两点确定一条直线,同一姿态的单帧激光即可提供2个约束,若要全部求解出9个外参数H,则需要至少10个约束从而求解出旋转和平移矩阵Rlc, tlc:
$ \begin{gathered} \boldsymbol{R}_{l c}=\left[h_{1}, h_{2}, h_{1} \cdot h_{2}\right]^{\mathrm{T}}, \\ \boldsymbol{t}_{l c}=-\left[h_{1}, h_{2}, h_{1} \cdot h_{2}\right]^{\mathrm{T}} h_{3} . \end{gathered} $ | (7) |
但以上求解的旋转矩阵并不满足旋转矩阵的性质即RTR=I3×3。假设期望的旋转矩阵为
$ \begin{aligned} &\operatorname{argmin}\left\|\hat{\boldsymbol{R}}_{l c}-\boldsymbol{R}_{l c}\right\|_{\mathrm{F}}, \text { 同时满足 } \hat{\boldsymbol{R}}_{l c}^{\mathrm{T}} \hat{\boldsymbol{R}}_{l c}=\boldsymbol{I},\\ &\begin{aligned} \|\hat{\boldsymbol{R}}-\boldsymbol{R}\|{ }^{2}=& \operatorname{trace}\left((\hat{\boldsymbol{R}}-\boldsymbol{R})(\hat{\boldsymbol{R}}-\boldsymbol{R})^{\mathrm{T}}\right)=\\ & \lambda_{1}^{2}+\lambda_{2}^{2}+\lambda_{3}^{2}. \end{aligned} \end{aligned} $ | (8) |
其中λi, i=1, 2, 3, 表示
$ \begin{gathered} \hat{\boldsymbol{R}}=\boldsymbol{R}\left(\boldsymbol{R}^{\mathrm{T}} \boldsymbol{R}\right)^{-\frac{1}{2}}=\boldsymbol{R}(\boldsymbol{I}+\boldsymbol{E})^{-\frac{1}{2}}, \\ \boldsymbol{E}=\left(\boldsymbol{R}^{\mathrm{T}} \boldsymbol{R}-\boldsymbol{I}\right), \end{gathered} $ | (9) |
$ \boldsymbol{R}(\hat{\boldsymbol{n}}, \theta)=\left[\begin{array}{ccc} c+n_{x}^{2}(1+c) & n_{x} n_{y}(1-c)-n_{z} s & n_{x} n_{z}(1-c)+n_{y} s \\ n_{y} n_{x}(1-c)+n_{z} s & c+n_{x}^{2}(1-c) & n_{y} n_{z}(1-c)+n_{x} s \\ n_{z} n_{x}(1-c)-n_{y} s & n_{z} n_{y}(1-c)+n_{x} s & c+n_{z}^{2}(1-c) \end{array}\right]. $ | (10) |
令:
$ q_{0}=k \cos (\theta / 2), q_{1}=k_{1} n_{x} \cos (\theta / 2), $ |
$ q_{2}=k n_{y} \cos (\theta / 2), q_{1}=k_{1} n_{z} \cos (\theta / 2). $ |
$ \boldsymbol{R}(\boldsymbol{q})=\frac{1}{q_{0}^{1}+q_{1}^{2}+q_{2}^{2}+q_{3}^{2}}\left[\begin{array}{ccc} q_{0}^{2}+q_{1}^{2}-q_{2}^{2}-q_{3}^{2} & 2\left(q_{1} q_{2}-q_{0} q_{3}\right) & 2\left(q_{1} q_{3}+q_{0} q_{2}\right) \\ 2\left(q_{1} q_{2}+q_{0} q_{3}\right) & q_{0}^{2}-q_{1}^{2}-q_{2}^{2}-q_{3}^{2} & 2\left(q_{2} q_{3}-q_{0} q_{1}\right) \\ 2\left(q_{1} q_{3}-q_{0} q_{2}\right) & 2\left(q_{2} q_{3}+q_{0} q_{1}\right) & q_{0}^{2}-q_{1}^{2}-q_{2}^{2}+q_{3}^{2} \end{array}\right]. $ | (11) |
其中k为任意实数,q=[q0, q1, q2, q3]T,括号里的元素为旋转矩阵R的四元数分量。
设R=(rij)1≤i, j≤3,并定义四阶方阵U:
$ \boldsymbol{U}=\frac{1}{4}\left[\begin{array}{cccc} r_{11}+r_{22}+r_{33}+1 & r_{32}-r_{23} & r_{13}-r_{31} & r_{21}-r_{12} \\ r_{32}-r_{23} & r_{11}-r_{22}-r_{33}+1 & r_{21}+r_{12} & r_{31}+r_{13} \\ r_{13}-r_{31} & r_{21}+r_{12} & r_{22}-r_{11}-r_{33}+1 & r_{32}+r_{23} \\ r_{21}-r_{12} & r_{31}+r_{13} & r_{32}+r_{23} & r_{33}-r_{11}-r_{22}+1 \end{array}\right]. $ | (12) |
在不被噪声影响的情况下,
$ \boldsymbol{U} \Leftrightarrow \boldsymbol{q q}^{\mathrm{T}}\left[\begin{array}{llll} q_{0} q_{0} & q_{0} q_{1} & q_{0} q_{2} & q_{0} q_{3} \\ q_{1} q_{0} & q_{1} q_{1} & q_{1} q_{2} & q_{1} q_{3} \\ q_{2} q_{0} & q_{2} q_{1} & q_{2} q_{2} & q_{2} q_{3} \\ q_{3} q_{0} & q_{3} q_{1} & q_{3} q_{2} & q_{3} q_{3} \end{array}\right]. $ | (13) |
q在齐次坐标系中的向量表示为:
激光光条覆盖多行像素,需要计算出线激光在相机平面中的精确位置如图 3a和3b所示,列(图像帧2 048×512)像素中所含有的激光条纹遵循Gauss分布,特点如图 3c所示,对于激光条纹中心提取通常的做法是采用阈值法、强度最大值法、峰值算法、灰度重心算法和改进的灰度重心算法[27]。改进的灰度重心算法结合快速鲁棒的快速激光中心提取算法可以在噪声抑制和计算处理速度上获得良好表现[28]。
![]() |
图 3 激光光条中心提取流程 |
为最大程度适应不同材质路面的表面信息调查,采集系统提供了上述4种算法,实际操作过程中默认选择改进的灰度重心算法进行激光条纹质心位置提取,根据相机激光坐标转换及其与零位面的差值算得断面相对高程如图 3d所示。
通过质心算法垂直分辨率可以近似为:
$ \Delta Z=\frac{\Delta X}{\sin \alpha}, $ | (14) |
$ \Delta X=\frac{L}{P}. $ | (15) |
其中:ΔZ为高度分辨率,ΔX为水平像素分辨率,α为激光平面与相机光学平面夹角,L为调查宽度,P为相机像素。
式(14)和(15)意味着设备安装高度越高则调查宽度越大,垂直分辨精度越低,值得一提的是通过内置的重心算法可以检测到相机像素分辨率的1/16的激光线位置,也就是说提供的最终系统高度分辨率可达传统像素级激光线检测方法的16倍,使得垂直检测精度达到0.01 mm。
2 激光断面仪调查系统应用 2.1 激光点云采集及三维可视化实验以60 km/h模拟时速采集了8种沥青道面类型车辙板,通过路面的累积断面图像帧(图 4a)转换成点云文件,点云通过Laplace去噪、Delaunay三角剖分、网格化以及标量域着色[15]得到如图 4b和4c效果。需要强调的是利用相同原理在实际道路采样过程中系统储存累积图像帧,从而获得轮迹带连续数字高程可视化信息如图 4d所示。高密度道面激光点云包含了路面大量信息,ISO25178[29]中关于表面性状的参数包括高度参数、空间参数、复合参数、功能参数、体积参数、形态参数,共计几十个指标, 研究选取MTD、MPD、Ra、Rq、Vmp作为表面粗糙度指标提取对象,研究表明它们与抗滑性密切相关[15],其中基于Persson胎路接滑摩擦学机理[6]还添加了二维功率谱密度PSD、纹理波长λ分布。
![]() |
图 4 (网络版彩图)三维纹理激光点云重构流程 |
2.2 表面参数的计算方法
1) 平均轮廓深度MPD(mm)。
将断面仪获取的每条轮廓分成两段,取两端100 mm各计算一次MPD求均值,累积获取连续断面MPD。平均轮廓深度MPD(mm)如图 5所示。
![]() |
图 5 MPD计算简图 |
2) 算术平均高度Ra (mm)。
$ \begin{gathered} R_{\mathrm{a}}=\frac{1}{M \cdot N} \sum\limits_{i=1}^{M} \sum\limits_{j=1}^{N} Z\left(x_{i}, y_{j}\right), \\ i=1,2, \cdots, M, j=1,2, \cdots, N. \end{gathered} $ | (16) |
其中:Z(xi, yj)为激光点的高程,M、N为调查尺寸。
3) 均方根高度Rq (mm)。
$ R_{\mathrm{q}}=\sqrt{\sum\limits_{j=1}^{N} Z\left(x_{i}, y_{j}\right)^{2}}. $ | (17) |
平均断面构造深度MTD(mm):
$ \begin{gathered} \mathrm{MTD}=\frac{1}{M N} \cdot \\ \sum\limits_{i=1}^{M} \sum\limits_{j=1}^{N}\left[\max \left(Z\left(x_{i}, y_{j}\right)\right)-Z\left(x_{i}, y_{j}\right)\right] . \end{gathered} $ | (18) |
4) 二维粗糙度功率谱密度(power spectral density, PSD)。
设H(u, v)为激光点云中数字高程Z(xi, yj)的Fourier变换形式,则:
$ \begin{gathered} H(u, v)=\sum\limits_{i=1}^{M} \sum\limits_{j=1}^{N} Z\left(x_{i}, y_{j}\right) \mathrm{e}^{-\mathrm{i} 2 {\rm{ \mathsf{ π} }}\left(\frac{u x}{M}+\frac{v y}{N}\right)}, \\ (u=1,2, \cdots, M ; v=1,2, \cdots, N) ; \\ H(u, v)=R(u, v)+\mathrm{j} I(u, v) . \end{gathered} $ | (19) |
其中: H(u, v)为复变函数对应的频域空间,R(u, v)为复变函数的实部,I(u, v)为复变函数的虚部。将复变函数转换成指数表现形式:
$ H(u, v)=|H(u, v)| \mathrm{e}^{\mathrm{j} \varphi(u, v)}, $ | (20) |
$ H(u, v)|=| R^{2}(u, v)+\left.I^{2}(u, v)\right|^{1 / 2}. $ | (21) |
|H(u, v)|为Z(x, y)的Fourier频谱,而Z(x, y)的功率谱则定义为Fourier频谱的平方,
$ \begin{gathered} \left.P(u, v)|=| H(u, v)\right|^{2}= \\ \left|R^{2}(u, v)+I^{2}(u, v)\right|. \end{gathered} $ | (22) |
二维功率谱密度PSD是功率谱对u,v方向的二阶导数:
$ \operatorname{PSD}=\frac{\partial^{2}|P(u, v)|}{\partial u \partial v}. $ | (23) |
纹理波长λ(mm):
$ \lambda=1 /|H| \text {. } $ | (24) |
峰值材料体积Vmp(mm3) [29]:
$ \begin{gathered} V_{\mathrm{mp}}=V_{\mathrm{m}}\left(\mathrm{mr}_{1}\right)= \\ k \iint\limits_{0}^{\mathrm{mr}_{1}}\left[S_{\mathrm{mc}}(q)-S_{\mathrm{mc}}\left(\mathrm{mr}_{1}\right)\right] \mathrm{d} q . \end{gathered} $ | (25) |
其中Smc表示百分比承载区域高度。
道面剖面承载区域负载曲线,默认顶部10%为峰体积Vmp,其次分别为核心材料体积Vmc, 核心空隙体积Vvc, 山谷空隙体积Vvv, 表面承载区域面积比mr, 如图 6所示。
![]() |
图 6 (网络版彩图)道面负载曲线 |
3 数据采集分析与讨论
提取三维点云,导入MATLAB获取每个样本三维纹理指标值见表 1,通过摆式摩擦仪测试获取其表面抗滑数见表 2,结果表明Ra和MPD与抗滑关联性高达80%以上,而MTD与BPN的相关性达到52.9%(图 7),Vmp的相关性低于50%,这与以往单点式激光及1 mm全车道获取的纹理指标关联性结论存在较大区别[11, 22]。通过反复检查和重复实验,分析原因:单点式激光只能获取断面的一维离散高程,采样间隔大,全车道线激光虽能获取大面积的3D信息,但垂直精度和采样步距无法满足0.01~1 mm波段三维纹理信息获取,而本项工作采用高速三维激光轮廓仪垂直精度在0.01 mm, 采样间隔可以调制1~10 mm,易获取高密度高精度的轮迹带三维信息。另外Persson胎路接触抗滑机理[5-6]指出纹理深度是计算摩擦因数μ的关键因素,Ra、MPD、MTD都是表征纹理深度的关键指标,因此基于三维信息获取的平均指标值与抗滑具有较强的相关性。
样本 | |
||||
AC13-1 | 1.955 0 | 1.099 7 | 5.328 0 | 1.672 9 | 199.909 0 |
AC13-2 | 1.915 4 | 0.975 3 | 3.958 1 | 1.414 4 | 185.444 8 |
AC13-3 | 1.993 5 | 0.809 6 | 4.291 5 | 1.221 5 | 196.777 8 |
AC13-4 | 1.397 5 | 0.586 5 | 3.025 1 | 0.811 5 | 183.623 6 |
AC16-1 | 2.048 7 | 0.921 9 | 4.304 0 | 1.281 3 | 650.558 2 |
AC16-2 | 2.037 5 | 1.057 7 | 3.637 2 | 1.657 5 | 582.143 7 |
AC16-3 | 2.034 0 | 0.933 0 | 1.721 7 | 1.282 2 | 398.266 3 |
AC16-4 | 2.068 0 | 1.114 0 | 6.540 1 | 1.737 9 | 415.888 3 |
样本 | AC13-1 | AC13-2 | AC13-3 | AC13-4 | AC16-1 | AC16-2 | AC16-3 | AC16-4 |
BPN | 71 | 67 | 63 | 61 | 62 | 75 | 70 | 78 |
![]() |
图 7 纹理指标与BPN相关性 |
同时,路面纹理波长λ和粗糙度功率谱密度PSD是计算摩擦因数μ的重要组成成分[5-6],通过对数字高程点云去噪并进行频谱变换(式(21))求得所有样本的纹理波长概率分布,并与BPN进行关联,结果如图 8和表 3所示。
![]() |
图 8 纹理波段与BPN的相关性 |
样本 | λ/% | ||
0.01~0.5 mm | 0.5~1 mm | 1~3 mm | |
AC13-1 | 12.592 | 24.408 | 57.685 |
AC13-2 | 10.168 | 20.830 | 64.012 |
AC13-3 | 8.942 | 18.700 | 67.072 |
AC13-4 | 6.599 | 14.657 | 72.010 |
AC16-1 | 11.701 | 23.238 | 59.992 |
AC16-2 | 13.920 | 26.523 | 54.156 |
AC16-3 | 12.726 | 24.700 | 57.300 |
AC16-4 | 15.359 | 28.348 | 50.455 |
分析表明,三维纹理波段λ主要集中在0.01~ 3 mm之间,1 mm以下三维纹理与抗滑性能呈现80%以上的正相关性,这与以往研究结论高度相似[30],但结果还表明:1~1.5 mm的宏观纹理BPN相关性较弱,1.5~2.5 mm具有80%以上的负相关性。导致上述现象产生的原因是低波段的三维纹理更容易和轮胎发生咬合作用,能为胎路接触提供滞后摩擦增益,而长波段三维纹理具有衰减摩擦作用。
通过频谱转换计算得到了8个样本的表面PSD如图 9a和9b所示,对比发现AC13系列样本和AC16系列样本的表面粗糙度PSD基本一致,PSD随着波矢q[5]的增大而减小。另外在分析过程中发现AC16-1与其余样本呈现出了明显的PSD低值, 并且其BPN值也较低(BPN=62),追溯其表面信息发现该样本表面存在一条明显的车辙(成型过程中车辙仪碾压所致)如图 9c,提取该样本顶部表面的高度百分比PSD信息如图 9d,结果表明车辙导致表面顶部高程数据减少,PSD也随之减少,这意味着车辙可能导致路面产生相对较低的抗滑性能。抗滑机理[5-6]指出胎路名义接触面积和真实接触面积是确定轴向应力分布的关键,为了直观理解沥青道面的水平顶部剖面不同百分比的表面信息,图 10展示了样本AC13-1的表面信息,结果表明随着顶部高度的增加胎路承载接触区域将会减少。
![]() |
图 9 (网络版彩图)表面功率谱密度PSD |
![]() |
图 10 (网络版彩图)百分比承压曲线表面信息 |
4 总结
本文介绍了高速三维激光断面仪布置架构及工作原理,其垂直精度在0.01 mm,可实现20~100 km/h时速和每秒4 500个轮廓采样速度获取连续轮迹带纹理3D信息。与传统单点激光和全车道线激光相比,搭载高速3D相机的激光断面仪可为三维纹理网级大数据调查提供有力技术支撑,文中展示了断面仪提取的8种不同沥青道面的MPD、MTD、Rq、Ra、Vmp、λ、PSD三维纹理信息并得出以下实验结论:
1) 分析表明从三维纹理获取的Ra、MPD均值与BPN抗滑关联性高达80%,这与以往单点式、全车道1 mm激光获取的纹理抗滑关联性结论截然不同,
尚有待进一步研究确认。接下来团队将会开展大量样本的采集实验进行比对分析,以论证该结论的可靠性。
2) 二维PSD可以独立于样本对道面抗滑性能进行评估,较高的二维PSD具有较高的抗滑性能,较低的PSD具有较低抗滑性能,并且道面二维PSD随着波矢q增大而减小。
3) 车辙板表面纹理波长的概率分布统计分析表明AC13和AC16系列波长主要集中在0~3 mm波段,且1 mm以下的纹理波段与抗滑正相关性高达80%以上,1~1.25 mm波段对抗滑性能作用开始减弱,而1.25~2.5 mm波段对抗滑性能出现了80%以上的负相关性。
4) 车辙会导致道面三维纹理粗糙度的损失,具体表现在其PSD明显低于常规道面,抗滑性能也随之减少。
除此之外还展示了该设备在胎路接触区域的调查潜能,包括:探索道面承压顶部区域对抗滑性能影响、谷部区域对储水排水功能的影响。该系统工作原理同样适用于全车道路面三维识别,可用于路面病害如裂缝、松散、坑槽、车辙等甄别,但需要将设备架设位置调高,代价是损失垂直精度;由于文章篇幅有限,未能对该部分进行讨论以及对所有波段纹理对抗滑的影响机理进行分析,将在今后文章中陆续与读者进行分享。
[1] |
LOPRENCIPE G, CANTISANI G, DI MASCIO P. Global assessment method of road distresses[C]//Proceedings of 4th International Symposium on Life-Cycle Civil Engineering. Tokyo, Japan: CRC Press, 2015: 1113-1120.
|
[2] |
WOODHEAD S, PADGHAM D E. The effect of plant surface characteristics on resistance of rice to the brown planthopper, Nilaparvata lugens[J]. Entomologia Experimentalis et Applicata, 1988, 47(1): 15-22. DOI:10.1111/j.1570-7458.1988.tb02276.x |
[3] |
HANNA A N. NCHRP research results digest 321: Guide for pavement friction: Background and research[R]. Washington DC, USA: Transportation Research Board, 2009.
|
[4] |
PERSSON B N J, SPENCER N D. Sliding friction: Physical principles and applications[J]. Physics Today, 1999, 52(1): 66-68. DOI:10.1063/1.882557 |
[5] |
PERSSON B N J. Theory of rubber friction and contact mechanics[J]. The Journal of Chemical Physics, 2001, 115(8): 3840-3861. DOI:10.1063/1.1388626 |
[6] |
PERSSON B N J. Contact mechanics for randomly rough surfaces[J]. Surface Science Reports, 2006, 61(4): 201-227. DOI:10.1016/j.surfrep.2006.04.001 |
[7] |
黄晓明, 郑彬双. 沥青路面抗滑性能研究现状与展望[J]. 中国公路学报, 2019, 32(4): 32-49. HUANG X M, ZHENG B S. Research status and progress for skid resistance performance of asphalt pavements[J]. China Journal of Highway and Transport, 2019, 32(4): 32-49. (in Chinese) |
[8] |
LUO W T, LI L. Development of a new analytical water film depth (WFD) prediction model for asphalt pavement drainage evaluation[J]. Construction and Building Materials, 2019, 218: 530-542. DOI:10.1016/j.conbuildmat.2019.05.142 |
[9] |
ASTM. Standard test method for measuring pavement macrotexture depth using a volumetric technique: ASTM E965-96[S]. West Conshohocken, USA: ASTM International, 2007.
|
[10] |
ASTM. Standard practice for calculating pavement macrotexture mean profile depth: ASTM E1845-15[S]. West Conshohocken, USA: ASTM International, 2015.
|
[11] |
PRATICò F G, VAIANA R. A study on the relationship between mean texture depth and mean profile depth of asphalt pavements[J]. Construction and Building Materials, 2015, 101: 72-79. DOI:10.1016/j.conbuildmat.2015.10.021 |
[12] |
刘琬辰, 黄晓明. 基于图像处理的沥青路面构造深度评价方法的优化研究[J]. 北方交通, 2013(3): 9-13. LIU W C, HUANG X M. Optimization research of the asphalt pavement surface texture evaluation based on digital image[J]. Northern Communications, 2013(3): 9-13. DOI:10.3969/j.issn.1673-6052.2013.03.004 (in Chinese) |
[13] |
宋永朝, 闫功喜, 隋永芹, 等. 基于数字图像处理技术的沥青路面表面纹理构造分布[J]. 中南大学学报(自然科学版), 2014, 45(11): 4075-4080. SONG Y C, YAN G X, SUI Y Q, et al. Texture structure distribution of asphalt pavement surface based on digital image processing technology[J]. Journal of Central South University (Science and Technology), 2014, 45(11): 4075-4080. (in Chinese) |
[14] |
PUZZO L, LOPRENCIPE G, TOZZO C, et al. Three-dimensional survey method of pavement texture using photographic equipment[J]. Measurement, 2017, 111: 146-157. DOI:10.1016/j.measurement.2017.07.040 |
[15] |
KOGBARA R B, MASAD E A, WOODWARD D, et al. Relating surface texture parameters from close range photogrammetry to Grip-Tester pavement friction measurements[J]. Construction and Building Materials, 2018, 166: 227-240. DOI:10.1016/j.conbuildmat.2018.01.102 |
[16] |
ASTM. Standard test method for measuring pavement macrotexture properties using the circular track meter: ASTM E2157-01[S]. West Conshohocken, USA: ASTM International, 2001.
|
[17] |
GAO L, LIU M X, WANG Z Q, et al. Correction of texture depth of porous asphalt pavement based on CT scanning technique[J]. Construction and Building Materials, 2019, 200: 514-520. DOI:10.1016/j.conbuildmat.2018.12.154 |
[18] |
赵康, 丁磊, 王金洋. 双激光位移传感器测量路面平整度系统实现[J]. 汽车实用技术, 2012(5): 61-64. ZHAO K, DING L, WANG J Y. Double laser displacement sensor measurement of pavement system[J]. Automobile Applied Technology, 2012(5): 61-64. (in Chinese) |
[19] |
CIGADA A, MANCOSU F, MANZONI S, et al. Laser-triangulation device for in-line measurement of road texture at medium and high speed[J]. Mechanical Systems and Signal Processing, 2010, 24(7): 2225-2234. DOI:10.1016/j.ymssp.2010.05.002 |
[20] |
CHOU C P, CHU H J, CHEN A C. Advanced runway groove identification[J]. Measurement, 2019, 152: 107272. |
[21] |
TSAI Y, WU Y, LEWIS Z. Full-lane coverage micromilling pavement-surface quality control using emerging 3D line laser imaging technology[J]. Journal of Transportation Engineering, 2014, 140(2): 04013006. DOI:10.1061/(ASCE)TE.1943-5436.0000604 |
[22] |
LI L, WANG K C P, LI Q J. Geometric texture indicators for safety on AC pavements with 1 mm 3D laser texture data[J]. International Journal of Pavement Research and Technology, 2016, 9(1): 49-62. DOI:10.1016/j.ijprt.2016.01.004 |
[23] |
GUO R, YU Z, ZHOU Y. Development and preliminary evaluation of a varying-speed road profiler[J]. Journal of Testing and Evaluation, 2020, 48(5): 3479-3489. |
[24] |
HE L Y, WU S S, WU C Y. Robust laser stripe extraction for three-dimensional reconstruction based on a cross-structured light sensor[J]. Applied Optics, 2017, 56(4): 823-832. DOI:10.1364/AO.56.000823 |
[25] |
ZHANG Q L, PLESS R. Extrinsic calibration of a camera and laser range finder (improves camera calibration)[C]//2004 IEEE/RSJ International Conference on Intelligent Robots and Systems. Sendai, Japan: IEEE, 2005.
|
[26] |
VASCONCELOS F, BARRETO J P, NUNES U. A minimal solution for the extrinsic calibration of a camera and a laser-rangefinder[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(11): 2097-2107. DOI:10.1109/TPAMI.2012.18 |
[27] |
黄凌锋, 刘光东, 张超, 等. 基于灰度权重模型的激光条纹中心提取算法[J]. 激光技术, 2020, 44(2): 190-195. HUANG L F, LIU G D, ZHANG C, et al. Laser stripe center extraction algorithm based on gray weight model[J]. Laser Technology, 2020, 44(2): 190-195. (in Chinese) |
[28] |
甘宏, 张超, 李林, 等. 复杂背景下激光条纹中心亚像素提取方法[J]. 光电工程, 2019, 46(2): 82-89. GAN H, ZHANG C, LI L, et al. Sub-pixel extraction of laser stripe in complex background[J]. Opto-Electronic Engineering, 2019, 46(2): 82-89. (in Chinese) |
[29] |
MARINELLO F, PEZZUOLO A. Application of ISO 25178 standard for multiscale 3D parametric assessment of surface topographies[J]. IOP Conference Series Earth and Environmental Science, 2019, 275: 12011. DOI:10.1088/1755-1315/275/1/012011 |
[30] |
KANAFI M M, TUONONEN A J. Top topography surface roughness power spectrum for pavement friction evaluation[J]. Tribology International, 2017, 107: 240-249. DOI:10.1016/j.triboint.2016.11.038 |