同济大学智能交通新兴计算与感知研究课题组，在JCR一区期刊International Journal of Pavement Engineering发表了由杜豫川、潘宁、徐子豪、邓富文、沈煜、康华撰写的研究论文“Pavement distressdetection and classification based on YOLO network”。路面病害的检测和分类评估在路面管养中起着十分重要的作用，然而过去的路面病害检测非常依赖于人工手段，限制了其在大范围、高频率的路面质量检测中的使用。因此本研究中，采用基于深度学习的目标检测框架YOLO网络进行自动的检测和分类。通过高速工业数字相机对路面视频信息进行拍摄采集，采集得到高分辨率的路面图像，然后进行统一标准化的标定，形成了20余万张标签化的数据集可作为模型输入，并采用机器视觉技术提取路表面材质的形态特征。路面病害主要表征为路表面的各种损坏、变形及其它缺陷。网络通过准确提取路表面材质的形态特征，采用深度学习的方法寻找其与路面病害的对应关系，从而输出路面病害的可能位置框及其分类。选用Precision-recall和Detection e
同济大学智能交通新兴计算与感知研究课题组，在JCR一区期刊Construction and Building Materials发表了由杜豫川、覃伯豪、翁梓航、吴荻非、刘成龙撰写的研究论文“Promoting the pavementskid resistance estimation by extracting tire-contacted texture based on 3Dsurface data”。路面抗滑性能对道路安全和养护至关重要。现有研究主要通过计算路面纹理的各种参数来评价路面抗滑性能。然而，大多数研究人员主要基于全部纹理计算参数，而很少考虑纹理的哪一部分实际参与了摩擦。本文提出了基于摩擦接触面积的抗滑性能的预测方法。首先提出了基于实验和多元回归的摩擦接触纹理计算和提出方法。其次，构建了基于提取特征的抗滑预估模型，并比较了基于全部纹理和摩擦接触纹理的抗滑预测模型的表现。结果表明，使用预估的摩擦接触纹理作为输入时，预测模型的准确性更高。研究证明了通过提取摩擦接触纹理可提高抗滑性预测的性能，采用该方面可大大减少数据量，有效地减轻数据计算压力。论文链接：https://www
