CN119398763A 一种公路路产损失评估方法及系统 （中交综合规划设计院有限公司）

司器学习算法提取公路路产损坏图像中的路产损第二路产损失，获取目标公路的公路路产总损考虑了公路路产自身价值的损耗以及公路路产2对目标公路上的公路路产进行定期巡检以采集公路路产损坏图像，同使用机器学习算法提取所述公路路产损坏图像中的路产损失根据所述间接经济损失案例数据，采用公路路产损坏的间接损失评结合所述第一路产损失和所述第二路产损失，获取所述目标公路的公路路产总损失，所述间接经济损失案例数据包括所述路产损失特征数据、直接损所述对目标公路上的公路路产进行定期巡检以采集公路路产损坏图对目标公路上的公路路产进行定期巡检以采集公路路产对所述公路路产损坏原始图像进行预处理得到清晰图像，并在所述查询存在路产被损坏的案例公路，并采集所述案例公路因使用所述路产损失识别模型提取所述公路路产损坏图像中的根据所述路产损失特征，结合公路路产监测数据集，使用所述将FasterR_CNN中的VGG_16网络替换为ResNet_50，并在ResNe使用路产损坏数据集对所述图像识别网络进行训练和验证，进所述公路监测数据集是使用所述目标公路的所有历史公路路产损坏所述根据所述路产损失特征，结合公路路产监测数据集，使用所述直3依据所述公路路产监测数据集，判断所述公路路产损坏图像中根据所述路产损失特征和所述价值衰减系数，使用所述直接损失评,第i个所述路产类型下出现第j个所述损失等级的路产使用多个所述案例公路的间接经济损失案例数据构建案根据所述案例数据集获取不同所述案例公路的综合损失特征数据，进针对所述第一数据集中的每组间接损失评估指标数据，计算出相应的一组主成分数获取目标公路的间接损失评估指标数据，并在所述可查询案例数,获取目标公路的间接损失评估指标数据，进而计算出一组主成分针对每一个所述主成分，在所述可查询案例数据集中寻找与所4将所述参考主成分数值所在的一组可查询案例数据作为所述可借鉴把各个所述主成分的累计方差贡献率作为主成分权重，并对所根据所述可借鉴案例和所述归一化权重，使用所述间接经,个主成分的参考主成分数值所在可借鉴案例的10.一种公路路产损失评估系统，其特征在于，所述的一种公路路产损失评估系统包程序指令当被所述处理器执行时使所述处理器实现如权利要求1_9任意一项所述的一种公5对目标公路上的公路路产进行定期巡检以采集公路路产6[0009]可选地，所述使用机器学习算法提取所述公路路产损坏进而结合公路路产监测数据集使用直接损失评估模型评估第一路产损失包括7使用多个所述案例公路的间接经济损失案例数据构建案8第n个主成分的参考主成分数值所在可借鉴在所有公式中出现的相同的符号或字母带表的[0032]在一个可选地实施例当中，请参见图1，本发明提供了一种公路路产损失评估方9同的公路实时采集间接经济损失案例数据，则可以使用投入产出模型来预测间接损失金交通流量；环境温度数据为案例公路在进行路产损坏情况检查时所处季度的日均环境温公路路产监测数据集使用直接损失评估模型评估度网络退化和训练错误率高的问题，因此本实施例使用ResNet_50替换掉FasterR_CNN中具体为使用递归特征金字塔反馈的信息对ResNet_50每个阶段第一个残差块的输出进行修改，递归特征金字塔的输出则作为区域候选网络和感兴趣区域池化层的输入。修改后，ResNet_50每个阶段第一个残差块的输出满足产类型下出现第j个损失等级的路产数量；qx为在第i个对第k个路产对应的价值衰减系数。直接损失评估模型通过引入价值衰减系数来考虑公路特征数据是基于路产类型及其损失等级计算的，能够对公路路产的损坏情况进行综合反[0077]本实施例中，考虑到如果直接使用间接损失评估指标数[0081]S363、将所述参考主成分数值所在的一组可查询案例数第n个主成分的参考主成分数值所在可借鉴