[发明专利]一种积水情况下安全行驶的全自动处理方法

说明书

本发明公开了一种积水情况下安全行驶的全自动处理方法，包括：采集沥青路面图像；构建广义回归神经网络模型；沥青路面图像的像素平均高程、像素极差、像素均值作为广义回归神经网络模型的输入数据，沥青路面构造深度作为广义回归神经网络模型的输出数据；根据广义回归神经网络模型，预测沥青路面构造深度；确定沥青路面水膜厚度；根据沥青路面水膜厚度，确定参考行车安全速度。本发明通过对路面径流及水滑现象、水膜厚度、路面抗滑性能进行分析，在分析路面积水造成事故的同时，提出一个基于互联网技术的自动监控调整系统，可以有效给出雨天路面行车安全的最高时速，做到将自然条件变化对路面行驶安全造成的影响降到最低。

技术领域

本发明涉及车辆安全行驶技术领域，更具体的涉及一种积水情况下安全行 驶的全自动处理方法。

背景技术

司机在雨天行驶面临的安全问题是长时间存在的问题，尤其对于多雨气候 的地区，降雨会对路面行驶造成极大的影响。为了减小这一影响，已经有诸多 学者研究提出了很多解决方案，来改良路面积水情况，但是事故依然频发。其 根本原因在于司机缺乏对控制速度的概念，往往只有经验来判断，这使原本科 学的设计也丧失了其意义。本专利提供了一个积水情况下安全车速的定量结 果，并利用互联网平台来实时传递结果，这种定量的结果能大大提升降雨时行 车安全，有很强的实用价值和很好的社会意义。

参考现有的降雨情况下车速的计算，数据收集往往比较繁琐，整个过程成 本高，所推导出来的理论公式误差比较大，很难在实际生活中发挥作用，仅停 留在实验阶段，难以对现实提供帮助。

发明内容

本发明实施例提供一种积水情况下安全行驶的全自动处理方法，用以解决 上述背景技术中提出的问题。

本发明实施例提供一种积水情况下安全行驶的全自动处理方法，包括：采 集沥青路面图像；

构建广义回归神经网络模型；其中，沥青路面图像的像素平均高程、像素 极差、像素均值作为广义回归神经网络模型的输入数据，沥青路面构造深度作 为广义回归神经网络模型的输出数据；

根据广义回归神经网络模型，预测沥青路面构造深度；

根据沥青路面构造深度，通过公式(1)，确定沥青路面水膜厚度；

根据沥青路面水膜厚度，通过公式(2)，确定参考行车安全速度；

所述公式(1)如下所示：

所述公式(2)如下所示：

其中，h为水膜厚度，mm；L为排水长度，m；S为路面坡度，m/m；I为 降雨强度，mm/h；TD为路面构造深度；G为汽车总载荷；n为车轮数目；ρ为 水密度；w为轮胎宽度；R为轮胎半径。

进一步地，所述沥青路面图像的像素平均高程、像素极差、像素均值的确 定步骤，包括：

根据沥青路面图像灰度矩阵中的坐标及其对应的像素值，建立沥青路面图 像的像素分布图；

根据沥青路面图像的像素分布图，重构沥青路面三维图像；

根据重构的沥青路面三维图像，通过Matlab软件，确定沥青路面图像的 像素平均高程、像素极差、像素均值。

进一步地，所述广义回归神经网络模型的训练步骤，包括：

采用铺沙法，确定测试沥青路面构造深度；

根据沥青路面图像的像素平均高程、像素极差、像素均值，及测试沥青路 面构造深度，对广义回归神经网络模型进行训练。

进一步地，所述采用铺沙法，确定沥青路面构造深度；具体包括：