CN108474866A - 一种基于深度学习的井盖缺失检测***及方法 - Google Patents
一种基于深度学习的井盖缺失检测***及方法 Download PDFInfo
- Publication number
- CN108474866A CN108474866A CN201880000207.5A CN201880000207A CN108474866A CN 108474866 A CN108474866 A CN 108474866A CN 201880000207 A CN201880000207 A CN 201880000207A CN 108474866 A CN108474866 A CN 108474866A
- Authority
- CN
- China
- Prior art keywords
- interest
- area
- manhole cover
- module
- cover loss
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V8/00—Prospecting or detecting by optical means
- G01V8/10—Detecting, e.g. by using light barriers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于井盖检测技术领域,提供了一种基于深度学习的井盖缺失检测***及方法,包括:图像获取模块,用于获取路面图像;预处理模块,用于对所述路面图像进行预处理,选出感兴趣区域,其中,所述感兴趣区域是包含井盖的区域;井盖缺失检测模块,用于将所述感兴趣区域输入至训练好的深度学习模型,输出检测结果,其中,所述检测结果指示所述感兴趣区域中的井盖是否缺失。通过本发明可解决现有技术中井盖缺失的检测装置较为复杂,准确率不高的问题。
Description
技术领域
本发明属于井盖检测技术领域,尤其涉及一种基于深度学习的井盖缺失检测***及方法。
背景技术
日常生活中,无论坐车或是走路,有时会碰到一些路面的井盖坏掉、缺失等情况,不易被人发觉,在行人和司机一时疏忽而没注意到时,容易造成人员死伤及车辆事故等后果,且井盖异常数量众多,成为人们日常生活中的一大安全隐患,期望能有一套有效解决此类情况的方案。
目前市面上针对井盖缺失的报警处理没有完善的应对机制,处理方法主要有以下几种:结合多个无线信号发射器和低频信号接收器的处理方法、结合千斤顶和重载压力传感器的检测方法、利用车轮压力值检测判断的机器人、利用井盖传感器判断井盖是否正常移动、基于传统图像检测方法的识别等方法。以上方法,除基于传统图像检测方法的识别检测方法外,其他几种方法均存在如下缺陷:检测装置组成复杂,利用了一些结构较复杂的设备或几种此类设备的组合使用,操作相对比较复杂,尤其是像利用车轮压力值检测判断的机器人,操作非常复杂且检测效率非常低,设备相对较贵,整体成本较高,设备一旦出现故障,修复复杂且代价较大。而基于传统图像检测方法的识别检测方法已比较落后,相比目前先进的智能算法而言,无论在识别准确率和实时性等方面均处于劣势。
故,有必要提出一种新的技术方案,以解决上述技术问题。
发明内容
有鉴于此,本发明实施例提供了一种基于深度学习的井盖缺失检测***及方法,以解决现有技术中井盖缺失的检测装置较为复杂,准确率不高的问题。
本发明实施例的第一方面提供了一种基于深度学习的井盖缺失检测***,包括:
图像获取模块,用于获取路面图像;
预处理模块,用于对所述路面图像进行预处理,选出感兴趣区域,其中,所述感兴趣区域是包含井盖的区域;
井盖缺失检测模块,用于将所述感兴趣区域输入至训练好的深度学习模型,输出检测结果,其中,所述检测结果指示所述感兴趣区域中的井盖是否缺失。
本发明实施例的第二方面提供了一种基于深度学习的井盖缺失检测方法,包括:
图像获取模块获取路面图像;
预处理模块对所述路面图像进行预处理,选出感兴趣区域,其中,所述感兴趣区域是包含井盖的区域;
井盖缺失检测模块将所述感兴趣区域输入至训练好的深度学习模型,输出检测结果,其中,所述检测结果指示所述感兴趣区域中的井盖是否缺失。
本发明实施例与现有技术相比存在的有益效果是:本发明方案首先通过图像获取模块获取路面图像,再通过预处理模块对采集到的路面图像进行预处理,从而从路面图像中选出包含井盖的感兴趣区域,并将该感兴趣区域的图像输入至训练好的深度学习模型中,以检测该感兴趣区域中的井盖是否缺失。本发明方案中的井盖缺失检测***只需图像获取模块、预处理模块以及井盖缺失检测模块就可以检测出井盖是否缺失,无需结构复杂且成本较高的其他设备,且将从路面图像中选出的感兴趣区域输入至训练好的深度学习模块进行缺失检测,减少了图像处理的难度,提高了检测结果的准确率,从而可有效解决现有技术中井盖缺失的检测装置较为复杂,准确率不高的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种基于深度学习的井盖缺失检测***的示意图;
图2是本发明实施例二提供的一种基于深度学习的井盖缺失检测***的示意图;
图3是本发明实施例三提供的一种基于深度学习的井盖缺失检测方法的实现流程示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
应理解,本实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
参见图1,是本发明实施例一提供的一种基于深度学习的井盖缺失检测***的示意图,为了便于说明,仅示出了与本发明实施例相关的部分。
所述井盖缺失检测***包括:
图像获取模块11,用于获取路面图像;
预处理模块12,用于对所述路面图像进行预处理,选出感兴趣区域,其中,所述感兴趣区域是包含井盖的区域;
井盖缺失检测模块13,用于将所述感兴趣区域输入至训练好的深度学习模型,输出检测结果,其中,所述检测结果指示所述感兴趣区域中的井盖是否缺失。
在本发明实施例中,所述图像获取模块11可以为摄像头,该摄像头的数量可以为一个或多个。用户可以根据实际需要自行设置所述图像获取模块11的位置,但为了保证检测到路面上的井盖,需保证所述图像获取模块11可以获取到路面图像。例如,在车辆前窗玻璃或者车辆的两侧适当位置上安装摄像头,前窗摄像头位置一般为前窗玻璃的竖直中心线上,端正安装,不要被车辆上的雨刮影响;两侧摄像头位置一般选在车辆后方居中,由后向前照,此两侧摄像头亦可结合盲区监测等功能使用。
所述图像获取模块11可以以预设间隔对路面进行拍照,从而采集路面图像,也可以采集视频,以帧的形式截取所采集到的视频的图像,从而获取路面图像。
所述预处理模块12是对所述图像获取模块11获取的路面图像进行预处理,从而从所述路面图像中选出感兴趣区域。需要说明的是,所述图像获取模块11获取的路面图像可能包括感兴趣区域,也可能不包含感兴趣区域,在所述路面图像中包含感兴趣区域时,从所述路面图像中选出感兴趣区域,在所述路面图像中不包含感兴趣区域时,可以过滤掉所述路面图像,即过滤掉不包含感兴趣区域的路面图像。由于所述感兴趣区域是包含井盖的区域,即在所述感兴趣区域中存在井盖,那么选出所述感兴趣区域也就是初步确定好了井盖的大致位置。
所述井盖缺失检测模块13是将所述预处理模块12选出的感兴趣区域(即感兴趣区域的图像)输入至训练好的深度学习模型,根据该深度学习模型输出的结果,判断所述感兴趣区域中的井盖是否缺失。由于感兴趣区域的尺寸小于所述路面图像(因为感兴趣区域是从所述路面图像中选取的),那么将所述感兴趣区域输入至训练好的深度学习模型检测井盖是否缺失,可以减少图像处理的难度,且使检测结果更加准确。其中,所述深度学习模型用于检测井盖是否缺失。在使用所述深度学习模型之前,可以使用大量的样本(例如大量的随机选取的路面图像)对所述深度学习模型进行训练。
本发明方案中的井盖缺失检测***只需图像获取模块、预处理模块以及井盖缺失检测模块就可以检测出井盖是否缺失,无需结构复杂且成本较高的其他设备,且将从路面图像中选出的感兴趣区域输入至训练好的深度学习模块进行缺失检测,减少了图像处理的难度,提高了检测结果的准确率,从而可有效解决现有技术中井盖缺失的检测装置较为复杂,准确率不高的问题。
参见图2,是本发明实施例二提供的一种基于深度学习的井盖缺失检测***的示意图,为了便于说明,仅示出了与本发明实施例相关的部分。
所述井盖缺失检测***包括:
图像获取模块21,用于获取路面图像;
预处理模块22,用于对所述路面图像进行预处理,选出感兴趣区域,其中,所述感兴趣区域是包含井盖的区域;
井盖缺失检测模块23,用于将所述感兴趣区域输入至训练好的深度学习模型,输出检测结果,其中,所述检测结果指示所述感兴趣区域中的井盖是否缺失;
报警信息生成模块24,用于在检测结果为所述感兴趣区域中的井盖缺失时,生成相应的报警信息;
预警提示模块25,用于根据所述报警信息发出预警提示;
定位模块26,用于获取当前位置信息,并将所述当前位置信息发送给MDVR模块27;
所述MDVR模块27,用于将所述报警信息和所述当前位置信息发送后台处理模块28;
所述后台处理模块28,用于根据所述报警信息生成报警列表,根据所述当前位置信息确定井盖缺失的位置。
在本发明实施例中,所述图像获取模块21可以为摄像头,该摄像头的数量可以为一个或多个。用户可以根据实际需要自行设置所述图像获取模块21的位置,但为了保证检测到路面上的井盖,需保证所述图像获取模块21可以获取到路面图像。例如,在车辆前窗玻璃或者车辆的两侧适当位置上安装摄像头,前窗摄像头位置一般为前窗玻璃的竖直中心线上,端正安装,不要被车辆上的雨刮影响;两侧摄像头位置一般选在车辆后方居中,由后向前照,此两侧摄像头亦可结合盲区监测等功能使用。
所述图像获取模块21可以以预设间隔对路面进行拍照,从而采集路面图像,也可以采集视频,以帧的形式截取所采集到的视频的图像,从而获取路面图像。
所述预处理模块22是对所述图像获取模块21获取的路面图像进行预处理,从而从所述路面图像中选出感兴趣区域。需要说明的是,所述图像获取模块21获取的路面图像可能包括感兴趣区域,也可能不包含感兴趣区域,在所述路面图像中包含感兴趣区域时,从所述路面图像中选出感兴趣区域,在所述路面图像中不包含感兴趣区域时,可以过滤掉所述路面图像,即过滤掉不包含感兴趣区域的路面图像。由于所述感兴趣区域是包含井盖的区域,即在所述感兴趣区域中存在井盖,那么选出所述感兴趣区域也就是初步确定好了井盖的大致位置。
所述井盖缺失检测模块23是将所述预处理模块22选出的感兴趣区域(即感兴趣区域的图像)输入至训练好的深度学习模型,根据该深度学习模型输出的结果,判断所述感兴趣区域中的井盖是否缺失。由于感兴趣区域的尺寸小于所述路面图像(因为感兴趣区域是从所述路面图像中选取的),那么将所述感兴趣区域输入至训练好的深度学习模型检测井盖是否缺失,可以减少图像处理的难度,且使检测结果更加准确。其中,所述深度学习模型用于检测井盖是否缺失。在使用所述深度学习模型之前,可以使用大量的样本(例如大量的随机选取的路面图像)对所述深度学习模型进行训练。
可选的,所述深度学习模型包括多个子模型;
所述预处理模块22,还用于获取所述感兴趣区域中井盖的形态;
所述井盖缺失检测模块23具体用于:
将所述感兴趣区域输入至训练好的与所述感兴趣区域中井盖的形态对应的子模型,输出检测结果。
在本发明实施例,由于路面上的井盖通常包括多种形态,例如圆形、方形等,为了提高井盖缺失的检测效率,可以将所述深度学习模型分为多个子模型。在训练深度学习模型时,可以针对不同形态的井盖分别进行训练,生成不同的子模型。
所述预处理模块22在对所述路面图像进行预处理选出感兴趣区域时,还获取所述感兴趣区域中井盖的形态,所述井盖缺失检测模块23将所述感兴趣区域输入至训练好的所述感兴趣区域中井盖的形态对应的子模型,通过该子模型检测所述感兴趣区域中的井盖是否缺失。例如,感兴趣区域中的井盖为圆形,那么将该感兴趣区域输入至圆形对应的子模型,该圆形对应的子模型是指针对圆形的井盖进行训练生成的子模型。可选的,所述井盖缺失检测模块23在将所述感兴趣区域输入至训练好的相应形态(即所述感兴趣区域中井盖的形态)对应的子模型时,可以获取连续检测到井盖缺失的感兴趣区域的数量,若该数量达到预设阈值,则可以判定连续检测到井盖缺失的感兴趣区域中的井盖确实缺失,若该数量未达到预设阈值,则可以判定连续检测到井盖缺失的感兴趣区域中的井盖未缺失。
所述报警信息生成模块24在所述井盖缺失检测模块23输出的检测结果为所述感兴趣区域中的井盖缺失时,可以生成提示井盖缺失的报警信息。例如,感兴趣区域A中的井盖缺失,此时可以发出前方井盖缺失的报警信息。所述报警信息生成模块24在生成报警信息之后,可以将所述报警信息发送给预警提示模块25和车载DVR(Mobile Digital VideoRecorders,MDVR)模块27,所述MDVR模块27通常作为定位、通讯等模块的对接模块,起到承上启下的作用,所述MDVR模块27在接收到所述报警信息后,可以触发所述定位模块26获取车辆的当前位置信息,并将所述当前位置信息发送给所述MDVR模块27,所述MDVR模块27在接收到所述当前位置信息后,可以将所述报警信息和所述当前位置信息发送给所述后台处理模块28。
所述预警提示模块25在接收到所述报警信息后,可以由LED提示器及时发出预警提示,该预警提示包括但不限于语音、画面提示,方便驾驶员及时获知前方井盖缺失,并及时做出慢行避让等处理。
可选的,所述井盖缺失检测***还包括:
通讯模块,该通讯模块可以连接在所述MDVR模块27上,是所述MDVR模块27与所述后台处理模块28的网络通讯模块,可以适用各种网络带宽,一般通过相应天线连接所述MDVR模块27实现,室内测试环境下亦可用有线网络通讯。需要说明的是,所述通讯模块未在图2中示出。
所述定位模块26可以为全球定位***(Global Positioning System,GPS)模块,所述定位模块26是***的定位装置,通过所述定位模块26可以实时获取车辆的当前位置信息,为车辆提供实时定位,方便为处理人员提供精确井盖的位置,在最短的时间内做出整顿措施,最小化风险因子。此外,在信号良好的情况下,所述定位模块亦可作为获取车速的一个来源。
所述后台处理模块28在接收到报警信息后,可以根据接收到的时间顺序对报警信息进行排序,从而生成报警列表,以方便查询。所述后台处理模块28与所述MDVR模块27可以通过通讯模块连接,所述MDVR模块27将所述报警信息和所述当前位置信息发送给所述后台处理模块28,可以方便后台工作人员对报警信息进行确认,一旦确认报警信息属实,可以根据所述当前位置信息确定报警位置,并向环卫或其他相关负责部门发出通知,让其在第一时间加紧采取相应措施更换新井盖,以对危险做出最及时的处理,将井盖缺失给车辆和行人等造成的威胁最小化。其中,所述后台处理模块28可以为预设服务器,例如公安部处平台。
可选的,所述井盖缺失检测***还包括:
一键提示模块29,用于在检测到用户对提醒按钮的操作时,触发所述后台处理模块弹出相应的提示信息。
在本发明实施例中,所述一键提示模块29可以是在驾驶员附近安装的一个一键提醒按钮,在驾驶员看到所述预警提示模块25发出的预警提示时,驾驶员可以确定附近的井盖是否缺失,在确定井盖缺失后,可以通过手动按压该提醒按钮来一键触发所述后台处理模块28弹出相应的提示信息(例如弹出此处井盖缺失),方便后台工作人员第一时间发现此处井盖异常并及时做出相应的处理。可选的,在检测到用户对提醒按钮的操作时,可以通过所述定位模块26获取车辆的当前位置信息,在弹出的提示信息中显示所述当前位置信息和此处井盖缺失。
本发明实施例在检测到井盖缺失时,就通过MDVR模块向后台处理模块发送报警信息和当前位置信息,可以方便后台工作人员根据上述信息及时做出处理,及时消除威胁,形成一套集实时检测、实时预警、报警上传、后台处理,危险消除为一体的综合处理***。
参见图3,是本发明实施例三提供的一种基于深度学习的井盖缺失检测方法的实现流程示意图,如图所示该井盖缺失检测方法可以包括以下步骤:
步骤S301,图像获取模块获取路面图像;
步骤S302,预处理模块对所述路面图像进行预处理,选出感兴趣区域,其中,所述感兴趣区域是包含井盖的区域;
步骤S303,井盖缺失检测模块将所述感兴趣区域输入至训练好的深度学习模型,输出检测结果。
其中,所述检测结果指示所述感兴趣区域中的井盖是否缺失。
可选的,本发明实施例还包括:
报警信息生成模块在检测结果为所述感兴趣区域中的井盖缺失时,生成相应的报警信息。
可选的,本发明实施例还包括:
预警提示模块根据所述报警信息发出预警提示;
定位模块获取当前位置信息,并将所述当前位置信息发送给MDVR模块;
所述MDVR模块将所述报警信息和所述当前位置信息发送后台处理模块;
所述后台处理模块根据所述报警信息生成报警列表,根据所述当前位置信息确定井盖缺失的位置。
可选的,本发明实施例还包括:
一键提示模块在检测到用户对提醒按钮的操作时,触发所述后台处理模块弹出相应的提示信息。
可选的,所述深度学习模型包括多个子模型;
所述预处理模块获取所述感兴趣区域中井盖的形态;
所述井盖缺失检测模块将所述感兴趣区域输入至训练好的深度学习模型,输出检测结果包括:
所述井盖缺失检测模块将所述感兴趣区域输入至训练好的与所述感兴趣区域中井盖的形态对应的子模型,输出检测结果。
本发明实施例提供的方法可以使用在前述对应的监控***实施例一和实施例二中,详情参见上述实施例一和实施例二的描述,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述***的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的***和方法,可以通过其它的方式实现。例如,以上所描述的***实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的井盖缺失检测***,其特征在于,包括:
图像获取模块,用于获取路面图像;
预处理模块,用于对所述路面图像进行预处理,选出感兴趣区域,其中,所述感兴趣区域是包含井盖的区域;
井盖缺失检测模块,用于将所述感兴趣区域输入至训练好的深度学习模型,输出检测结果,其中,所述检测结果指示所述感兴趣区域中的井盖是否缺失。
2.如权利要求1所述的井盖缺失检测***,其特征在于,还包括:
报警信息生成模块,用于在检测结果为所述感兴趣区域中的井盖缺失时,生成相应的报警信息。
3.如权利要求2所述的井盖缺失检测***,其特征在于,还包括:
预警提示模块,用于根据所述报警信息发出预警提示;
定位模块,用于获取当前位置信息,并将所述当前位置信息发送给MDVR模块;
所述MDVR模块,用于将所述报警信息和所述当前位置信息发送后台处理模块;
所述后台处理模块,用于根据所述报警信息生成报警列表,根据所述当前位置信息确定井盖缺失的位置。
4.如权利要求2所述的井盖缺失检测***,其特征在于,还包括:
一键提示模块,用于在检测到用户对提醒按钮的操作时,触发所述后台处理模块弹出相应的提示信息。
5.如权利要求1至4任一项所述的井盖缺失检测***,其特征在于,所述深度学习模型包括多个子模型;
所述预处理模块,还用于获取所述感兴趣区域中井盖的形态;
所述井盖缺失检测模块具体用于:
将所述感兴趣区域输入至训练好的与所述感兴趣区域中井盖的形态对应的子模型,输出检测结果。
6.一种基于深度学习的井盖缺失检测方法,其特征在于,包括:
图像获取模块获取路面图像;
预处理模块对所述路面图像进行预处理,选出感兴趣区域,其中,所述感兴趣区域是包含井盖的区域;
井盖缺失检测模块将所述感兴趣区域输入至训练好的深度学习模型,输出检测结果,其中,所述检测结果指示所述感兴趣区域中的井盖是否缺失。
7.如权利要求6所述的井盖缺失检测方法,其特征在于,还包括:
报警信息生成模块在检测结果为所述感兴趣区域中的井盖缺失时,生成相应的报警信息。
8.如权利要求7所述的井盖缺失检测方法,其特征在于,还包括:
预警提示模块根据所述报警信息发出预警提示;
定位模块获取当前位置信息,并将所述当前位置信息发送给MDVR模块;
所述MDVR模块将所述报警信息和所述当前位置信息发送后台处理模块;
所述后台处理模块根据所述报警信息生成报警列表,根据所述当前位置信息确定井盖缺失的位置。
9.如权利要求7所述的井盖缺失检测方法,其特征在于,还包括:
一键提示模块在检测到用户对提醒按钮的操作时,触发所述后台处理模块弹出相应的提示信息。
10.如权利要求6至9任一项所述的井盖缺失检测方法,其特征在于,所述深度学习模型包括多个子模型;
所述预处理模块获取所述感兴趣区域中井盖的形态;
所述井盖缺失检测模块将所述感兴趣区域输入至训练好的深度学习模型,输出检测结果包括:
所述井盖缺失检测模块将所述感兴趣区域输入至训练好的与所述感兴趣区域中井盖的形态对应的子模型,输出检测结果。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2018/080263 WO2019178851A1 (zh) | 2018-03-23 | 2018-03-23 | 一种基于深度学习的井盖缺失检测***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108474866A true CN108474866A (zh) | 2018-08-31 |
Family
ID=63259913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880000207.5A Pending CN108474866A (zh) | 2018-03-23 | 2018-03-23 | 一种基于深度学习的井盖缺失检测***及方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108474866A (zh) |
WO (1) | WO2019178851A1 (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111339905A (zh) * | 2020-02-22 | 2020-06-26 | 郑州铁路职业技术学院 | 基于深度学习及多视角的cim井盖状态视觉检测*** |
CN111402192A (zh) * | 2018-12-28 | 2020-07-10 | 杭州海康威视数字技术股份有限公司 | 窨井盖检测的方法及装置 |
CN111400040A (zh) * | 2020-03-12 | 2020-07-10 | 重庆大学 | 基于深度学习和边缘计算的工业互联网***及工作方法 |
CN111832832A (zh) * | 2020-07-21 | 2020-10-27 | 重庆现代建筑产业发展研究院 | 一种基于物联网的小区自巡检*** |
CN111832760A (zh) * | 2020-07-14 | 2020-10-27 | 深圳市法本信息技术股份有限公司 | 一种基于视觉算法的井盖自动巡检方法 |
CN112037363A (zh) * | 2019-10-22 | 2020-12-04 | 刘建 | 行车记录大数据辅助分析*** |
CN112216062A (zh) * | 2020-09-11 | 2021-01-12 | 深圳市朗尼科智能股份有限公司 | 社区安全预警方法、装置、计算机设备以及*** |
CN112508916A (zh) * | 2020-12-12 | 2021-03-16 | 江西洪都航空工业集团有限责任公司 | 一种基于移动视频分析的道路井盖破损与丢失检测方法 |
CN112598640A (zh) * | 2020-12-22 | 2021-04-02 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的注水口盖板丢失检测方法 |
CN112861620A (zh) * | 2020-12-31 | 2021-05-28 | 桂林海威科技股份有限公司 | 一种道路井盖破损识别***及方法 |
CN116310764A (zh) * | 2023-05-18 | 2023-06-23 | 西南交通大学 | 一种路面井盖智能检测方法及*** |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113935357A (zh) * | 2020-06-29 | 2022-01-14 | 罗伯特·博世有限公司 | 路边单元及其方法、计算机存储介质以及车联网*** |
CN112991328A (zh) * | 2021-04-15 | 2021-06-18 | 新疆爱华盈通信息技术有限公司 | 井盖检测方法及基于智慧灯杆的井盖监测*** |
CN114708701B (zh) * | 2022-06-06 | 2022-09-13 | 河北兰科网络工程集团有限公司 | 一种基于智能井盖的出行安全信息监测方法及*** |
CN116665164A (zh) * | 2023-04-28 | 2023-08-29 | 深圳云天励飞技术股份有限公司 | 井盖病害检测方法、装置、***、电子设备及存储介质 |
CN116852348B (zh) * | 2023-06-01 | 2023-12-15 | 中国航空油料集团有限公司 | 井盖定位方法、装置和*** |
CN116912805B (zh) * | 2023-09-07 | 2024-02-02 | 山东博昂信息科技有限公司 | 一种基于无人清扫车的井盖异常智能检测识别方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657752A (zh) * | 2015-03-17 | 2015-05-27 | 银江股份有限公司 | 一种基于深度学习的安全带佩戴识别方法 |
JP2015191572A (ja) * | 2014-03-28 | 2015-11-02 | 株式会社パスコ | マンホール検出装置、マンホール検出方法及びプログラム |
CN105894504A (zh) * | 2016-03-30 | 2016-08-24 | 上海海事大学 | 基于图像的井盖缺失检测方法 |
CN106203238A (zh) * | 2015-05-05 | 2016-12-07 | 北京建筑大学 | 移动测图***街景影像中井盖部件识别方法 |
CN106226834A (zh) * | 2016-07-14 | 2016-12-14 | 昆山市交通工程试验检测中心有限公司 | 一种车载式路面井盖缺失检测方法 |
-
2018
- 2018-03-23 WO PCT/CN2018/080263 patent/WO2019178851A1/zh active Application Filing
- 2018-03-23 CN CN201880000207.5A patent/CN108474866A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015191572A (ja) * | 2014-03-28 | 2015-11-02 | 株式会社パスコ | マンホール検出装置、マンホール検出方法及びプログラム |
CN104657752A (zh) * | 2015-03-17 | 2015-05-27 | 银江股份有限公司 | 一种基于深度学习的安全带佩戴识别方法 |
CN106203238A (zh) * | 2015-05-05 | 2016-12-07 | 北京建筑大学 | 移动测图***街景影像中井盖部件识别方法 |
CN105894504A (zh) * | 2016-03-30 | 2016-08-24 | 上海海事大学 | 基于图像的井盖缺失检测方法 |
CN106226834A (zh) * | 2016-07-14 | 2016-12-14 | 昆山市交通工程试验检测中心有限公司 | 一种车载式路面井盖缺失检测方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402192A (zh) * | 2018-12-28 | 2020-07-10 | 杭州海康威视数字技术股份有限公司 | 窨井盖检测的方法及装置 |
CN111402192B (zh) * | 2018-12-28 | 2023-10-27 | 杭州海康威视数字技术股份有限公司 | 窨井盖检测的方法及装置 |
CN112037363A (zh) * | 2019-10-22 | 2020-12-04 | 刘建 | 行车记录大数据辅助分析*** |
CN111339905A (zh) * | 2020-02-22 | 2020-06-26 | 郑州铁路职业技术学院 | 基于深度学习及多视角的cim井盖状态视觉检测*** |
CN111339905B (zh) * | 2020-02-22 | 2022-07-08 | 郑州铁路职业技术学院 | 基于深度学习及多视角的cim井盖状态视觉检测*** |
CN111400040A (zh) * | 2020-03-12 | 2020-07-10 | 重庆大学 | 基于深度学习和边缘计算的工业互联网***及工作方法 |
CN111832760A (zh) * | 2020-07-14 | 2020-10-27 | 深圳市法本信息技术股份有限公司 | 一种基于视觉算法的井盖自动巡检方法 |
CN111832760B (zh) * | 2020-07-14 | 2023-09-29 | 深圳市法本信息技术股份有限公司 | 一种基于视觉算法的井盖自动巡检方法 |
CN111832832B (zh) * | 2020-07-21 | 2023-12-29 | 重庆现代建筑产业发展研究院 | 一种基于物联网的小区自巡检*** |
CN111832832A (zh) * | 2020-07-21 | 2020-10-27 | 重庆现代建筑产业发展研究院 | 一种基于物联网的小区自巡检*** |
CN112216062B (zh) * | 2020-09-11 | 2022-05-06 | 深圳市朗尼科智能股份有限公司 | 社区安全预警方法、装置、计算机设备以及*** |
CN112216062A (zh) * | 2020-09-11 | 2021-01-12 | 深圳市朗尼科智能股份有限公司 | 社区安全预警方法、装置、计算机设备以及*** |
CN112508916A (zh) * | 2020-12-12 | 2021-03-16 | 江西洪都航空工业集团有限责任公司 | 一种基于移动视频分析的道路井盖破损与丢失检测方法 |
CN112598640A (zh) * | 2020-12-22 | 2021-04-02 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的注水口盖板丢失检测方法 |
CN112861620A (zh) * | 2020-12-31 | 2021-05-28 | 桂林海威科技股份有限公司 | 一种道路井盖破损识别***及方法 |
CN116310764B (zh) * | 2023-05-18 | 2023-07-21 | 西南交通大学 | 一种路面井盖智能检测方法及*** |
CN116310764A (zh) * | 2023-05-18 | 2023-06-23 | 西南交通大学 | 一种路面井盖智能检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
WO2019178851A1 (zh) | 2019-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108474866A (zh) | 一种基于深度学习的井盖缺失检测***及方法 | |
CN109670404B (zh) | 一种基于混合模型的道路积水图像检测预警方法 | |
CN103184719B (zh) | 道路表面调查装置 | |
CN106056839A (zh) | 网约车安全监测***及方法 | |
CN106331605B (zh) | 一种基于视频的水灾检测***及方法 | |
CN103366506A (zh) | 一种驾驶员行车途中接打手机行为的自动监控装置及方法 | |
EP3465532A1 (en) | Control device, system and method for determining the perceptual load of a visual and dynamic driving scene | |
CN205281786U (zh) | 报警*** | |
CN205712188U (zh) | 智能井盖*** | |
CN107844783A (zh) | 一种营运车辆异常驾驶行为检测方法及*** | |
CN109784254A (zh) | 一种车辆违规事件检测的方法、装置和电子设备 | |
CN108961703A (zh) | 一种路面积水监测预警方法、装置及*** | |
CN109726701A (zh) | 车辆识别方法及*** | |
CN110213720A (zh) | 基于用户行为分析的手机使用过程中的意外预防方法 | |
CN102346948B (zh) | 一种周界入侵检测方法和*** | |
CN114900331A (zh) | 基于can报文特征的车载can总线入侵检测方法 | |
WO2002095633A3 (en) | Method and apparatus for determining the health of a component using condition indicators | |
CN107239747A (zh) | 一种检测行人横穿道路的方法、装置及可读存储介质 | |
CN104239951A (zh) | 一种利用信道状态信息的非绑定人数计数方法 | |
CN111753587A (zh) | 一种倒地检测方法及装置 | |
CN109263650A (zh) | 识别人工介入的方法、装置及交通工具 | |
CN106530641A (zh) | 智能防丢装置及其工作方法、智能防丢*** | |
CN112365740A (zh) | 告警展示方法和装置 | |
CN112348207A (zh) | 电网防灾预警方法及装置 | |
CN116509382A (zh) | 基于毫米波雷达的人体活动智能检测方法及健康监护*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180831 |
|
RJ01 | Rejection of invention patent application after publication |