CN109801282A - 路面状况检测方法、处理方法、装置及*** - Google Patents
路面状况检测方法、处理方法、装置及*** Download PDFInfo
- Publication number
- CN109801282A CN109801282A CN201910070867.7A CN201910070867A CN109801282A CN 109801282 A CN109801282 A CN 109801282A CN 201910070867 A CN201910070867 A CN 201910070867A CN 109801282 A CN109801282 A CN 109801282A
- Authority
- CN
- China
- Prior art keywords
- pavement
- image
- corrupted
- markers
- road surface
- 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
Landscapes
- Image Processing (AREA)
- Road Repair (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种路面状况检测方法、处理方法、装置及***,涉及图像分析技术领域。其中,该方法包括通过车载摄像头和定位装置获取车辆所经路面的路面图像及路面图像对应的地理位置;将路面图像进行图像去噪处理和图像锐化处理后,输入至预训练的路面状况识别模型进行坏损路面标记,并对带有坏损路面标记的路面图像进行损坏参数的提取;将带有坏损路面标记的路面图像、该路面图像对应的地理位置和损坏参数汇总至路面状况检测结果中,这种利用车载摄像头拍摄路面的方式,减少了人力的使用,通过路面状况识别模型对路面进行坏损路面标记,可以准确实现对多级路段、多坏损路面进行损坏识别和标记,以诊断多种坏损情况。
Description
技术领域
本发明涉及图像分析技术领域,尤其是涉及一种路面状况检测方法、处理方法、装置及***。
背景技术
目前现代公路一般由承受力度较高的沥青路面或混凝土路面构成,在汽车荷载、温湿度反复作用、雨雪侵蚀等条件的长期影响下,公路的服役性能与服务水平逐渐下降,存在路面变形、沉陷、开裂、翻浆、坑洞、网裂等不同程度的损坏。目前,为了对路面状况进行维修和养护,公路管理部门需要定期检测公路路段的路面状况,现常用的检测方式为人工检测和利用自动智能检测设备进行路面检测,其中,人工检测是人工丈量记录路面坏损情况与位置信息。这种人工逐点检测的方式不仅存在效率低下、成本较高的问题,而且在公路路段上的人工巡检极易出现人身安全事故。
在利用自动智能检测设备进行路面检测的过程中,所使用的自动智能检测设备虽然能一定程度上提高检测效率,但使用费用太高,技术复杂,操作难度大,且多为单一工作环境准备,不利于普及与维修。而且针对多特征坏损、微型坏损、车辙坏损等问题无能为力,同时这类检测设备只能对部分路面坏损情况起到基本自动诊断功能,无法对公路健康状况与服役寿命做到有效的检测与预测功能。
发明内容
有鉴于此,本发明的目的在于提供一种路面状况检测方法、处理方法、装置及***,以缓解现有公路坏损自动诊断***与方法需要大量人力,及无法诊断多种类的公路坏损的技术问题。
第一方面,本发明实施例提供了一种路面状况检测方法,该方法应用于车载设备上,该车载设备配置有车载摄像头和定位装置,该方法包括:通过车载摄像头和定位装置,分别获取车辆所经路面的路面图像及路面图像对应的地理位置;对路面图像进行图像去噪处理和图像锐化处理,得到优化后的路面图像;将优化后的路面图像输入预训练的路面状况识别模型进行坏损路面标记,其中,坏损路面标记包括损坏类型标记和损坏区域标记;对带有坏损路面标记的路面图像进行损坏参数的提取;其中,损坏参数至少包括以下之一:损坏面积、损坏形状、损坏颜色和损害纹理;将带有坏损路面标记的路面图像、该路面图像对应的地理位置和损坏参数汇总至路面状况检测结果中。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,将优化后的路面图像输入预训练的路面状况识别模型进行坏损路面标记的步骤,包括:对优化后的路面图像进行图像分割,生成多个路面像素块;其中,路面像素块标记有位置标识,位置标识为路面像素块在优化后的路面图像中的位置;将路面像素块输入预训练的路面状况识别模型进行坏损路面标记;根据带有坏损路面标记的路面像素块的位置标识,将该路面像素块的坏损路面标记加载在位置标识对应的位置中。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第二种可能的实施方式,其中,路面状况识别模型的训练过程,包括:获取路面样本图像;其中,路面样本图像标记有坏损路面标记样本;其中,坏损路面标记样本包括损坏类型样本和损坏区域样本;按照设定的训练算法,应用路面样本图像和坏损路面标记样本训练初始模型,得到训练好的路面状况识别模型。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,对带有坏损路面标记的路面图像进行损坏参数的提取的步骤,包括:提取带有坏损路面标记的路面图像中的损坏区域;计算损坏区域占带有坏损路面标记的路面图像的面积覆盖率;根据车载摄像头的摄像头标定参数,对带有坏损路面标记的路面图像进行三维重建,得到该路面图像的实际尺寸;利用面积覆盖率和实际尺寸,计算损坏区域的损坏面积。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,对带有坏损路面标记的路面图像进行损坏参数的提取的步骤,包括:提取带有坏损路面标记的路面图像,利用预训练的损坏参数模型提取所述带有坏损路面标记的路面图像的损坏参数。
第二方面,本发明实施例还提供一种路面状况处理方法,该方法应用于云服务器上;该方法包括:获取车载设备生成的路面状况检测结果;该路面状况检测结果为车载设备基于第一方面所述方法得到的;存储路面状况检测结果;根据路面状况检测结果中带有坏损路面标记的路面图像对应的地理位置,将该路面图像的坏损路面标记具象化定位在地图上;根据路面状况检测结果确定路面的维护状态信息,维护状态信息包括以下至少之一:使用寿命、维修费用和养护频率。
第三方面,本发明实施例还提供一种路面状况检测装置,该路面状况检测装置应用于车载设备上,该车载设备配置有车载摄像头和定位装置,该路面状况检测装置包括:获取模块,用于通过车载摄像头和定位装置,分别获取车辆所经路面的路面图像及路面图像对应的地理位置;图像处理模块,用于对路面图像进行图像去噪处理和图像锐化处理,得到优化后的路面图像;标记模块,用于将优化后的路面图像输入预训练的路面状况识别模型进行坏损路面标记,其中,坏损路面标记包括损坏类型标记和损坏区域标记;提取模块,用于对带有坏损路面标记的路面图像进行损坏参数的提取;其中,损坏参数至少包括以下之一:损坏面积、损坏形状、损坏颜色和损害纹理;汇总模块,用于将带有坏损路面标记的路面图像、该路面图像对应的地理位置和损坏参数汇总至路面状况检测结果中。
第四方面,本发明实施例还提供一种路面状况处理装置,装置应用于云服务器上;该装置包括:获取结果模块,获取车载设备生成的路面状况检测结果;该路面状况检测结果为车载设备基于第一方面所述方法得到的;存储模块,用于存储路面状况检测结果;定位模块,用于根据路面状况检测结果中带有坏损路面标记的路面图像对应的地理位置,将该路面图像的坏损路面标记具象化定位在地图上;确定维护状态模块,用于根据路面状况检测结果确定路面的维护状态信息,维护状态信息包括以下至少之一:使用寿命、维修费用和养护频率。
第五方面,本发明实施例提供了一种路面状况检测***,该***包括车载设备和云服务器,车载设备配置有车载摄像头和定位装置;车载设备安装在车辆上;车载摄像头用于拍摄车辆所经路面的路面图像,并将路面图像发送至车载设备;定位装置用于定位路面图像对应的地理位置,并将地理位置发送至车载设备;车载设备包括有第三方面所述的路面状况检测装置;云服务器包括有第四方面所述的路面状况处理装置。
第六方面,本发明实施例还提供一种计算机存储介质,用于存储计算机程序指令,当计算机执行所示计算机程序指令时,执行如第一方面所述的方法,或者执行如第二方面所述的方法。
本发明实施例带来了以下有益效果:
本发明实施例提供的上述路面状况检测方法、处理方法、装置及***,通过车载摄像头和定位装置,分别获取车辆所经路面的路面图像及路面图像对应的地理位置;对路面图像进行图像去噪处理和图像锐化处理,得到优化后的路面图像;将优化后的路面图像输入预训练的路面状况识别模型进行坏损路面标记,并对带有坏损路面标记的路面图像进行损坏参数的提取;将带有坏损路面标记的路面图像、该路面图像对应的地理位置和损坏参数汇总至路面状况检测结果中,这种利用车载摄像头拍摄车辆所经路面的方式,减少了人力的使用,这种通过路面状况识别模型对路面进行坏损路面标记和损坏参数的提取的方式,可以准确实现对多级路段、多坏损路面的损坏区域的识别和标记,以诊断多种坏损情况。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种路面状况检测方法;
图2本发明实施例提供的一种路面状况检测效果图;
图3为本发明实施例提供的一种路面状况处理方法;
图4为本发明实施例提供的一种路面状况检测装置;
图5为本发明实施例提供的一种路面状况处理装置;
图6为本发明实施例提供的一种路面状况检测***。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前,现有的公路状况检测方式多为人工检测或使用公路坏损自动诊断***进行检测,其中,人工检测的工作效率较低,且易出现人身安全事故,在使用公路坏损自动诊断***进行检测时,使用费用太高,技术复杂,操作难度大,且多为单一工作环境准备,不利于普及与维修。而且针对多特征坏损、微型坏损、车辙坏损等问题无能为力,同时这类检测设备只能对部分路面坏损情况起到基本自动诊断功能,无法对公路健康状况与服役寿命做到有效的检测与预测功能。基于此,本发明实施例提供的一种路面状况检测方法、处理方法、装置及***,可以使用较少的人力即可实现对多种类的路段坏损的诊断工作。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种路面状况检测方法进行详细介绍。
实施例一:
本发明实施例提供了一种路面状况检测方法,该方法应用于车载设备上,该车载设备为具有数据接收和处理功能的服务器或电子设备等,如具有GPU(GraphicsProcessing Unit,图形处理器)单位的电脑设备,车载设备可以随意安装在任一车辆上,该车载设备配置有车载摄像头和定位装置。图1示出了一种路面检测方法的流程图,该方法包括以下步骤:
步骤S102,通过车载摄像头和定位装置,分别获取车辆所经路面的路面图像及路面图像对应的地理位置;
具体实现时,驾驶员可以驾驶车辆行驶在需要检测的路面上,该车载摄像头可以选用双目摄像头或其他高清摄像头,该车载摄像头可以固定安装在车辆尾部或者头部,镜头朝下,与路面保持水平,用于实时拍摄车辆行驶路面的路面图像,该路面图像可以是通过对拍摄的路面视频进行帧分解获得的,也可以为驾驶员行驶时发现坏损路面时手动使用车载摄像头拍摄的路面图像,该车载摄像头可以通过数据接口与车载设备进行通信;进一步,定位装置可以选用GPS(Global Positioning System,全球定位***)嵌入式终端,该定位装置获取的地理位置可以是与路面图像一一对应的,也可以设定短时间内所拍摄的路面视频以及该路面视频帧分解获得的路面图像公用同一个地理位置。
步骤S104,对路面图像进行图像去噪处理和图像锐化处理,得到优化后的路面图像;
具体实现时,在进行图像去噪处理的过程中,可以对路面图像进行滤波处理。例如,可以利用中值滤波对路面图像进行滤波处理,选取一定尺寸的滤波窗口,将滤波窗口在滤波的初始位置处的灰度值由所设滤波窗口的邻域中中值替代,进而使得滤波窗口周围的像素值更加接近真实值,从而消除孤立的噪声点。
在进行图像锐化处理的过程中,可以通过调整滤波后的路面图像的对比度,来扩大坏损区域与路面特征的差异性,以便于后续图像处理与坏损诊断。例如,可以将原始RGB(Red Green Blue,红绿蓝)路面图像分别转换到HSV(Hue Saturation Value,色调饱和度和明度)和颜色空间中,利用直方图均衡化通过直方图对滤波后的路面图像中个数多的灰度级进行展宽,对像素个数少的灰度级进行缩减,从而增强局部对比度而不影响整体的对比度,使得路面图像更为清晰,最终得到优化后的路面图像;
步骤S106,将优化后的路面图像输入预训练的路面状况识别模型进行坏损路面标记,其中,坏损路面标记包括损坏类型标记和损坏区域标记;
具体实现时,该路面状况识别模型网络可以由深度学习算法和/或机器学习算法预先训练得到的,坏损路面通常为有损坏区域的路面,损坏区域的损坏类型通常为裂缝、坑槽、车辙、松散、沉陷、翻浆等类型,损坏类型标记和损坏区域标记用于分别在将损坏区域的损坏类型和损坏区域的位置信息标记在坏损路面对应的路面图像上。
步骤S108,对带有坏损路面标记的路面图像进行损坏参数的提取;其中,损坏参数至少包括以下之一:损坏面积、损坏形状、损坏颜色和损害纹理;
具体实现时,可以利用预编译提取公式和/或图像特征提取算法,来获取路面图像的损坏参数。
步骤S110,将带有坏损路面标记的路面图像、该路面图像对应的地理位置和损坏参数汇总至路面状况检测结果中。
本发明实施例提供了一种路面状况检测方法,该方法应用于车载设备上,该车载设备配置有车载摄像头和定位装置,该方法通过车载摄像头和定位装置,分别获取车辆所经路面的路面图像及路面图像对应的地理位置;对路面图像进行图像去噪处理和图像锐化处理,得到优化后的路面图像;将优化后的路面图像输入预训练的路面状况识别模型进行坏损路面标记,并对带有坏损路面标记的路面图像进行损坏参数的提取;将带有坏损路面标记的路面图像、该路面图像对应的地理位置和损坏参数汇总至路面状况检测结果中,这种利用车载摄像头拍摄车辆所经路面的方式,减少了人力的使用,这种通过路面状况识别模型对路面进行坏损路面标记和损坏参数的提取的方式,可以准确实现对多级路段、多坏损路面的损坏区域的识别和标记,以诊断多种坏损情况。
在对优化后的路面图像进行坏损路面标记的过程中,为了将该路面图像的各个坏损部分进行清晰明了的标记,在标记前,可以将该路面图像进行图像分割处理,再对分割后的路面图像进行坏损标记,基于此,步骤S106,将优化后的路面图像输入预训练的路面状况识别模型进行坏损路面标记,可以由步骤11、步骤12和步骤13实现:
步骤11,对优化后的路面图像进行图像分割,生成多个路面像素块;其中,路面像素块标记有位置标识,位置标识为路面像素块在优化后的路面图像中的位置;
在进行图像分割的过程中,一种分割方式可以为将尺寸为W×H路面图像以预设大小的窗口进行像素分割,该路面图像的尺寸为车载摄像头拍摄得到的固定图像尺寸W×H,也可以是将车载摄像头拍摄的图像或视频修改成指定尺寸W×H,路面图像的格式可以设定为指定图像格式;进一步,将路面图像以N×N的窗口进行像素分割成,得到个路面像素,其中该路面像素为非整数时,以向下取整为该路面像素的取值原则;利用这种分割方式得到的路面像素块进行神经网络计算时,可能会造成因分割尺寸产生的局部特征掩盖路面图像的整体特征,进而影响对路面像素块的识别效果。
另一种分割方式可以为:在所述路面图像上建立直角坐标系(包括x轴和y轴),采用图像重叠分块算法将尺寸为W×H的路面图像任以N×N大小的窗口进行像素分割,预设N×N大小的窗口在x轴上的移位步长为xstep,在y轴上的移位步长为ystep,为了简化计算,本实施例将N×N大小的窗口在x轴和y轴上的移位步长均设置为同步移位步长lstep),则x轴方向可以进行次分割,y轴方向可进行次分割,共得到个重叠路面像素块,采用该分割方式,当神经网络对每个重叠路面像素块进行计算时,会对重叠部分进行多次运算,以实现对路面图像的局部特征和整体特征的把握,虽一定程度上加大了计算量,但便于对路面图像的坏损区域进行识别。值得说明的是,上述移动步长的设定需要适配初始模型的网络拓扑结构与车载设备的计算性能,综合考虑计算的准确性、灵敏性和特异性,合理选取移位步长,以实现最优化的识别效果。
在对路面像素块进行标记位置标识的过程中,可以在路面图像上预标记多个编码,每个路面像素块将所在位置的编码作为对应的位置标识,也可以利用路面像素块中某一点(中心点或边框线)的坐标作为路面像素块的位置标识。
步骤12,将路面像素块输入预训练的路面状况识别模型进行坏损路面标记;
路面状况识别模型可以对路面像素块中是否损坏区域进行判断,如果是,则可以标记出损坏区域的损坏类型,还可以包括损坏区域对应的位置框。此外,在输入预训练的路面状况识别模型前,需要将路面像素块进行图像数据向量化处理,以便将路面像素块转换为张量输入到路面状况识别模型中。进一步,上述路面状况识别模型可以通过以下步骤01和步骤02训练得到:
步骤01,获取路面样本图像;其中,路面样本图像标记有坏损路面标记样本;其中,坏损路面标记样本包括损坏类型样本和损坏区域样本;
具体地,路面样本图像可以通过截取多个路面样本视频的视频帧得到,也可以通过实拍路面获得,每个路面样本图像上所标记的坏损路面标记样本可以通过人工测量得到,也可以通过其他路面状况检测装置自动化测量得到。
步骤02,按照设定的训练算法,应用路面样本图像和坏损路面标记样本训练初始模型,得到训练好的路面状况识别模型。
具体实现时,在训练初始模型的过程中,可以采用机器学习和/或深度学习算法对初始模型进行训练和验证,以得到训练好的路面状况识别模型。
进一步,在上述训练初始模型的过程中,可以采用机器学习和/或深度学习算法构建模型网络拓扑结构,对训练数据与验证数据进行迭代,提高识别精度与降低损失,具体地,可以预先利用多种不同的训练算法,例如K最近邻算法、SVM(Support Vector Machine,支持向量机)、逻辑回归、决策树等算法,分别对多个初始模型进行训练,其中,初始模型的网络拓扑结构包含并不限于Alexnet、VGG、Googlenet等结构。此外,还可以利用数据验证算法,例如数据增强算法、K折验证、权重正则化、dropout正则化等验证算法,对初始模型的网络拓扑结构和大小进行合理规划,以解决过拟合与欠拟合现象;最终对不同训练算法和不同初始模型训练得到的多个路面状况识别模型进行验证,即选取出能够准确识别和标记路面损坏类型和损坏位置的训练算法和初始模型,并将该训练算法和初始模型训练得到的路面状况识别模型作为上述训练好的路面状况识别模型。
步骤13,根据带有坏损路面标记的路面像素块的位置标识,将该路面像素块的坏损路面标记加载在位置标识对应的位置中;
具体实现时,可以将带有坏损路面标记的路面像素块直接覆盖在对应路面图像的对应位置处,也可以根据位置标识,将路面像素块的坏损路面标记中的损坏区域的位置和类型重新标记在路面图像的对应位置处。
在对路面损坏区域进行检测的过程中,可以获知路面损坏区域的损坏面积、损坏形状、损坏颜色和损害纹理,基于此,步骤S108,对带有坏损路面标记的路面图像进行损坏参数的提取可以有两种方式,其中一种方式可以由步骤21、步骤22、步骤23和步骤24实现:
步骤21,提取带有坏损路面标记的路面图像中的损坏区域;
具体实现时,在带有坏损路面标记的路面图像中,根据所有的损坏区域标记,扣选出多个标识区域图像,该标识区域图像包括损坏区域标记的损坏区域图像,以及该损坏区域的周围正常路面图像。
步骤22,计算损坏区域占带有坏损路面标记的路面图像的面积覆盖率;
具体实现时,可以对标识区域图像中的损坏区域图像进行损坏轮廓提取,例如,使用Sobel边缘检测算法对损坏区域图像进行损坏轮廓边缘检测,再计算损坏轮廓所围成的损坏区域图像的像素点个数pdis,进而得到损坏区域占带有坏损路面标记的路面图像(该路面图像的尺寸为W×H)的面积覆盖率为
步骤23,根据车载摄像头的摄像头标定参数,对带有坏损路面标记的路面图像进行三维重建,得到该路面图像的实际尺寸;
具体实现时,以车载摄像头为双目摄像头为例,该双目摄像头的标定参数包括双目摄像头内外参数,其中,内部参数是双目摄像头固有参数,包括图像中心坐标(xc,yc)、两相机焦距f、两相机距离d、x方向比例系数Nx、y方向比例系数Ny、镜头畸变系数k等,外部参数的标定是指双目摄像机的坐标系相对于某一世界坐标系的三维位置和方向关系。
在计算路面图像的实际尺寸的过程中,利用双目摄像头拍摄的两幅图像中路面图像固定点与固定点本身之间的立体匹配构成一个三角形,来获取三维信息,进行三维重建以获取路面图像的实际尺寸,其中,光心连线的距离为B的双目摄像机在同一时刻拍摄空间中的路面,分别在左摄像机拍摄的像面和右摄像机拍摄的像面上获得路面的路面图像,坐标分别为(Xleft,Yleft)、(Xright,Yright),由相似三角形关系可得路面图像的实际尺寸为
步骤24,利用面积覆盖率和实际尺寸,计算损坏区域的损坏面积。
具体实现时,损坏面积为
进一步,另一种方式可以由步骤31和步骤32实现:
步骤31,提取带有坏损路面标记的路面图像;
步骤32,利用预训练的损坏参数模型提取带有坏损路面标记的路面图像的损坏参数。
该损坏参数模型可以是根据损坏路面样本的损坏参数样本预建立的模型或算法,在建立模型或算法的过程中,利用神经网络、深度学习等算法预先建立的模型,也可以为对损坏参数样本进行特征参数提取和统计,根据统计的特征参数的规律性建立的算法;进一步,该损坏参数模型可以对带有坏损路面标记的路面图像进行损坏面积、损坏形状、损坏颜色和损害纹理等损坏参数的提取。在提取上述带有坏损路面标记的路面图像的损坏参数的过程中,还可以通过对带有坏损路面标记的路面图像按照预设查找原则,查找并汇总该路面图像中损坏区域的图像特征值,进而结合损坏区域的区域像素点,计算该路面图像的损坏参数。
基于上述路面状况检测方法,图2示出了一种路面状况检测效果图;
其中,图2中的(a)图为1920×1080尺寸图像64×64不重叠分割方式的效果图;图2中的(b)图为1920×1080尺寸图像64×64重叠分割方式,移位步长为32的效果图;图2中的(c)图为1920×1080尺寸图像64×64重叠分割方式,移位步长为48的效果图;
由图2中的(a)图、(b)图和(c)图可以看出,采用重叠分割方式对路面图像进行处理,在处理的过程中设定的移步步长较大时,检测的路面状况检测的结果更为准确。
采用上述路面状况检测方法,可实现对路面的损坏区域进行识别,获取损坏类型、损坏参数等详细信息,该方法的优点如下:
(1)利用高效的图像处理技术对路面图像进行图像锐化,增强损坏区域的对比度、区域亮度、区域锐度,扩大了图像特征差异,显著提高图像识别的准确度;
(2)多方面试验多种机器学习与深度学习的训练算法,选取并融合最优算法,设计专属初始模型网络拓扑结构,实现最优的路面损害类型和区域的识别率,同时考虑模型识别速度,进一步优化初始模型的网络结构,实现最优的识别速度。
(3)可以利用路面状况识别模型准确识别多类型路面的路面图像和路面视频中的路面损坏的损坏数量和类型,并能多个角度的提取损坏区域的损坏参数,包括形态特征、颜色特征、纹理特征等,适配高速公路与各级道路。
(4)本实施例提供的方法操作简单,无需专业人员操作,用户仅需正常驾驶汽车即可,车载设备会执行该方法自动处理与识别路面图像数据。
(5)本实施例使用的车载设备、车载摄像头和定位装置适配于任一车辆,工作人员无需采购价格高昂的专业测试车辆及装备,只需将可执行该方法的车载设备与已有车辆简单安装即可。同时本方法对车载摄像头、定位装置和车载设备的精度要求不高,也无严格保密的设备,仅需对设备进行简单日常维护工作即可。
实施例二:
本发明实施例还提供一种路面状况处理方法,参考图3所示的一种路面状况处理方法的流程图,该方法应用于云服务器上;该方法包括以下步骤:
步骤S202,获取车载设备生成的路面状况检测结果;该路面状况检测结果为该车载设备基于实施例一所述路面状况检测方法得到的,具体地,车载设备可以将路面状况检测结果打包发送至云服务器,云服务器也可以根据需要,主动获取车载设备中的路面状况检测结果。
步骤S204,存储路面状况检测结果;
步骤S206,根据路面状况检测结果中带有坏损路面标记的路面图像对应的地理位置,将该路面图像的坏损路面标记具象化定位在地图上;
具体实现时,云服务器可以将坏损路面标记中的损坏类型和损坏区域标记在上述路面图像对应的地理位置上,例如,结合GIS(Geographic Information System,地理信息***)信息API(Application Programming Interface,应用程序编程接口)与GPS嵌入式终端记录损坏区域的位置信息对损害区域进行精准定位,以便于驾驶员在进行过程中,可以通过观看地图,查询行驶路段的损坏情况。还可以详细定位每一个损坏区域的详细位置信息,以便于为道路维修人员的路面维修与保养工作提供精准导航与定位服务。
步骤S208,根据路面状况检测结果确定路面的维护状态信息,维护状态信息包括以下至少之一:使用寿命、维修费用和养护频率。
具体实现时,根据路段损坏区域的损坏参数的详细数据,估算路段健康状态与预测路段使用寿命,还可以根据损坏面积的详细数据预估维修保养路面所需要的沥青大概用量。
此外,该云服务器还可以配置有移动应用软件,该移动应用软件安装在移动设备上,以用于显示路面的损害情况等详细信息。
本实施例提供的路面状况处理方法,该方法应用于云服务器,可以获取并存储车载设备生成的路面状况检测结果;并将路面状况检测结果中带有坏损路面标记的路面图像具象化定位在地图上,还可以根据路面状况检测结果确定路面的维护状态信息;这种记录路面状况检测结果的方式,可以便于云服务器根据多次路面状况检测结果,设置定期养护提醒、预测路段使用寿命等,这种将带有坏损路面标记的路面图像具象化定位在地图上的方式,可为公路的维修养护工作提供损坏区域定点导航服务,精准定位,避免遗漏。
实施例三:
本发明实施例还提供一种路面状况检测装置,参考图4所示的一种路面状况检测装置的结构示意图,该路面状况检测装置应用于车载设备上,该车载设备配置有车载摄像头和定位装置,该路面状况检测装置包括:
获取模块302,用于通过车载摄像头和定位装置,分别获取车辆所经路面的路面图像及路面图像对应的地理位置;
图像处理模块304,用于对路面图像进行图像去噪处理和图像锐化处理,得到优化后的路面图像;
标记模块306,用于将优化后的路面图像输入预训练的路面状况识别模型进行坏损路面标记,其中,坏损路面标记包括损坏类型标记和损坏区域标记;
提取模块308,用于对带有坏损路面标记的路面图像进行损坏参数的提取;其中,损坏参数至少包括以下之一:损坏面积、损坏形状、损坏颜色和损害纹理;
汇总模块310,用于将带有坏损路面标记的路面图像、该路面图像对应的地理位置和损坏参数汇总至路面状况检测结果中。
本发明实施例提供了一种路面状况检测装置,该路面状况检测装置通过车载摄像头和定位装置,分别获取车辆所经路面的路面图像及路面图像对应的地理位置;对路面图像进行图像去噪处理和图像锐化处理,得到优化后的路面图像;将优化后的路面图像输入预训练的路面状况识别模型进行坏损路面标记,并对带有坏损路面标记的路面图像进行损坏参数的提取;将带有坏损路面标记的路面图像、该路面图像对应的地理位置和损坏参数汇总至路面状况检测结果中,这种利用车载摄像头拍摄车辆所经路面的方式,减少了人力的使用,这种通过路面状况识别模型对路面进行坏损路面标记和损坏参数的提取的方式,可以准确实现对多级路段、多坏损路面的损坏区域的识别和标记,以诊断多种坏损情况。
实施例四
本发明实施例还提供一种路面状况处理装置,参考图5所示的一种路面状况处理装置的结构示意图,该装置应用于云服务器上;该装置包括:
获取结果模块402,用于获取车载设备生成的路面状况检测结果;该路面状况检测结果为该车载设备基于实施例一所述路面状况检测方法得到的;
存储模块404,用于存储路面状况检测结果;
定位模块406,用于根据路面状况检测结果中带有坏损路面标记的路面图像对应的地理位置,将该路面图像的坏损路面标记具象化定位在地图上;
确定维护状态模块408,用于根据路面状况检测结果确定路面的维护状态信息,维护状态信息包括以下至少之一:使用寿命、维修费用和养护频率。
本实施例提供的路面状况处理装置,可以获取并存储车载设备生成的路面状况检测结果;并将路面状况检测结果中带有坏损路面标记的路面图像具象化定位在地图上,还可以根据路面状况检测结果确定路面的维护状态信息;这种记录路面状况检测结果的方式,可以便于云服务器根据多次路面状况检测结果,设置定期养护提醒、预测路段使用寿命等,这种将带有坏损路面标记的路面图像具象化定位在地图上的方式,可为公路的维修养护工作提供损坏区域定点导航服务,精准定位,避免遗漏。
实施例五
本发明实施例提供了一种路面状况检测***,参考图6所示的一种路面状况检测***的结构示意图,该***包括车载设备502和云服务器504,车载设备配置有车载摄像头506和定位装置508;车载设备安装在车辆上;具体地,该车载设备为具有数据接收和处理功能的服务器或电子设备等,如具有GPU(Graphics Processing Unit,图形处理器)单位的电脑设备,车载设备可以随意安装在任一车辆上。
车载摄像头用于拍摄车辆所经路面的路面图像,并将路面图像发送至车载设备;具体地,该车载摄像头可以选用双目摄像头或其他高清摄像头,该车载摄像头可以固定安装在车辆尾部或者头部,镜头朝下,与路面保持水平;该车载摄像头可以通过数据接口与车载设备进行通信。
定位装置用于定位路面图像对应的地理位置,并将地理位置发送至车载设备;具体地,该定位装置可以选用GPS(Global Positioning System,全球定位***)嵌入式终端。
车载设备包括有实施例三所述的路面状况检测装置;
云服务器包括有实施例四所述的路面状况处理装置。
本发明实施例提供的路面状况检测方法和路面状况处理方法,与上述实施例提供的路面状况检测装置和路面状况处理装置具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
本发明实施例还提供了一种服务器,该服务器包括存储器以及处理器,上述存储器用于存储支持处理器执行上述实施例一所述方法的程序或实施例二所述方法的程序,上述处理器被配置为用于执行该存储器中存储的程序。
进一步,本发明实施例还提供一种计算机存储介质,用于存储计算机程序指令,当计算机执行所示计算机程序指令时,执行如上述实施例一所述的方法,或执行如上述实施例二所述的方法。
本发明实施例所提供的路面状况检测方法、处理方法、装置及***的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
为描述的方便和简洁,上述描述的***和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
上述附图中的流程图和结构框图显示了根据本发明的多个实施例的方法、装置和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
在本申请所提供的几个实施例中,应该理解到,所揭露方法和装置,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,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信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述功能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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种路面状况检测方法,其特征在于,所述方法应用于车载设备上,所述车载设备配置有车载摄像头和定位装置,所述方法包括:
通过所述车载摄像头和所述定位装置,分别获取车辆所经路面的路面图像及所述路面图像对应的地理位置;
对所述路面图像进行图像去噪处理和图像锐化处理,得到优化后的路面图像;
将优化后的路面图像输入预训练的路面状况识别模型进行坏损路面标记,其中,所述坏损路面标记包括损坏类型标记和损坏区域标记;
对带有所述坏损路面标记的路面图像进行损坏参数的提取;其中,所述损坏参数至少包括以下之一:损坏面积、损坏形状、损坏颜色和损害纹理;
将带有所述坏损路面标记的路面图像、该路面图像对应的地理位置和损坏参数汇总至路面状况检测结果中。
2.根据权利要求1所述的方法,其特征在于,将优化后的路面图像输入预训练的路面状况识别模型进行坏损路面标记的步骤,包括:
对所述优化后的路面图像进行图像分割,生成多个路面像素块;其中,所述路面像素块标记有位置标识,所述位置标识为所述路面像素块在所述优化后的路面图像中的位置;
将所述路面像素块输入预训练的路面状况识别模型进行坏损路面标记;
根据带有所述坏损路面标记的路面像素块的位置标识,将该路面像素块的所述坏损路面标记加载在所述位置标识对应的位置中。
3.根据权利要求2所述的方法,其特征在于,所述路面状况识别模型的训练过程,包括:
获取路面样本图像;其中,所述路面样本图像标记有坏损路面标记样本;其中,所述坏损路面标记样本包括损坏类型样本和损坏区域样本;
按照设定的训练算法,应用所述路面样本图像和所述坏损路面标记样本训练初始模型,得到训练好的路面状况识别模型。
4.根据权利要求1所述的方法,其特征在于,对带有所述坏损路面标记的路面图像进行损坏参数的提取的步骤,包括:
提取带有所述坏损路面标记的路面图像中的损坏区域;
计算所述损坏区域占所述带有所述坏损路面标记的路面图像的面积覆盖率;
根据所述车载摄像头的摄像头标定参数,对所述带有所述坏损路面标记的路面图像进行三维重建,得到该路面图像的实际尺寸;
利用所述面积覆盖率和所述实际尺寸,计算所述损坏区域的损坏面积。
5.根据权利要求1所述的方法,其特征在于,对带有所述坏损路面标记的路面图像进行损坏参数的提取的步骤,包括:
提取带有所述坏损路面标记的路面图像;
利用预训练的损坏参数模型提取所述带有所述坏损路面标记的路面图像的损坏参数。
6.一种路面状况处理方法,其特征在于,所述方法应用于云服务器上;所述方法包括:
获取车载设备生成的路面状况检测结果;所述路面状况检测结果为所述车载设备基于权利要求1~5任一项所述方法得到的;
存储所述路面状况检测结果;
根据所述路面状况检测结果中带有坏损路面标记的路面图像对应的地理位置,将该路面图像的坏损路面标记具象化定位在地图上;
根据所述路面状况检测结果确定路面的维护状态信息,所述维护状态信息包括以下至少之一:使用寿命、维修费用和养护频率。
7.一种路面状况检测装置,其特征在于,所述路面状况检测装置应用于车载设备上,所述车载设备配置有车载摄像头和定位装置,所述路面状况检测装置包括:
获取模块,用于通过所述车载摄像头和所述定位装置,分别获取车辆所经路面的路面图像及所述路面图像对应的地理位置;
图像处理模块,用于对所述路面图像进行图像去噪处理和图像锐化处理,得到优化后的路面图像;
标记模块,用于将优化后的路面图像输入预训练的路面状况识别模型进行坏损路面标记,其中,所述坏损路面标记包括损坏类型标记和损坏区域标记;
提取模块,用于对带有所述坏损路面标记的路面图像进行损坏参数的提取;其中,所述损坏参数至少包括以下之一:损坏面积、损坏形状、损坏颜色和损害纹理;
汇总模块,用于将带有所述坏损路面标记的路面图像、该路面图像对应的地理位置和损坏参数汇总至路面状况检测结果中。
8.一种路面状况处理装置,其特征在于,所述装置应用于云服务器上;所述装置包括:
获取结果模块,用于获取车载设备生成的路面状况检测结果;所述路面状况检测结果为所述车载设备基于权利要求1~5任一项所述方法得到的;
存储模块,用于存储所述路面状况检测结果;
定位模块,用于根据所述路面状况检测结果中带有坏损路面标记的路面图像对应的地理位置,将该路面图像的坏损路面标记具象化定位在地图上;
确定维护状态模块,用于根据所述路面状况检测结果确定路面的维护状态信息,所述维护状态信息包括以下至少之一:使用寿命、维修费用和养护频率。
9.一种路面状况检测***,其特征在于,所述***包括车载设备和云服务器,所述车载设备配置有车载摄像头和定位装置;所述车载设备安装在车辆上;
所述车载摄像头用于拍摄所述车辆所经路面的路面图像,并将所述路面图像发送至所述车载设备;
所述定位装置用于定位所述路面图像对应的地理位置,并将所述地理位置发送至所述车载设备;
所述车载设备包括有权利要求7所述的路面状况检测装置;
所述云服务器包括有权利要求8所述的路面状况处理装置。
10.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至5任一项所述的路面状况检测方法的步骤,或者,执行如权利要求6所述的路面状况处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910070867.7A CN109801282A (zh) | 2019-01-24 | 2019-01-24 | 路面状况检测方法、处理方法、装置及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910070867.7A CN109801282A (zh) | 2019-01-24 | 2019-01-24 | 路面状况检测方法、处理方法、装置及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109801282A true CN109801282A (zh) | 2019-05-24 |
Family
ID=66558816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910070867.7A Pending CN109801282A (zh) | 2019-01-24 | 2019-01-24 | 路面状况检测方法、处理方法、装置及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109801282A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390666A (zh) * | 2019-06-14 | 2019-10-29 | 平安科技(深圳)有限公司 | 道路损伤检测方法、装置、计算机设备及存储介质 |
CN110490839A (zh) * | 2019-07-11 | 2019-11-22 | 平安科技(深圳)有限公司 | 一种检测高速公路中损坏区域的方法、装置及计算机设备 |
CN110660141A (zh) * | 2019-09-06 | 2020-01-07 | 杭州博信智联科技有限公司 | 路面状况检测方法、装置、电子设备及可读存储介质 |
CN111768373A (zh) * | 2020-06-18 | 2020-10-13 | 北京交通大学 | 基于深度学习的层级式路面标记破损检测方法 |
CN111783686A (zh) * | 2020-07-03 | 2020-10-16 | 中国交通通信信息中心 | 一种沥青路面健康状态监测***和方法 |
CN112241808A (zh) * | 2020-09-28 | 2021-01-19 | 四川省交通运输发展战略和规划科学研究院 | 路面技术状况预测方法、装置、电子设备及存储介质 |
CN112505142A (zh) * | 2020-10-27 | 2021-03-16 | 北京建筑大学 | 检测道路结构损伤的方法、自主移动式设备及存储介质 |
CN112711999A (zh) * | 2020-12-24 | 2021-04-27 | 西人马帝言(北京)科技有限公司 | 图像识别方法、装置、设备及计算机存储介质 |
CN112800911A (zh) * | 2021-01-20 | 2021-05-14 | 同济大学 | 一种路面损伤快速检测及自然数据集构建方法 |
CN113129449A (zh) * | 2021-04-16 | 2021-07-16 | 浙江孔辉汽车科技有限公司 | 一种基于双目视觉的车辆路面特征识别及三维重建方法 |
CN113191271A (zh) * | 2021-04-30 | 2021-07-30 | 水利部长江勘测技术研究所 | 一种基于深度学习的堰塞坝表层颗粒物质检测方法 |
CN113516127A (zh) * | 2021-09-14 | 2021-10-19 | 南通辑兴紧固件科技有限公司 | 基于人工智能的智慧城市公路养护方法及*** |
CN113724503A (zh) * | 2021-08-31 | 2021-11-30 | 山东交通学院 | 基于云平台的高速公路状态自动巡检***及方法 |
WO2022007120A1 (zh) * | 2020-07-08 | 2022-01-13 | 谢超奇 | 道路修补定量定位数据发送平台及方法 |
CN114037963A (zh) * | 2021-11-26 | 2022-02-11 | 中关村科学城城市大脑股份有限公司 | 道路标识状态监控方法、装置、存储介质及设备 |
CN114240866A (zh) * | 2021-12-09 | 2022-03-25 | 广东省农业科学院环境园艺研究所 | 基于二维图像与三维生长信息的组培苗分级方法及装置 |
CN114592411A (zh) * | 2022-03-29 | 2022-06-07 | 中国矿业大学 | 一种载体寄生式公路损坏智能巡查方法 |
CN115184378A (zh) * | 2022-09-15 | 2022-10-14 | 北京思莫特科技有限公司 | 一种基于移动设备的混凝土结构病害检测***及方法 |
CN115908427A (zh) * | 2023-02-27 | 2023-04-04 | 长沙城市发展集团有限公司 | 基于语义分割和svm的路面病害维修成本预测方法及*** |
CN115984221A (zh) * | 2023-01-03 | 2023-04-18 | 广州新粤交通技术有限公司 | 一种道路标线修复识别方法、装置、设备及其存储介质 |
CN116913077A (zh) * | 2023-06-06 | 2023-10-20 | 速度科技股份有限公司 | 一种基于数据采集的高速公路应急管理*** |
CN117495829A (zh) * | 2023-11-15 | 2024-02-02 | 广东昭明电子集团股份有限公司 | 一种智能手表五金件质量检测方法 |
CN117893988A (zh) * | 2024-01-19 | 2024-04-16 | 元橡科技(北京)有限公司 | 一种全地形场景路面识别方法及训练方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204825607U (zh) * | 2015-08-25 | 2015-12-02 | 张苇 | 路面状况检测装置 |
CN106845558A (zh) * | 2017-02-27 | 2017-06-13 | 广东诚泰交通科技发展有限公司 | 路面检测的方法和装置 |
WO2018122818A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于红外热像图分析的沥青路面裂缝发育程度检测方法 |
CN108417035A (zh) * | 2018-03-29 | 2018-08-17 | 成都精灵云科技有限公司 | 基于云平台的智能交通监控*** |
-
2019
- 2019-01-24 CN CN201910070867.7A patent/CN109801282A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204825607U (zh) * | 2015-08-25 | 2015-12-02 | 张苇 | 路面状况检测装置 |
WO2018122818A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于红外热像图分析的沥青路面裂缝发育程度检测方法 |
CN106845558A (zh) * | 2017-02-27 | 2017-06-13 | 广东诚泰交通科技发展有限公司 | 路面检测的方法和装置 |
CN108417035A (zh) * | 2018-03-29 | 2018-08-17 | 成都精灵云科技有限公司 | 基于云平台的智能交通监控*** |
Non-Patent Citations (2)
Title |
---|
曹佳煜: "基于图像处理的路面裂缝自动检测技术研究", 《中国硕士学位论文全文数据库信息科技辑》 * |
赵芬芬: "基于计算机视觉的路面破损检测与识别的研究", 《中国硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390666A (zh) * | 2019-06-14 | 2019-10-29 | 平安科技(深圳)有限公司 | 道路损伤检测方法、装置、计算机设备及存储介质 |
WO2020248371A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技(深圳)有限公司 | 道路损伤检测方法、装置、计算机设备及存储介质 |
CN110390666B (zh) * | 2019-06-14 | 2023-06-27 | 平安科技(深圳)有限公司 | 道路损伤检测方法、装置、计算机设备及存储介质 |
CN110490839A (zh) * | 2019-07-11 | 2019-11-22 | 平安科技(深圳)有限公司 | 一种检测高速公路中损坏区域的方法、装置及计算机设备 |
CN110490839B (zh) * | 2019-07-11 | 2024-02-27 | 平安科技(深圳)有限公司 | 一种检测高速公路中损坏区域的方法、装置及计算机设备 |
CN110660141A (zh) * | 2019-09-06 | 2020-01-07 | 杭州博信智联科技有限公司 | 路面状况检测方法、装置、电子设备及可读存储介质 |
CN111768373A (zh) * | 2020-06-18 | 2020-10-13 | 北京交通大学 | 基于深度学习的层级式路面标记破损检测方法 |
CN111783686A (zh) * | 2020-07-03 | 2020-10-16 | 中国交通通信信息中心 | 一种沥青路面健康状态监测***和方法 |
WO2022007120A1 (zh) * | 2020-07-08 | 2022-01-13 | 谢超奇 | 道路修补定量定位数据发送平台及方法 |
CN112241808A (zh) * | 2020-09-28 | 2021-01-19 | 四川省交通运输发展战略和规划科学研究院 | 路面技术状况预测方法、装置、电子设备及存储介质 |
CN112505142A (zh) * | 2020-10-27 | 2021-03-16 | 北京建筑大学 | 检测道路结构损伤的方法、自主移动式设备及存储介质 |
CN112505142B (zh) * | 2020-10-27 | 2023-01-24 | 北京建筑大学 | 检测道路结构损伤的方法、自主移动式设备及存储介质 |
CN112711999A (zh) * | 2020-12-24 | 2021-04-27 | 西人马帝言(北京)科技有限公司 | 图像识别方法、装置、设备及计算机存储介质 |
CN112800911A (zh) * | 2021-01-20 | 2021-05-14 | 同济大学 | 一种路面损伤快速检测及自然数据集构建方法 |
CN112800911B (zh) * | 2021-01-20 | 2022-12-16 | 同济大学 | 一种路面损伤快速检测及自然数据集构建方法 |
CN113129449A (zh) * | 2021-04-16 | 2021-07-16 | 浙江孔辉汽车科技有限公司 | 一种基于双目视觉的车辆路面特征识别及三维重建方法 |
CN113191271A (zh) * | 2021-04-30 | 2021-07-30 | 水利部长江勘测技术研究所 | 一种基于深度学习的堰塞坝表层颗粒物质检测方法 |
CN113724503A (zh) * | 2021-08-31 | 2021-11-30 | 山东交通学院 | 基于云平台的高速公路状态自动巡检***及方法 |
CN113516127A (zh) * | 2021-09-14 | 2021-10-19 | 南通辑兴紧固件科技有限公司 | 基于人工智能的智慧城市公路养护方法及*** |
CN113516127B (zh) * | 2021-09-14 | 2021-12-07 | 南通辑兴紧固件科技有限公司 | 基于人工智能的智慧城市公路养护方法及*** |
CN114037963A (zh) * | 2021-11-26 | 2022-02-11 | 中关村科学城城市大脑股份有限公司 | 道路标识状态监控方法、装置、存储介质及设备 |
CN114240866A (zh) * | 2021-12-09 | 2022-03-25 | 广东省农业科学院环境园艺研究所 | 基于二维图像与三维生长信息的组培苗分级方法及装置 |
CN114240866B (zh) * | 2021-12-09 | 2022-07-08 | 广东省农业科学院环境园艺研究所 | 基于二维图像与三维生长信息的组培苗分级方法及装置 |
CN114592411A (zh) * | 2022-03-29 | 2022-06-07 | 中国矿业大学 | 一种载体寄生式公路损坏智能巡查方法 |
CN115184378A (zh) * | 2022-09-15 | 2022-10-14 | 北京思莫特科技有限公司 | 一种基于移动设备的混凝土结构病害检测***及方法 |
CN115184378B (zh) * | 2022-09-15 | 2024-03-29 | 北京思莫特科技有限公司 | 一种基于移动设备的混凝土结构病害检测***及方法 |
CN115984221A (zh) * | 2023-01-03 | 2023-04-18 | 广州新粤交通技术有限公司 | 一种道路标线修复识别方法、装置、设备及其存储介质 |
CN115984221B (zh) * | 2023-01-03 | 2023-08-04 | 广州新粤交通技术有限公司 | 一种道路标线修复识别方法、装置、设备及其存储介质 |
CN115908427A (zh) * | 2023-02-27 | 2023-04-04 | 长沙城市发展集团有限公司 | 基于语义分割和svm的路面病害维修成本预测方法及*** |
CN116913077A (zh) * | 2023-06-06 | 2023-10-20 | 速度科技股份有限公司 | 一种基于数据采集的高速公路应急管理*** |
CN116913077B (zh) * | 2023-06-06 | 2024-03-29 | 速度科技股份有限公司 | 一种基于数据采集的高速公路应急管理*** |
CN117495829A (zh) * | 2023-11-15 | 2024-02-02 | 广东昭明电子集团股份有限公司 | 一种智能手表五金件质量检测方法 |
CN117495829B (zh) * | 2023-11-15 | 2024-04-30 | 广东昭明电子集团股份有限公司 | 一种智能手表五金件质量检测方法 |
CN117893988A (zh) * | 2024-01-19 | 2024-04-16 | 元橡科技(北京)有限公司 | 一种全地形场景路面识别方法及训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109801282A (zh) | 路面状况检测方法、处理方法、装置及*** | |
CN110487562B (zh) | 一种用于无人驾驶的车道保持能力检测***及方法 | |
US9070023B2 (en) | System and method of alerting a driver that visual perception of pedestrian may be difficult | |
US10169664B2 (en) | Re-identifying an object in a test image | |
CN107463918A (zh) | 基于激光点云与影像数据融合的车道线提取方法 | |
JP4493050B2 (ja) | 画像分析装置および画像分析方法 | |
CN102867417B (zh) | 一种出租车防伪***及方法 | |
US20140028842A1 (en) | Calibration device and method for use in a surveillance system for event detection | |
CN109145708B (zh) | 一种基于rgb和d信息融合的人流量统计方法 | |
CN111179345A (zh) | 基于车载机器视觉的前方车辆越线违章行为自动检测方法及*** | |
CN103366483B (zh) | 监控报警*** | |
CN103902976A (zh) | 一种基于红外图像的行人检测方法 | |
CN104236478A (zh) | 一种基于视觉的车辆外廓尺寸自动测量***及方法 | |
CN103208185A (zh) | 一种基于车灯识别的夜间车辆检测方法及*** | |
CN106067003A (zh) | 一种车载激光扫描点云中道路矢量标识线自动提取方法 | |
CN105426894B (zh) | 铁道塞钉图像检测方法及装置 | |
CN106781680A (zh) | 一种基于图像空车位检测的路边停车智能监控方法 | |
CN112329747A (zh) | 基于视频识别和深度学习的车辆参数检测方法及相关装置 | |
CN113724259B (zh) | 井盖异常检测方法、装置及其应用 | |
CN106339657A (zh) | 基于监控视频的秸秆焚烧监测方法、装置 | |
CN106203302B (zh) | 基于视觉和无线感知相结合的行人检测和统计方法 | |
KR101874968B1 (ko) | 이미지 정보 기반의 시정거리 측정 시스템 및 이를 이용한 시정거리 측정 방법 | |
CN114372919B (zh) | 一种双挂汽车列车全景环视图像拼接方法及*** | |
Bijelic et al. | Recovering the Unseen: Benchmarking the Generalization of Enhancement Methods to Real World Data in Heavy Fog. | |
WO2022104798A1 (zh) | 基于5g的无人驾驶电子交警执勤*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190524 |