CN111783686A - 一种沥青路面健康状态监测***和方法 - Google Patents
一种沥青路面健康状态监测***和方法 Download PDFInfo
- Publication number
- CN111783686A CN111783686A CN202010636686.9A CN202010636686A CN111783686A CN 111783686 A CN111783686 A CN 111783686A CN 202010636686 A CN202010636686 A CN 202010636686A CN 111783686 A CN111783686 A CN 111783686A
- Authority
- CN
- China
- Prior art keywords
- pavement
- road surface
- remote sensing
- module
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000010426 asphalt Substances 0.000 title claims abstract description 41
- 230000036541 health Effects 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 238000012423 maintenance Methods 0.000 claims abstract description 28
- 238000013210 evaluation model Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 230000000877 morphologic effect Effects 0.000 claims abstract description 10
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 238000003066 decision tree Methods 0.000 claims abstract description 8
- 230000032683 aging Effects 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000011835 investigation Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000003595 spectral effect Effects 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims description 26
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 230000003862 health status Effects 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000011384 asphalt concrete Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Road Repair (AREA)
Abstract
本发明公开了一种沥青路面健康状态监测***和方法，该方法包括以下步骤：收集监测区域沥青道路的星载高分遥感影像数据和已有路面状态调查信息；对收集的星载高分遥感数据进行预处理，利用面向对象技术和决策树阈值方法提取道路区域影像；提取高分遥感影像中沥青路面不同老化阶段和不同病害路面的光谱特征、纹理特征和形态特征，通过特征分析构建老化和病害路面的敏感特征或特征组合；基于敏感特征或特征组合结合BP神经网络方法，构建沥青路面健康状态评估模型。本发明利用星载高分遥感影像数据，结合遥感影像处理和图像识别技术，研究沥青路面健康状态，可为公路养护部门快速提供大范围的沥青路面健康状态信息，解决传统路面监测方法检测周期长、花费高，以及无法快速获取大范围路面状况信息的问题，同时为公路养护部门制定维修计划提供依据。
Description
技术领域
本发明涉及公路路面养护管理技术领域，尤其涉及一种沥青路面健康状态监测***和方法。
背景技术
公路是作为交通运输的纽带，在国家发展和经济建设中起到了不可忽视的作用，根据报告显示，公路通车里程迅速增加。我国的高等级公路(高速公路和一级路)多采用沥青混凝土进行建设，沥青公路路面的交通量和荷载不断增加，再加上自然环境影响，公路路面结构常出现破损现象，且随时间推移日益严重，这直接影响公路的服务能力和运营效益，同时也将造成巨大的经济损失和事故风险。
传统路面监测方法需要借助大型的车载平台，影响交通、检测周期长、花费高，对于路线较长的公路路段只能进行抽样调查，无法快速获取大范围的路面状况信息。遥感影像因空间、光谱分辨率的提高，使得大范围的路面监测成为可能，遥感技术可以快速、定量获取大区域公路路面信息，实现对路面状况的实时监测，适用于监测和评估公路路面的状况。
因此，为便于公路养护部门及时掌握大范围路面状况信息，采取相应的保养措施，开展基于遥感技术的路面状况监测和评估研究有重要的科学意义。
发明内容
为克服相关技术中存在的问题，本发明实施例提供一种沥青路面健康状态监测***和方法，解决了沥青公路路面传统车载监测周期长、花费高，无法快速获取大范围路面状况信息的问题。
本发明实施例提供一种沥青路面健康状态监测方法，包括以下步骤：
收集监测区域沥青道路的星载高分遥感影像数据和已有路面状态调查信息；
对收集的星载高分遥感数据进行预处理，利用面向对象技术和决策树阈值方法提取道路区域影像；
构建老化和病害路面的敏感特征波段或特征组合，通过特征分析，确定与路面老化和病害相关特征；
通过选定的敏感特征或特征组合结合W神经网络算法，建立基于高分遥感数据的路面健康状态评估模型；
通过基于高分遥感数据的路面健康状态评估模型，对沥青公路路面进行评估，生成公路路面健康状态图。
进一步的，所述星载高分遥感影像数据包括路面区域的Worldview-3高分数据集。
进一步的，所述路面状态调查信息包括高精度的车载路面状态指数(PCl)数据和人工调查的PCl数据。
进一步的，所述星载高分遥感数据进行预处理包括遥感影像的正射校正、辐射定标、大气校正、图像融合、影像拼接和裁剪处理。
进一步的，所述提取道路区域影像包括利用面向对象分割方法，基于光谱、纹理和形态特征对预处理的高分影像进行图像分割。
进一步的，所述构建路面老化和病害的敏感特征波段或特征组合包括，
光谱特征：原始光谱、比值、差值等特征；
纹理特征：不同窗口的灰度共生矩阵GLCM纹理、局部二值模式LBP纹理；
形态特征：膨胀、腐蚀、开运算、闭运算。
然后通过特征与样本PCl之间的相关分析，选择合适特征或特征组合。
一种沥青路面健康状态监测***，包括收集模块、传输模块、数据预处理模块、路面区域提取模块、路面特征提取模块和路面状态评估模型模块，所述收集模块与数据预处理模块连接，数据预处理模块与路面区域提取模块连接，路面区域提取模块与路面特征提取模块连接，路面区域提取模块通过传输模块与路面状态评估模型模块连接，其中，
数据预处理模块用于对所收集的公路路域的高分遥感影像进行辐射校正、正射校正、大气校正、图像融合以及图像的拼接和裁剪操作；
路面区域提取模块用于对预处理的高分融合影像，通过面向对象分割方法和决策树阈值的方法，提取公路区域的图像；
路面特征提取模块用于提取融合影像路面区域的典型光谱、纹理、形态特征；
路面状态评估模型模块用于获取的路面区域特征，通过W神经网络，构建路面状态评估模型。
进一步的，路面状态评估模型模块还包括路面状态评估单元和养护决策支持单元；
路面状态评估单元用于对路域进行状态评估，从而获取路面状态情况，根据路域的路面状态等级，为路面养护提供信息支持；
养护决策支持单元用于根据路面状态评定结果以及养护的情况，为路面养护决策提供支持。
本发明的实施例提供的技术方案具有以下有益效果：利用星载高分遥感影像数据，结合遥感影像处理和图像识别技术，研究沥青路面健康状态，可为公路养护部门快速提供大范围的沥青路面健康状态信息，解决传统路面监测方法检测周期长、花费高，以及无法快速获取大范围路面状况信息的问题，同时为公路养护部门制定维修计划提供依据。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本发明实施例中沥青路面健康状态监测方法的流程图。
图2是本发明实施例中沥青路面健康状态监测方法的路面状况评价等级图。
图3是本发明实施例中沥青路面健康状态监测***的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置及相关应用、方法的例子。
图1是本发明实施例中沥青路面健康状态监测方法的流程图，图2是本发明实施例中沥青路面健康状态监测方法的路面状况评价等级图，如图1和图2所示，该沥青路面健康状态监测方法，包括以下步骤：
步骤101、收集监测区域沥青道路的星载高分遥感影像数据和已有路面状态调查信息。
星载高分遥感影像数据包括路面区域的Worldview-3高分数据集。
路面状态调查信息包括高精度的车载PCl数据和人工调查的PCl数据。
步骤102、对收集的星载高分遥感数据进行预处理，利用面向对象技术和决策树阈值方法提取道路区域影像。
对多波段影像进行正射校正、辐射定标、大气校正，而后将多光谱波段和全色影像融合，生成高分辨率的融合影像，通过拼接和裁切获取以公路为中心的融合影像。
星载高分遥感数据进行预处理包括遥感影像的正射校正、辐射定标、大气校正、图像融合、影像拼接和裁剪处理。
提取道路区域影像包括利用面向对象分割方法，基于光谱、纹理和形态特征对预处理的高分影像进行图像分割，通过不断的试验确定最佳的分割尺度，再采用决策树阈值方法提取影像的道路区域。
步骤103、构建老化和病害路面的敏感特征波段或特征组合，通过特征分析，确定与路面老化和病害相关特征。
构建路面老化和病害的敏感特征波段或特征组合包括，
光谱特征：原始光谱、比值、差值等特征；
纹理特征：不同窗口的灰度共生矩阵GLCM纹理、局部二值模式LBP纹理；
形态特征：膨胀、腐蚀、开运算、闭运算。
然后通过特征与样本PCl之间的相关分析，选择合适特征或特征组合。
步骤104、通过选定的敏感特征或特征组合结合BP神经网络算法，建立基于高分遥感数据的路面健康状态评估模型。
步骤105、通过基于高分遥感数据的路面健康状态评估模型，对沥青公路路面进行评估，生成公路路面健康状态图。
高分遥感数据的路面健康状态评估模型是4层网络结构，包括输入层、隐藏层、输出层和Softmax层：输入层输入敏感特征，随机生成权重，设定1层隐藏层，Sigmoid函数作为激活函数，输出层为建立的5个路面状态等级(如图2)，最后将输出层的输出结果传入Softmax层，对输出向量进行归一化，加大样本所属类别的概率，抑制属于其它类别的概率，将路面状况训练样本数据作为输出的真实值，采用反向传播算法和梯度下降算法更新权重，获取整个网络模型的更新权重，最终形成路面状态评估模型。
基于路面状态评估模型获取监测区域的路面状态情况，可及时将信息提供给公路管理部门，帮助其掌握大范围路面的状态，有助于有针对性的进行调查和维修，可节省大量的人力和物力。
图3是本发明实施例中沥青路面健康状态监测***的结构示意图，如图3所示，该沥青路面健康状态监测***，包括收集模块1、传输模块2、数据预处理模块3、路面区域提取模块4、路面特征提取模块5和路面状态评估模型6，所述收集模块与数据预处理模块连接，数据预处理模块与路面区域提取模块连接，路面区域提取模块与路面特征提取模块连接，路面区域提取模块通过传输模块与路面状态评估模型模块连接，其中，
数据预处理模块用于对所收集的公路路域的高分遥感影像进行辐射校正、正射校正、大气校正、图像融合以及图像的拼接和裁剪操作。
路面区域提取模块用于对预处理的高分融合影像，通过面向对象分割方法和决策树阈值的方法，提取公路区域的图像。
路面特征提取模块用于提取融合影像路面区域的典型光谱、纹理、形态特征。
路面状态评估模型模块用于获取的路面区域特征，通过W神经网络，构建路面状态评估模型。
路面状态评估模型模块还包括路面状态评估单元和养护决策支持单元。
路面状态评估单元用于对路域进行状态评估，从而获取路面状态情况，根据路域的路面状态等级，为路面养护提供信息支持。
养护决策支持单元用于根据路面状态评定结果以及养护的情况，为路面养护决策提供支持。
采用上述发明的实施例，利用星载高分遥感影像数据，结合遥感影像处理和图像识别技术，研究沥青路面健康状态，可为公路养护部门快速提供大范围的沥青路面健康状态信息，解决传统路面监测方法检测周期长、花费高，以及无法快速获取大范围路面状况信息的问题，同时为公路养护部门制定维修计划提供依据。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (8)
1.一种沥青路面健康状态监测方法，其特征在于，包括以下步骤：
收集监测区域沥青道路的星载高分遥感影像数据和已有路面状态调查信息；
对收集的星载高分遥感数据进行预处理，利用面向对象技术和决策树阈值方法提取道路区域影像；
构建老化和病害路面的敏感特征波段或特征组合，通过特征分析，确定与路面老化和病害相关特征；
通过选定的敏感特征或特征组合结合W神经网络算法，建立基于高分遥感数据的路面健康状态评估模型；
通过基于高分遥感数据的路面健康状态评估模型，对沥青公路路面进行评估，生成公路路面健康状态图。
2.根据权利要求1所述的沥青路面健康状态监测方法，其特征在于，所述星载高分遥感影像数据包括路面区域的Worldview-3高分数据集。
3.根据权利要求1所述的沥青路面健康状态监测方法，其特征在于，所述路面状态调查信息包括高精度的车载路面状态指数(W/)数据和人工调查的W/数据。
4.根据权利要求1所述的沥青路面健康状态监测***和方法，其特征在于，所述星载高分遥感数据进行预处理包括遥感影像的正射校正、辐射定标、大气校正、图像融合、影像拼接和裁剪处理。
5.根据权利要求1所述的沥青路面健康状态监测方法，其特征在于，所述提取道路区域影像包括利用面向对象分割方法，基于光谱、纹理和形态特征对预处理的高分影像进行图像分割。
6.根据权利要求1所述的沥青路面健康状态监测方法，其特征在于，所述构建路面老化和病害的敏感特征波段或特征组合包括，
光谱特征：原始光谱、比值、差值等特征；
纹理特征：不同窗口的灰度共生矩阵'>D纹理、局部二值模式>W纹
理；形态特征：膨胀、腐蚀、开运算、闭运算；
然后通过特征与样本W/之间的相关分析，选择合适特征或特征组合。
7.一种沥青路面健康状态监测***，其特征在于，包括收集模块、传输模块、数据预处理模块、路面区域提取模块、路面特征提取模块和路面状态评估模型模块，所述收集模块与数据预处理模块连接，数据预处理模块与路面区域提取模块连接，路面区域提取模块与路面特征提取模块连接，路面区域提取模块通过传输模块与路面状态评估模型模块连接，其中，
数据预处理模块用于对所收集的公路路域的高分遥感影像进行辐射校正、正射校正、大气校正、图像融合以及图像的拼接和裁剪操作；
路面区域提取模块用于对预处理的高分融合影像，通过面向对象分割方法和决策树阈值的方法，提取公路区域的图像；
路面特征提取模块用于提取融合影像路面区域的典型光谱、纹理、形态特征；
路面状态评估模型模块用于获取的路面区域特征，通过W神经网络，构建路面状态评估模型。
8.根据权利要求7所述的沥青路面健康状态监测***，其特征在于，路面状态评估模型模块还包括路面状态评估单元和养护决策支持单元；
路面状态评估单元用于对路域进行状态评估，从而获取路面状态情况，根据路域的路面状态等级，为路面养护提供信息支持；
养护决策支持单元用于根据路面状态评定结果以及养护的情况，为路面养护决策提供支持。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010636686.9A CN111783686A (zh) | 2020-07-03 | 2020-07-03 | 一种沥青路面健康状态监测***和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010636686.9A CN111783686A (zh) | 2020-07-03 | 2020-07-03 | 一种沥青路面健康状态监测***和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111783686A true CN111783686A (zh) | 2020-10-16 |
Family
ID=72758609
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010636686.9A Pending CN111783686A (zh) | 2020-07-03 | 2020-07-03 | 一种沥青路面健康状态监测***和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111783686A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112348798A (zh) * | 2020-11-10 | 2021-02-09 | 江苏现代工程检测有限公司 | 一种沥青路面病害自动化检测与分析评估方法 |
| CN114775382A (zh) * | 2022-06-21 | 2022-07-22 | 源利腾达(西安)科技有限公司 | 基于超声波的公路交通工程路面质量检测方法 |
| CN114821333A (zh) * | 2022-05-16 | 2022-07-29 | 中国人民解放军61540部队 | 一种高分辨率遥感影像道路材质识别方法及装置 |
| CN117370897A (zh) * | 2023-12-04 | 2024-01-09 | 四川正路建设工程检测咨询有限公司 | 道路健康状态检测方法、电子设备和计算机可读介质 |
| CN117474832A (zh) * | 2023-06-20 | 2024-01-30 | 中交第二公路勘察设计研究院有限公司 | 基于高分遥感的大范围沥青路面质量快速评估方法及*** |
| CN117908544A (zh) * | 2024-01-18 | 2024-04-19 | 中建材（宜兴）新能源有限公司 | 基于机器视觉的玻璃运输用agv装置的控制***及方法 |
| CN117908544B (zh) * | 2024-01-18 | 2024-07-30 | 中建材（宜兴）新能源有限公司 | 基于机器视觉的玻璃运输用agv装置的控制***及方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663344A (zh) * | 2012-03-04 | 2012-09-12 | 南京理工大学常熟研究院有限公司 | 基于图像分割的破损道路检测装置 |
| CN106124454A (zh) * | 2016-06-30 | 2016-11-16 | 中国交通通信信息中心 | 一种基于遥感影像的沥青路面老化状况监测方法 |
| 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 |
| CN107945153A (zh) * | 2017-11-07 | 2018-04-20 | 广东广业开元科技有限公司 | 一种基于深度学习的路面裂缝检测方法 |
| CN109344810A (zh) * | 2018-11-26 | 2019-02-15 | 国智恒北斗科技集团股份有限公司 | 一种基于高分卫星遥感数据的耕地变化监测方法及*** |
| CN109671077A (zh) * | 2018-12-24 | 2019-04-23 | 上海智能交通有限公司 | 一种沥青路面抗滑性能检测方法及*** |
| CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
| CN109801282A (zh) * | 2019-01-24 | 2019-05-24 | 湖北大学 | 路面状况检测方法、处理方法、装置及*** |
| CN110569730A (zh) * | 2019-08-06 | 2019-12-13 | 福建农林大学 | 一种基于U-net神经网络模型的路面裂缝自动识别方法 |
| CN111047585A (zh) * | 2019-12-25 | 2020-04-21 | 苏州奥易克斯汽车电子有限公司 | 一种路面裂缝检测方法 |
| CN111160199A (zh) * | 2019-12-23 | 2020-05-15 | 云南省交通规划设计研究院有限公司 | 一种基于高分辨率遥感影像的公路灾害信息检测方法 |
-
2020
- 2020-07-03 CN CN202010636686.9A patent/CN111783686A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663344A (zh) * | 2012-03-04 | 2012-09-12 | 南京理工大学常熟研究院有限公司 | 基于图像分割的破损道路检测装置 |
| CN106124454A (zh) * | 2016-06-30 | 2016-11-16 | 中国交通通信信息中心 | 一种基于遥感影像的沥青路面老化状况监测方法 |
| 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 |
| CN107945153A (zh) * | 2017-11-07 | 2018-04-20 | 广东广业开元科技有限公司 | 一种基于深度学习的路面裂缝检测方法 |
| CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
| CN109344810A (zh) * | 2018-11-26 | 2019-02-15 | 国智恒北斗科技集团股份有限公司 | 一种基于高分卫星遥感数据的耕地变化监测方法及*** |
| CN109671077A (zh) * | 2018-12-24 | 2019-04-23 | 上海智能交通有限公司 | 一种沥青路面抗滑性能检测方法及*** |
| CN109801282A (zh) * | 2019-01-24 | 2019-05-24 | 湖北大学 | 路面状况检测方法、处理方法、装置及*** |
| CN110569730A (zh) * | 2019-08-06 | 2019-12-13 | 福建农林大学 | 一种基于U-net神经网络模型的路面裂缝自动识别方法 |
| CN111160199A (zh) * | 2019-12-23 | 2020-05-15 | 云南省交通规划设计研究院有限公司 | 一种基于高分辨率遥感影像的公路灾害信息检测方法 |
| CN111047585A (zh) * | 2019-12-25 | 2020-04-21 | 苏州奥易克斯汽车电子有限公司 | 一种路面裂缝检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 夏广浩: "基于MFFCN的复杂地形条件下高分辨率遥感道路提取研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, pages 028 - 33 * |
| 张永宏等: "基于PPMU-net 的多特征高分辨率遥感道路提取", 《计算机工程与应用》, pages 1 - 9 * |
| 杨晨曦: "基于深度神经网络的遥感影像路面裂缝检测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, pages 034 - 98 * |
| 王威等: "一种基于多特征及BP神经网络的高分辨率遥感影像道路提取方法", 《现代测绘》, pages 8 - 10 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112348798A (zh) * | 2020-11-10 | 2021-02-09 | 江苏现代工程检测有限公司 | 一种沥青路面病害自动化检测与分析评估方法 |
| CN114821333A (zh) * | 2022-05-16 | 2022-07-29 | 中国人民解放军61540部队 | 一种高分辨率遥感影像道路材质识别方法及装置 |
| CN114821333B (zh) * | 2022-05-16 | 2022-11-18 | 中国人民解放军61540部队 | 一种高分辨率遥感影像道路材质识别方法及装置 |
| CN114775382A (zh) * | 2022-06-21 | 2022-07-22 | 源利腾达(西安)科技有限公司 | 基于超声波的公路交通工程路面质量检测方法 |
| CN117474832A (zh) * | 2023-06-20 | 2024-01-30 | 中交第二公路勘察设计研究院有限公司 | 基于高分遥感的大范围沥青路面质量快速评估方法及*** |
| CN117370897A (zh) * | 2023-12-04 | 2024-01-09 | 四川正路建设工程检测咨询有限公司 | 道路健康状态检测方法、电子设备和计算机可读介质 |
| CN117370897B (zh) * | 2023-12-04 | 2024-02-09 | 四川正路建设工程检测咨询有限公司 | 道路健康状态检测方法、电子设备和计算机可读介质 |
| CN117908544A (zh) * | 2024-01-18 | 2024-04-19 | 中建材（宜兴）新能源有限公司 | 基于机器视觉的玻璃运输用agv装置的控制***及方法 |
| CN117908544B (zh) * | 2024-01-18 | 2024-07-30 | 中建材（宜兴）新能源有限公司 | 基于机器视觉的玻璃运输用agv装置的控制***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111783686A (zh) | 一种沥青路面健康状态监测***和方法 | |
| Hou et al. | The state-of-the-art review on applications of intrusive sensing, image processing techniques, and machine learning methods in pavement monitoring and analysis | |
| Schnebele et al. | Review of remote sensing methodologies for pavement management and assessment | |
| CN104616093A (zh) | 一种地震灾害救援指挥调度***及方法 | |
| Ren et al. | YOLOv5s-M: A deep learning network model for road pavement damage detection from urban street-view imagery | |
| Chen et al. | Remote sensing of urban thermal environments within local climate zones: A case study of two high-density subtropical Chinese cities | |
| WO2021013190A1 (zh) | 基于气象参数的高速列车导航盲区定位方法及*** | |
| CN116580532A (zh) | 一种基于雷达遥感技术的地质灾害预警*** | |
| Li et al. | A novel evaluation method for pavement distress based on impact of ride comfort | |
| CN116448773B (zh) | 一种图像-振动特征融合的路面病害检测方法及*** | |
| CN110929952B (zh) | 基于线路周边环境和敷设类型的光缆故障概率预测方法 | |
| Kaffash Charandabi et al. | Road accident risk prediction using generalized regression neural network optimized with self-organizing map | |
| CN116289444A (zh) | 基于智能化的路面病害实时监测与预测装置及方法 | |
| Li et al. | Automated classification and detection of multiple pavement distress images based on deep learning | |
| CN114971166A (zh) | 一种轻量化道路路面服务质量巡检*** | |
| Zhang et al. | Research on Baidu street view road crack information extraction based on deep learning method | |
| Kalpoma et al. | Satellite image database creation for road quality measurement of national highways of bangladesh | |
| Azari et al. | A GIS-based approach for accident hotspots mapping in mountain roads using seasonal and geometric indicators | |
| CN112232303B (zh) | 一种基于高分遥感影像的草原道路信息提取方法 | |
| CN117456342A (zh) | 一种基于街景影像的交通事故风险评估方法及*** | |
| Wu et al. | Advances in sustainable winter road maintenance and management for future smart cities | |
| Leduc et al. | Road visualization for smart city: Solution review with road quality qualification | |
| Rajab et al. | Application of image processing to measure road distresses | |
| Chen et al. | Urban land surface temperature retrieval from high spatial resolution thermal infrared image using a modified split-window algorithm | |
| CN115170783A (zh) | 一种使用街景图像的快速公路路面裂缝检测方法 |
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 |