CN113066086B - 道路病害检测方法及装置、电子设备和存储介质 - Google Patents
道路病害检测方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113066086B CN113066086B CN202110454706.5A CN202110454706A CN113066086B CN 113066086 B CN113066086 B CN 113066086B CN 202110454706 A CN202110454706 A CN 202110454706A CN 113066086 B CN113066086 B CN 113066086B
- Authority
- CN
- China
- Prior art keywords
- image
- equipment
- road
- coordinate system
- parameter
- 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.)
- Active
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 310
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 310
- 238000001514 detection method Methods 0.000 title claims abstract description 244
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims description 124
- 230000006870 function Effects 0.000 claims description 91
- 238000005457 optimization Methods 0.000 claims description 66
- 238000010586 diagram Methods 0.000 claims description 38
- 238000011176 pooling Methods 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 238000013507 mapping Methods 0.000 description 8
- 230000004927 fusion Effects 0.000 description 7
- 238000007689 inspection Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开涉及一种道路病害检测方法及装置、电子设备和存储介质,所述方法包括:对图像采集设备采集的待检测道路图像进行病害检测,得到所述待检测道路图像中的病害检测框;根据所述图像采集设备的设备参数和所述病害检测框,确定所述病害检测框指示的道路病害在世界坐标系下的目标尺寸。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种道路病害检测方法及装置、电子设备和存储介质。
背景技术
道路作为国家经济建设的重要基础设施,不仅需要在建设的时候投入很多人力物力,而且需要定期的进行日常维护,对因为气候、地质条件、通行量等因素导致的道路病害进行及时修复,避免造成安全隐患。为了及时对道路病害进行修复,就需要定期对道路进行病害检测,以及时发现道路病害。相关技术中,一般基于深度学习的神经网络模型,自动识别道路上的病害位置和类别,但是检测出的病害框大小是基于图像采集设备对应的图像坐标系的大小,无法反映真实世界中病害的尺寸,进而无法准确反映道路病害的严重程度。
发明内容
本公开提出了一种道路病害检测方法及装置、电子设备和存储介质的技术方案。
根据本公开的一方面,提供了一种道路病害检测方法,包括:对图像采集设备采集的待检测道路图像进行病害检测,得到所述待检测道路图像中的病害检测框;根据所述图像采集设备的设备参数和所述病害检测框,确定所述病害检测框指示的道路病害在世界坐标系下的目标尺寸。
在一种可能的实现方式中,所述对图像采集设备采集的待检测道路图像进行病害检测,得到所述待检测道路图像中的病害检测框,包括:对所述待检测道路图像进行特征提取,得到目标特征图;对所述目标特征图进行特征池化,得到池化特征图;对所述池化特征图进行病害检测,得到所述病害检测框以及所述病害检测框对应的病害类别。
在一种可能的实现方式中,所述对所述待检测道路图像进行特征提取,得到目标特征图,包括:对所述待检测道路图像进行下采样特征提取,得到至少两级第一特征图;对目标第一特征图进行上采样特征提取,得到至少两级第二特征图,其中,所述目标第一特征图是所述至少两级第一特征图中尺寸最小的特征图;对所述至少两级第一特征图和所述至少两级第二特征图进行融合,得到至少两级目标特征图。
在一种可能的实现方式中,所述对所述目标特征图进行特征池化,得到池化特征图,包括:分别对所述至少两级目标特征图进行池化,得到至少两个池化特征图;所述对所述池化特征图进行病害检测,得到所述病害检测框以及所述病害检测框对应的病害类别,包括:分别对所述至少两个池化特征图进行道路病害检测,得到至少两个预测结果;对所述至少两个预测结果进行融合,得到所述病害检测框以及所述病害检测框对应的病害类别。
在一种可能的实现方式中,所述根据所述图像采集设备的设备参数和所述病害检测框,确定所述病害检测框指示的道路病害在世界坐标系下的目标尺寸,包括:确定所述病害检测框在图像坐标系下的参考尺寸,其中,所述图像坐标系是所述图像采集设备对应的坐标系;根据所述设备参数对所述参考尺寸进行转换,得到所述目标尺寸。
在一种可能的实现方式中,所述确定所述病害检测框在图像坐标系下的参考尺寸,包括:确定所述病害检测框在所述图像坐标系下的两条对角线长度;将所述两条对角线长度的平均值,确定为所述参考尺寸。
在一种可能的实现方式中,所述对图像采集设备采集的待检测道路图像进行病害检测,得到所述待检测道路图像中的病害检测框,通过道路病害检测网络实现;所述道路病害检测网络的训练样本包括多个病害类别对应的样本图像;所述道路病害检测网络的训练方法如下:从所述训练样本中随机采样对初始检测网络进行第一阶段网络训练,得到初始道路病害检测网络;利用所述训练样本对所述初始道路病害检测网络进行第二阶段网络训练,得到所述道路病害检测网络,其中,所述训练样本中包括的各样本图像,在每个训练周期中被选中进行训练的概率,与所述样本图像对应的病害类别相关。
在一种可能的实现方式中,所述方法还包括:针对所述训练样本中包括的任一样本图像,确定所述样本图像对应的目标病害类别;确定所述目标病害类别对应的样本图像在所述样本图像中的占比;根据所述占比,确定所述样本图像在所述第二阶段网络训练中对应的所述概率。
在一种可能的实现方式中,所述第二阶段网络训练对应的初始学习率,小于所述第一阶段网络训练对应的初始学习率。
在一种可能的实现方式中,所述方法还包括:对所述图像采集设备进行标定,得到所述设备参数。
在一种可能的实现方式中,所述对所述图像采集设备进行标定,得到所述设备参数,包括:获取所述图像采集设备对棋盘格标定板进行图像采集得到的标定板图像;对所述标定板图像进行角点检测,得到所述标定板图像中的目标角点,以及所述目标角点在图像坐标系下的第一坐标,其中,所述图像坐标系是所述图像采集设备对应的坐标系;根据所述棋盘格标定板的尺寸,确定所述目标角点在世界坐标系下的第二坐标;根据所述目标角点在所述图像坐标系下的所述第一坐标,以及在所述世界坐标系下的所述第二坐标,对所述图像采集设备进行标定,得到所述设备参数。
在一种可能的实现方式中,所述根据所述目标角点在所述图像坐标系下的所述第一坐标,以及在所述世界坐标系下的所述第二坐标,对所述图像采集设备进行标定,得到所述设备参数,包括:根据所述目标角点在所述图像坐标系下的所述第一坐标,以及在所述世界坐标系下的所述第二坐标,构建标定约束函数;通过对所述标定约束函数进行迭代优化,确定所述设备参数。
在一种可能的实现方式中,所述设备参数包括:所述图像采集设备对应的设备内参数,以及所述标定板图像对应的设备外参数;所述根据所述目标角点在所述图像坐标系下的所述第一坐标,以及在所述世界坐标系下的所述第二坐标,构建标定约束函数,包括:基于所述目标角点在所述图像坐标系下的所述第一坐标、以及在所述世界坐标系下的所述第二坐标、所述设备内参数、所述设备外参数,构建所述目标角点对应的约束等式;基于所述目标角点对应的所述约束等式,构建所述标定约束函数。
在一种可能的实现方式中,所述通过对所述标定约束函数进行迭代优化,确定所述设备参数,包括:根据第t个设备内参数,对所述标定约束函数进行第t+1次外参优化,得到第t+1个设备外参数,其中,t是大于或等于0的整数,所述第t个设备内参数是对所述标定约束函数进行第t次内参优化后得到的;根据所述第t+1个设备外参数,对所述标定约束函数进行第t+1次内参优化,得到第t+1个设备内参数;在达到预设迭代条件的情况下,根据所述第t+1个设备内参数和所述第t+1个设备外参数,确定所述设备参数。
在一种可能的实现方式中,所述根据第t个设备内参数,对所述标定约束函数进行第t+1次外参优化,得到第t+1个设备外参数,包括:根据所述第t个设备内参数,利用奇异值分解算法,对所述标定约束函数进行第t+1次外参优化,得到所述第t+1个设备外参数。
在一种可能的实现方式中,所述根据所述第t+1个设备外参数,对所述标定约束函数进行第t+1次内参优化,得到第t+1个设备内参数,包括:根据所述第t+1个设备外参数,利用直接线性转换DLT算法,对所述标定约束函数进行第t+1次内参优化,得到所述第t+1个设备内参数。
在一种可能的实现方式中,所述预设迭代条件包括:t+1达到预设迭代次数阈值;或,所述第t+1个设备内参数和所述第t个设备内参数之间的差值小于第一阈值,且所述第t+1个设备外参数和第t个设备外参数之间的差值小于第二阈值,其中,所述第t个设备外参数是对所述标定约束函数进行第t次外参优化后得到的。
在一种可能的实现方式中,所述方法还包括:在t=0的情况下,对第0个设备内参数进行初始化,将所述第0个设备内参数初始化为单位矩阵。
根据本公开的一方面,提供了一种道路病害检测装置,包括:病害检测模块,用于对图像采集设备采集的待检测道路图像进行病害检测,得到所述待检测道路图像中的病害检测框;第一确定模块,用于根据所述图像采集设备的设备参数和所述病害检测框,确定所述病害检测框指示的道路病害在世界坐标系下的目标尺寸。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,对图像采集设备采集的待检测道路图像进行病害检测,得到待检测道路图像中的病害检测框,由于图像采集设备的设备参数,可以反映图像采集设备对应的图像坐标系与世界坐标系之间的映射关系,因此,根据图像采集设备的设备参数对病害检测框进行大小转换,可以快速确定病害检测框指示的待检测道路中存在的道路病害在世界坐标系的目标尺寸,进而可以准确反映道路病害的严重程度。
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,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
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,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的一种道路病害检测方法的流程图;
图2示出根据本公开实施例的一种道路病害检测网络的示意图;
图3示出根据本公开实施例的一种道路病害检测***的示意图;
图4示出根据本公开实施例的一种棋盘格标定板的示意图;
图5示出根据本公开实施例的一种图像采集设备对棋盘格标定板进行图像采集的示意图;
图6示出根据本公开实施例的一种道路病害检测装置的框图;
图7示出根据本公开实施例的一种电子设备的框图;
图8示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的一种道路病害检测方法的流程图。该道路病害检测方法可以由终端设备或服务器等电子设备执行,终端设备可以为用户设备(UserEquipment,UE)、移动设备、用户终端、蜂窝电话、无绳电话、个人数字助理(PersonalDigital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等,该道路病害检测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者,可通过服务器执行该道路病害检测方法。如图1所示,该道路病害检测方法可以包括:
在步骤S11中,对图像采集设备采集的待检测道路图像进行病害检测,得到待检测道路图像中的病害检测框。
这里的图像采集设备可以是用于进行道路病害检测的图像采集设备,图像采集设备可以是能够实现图像采集功能的电子设备,例如,智能相机、云台相机、监控相机、固定在道路病害巡检车上的图像采集设备等,本公开对此不作具体限定。
利用图像采集设备对待检测道路进行图像采集,可以得到待检测道路图像,例如,固定有图像采集设备的道路病害巡检车在待检测道路上进行巡检,并利用图像采集设备对待检测道路进行图像采集,以得到待检测道路图像。
通过对待检测道路图像进行病害检测,可以快速确定待检测道路图像中的病害检测框,以指示出待检测道路中存在道路病害的位置。后文会结合本公开可能的实现方式,对病害检测过程做详细描述,此处不作赘述。
在步骤S12中,根据图像采集设备的设备参数和病害检测框,确定病害检测框指示的道路病害在世界坐标系下的目标尺寸。
由于图像采集设备的设备参数,可以反映图像采集设备对应的图像坐标系与世界坐标系之间的映射关系,因此,可以根据设备参数对病害检测框进行大小转换,从而快速确定病害检测框指示的道路病害在世界坐标系下的目标尺寸。
在本公开实施例中,对图像采集设备采集的待检测道路图像进行病害检测,得到待检测道路图像中的病害检测框,由于图像采集设备的设备参数,可以反映图像采集设备对应的图像坐标系与世界坐标系之间的映射关系,因此,根据图像采集设备的设备参数对病害检测框进行大小转换,可以快速确定病害检测框指示的待检测道路中存在的道路病害在世界坐标系下的目标尺寸,进而可以准确反映道路病害的严重程度。
在一种可能的实现方式中,对图像采集设备采集的待检测道路图像进行病害检测,得到待检测道路图像中的病害检测框,包括:对待检测道路图像进行特征提取,得到目标特征图;对目标特征图进行特征池化,得到池化特征图;对池化特征图进行病害检测,得到病害检测框以及病害检测框对应的病害类别。
通过特征提取、特征池化以及病害检测操作,可以快速确定待检测道路图像中的病害检测框,以及病害检测框对应的病害类别,从而有效提高道路病害检测效率。
在一种可能的实现方式中,对图像采集设备采集的待检测道路图像进行病害检测,得到待检测道路图像中的病害检测框,通过道路病害检测网络实现。
利用道路病害检测网络,可以快速实现特征提取、特征池化以及病害检测,从而实现对待检测道路图像进行病害检测,得到待检测道路图像中的病害检测框,以及病害检测框对应的病害类别。下面详细介绍道路病害检测网络实现特征提取、特征池化以及病害检测的具体过程。
在一种可能的实现方式中,对待检测道路图像进行特征提取,得到目标特征图,包括:对待检测道路图像进行下采样特征提取,得到至少两级第一特征图;对目标第一特征图进行上采样特征提取,得到至少两级第二特征图,其中,目标第一特征图是至少两级第一特征图中尺寸最小的特征图;对至少两级第一特征图和至少两级第二特征图进行融合,得到两级目标特征图。
图2示出根据本公开实施例的一种道路病害检测网络的示意图。如图2所示,在道路病害检测网络中,使用轻量化的resnet结构网络作为骨干网络,对待检测道路图像进行下采样特征提取,得到不同尺寸的五级第一特征图。
在一种可能的实现方式中,道路病害检测网络中作为骨干网络的轻量化resnet结构网络的卷积核的通道数目,少于传统resnet结构网络的卷积核的通道数目,使得可以提高下采样特征提取的速度,进而可以提高道路病害检测效率。例如,轻量化resnet结构网络的卷积核的通道数目,是传统resnet结构网络的卷积核的通道数目的八分之一。轻量化resnet结构网络的卷积核的通道数目的具体取值可以根据实际情况确定,本公开对此不作具体限定。
将待检测道路图像输入道路病害检测网络中的骨干网络之后,经过骨干网络的卷积操作以后,实现下采样特征提取,提取得到的五级第一特征图的尺寸逐步降低,但是五级第一特征图对应的高层语义特征逐渐增强。例如,待检测道路图像的尺寸为1024×640,经过骨干网络对待检测道路图像进行特征提取之后,五级第一特征图的尺寸依次为512×320、256×160、128×80、64×40和32×20。
仍以上述图2为例,如图2所示,在道路病害检测网络中,使用特征金字塔网络(Feature Pyramid Networks,FPN)执行特征提取和特征融合操作。利用FPN网络,对五级第一特征图中尺寸最小(32×20)的目标第一特征图进行反卷积操作以后,实现上采样特征提取,得到不同尺寸的四级第二特征图,四级第二特征图的尺寸依次为64×40、128×80、256×160和512×320,进而将相同尺寸的第一特征图和第二特征图进行特征融合,得到不同尺寸的四级目标特征图。例如,将64×40的第一特征图和64×40的第二特征图进行特征融合,得到64×40的目标特征图;将128×80的第一特征图和128×80的第二特征图进行特征融合,得到128×80的目标特征图;将256×160的第一特征图和256×160的第二特征图进行特征融合,得到256×160的目标特征图;将512×320的第一特征图和512×320的第二特征图进行特征融合,得到512×320的目标特征图。
FPN将低分辨率、语义强的特征图(尺寸较小的第一特征图)和高分辨率、语义弱的特征图(尺寸较大的第一特征图),通过反卷积和元素级别相加的特征融合操作进行分辨率复原。通过FPN得到了多个具有丰富语义特征的特征金字塔(不同尺寸的多个第二特征图),使得后续利用不同尺寸的多个第二特征图进行道路病害检测时,可以提高检测结果的准确率。
在一种可能的实现方式中,对目标特征图进行特征池化,得到池化特征图,包括:分别对至少两级目标特征图进行池化,得到至少两个池化特征图;对池化特征图进行病害检测,得到病害检测框以及病害检测框对应的病害类别,包括:分别对至少两个池化特征图进行道路病害检测,得到至少两个预测结果;对至少两个预测结果进行融合,得到病害检测框以及病害检测框对应的病害类别。
仍以上述图2为例,如图2所示,针对各目标特征图,根据预设的候选目标区域(预设的候选目标区域是预设的可能存在道路病害的区域)进行特征池化(ROI Pooling),得到各目标特征图对应的池化特征图,进而基于各池化特征图分别进行类别预测和坐标回归,得到各池化特征图对应的分类置信度高于置信度阈值的预测结果(预测检测框和预测检测框对应的病害类别)。最终通过极大值抑制算法对各池化特征图对应的预测结果进行融合,将交并比大于交并比阈值的预测检测框,确定为待检测道路图像中的病害检测框,以及能够病害检测框对应的病害类别。置信度阈值和交并比阈值的具体取值可以根据实际情况确定,本公开对此不作具体限定。
图3示出根据本公开实施例的一种道路病害检测***的示意图。如图3所示,本公开实施例的道路病害检测***包括网络训练、图像采集设备标定、道路病害检测三个阶段。也就是说,在进行道路病害检测之前,需要通过网络训练得到用于进行道路病害检测的道路病害检测网络,以及对用于进行道路病害检测的图像采集设备进行标定。
下面对网络训练和图像采集设备的标定过程分别进行详细描述。
在一种可能的实现方式中,道路病害检测网络的训练样本包括多个病害类别对应的样本图像;道路病害检测网络的训练方法如下:从训练样本中随机采样对初始检测网络进行第一阶段网络训练,得到初始道路病害检测网络;利用训练样本对初始道路病害检测网络进行第二阶段网络训练,得到道路病害检测网络,其中,训练样本中包括的各样本图像,在每个训练周期中被选中进行训练的概率,与样本图像对应的病害类别相关。
通过两阶段级联式的网络训练方法,可以在不增加网络复杂度的前提下,使得训练后的道路病害检测网络,对少样本病害类别的检测精度较高。
在进行网络训练之前,首先构建道路病害检测网络的训练样本,训练样本中包括多个病害类别对应的样本图像。实际应用中,不同类别的道路病害在自然界中的分布是极不平均的,例如,裂缝、龟裂等病害类别是比较常见的,对应的样本图像的数量较多,而对于坑槽、松散等病害类别是不常见的,对应的样本图像的数量较少。对训练样本中的各样本图像随机采样进行训练,会使得训练过程中忽略少样本病害类别,导致训练后的道路病害检测网络容易对少样本病害类别产生漏检。
为了提高训练后的道路病害检测网络对少样本病害类别的检测精度,本公开实施例提供了一种两阶段级联式的网络训练方法。第一阶段网络训练的每个训练周期,训练样本中包括的各样本图像被随机采样进行训练,即在第一阶段网络训练的每个周期中各样本图像被选中进行训练的概率是相同的,经过第一阶段网络训练后得到的初始道路病害检测网络对多样本道路病害的检测精度较高。第二阶段网络训练的每个训练周期,训练样本中包括的各样本图像被选中进行训练的概率,与样本图像对应的病害类别相关,通过提高少样本病害类别对应的样本图像被选中进行训练的概率,可以使得经过第二阶段训练后的得到的道路病害检测网络,对少样本病害类别的检测精度都比较高。
对于两阶段级联式的网络训练,仅仅是增加了训练轮次,而没有增加额外的训练数据,网络训练过程中也无需增加更多的部署,便能明显提升训练后的道路病害检测网络对少样本病害类别的检测精度。
在一种可能的实现方式中,该道路病害检测方法还包括:针对训练样本中包括的任一样本图像,确定样本图像对应的目标病害类别;确定目标病害类别对应的样本图像在训练样本中的占比;根据占比,确定样本图像在第二阶段网络训练中对应的概率。
根据各病害类别对应的样本图像在训练样本中的占比,来确定各样本图像在第二阶段网络训练中的每个训练周期中被选中进行训练的概率,可以提高少样本病害类别对应的样本图像被选中进行训练的概率,从而使得经过第二阶段训练后的得到的道路病害检测网络,对少样本病害类别的检测精度都比较高。
针对第一阶段网络训练的每个训练周期,训练样本中包括的各样本图像被选中进行训练的概率是随机的,例如,训练样本中包括K个病害类别对应的样本图像,第i个病害类别对应的样本图像的数量为ni,训练样本中包括的总样本图像的数量为由于第一阶段网络训练的每个训练周期内,训练样本中包括的各样本图像被选中进行训练的概率是随机的,该概率可以是
针对第二阶段网络训练的每个训练周期,训练样本中包括的各样本图像被选中进行训练的概率,是根据样本图像对应的目标病害类别在训练样本中的数据占比得到的,例如,训练样本中包括K个病害类别对应的样本图像,第i个病害类别对应的样本图像的数量为ni,即第i个病害类别在训练样本中的数据占比是则在第二阶段网络训练的每个训练周期内,第i个病害类别对应的各样本图像被选中进行训练的概率是
第一阶段网络训练和第二阶段网络训练均可以采用反向传播的网络训练方式,还可以采用其它网络训练方式,本公开对此不作具体限定。
在一种可能的实现方式中,第二阶段网络训练对应的初始学习率,小于第一阶段网络训练对应的初始学习率。
学习率是用于控制网络训练的速率或速度的超参数。学习率较高,网络训练的速度较快,但是稳定性较差;学习率较低,网络训练的速度较慢,但是稳定性较高。
通过设置第二阶段网络训练对应的初始学习率,小于第一阶段网络训练对应的初始学习率,使得可以降低第二阶段网络训练的速度,对第二阶段网络训练进行更加精细的训练过程,以提高经过第二阶段网络训练后的道路病害检测网络的稳定性。
利用包括1000张测试图像的测试样本,对本公开实施例中经过两阶段级联式训练得到的道路病害检测网络,以及相关技术中经过单阶段级联式训练得到的道路病害检测网络进行测试,测试结果显示,经过两阶段级联式训练得到的道路病害检测网络和经过单阶段级联式训练得到的道路病害检测网络,在对多样本病害类别进行病害检测时,检测准确率大致相同,但是,在对少样本病害类别进行病害检测时,经过两阶段级联式训练得到的道路病害检测网络,相比于经过单阶段级联式训练得到的道路病害检测网络,检测准确率从70.4%,提高到了85.6%。因此,本公开实施例中经过两阶段级联式训练得到的道路病害检测网络,对少样本病害类别的检测精度得到了明显提高。
在一种可能的实现方式中,该道路病害检测方法还包括:对图像采集设备进行标定,得到设备参数。
为了实现本公开实施例的道路病害检测,在实际进行道路病害检测之前,还需要对用于进行道路病害检测的图像采集设备进行标定,以得到图像采集设备的设备参数。由于图像采集设备的设备参数可以反映图像采集设备对应的图像坐标系与世界坐标系之间的映射关系,使得后续可以根据图像采集设备的设备参数,确定道路病害在世界坐标系下的目标尺寸。下面详细介绍对图像采集设备的标定过程。
在一种可能的实现方式中,对图像采集设备进行标定,得到设备参数,包括:获取图像采集设备对棋盘格标定板进行图像采集得到的标定板图像;对标定板图像进行角点检测,得到标定板图像中的目标角点,以及目标角点在图像坐标系下的第一坐标,其中,图像坐标系是图像采集设备对应的坐标系;根据棋盘格标定板的尺寸,确定目标角点在世界坐标系下的第二坐标;根据目标角点在图像坐标系下的第一坐标,以及在世界坐标系下的第二坐标,对图像采集设备进行标定,得到设备参数。
利用棋盘格标定板和角点检测算法,可以快速确定目标角点在图像采集设备对应的图像坐标系下的第一坐标,以及目标角点在世界坐标系下的第二坐标,进而可以快速实现对图像采集设备的标定,以得到设备参数。
图4示出根据本公开实施例的一种棋盘格标定板的示意图。如图4所示,棋盘格标定板是由8×8个大小相同的黑白方格构成的,每个黑白方格在世界坐标系下的尺寸为5cm×5cm。棋盘格标定板的尺寸(包括多少个黑白方格),以及每个黑白方格在世界坐标系下的尺寸可以根据实际情况确定,本公开对此不作具体限定。
当图像采集设备固定到合适位置之后(例如,固定到道路病害巡检车之后),将棋盘格标定板放置在道路上,利用图像采集设备对放置在不同位置的棋盘格标定板进行图像采集,得到多个标定板图像。
图5示出根据本公开实施例的一种图像采集设备对棋盘格标定板进行图像采集的示意图。如图5所示,利用图像采集设备对放置在位置1和位置2的棋盘格标定板进行图像采集,其中,位置1为图像采集设备的画面中心位置,位置2为相较于位置1靠近图像采集设备方向移动约2m的距离。棋盘格标定板的位置可以是图像采集设备的画面中的任意位置,本公开对此不作具体限定。
在得到棋盘格标定板对应的标定板图像之后,对标定板图像进行角点检测,得到标定板图像中的目标角点,以及目标角点在图像坐标系下的第一坐标。目标角点可以是棋盘格标定板中黑色方块相互连通的位置。
在一示例中,利用Open CV的Find Chessboard Corners函数,自动检测标定板图像中的目标角点。仍以上述图4为例,由于棋盘格标定板是由8×8个大小相同的黑白方格构成,即棋盘格标定板中包括的目标角点的数量为7×7,因此,将Find Chessboard Corners函数中的目标参数pattern_size设置为(7,7),目标参数pattern_size用于指示标定板图像中每行和每列中包括的目标角点的数量。Find Chessboard Corners函数中的其它参数可设置为默认值。利用Find Chessboard Corners函数,可以直接确定标定板图像中7×7=49个目标角点,以及各目标角点在图像坐标系下的第一坐标。
根据棋盘格标定板的尺寸,可以确定棋盘格标定板在世界坐标系下的第二坐标,仍以上述图4为例,由于棋盘格标定板是由8×8个大小相同的黑白方格构成,棋盘格标定板中包括7×7=49个目标角点,则目标角点在世界坐标系下的第二坐标可以为(0,0)、(0,1)、(1,0)……(6,6)。
在确定目标角点在图像坐标系下的第一坐标,以及在世界坐标系下的第二坐标之后,可以进一步对图像采集设备进行标定,得到设备参数。
在一种可能的实现方式中,根据目标角点在图像坐标系下的第一坐标,以及在世界坐标系下的第二坐标,对图像采集设备进行标定,得到设备参数,包括:根据目标角点在图像坐标系下的第一坐标,以及在世界坐标系下的第二坐标,构建标定约束函数;通过对标定约束函数进行迭代优化,确定设备参数。
在确定目标角点在图像坐标系下的第一坐标,以及在世界坐标系下的第二坐标之后,可以通过构建标定约束函数,以及对标定约束函数进行迭代优化的方式,实现对图像采集设备的标定。
在一示例中,点P在图像坐标系下的第一坐标是(u,v,1)T,在世界坐标系下的第二坐标是(x,y,1)T的情况下,根据图像采集设备的无畸变小孔成像原理,图像采集设备的成像模型如下述公式(1)所示:
根据目标角点在图像坐标系下的第一坐标,以及在世界坐标系下的第二坐标,利用上述公式(1)所示的图像采集设备的成像模型,可以构建用于进行图像采集设备标定的标定约束函数。
在一种可能的实现方式中,设备参数包括:图像采集设备对应的设备内参数,以及标定板图像对应的设备外参数;根据目标角点在图像坐标系下的第一坐标,以及世界坐标系下的第二坐标,构建标定约束函数,包括:基于目标角点在图像机坐标系下的第一坐标、以及在世界坐标系下的第二坐标、设备内参数、设备外参数,构建目标角点对应的约束等式;基于目标角点对应的约束等式,构建标定约束函数。
在一示例中,第i个标定板图像中包括的第j个目标角点在图像坐标系下的第一坐标为在世界坐标系下的第二坐标为根据上述公式(1)所示的图像采集设备的成像模型,可以构建得到如下述公式(2)所示的第i个标定板图像中包括的第j个目标角点对应的约束等式:
基于重投影均方误差模型,以及上述公式(2)所示的约束等式,可以构建如下公式(3)所示的标定约束函数:
其中,n为标定板图像的总数量,m为第i个标定板图像中包括的目标角点的总数量。
在一种可能的实现方式中,通过对标定约束函数进行迭代优化,确定设备参数,包括:根据第t个设备内参数,对标定约束函数进行第t+1次外参优化,得到第t+1个设备外参数,其中,t是大于或等于0的整数,第t个设备内参数是对标定约束函数进行第t次内参优化后得到的;根据第t+1个设备外参数,对标定约束函数进行第t+1次内参优化,得到第t+1个单应矩阵参数;在达到预设迭代条件的情况下,根据第t+1个设备内参数和第t+1个设备外参数,确定设备参数。
根据上述公式(3)所示的标定约束函数,执行下述迭代优化过程。
步骤a、根据第t个设备内参数,对标定约束函数进行第t+1次外参优化,得到第t+1个设备外参数。
在一种可能的实现方式中,根据第t个设备内参数,对标定约束函数进行第t+1次外参优化,得到第t+1个设备外参数,包括:根据第t个设备内参数,利用奇异值分解算法,对标定约束函数进行第t+1次外参优化,得到第t+1个设备外参数。
针对上述公式(3)所示的标定约束函数,对标定约束函数进行第t+1次外参优化时,将标定约束函数中的设备内参数K,固定为对标定约束函数进行第t次内参优化后得到的第t个设备内参数不变,利用二维空间点云匹配原理,使用奇异值分解算法,基于第i个标定板图像,求解第t+1次外参优化后得到的第t+1个设备外参数Ti。
假设是将第i个标定板图像中包括的第j个目标角点在图像坐标系中的第一坐标,转换到世界坐标系后的第三坐标。是第i个标定板图像中包括的第j个目标角点在世界坐标系下的第二坐标。则可以将上述公式(3)所示的标定约束函数转换为下述公式(4):
因此,可以将上述公式(5)简化为公式(6):
使用奇异值分解算法对上述公式(6)进行求解,确定第t+1次外参优化后得到的第t+1个设备外参数,包括下述公式(7)所示的旋转矩阵Ri和平移矩阵ti:
ti=uq-Riup
在一种可能的实现方式中,该道路病害检测方法还包括:在t=0的情况下,对第0个设备内参数进行初始化,将第0个设备内参数初始化为单位矩阵。
在初始化阶段,将第0个设备内参数初始化为单位矩阵,然后执行上述步骤a的第一次外参优化,即根据第0个设备内参数,对标定约束函数进行第1次外参优化,求解得到第1个设备外参数。
步骤b、根据第t+1个设备外参数,对标定约束函数进行第t+1次内参优化,得到第t+1个设备内参数
在一种可能的实现方式中,根据第t+1个设备外参数,对标定约束函数进行第t+1次内参优化,得到第t+1个设备内参数,包括:根据第t+1个设备外参数,利用直接线性转换(DLT,Direct Linear Transform)算法,对标定约束函数进行第t+1次内参优化,得到第t+1个设备内参数。
针对上述公式(3)所示的标定约束函数,对标定约束函数进行第t+1次内参优化时,将标定约束函数中的设备外参数Ti,固定为对标定约束函数进行第t+1次外参优化后得到的第t+1个设备外参数不变,利用DLT算法求解第t+1次内参优化后得到的第t+1个设备内参数K。
利用DLT算法求解公式(8),可以得到第t+1次内参优化后得到的第t+1个设备内参数。
交替执行上述步骤a和步骤b,在达到预设迭代条件的情况下,根据第t+1个设备内参数和第t+1个设备外参数,确定图像采集设备的设备参数。
在一种可能的实现方式中,预设迭代条件包括:t+1达到预设迭代次数阈值;或,第t+1个设备内参数和第t个设备内参数之间的差值小于第一阈值,且第t+1个设备外参数和第t个设备外参数之间的差值小于第二阈值,其中,第t个设备外参数是对标定约束函数进行第t次外参优化后得到的。
预设迭代次数阈值的具体取值可以根据实际情况确定,例如,预设迭代次数阈值为5000次。
第t+1个设备内参数和第t个设备内参数之间的差值小于第一阈值,且第t+1个设备外参数和第t个设备外参数之间的差值小于第二阈值,可以表明迭代优化过程中标定约束函数已经达到收敛。其中,第一阈值和第二阈值的具体取值可以根据实际情况确定,第一阈值和第二阈值的取值可以相同,也可以不相同,例如,第一阈值和第二阈值均为10-5,本公开对此不作具体限定。
预设迭代条件除了可以包括上述条件以外,还可以根据实际情况设置其它条件,本公开对此不作具体限定。
在训练好道路病害检测网络,以及对图像采集设备进行标定之后,可以利用标定后的图像采集设备对待检测道路进行图像采集,得到待检测道路图像,进而将待检测道路图像输入道路病害检测网络,经过道路病害检测网络进行病害检测,输出待检测道路图像中的病害检测框,以及病害检测框对应的病害类别,并利用标定后得到的图像采集设备的设备参数和病害检测框,确定病害检测框指示的道路病害在世界坐标系下的目标尺寸。具体病害检测过程与上述图2所示的具体病害检测过程类似,此处不再赘述。
在一种可能的实现方式中,根据图像采集设备的设备参数和病害检测框,确定病害检测框指示的道路病害在世界坐标系下的目标尺寸,包括:确定病害检测框在图像坐标系下的参考尺寸,其中,图像坐标系为图像采集设备对应的坐标系;根据设备参数对参考尺寸进行转换,得到目标尺寸。
在一种可能的实现方式中,确定病害检测框在图像坐标系下的参考尺寸,包括:确定病害检测框在图像坐标系下的两条对角线长度;将两条对角线长度的平均值,确定为参考尺寸。
利用病害检测框中两条对角线的长度平均值来作为病害检测框在图像坐标系下的参考尺寸,可以有效反映病害检测框在图像坐标系下的大小。
根据图像采集设备的设备参数,可以得到类似上述公式(2)的映射关系,即世界坐标系和图像采集设备对应的图像坐标系之间的映射关系,进而可以根据世界坐标系和图像坐标系之间的映射关系,对病害检测框在图像坐标系下的参考尺寸进行转换,从而实现快速确定待检测道路中存在的道路病害在世界坐标系下的目标尺寸。相比于相关技术中需要通过扫描相机或激光雷达来确定待检测道路中存在的道路病害在世界坐标系下的目标尺寸的方式,通过对图像采集设备的标定来确定待检测道路中存在的道路病害在世界坐标系下的目标尺寸的方式,部署快捷,可以降低成本,且有利于提高道路病害检测效率。
仍以上述图4为例,在利用棋盘格标定板对图像采集设备进行标定,且棋盘标定板中每个黑白方格在世界坐标系下的尺寸为5cm×5cm的情况下,确定病害检测框在图像坐标系下的两条对角线长度,并将两条对角线长度的平均值,确定为病害检测框在图像坐标系下的参考尺寸,进而根据设备参数,利用世界坐标系和图像坐标系之间的映射关系,对病害检测框在图像坐标系下的参考尺寸进行尺寸转换,从而得到病害检测框在世界坐标下的目标尺寸,将该目标尺寸再乘以每个格子的真实长度5cm,最终可以得到待检测道路中存在的道路病害在真实世界中的实际尺寸,从而准确反映道路病害的严重程度。
在一种可能的实现方式中,在图像采集设备是固定在道路病害巡检车上的情况下,在确定病害检测框指示的待检测道路中存在的道路病害在世界坐标下的目标尺寸之后,还可以通过确定道路病害寻检车的GPS坐标,来确定待检测道路中存在道路病害的地理位置,以便于准确定位待检测道路中存在的道路病害,并对其进行及时修复。
在一种可能的实现方式中,记录检测到待检测道路中存在道路病害的时刻,并统计预设时长内待检测道路中不同时间的道路病害存在的数量,以便于对待检测道路的养护分析工作提供依据。
本公开实施例提供的道路病害检测方法,适用于不同种类的图像采集设备和待检测道路,本公开对此不作具体限定。在图像采集设备的位置固定(例如,固定在同一道路病害巡检车辆的同一位置)的情况下,图像采集设备仅需进行一次标定,标定得到的设备参数可以重复使用。若后续图像采集设备的位置发生变动,可以对图像采集设备进行重新标定,以得到更新后的设备参数。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了道路病害检测装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种道路病害检测方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图6示出根据本公开实施例的一种道路病害检测装置的框图。如图6所示,装置60包括:
病害检测模块61,用于对图像采集设备采集的待检测道路图像进行病害检测,得到待检测道路图像中的病害检测框;
第一确定模块62,用于根据图像采集设备的设备参数和病害检测框,确定病害检测框指示的道路病害在世界坐标系下的目标尺寸。
在一种可能的实现方式中,病害检测模块61,包括:
特征提取子模块,用于对待检测道路图像进行特征提取,得到目标特征图;
特征池化子模块,用于对目标特征图进行特征池化,得到池化特征图;
病害检测子模块,用于对池化特征图进行病害检测,得到病害检测框以及病害检测框对应的病害类别。
在一种可能的实现方式中,特征提取子模块,具体用于:
对待检测道路图像进行下采样特征提取,得到至少两级第一特征图;
对目标第一特征图进行上采样特征提取,得到至少两级第二特征图,其中,目标第一特征图是至少两级第一特征图中尺寸最小的特征图;
对至少两级第一特征图和至少两级第二特征图进行融合,得到至少两级目标特征图。
在一种可能的实现方式中,特征池化子模块,具体用于:
分别对至少两级目标特征图进行池化,得到至少两个池化特征图;
病害检测子模块,具体用于:
分别对至少两个池化特征图进行道路病害检测,得到至少两个预测结果;
对至少两个预测结果进行融合,得到病害检测框以及所述病害检测框对应的病害类别。
在一种可能的实现方式中,第一确定模块62,包括:
第一确定子模块,用于确定病害检测框在图像坐标系下的参考尺寸,其中,图像坐标系是图像采集设备对应的坐标系;
第二确定子模块,用于根据设备参数对参考尺寸进行转换,得到目标尺寸。
在一种可能的实现方式中,第一确定子模块,具体用于:
确定病害检测框在图像坐标系下的两条对角线长度;
将两条对角线长度的平均值,确定为参考尺寸。
在一种可能的实现方式中,病害检测模块61,通过道路病害检测网络实现道路病害检测;
道路病害检测网络的训练样本包括多个病害类别对应的样本图像;
装置60,还包括:
第一训练模块,用于从训练样本中随机采样对初始检测网络进行第一阶段网络训练,得到初始道路病害检测网络;
第二训练模块,用于利用训练样本对初始道路病害检测网络进行第二阶段网络训练,得到道路病害检测网络,其中,训练样本中包括的各样本图像,在每个训练周期中被选中进行训练的概率,与样本图像对应的病害类别相关。
在一种可能的实现方式中,装置60,还包括:
第二确定模块,用于针对训练样本中包括的任一样本图像,确定样本图像对应的目标病害类别;
第三确定模块,用于确定目标病害类别对应的样本图像在训练样本中的占比;
第四确定模块,用于根据占比,确定样本图像在第二阶段网络训练中对应的概率。
在一种可能的实现方式中,第二阶段网络训练对应的初始学习率,小于第一阶段网络训练对应的初始学习率。
在一种可能的实现方式中,装置60,还包括:
标定模块,用于对图像采集设备进行标定,得到设备参数。
在一种可能的实现方式中,标定模块,包括:
获取子模块,用于获取图像采集设备对棋盘格标定板进行图像采集得到的标定板图像;
角点检测子模块,用于对标定板图像进行角点检测,得到标定板图像中的目标角点,以及目标角点在图像坐标系下的第一坐标,其中,图像坐标系是图像采集设备对应的坐标系;
第三确定子模块,用于根据棋盘格标定板的尺寸,确定目标角点在世界坐标系下的第二坐标;
标定子模块,用于根据目标角点在图像坐标系下的第一坐标,以及在世界坐标系下的第二坐标,对图像采集设备进行标定,得到设备参数。
在一种可能的实现方式中,标定子模块,包括:
标定约束函数构建单元,用于根据目标角点在图像坐标系下的第一坐标,以及在世界坐标系下的第二坐标,构建标定约束函数;
迭代优化单元,用于通过对标定约束函数进行迭代优化,确定设备参数。
在一种可能的实现方式中,设备参数包括:图像采集设备对应的设备内参数,以及标定板图像对应的设备外参数;
标定约束函数构建单元,具体用于:
基于目标角点在图像坐标系下的第一坐标、以及在世界坐标系下的第二坐标、设备内参数、设备外参数,构建目标角点对应的约束等式;
基于目标角点对应的约束等式,构建标定约束函数。
在一种可能的实现方式中,迭代优化单元,包括:
外参优化子单元,用于根据第t个设备内参数,对标定约束函数进行第t+1次外参优化,得到第t+1个设备外参数,其中,t是大于或等于0的整数,第t个设备内参数是对标定约束函数进行第t次内参优化后得到的;
内参优化子单元,用于根据第t+1个设备外参数,对标定约束函数进行第t+1次内参优化,得到第t+1个设备内参数;
确定子单元,用于在达到预设迭代条件的情况下,根据第t+1个设备内参数和第t+1个设备外参数,确定设备参数。
在一种可能的实现方式中,外参优化子单元,具体用于:
根据第t个设备内参数,利用奇异值分解算法,对标定约束函数进行第t+1次外参优化,得到第t+1个设备外参数。
在一种可能的实现方式中,内参优化子单元,具体用于:
根据第t+1个设备外参数,利用直接线性转换DLT算法,对标定约束函数进行第t+1次内参优化,得到第t+1个设备内参数。
在一种可能的实现方式中,预设迭代条件包括:t+1达到预设迭代次数阈值;或,
第t+1个设备内参数和第t个设备内参数之间的差值小于第一阈值,且第t+1个设备外参数和第t个设备外参数之间的差值小于第二阈值,其中,第t个设备外参数是对标定约束函数进行第t次外参优化后得到的。
在一种可能的实现方式中,装置60,还包括:
初始化模块,用于在t=0的情况下,对第0个设备内参数进行初始化,将第0个设备内参数初始化为单位矩阵。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的道路病害检测方法的指令。
本公开实施例还提供了另一种计算机程序产品,用于存储计算机可读指令,指令被执行时使得计算机执行上述任一实施例提供的道路病害检测方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7示出根据本公开实施例的一种电子设备的框图。如图7所示,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图7,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如无线网络(WiFi),第二代移动通信技术(2G)或第三代移动通信技术(3G),或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8示出根据本公开实施例的一种电子设备的框图。如图8所示,电子设备1900可以被提供为一服务器。参照图8,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***,例如微软服务器操作***(Windows ServerTM),苹果公司推出的基于图形用户界面操作***(Mac OSXTM),多用户多进程的计算机操作***(UnixTM),自由和开放原代码的类Unix操作***(LinuxTM),开放原代码的类Unix操作***(FreeBSDTM)或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法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、程序段或指令的一部分,所述模块、程序段或指令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。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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (16)
1.一种道路病害检测方法,其特征在于,包括:
对图像采集设备采集的待检测道路图像进行病害检测,得到所述待检测道路图像中的病害检测框;
根据所述图像采集设备的设备参数和所述病害检测框,确定所述病害检测框指示的道路病害在世界坐标系下的目标尺寸;
所述方法还包括:
对所述图像采集设备进行标定,得到所述设备参数;
所述对所述图像采集设备进行标定,得到所述设备参数,包括:
获取所述图像采集设备对棋盘格标定板进行图像采集得到的标定板图像;
对所述标定板图像进行角点检测,得到所述标定板图像中的目标角点,以及所述目标角点在图像坐标系下的第一坐标,其中,所述图像坐标系是所述图像采集设备对应的坐标系;
根据所述棋盘格标定板的尺寸,确定所述目标角点在世界坐标系下的第二坐标;
根据所述目标角点在所述图像坐标系下的所述第一坐标,以及在所述世界坐标系下的所述第二坐标,对所述图像采集设备进行标定,得到所述设备参数;
所述根据所述目标角点在所述图像坐标系下的所述第一坐标,以及在所述世界坐标系下的所述第二坐标,对所述图像采集设备进行标定,得到所述设备参数,包括:
根据所述目标角点在所述图像坐标系下的所述第一坐标,以及在所述世界坐标系下的所述第二坐标,构建标定约束函数;
通过对所述标定约束函数进行迭代优化,确定所述设备参数;
其中,所述设备参数包括:所述图像采集设备对应的设备内参数,以及所述标定板图像对应的设备外参数;
所述根据所述目标角点在所述图像坐标系下的所述第一坐标,以及在所述世界坐标系下的所述第二坐标,构建标定约束函数,包括:
基于所述目标角点在所述图像坐标系下的所述第一坐标、所述目标角点在所述世界坐标系下的所述第二坐标、所述设备内参数、所述设备外参数,构建所述目标角点对应的约束等式;
基于所述目标角点对应的所述约束等式,构建所述标定约束函数;
所述通过对所述标定约束函数进行迭代优化,确定所述设备参数,包括:
根据第t个设备内参数,对所述标定约束函数进行第t+1次外参优化,得到第t+1个设备外参数,其中,t是大于或等于0的整数,所述第t个设备内参数是对所述标定约束函数进行第t次内参优化后得到的;
根据所述第t+1个设备外参数,对所述标定约束函数进行第t+1次内参优化,得到第t+1个设备内参数;
在达到预设迭代条件的情况下,根据所述第t+1个设备内参数和所述第t+1个设备外参数,确定所述设备参数。
2.根据权利要求1所述的方法,其特征在于,所述对图像采集设备采集的待检测道路图像进行病害检测,得到所述待检测道路图像中的病害检测框,包括:
对所述待检测道路图像进行特征提取,得到目标特征图;
对所述目标特征图进行特征池化,得到池化特征图;
对所述池化特征图进行病害检测,得到所述病害检测框以及所述病害检测框对应的病害类别。
3.根据权利要求2所述的方法,其特征在于,所述对所述待检测道路图像进行特征提取,得到目标特征图,包括:
对所述待检测道路图像进行下采样特征提取,得到至少两级第一特征图;
对目标第一特征图进行上采样特征提取,得到至少两级第二特征图,其中,所述目标第一特征图是所述至少两级第一特征图中尺寸最小的特征图;
对所述至少两级第一特征图和所述至少两级第二特征图进行融合,得到至少两级目标特征图。
4.根据权利要求3所述的方法,其特征在于,所述对所述目标特征图进行特征池化,得到池化特征图,包括:
分别对所述至少两级目标特征图进行池化,得到至少两个池化特征图;
所述对所述池化特征图进行病害检测,得到所述病害检测框以及所述病害检测框对应的病害类别,包括:
分别对所述至少两个池化特征图进行道路病害检测,得到至少两个预测结果;
对所述至少两个预测结果进行融合,得到所述病害检测框以及所述病害检测框对应的病害类别。
5.根据权利要求1至4中任意一项所述的方法,其特征在于,所述根据所述图像采集设备的设备参数和所述病害检测框,确定所述病害检测框指示的道路病害在世界坐标系下的目标尺寸,包括:
确定所述病害检测框在图像坐标系下的参考尺寸,其中,所述图像坐标系是所述图像采集设备对应的坐标系;
根据所述设备参数对所述参考尺寸进行转换,得到所述目标尺寸。
6.根据权利要求5所述的方法,其特征在于,所述确定所述病害检测框在图像坐标系下的参考尺寸,包括:
确定所述病害检测框在所述图像坐标系下的两条对角线长度;
将所述两条对角线长度的平均值,确定为所述参考尺寸。
7.根据权利要求1至4中任意一项所述的方法,其特征在于,所述对图像采集设备采集的待检测道路图像进行病害检测,得到所述待检测道路图像中的病害检测框,通过道路病害检测网络实现;
所述道路病害检测网络的训练样本包括多个病害类别对应的样本图像;
所述道路病害检测网络的训练方法如下:
从所述训练样本中随机采样对初始检测网络进行第一阶段网络训练,得到初始道路病害检测网络;
利用所述训练样本对所述初始道路病害检测网络进行第二阶段网络训练,得到所述道路病害检测网络,其中,所述训练样本中包括的各样本图像,在每个训练周期中被选中进行训练的概率,与所述样本图像对应的病害类别相关。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
针对所述训练样本中包括的任一样本图像,确定所述样本图像对应的目标病害类别;
确定所述目标病害类别对应的样本图像在所述训练样本中的占比;
根据所述占比,确定所述样本图像在所述第二阶段网络训练中对应的所述概率。
9.根据权利要求7所述的方法,其特征在于,所述第二阶段网络训练对应的初始学习率,小于所述第一阶段网络训练对应的初始学习率。
10.根据权利要求1所述的方法,其特征在于,所述根据第t个设备内参数,对所述标定约束函数进行第t+1次外参优化,得到第t+1个设备外参数,包括:
根据所述第t个设备内参数,利用奇异值分解算法,对所述标定约束函数进行第t+1次外参优化,得到所述第t+1个设备外参数。
11.根据权利要求1或10所述的方法,其特征在于,所述根据所述第t+1个设备外参数,对所述标定约束函数进行第t+1次内参优化,得到第t+1个设备内参数,包括:
根据所述第t+1个设备外参数,利用直接线性转换DLT算法,对所述标定约束函数进行第t+1次内参优化,得到所述第t+1个设备内参数。
12.根据权利要求1或10所述的方法,其特征在于,所述预设迭代条件包括:t+1达到预设迭代次数阈值;或,
所述第t+1个设备内参数和所述第t个设备内参数之间的差值小于第一阈值,且所述第t+1个设备外参数和第t个设备外参数之间的差值小于第二阈值,其中,所述第t个设备外参数是对所述标定约束函数进行第t次外参优化后得到的。
13.根据权利要求1或10所述的方法,其特征在于,所述方法还包括:
在t=0的情况下,对第0个设备内参数进行初始化,将所述第0个设备内参数初始化为单位矩阵。
14.一种道路病害检测装置,其特征在于,包括:
病害检测模块,用于对图像采集设备采集的待检测道路图像进行病害检测,得到所述待检测道路图像中的病害检测框;
第一确定模块,用于根据所述图像采集设备的设备参数和所述病害检测框,确定所述病害检测框指示的道路病害在世界坐标系下的目标尺寸;
所述装置还包括:
标定模块,用于对所述图像采集设备进行标定,得到所述设备参数;
所述标定模块,包括:
获取子模块,用于获取所述图像采集设备对棋盘格标定板进行图像采集得到的标定板图像;
角点检测子模块,用于对所述标定板图像进行角点检测,得到所述标定板图像中的目标角点,以及所述目标角点在图像坐标系下的第一坐标,其中,所述图像坐标系是所述图像采集设备对应的坐标系;
第三确定子模块,用于根据所述棋盘格标定板的尺寸,确定所述目标角点在世界坐标系下的第二坐标;
标定子模块,用于根据所述目标角点在图像坐标系下的第一坐标,以及在所述世界坐标系下的第二坐标;
所述标定子模块,包括:
标定约束函数构建单元,用于根据所述目标角点在所述图像坐标系下的第一坐标,以及在所述世界坐标系下的所述第二坐标,构建标定约束函数;
迭代优化单元,用于通过对所述标定约束函数进行迭代优化,确定所述设备参数;
其中,所述设备参数包括:所述图像采集设备对应的设备内参数,以及所述标定板图像对应的设备外参数;
所述标定约束函数构建单元,具体用于:
基于所述目标角点在所述图像坐标系下的所述第一坐标、所述目标角点在所述世界坐标系下的所述第二坐标、所述设备内参数、所述设备外参数,构建所述目标角点对应的约束等式;
所述迭代优化单元,包括:
外参优化子单元,用于根据第t个设备内参数,对所述标定约束函数进行第t+1次外参优化,得到第t+1个设备外参数,其中,t是大于或等于0的整数,所述第t个设备内参数是对所述标定约束函数进行第t次内参优化后得到的;
内参优化子单元,用于根据所述第t+1个设备外参数,对所述标定约束函数进行第t+1次内参优化,得到第t+1个设备内参数;
确定子单元,用于在达到预设迭代条件的情况下,根据所述第t+1个设备内参数和所述第t+1个设备外参数,确定所述设备参数。
15.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至13中任意一项所述的方法。
16.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至13中任意一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110454706.5A CN113066086B (zh) | 2021-04-26 | 2021-04-26 | 道路病害检测方法及装置、电子设备和存储介质 |
PCT/CN2021/121795 WO2022227405A1 (zh) | 2021-04-26 | 2021-09-29 | 道路病害检测方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110454706.5A CN113066086B (zh) | 2021-04-26 | 2021-04-26 | 道路病害检测方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113066086A CN113066086A (zh) | 2021-07-02 |
CN113066086B true CN113066086B (zh) | 2022-08-30 |
Family
ID=76567704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110454706.5A Active CN113066086B (zh) | 2021-04-26 | 2021-04-26 | 道路病害检测方法及装置、电子设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113066086B (zh) |
WO (1) | WO2022227405A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113066086B (zh) * | 2021-04-26 | 2022-08-30 | 深圳市商汤科技有限公司 | 道路病害检测方法及装置、电子设备和存储介质 |
CN113658144B (zh) * | 2021-08-20 | 2023-06-27 | 中国公路工程咨询集团有限公司 | 路面病害几何信息的确定方法、装置、设备及介质 |
CN113808098A (zh) * | 2021-09-14 | 2021-12-17 | 丰图科技(深圳)有限公司 | 道路病害识别方法、装置、电子设备及可读存储介质 |
CN116030074A (zh) * | 2022-12-30 | 2023-04-28 | 深圳云天励飞技术股份有限公司 | 一种道路病害的识别方法、重识别方法及相关设备 |
CN116758507B (zh) * | 2023-07-03 | 2023-12-19 | 中铁建设集团有限公司 | 基于病害图像采集、分割的道面质量分析方法、装置及程序 |
CN116629618B (zh) * | 2023-07-19 | 2023-10-03 | 铁正检测科技有限公司 | 基于互联网的桥梁病害诊断*** |
CN117077449B (zh) * | 2023-10-17 | 2024-03-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 道路脱空区域高度演化预测方法、电子设备及存储介质 |
CN117455902B (zh) * | 2023-12-15 | 2024-03-08 | 北京交通大学 | 一种基于预训练大模型的轨道缺陷检测方法及装置 |
CN118134055B (zh) * | 2024-05-06 | 2024-07-19 | 北京城建设计发展集团股份有限公司 | 一种考虑病害交叉影响的隧道病害发生概率预测方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794718B (zh) * | 2015-04-27 | 2019-01-15 | 广东省第二人民医院 | 一种单图像ct机房监控摄像机标定的方法 |
CN106651961B (zh) * | 2016-12-09 | 2019-10-11 | 中山大学 | 一种基于彩色立体标定物的无人机标定方法及*** |
CN108269289B (zh) * | 2018-01-16 | 2021-08-10 | 上海汇像信息技术有限公司 | 一种相机参数标定的两步优化方法 |
CN109300126B (zh) * | 2018-09-21 | 2022-01-07 | 重庆建工集团股份有限公司 | 一种基于空间位置的桥梁病害高精度智能检测方法 |
CN109685124A (zh) * | 2018-12-14 | 2019-04-26 | 斑马网络技术有限公司 | 基于神经网络的道路病害识别方法及装置 |
CN110677599B (zh) * | 2019-09-30 | 2021-11-05 | 西安工程大学 | 一种重建360度全景视频图像的***和方法 |
CN110796649B (zh) * | 2019-10-29 | 2022-08-30 | 北京市商汤科技开发有限公司 | 目标检测方法及装置、电子设备和存储介质 |
CN111339880A (zh) * | 2020-02-19 | 2020-06-26 | 北京市商汤科技开发有限公司 | 一种目标检测方法及装置、电子设备和存储介质 |
CN111325724B (zh) * | 2020-02-19 | 2023-06-09 | 石家庄铁道大学 | 隧道裂纹区域检测方法和装置 |
CN111553236B (zh) * | 2020-04-23 | 2022-06-07 | 福建农林大学 | 基于道路前景图像的路面病害目标检测与实例分割方法 |
CN111784657A (zh) * | 2020-06-29 | 2020-10-16 | 福建中航赛凡信息科技有限公司 | 一种基于数字图像的水泥路面病害自动识别的***及方法 |
CN113066086B (zh) * | 2021-04-26 | 2022-08-30 | 深圳市商汤科技有限公司 | 道路病害检测方法及装置、电子设备和存储介质 |
-
2021
- 2021-04-26 CN CN202110454706.5A patent/CN113066086B/zh active Active
- 2021-09-29 WO PCT/CN2021/121795 patent/WO2022227405A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2022227405A1 (zh) | 2022-11-03 |
CN113066086A (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113066086B (zh) | 道路病害检测方法及装置、电子设备和存储介质 | |
CN111983635B (zh) | 位姿确定方法及装置、电子设备和存储介质 | |
CN110674719B (zh) | 目标对象匹配方法及装置、电子设备和存储介质 | |
CN111339846A (zh) | 图像识别方法及装置、电子设备和存储介质 | |
US20210110522A1 (en) | Image processing method and apparatus, and storage medium | |
TWI753348B (zh) | 位姿確定方法、位姿確定裝置、電子設備和電腦可讀儲存媒介 | |
CN110503689B (zh) | 位姿预测方法、模型训练方法及装置 | |
CN111881956A (zh) | 网络训练方法及装置、目标检测方法及装置和电子设备 | |
WO2023103377A1 (zh) | 标定方法及装置、电子设备、存储介质及计算机程序产品 | |
CN113066135A (zh) | 图像采集设备的标定方法及装置、电子设备和存储介质 | |
CN111898676B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN112945207B (zh) | 目标定位方法及装置、电子设备和存储介质 | |
CN112184787A (zh) | 图像配准方法及装置、电子设备和存储介质 | |
CN112967264A (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
CN113139471A (zh) | 目标检测方法及装置、电子设备和存储介质 | |
WO2023093120A1 (zh) | 图像处理方法及装置、电子设备、存储介质和计算机程序产品 | |
CN111523599B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
US11238563B2 (en) | Noise processing method and apparatus | |
CN109840059B (zh) | 用于显示图像的方法和装置 | |
CN113538310A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113283343A (zh) | 人群定位方法及装置、电子设备和存储介质 | |
CN114550086A (zh) | 一种人群定位方法及装置、电子设备和存储介质 | |
CN114445778A (zh) | 一种计数方法及装置、电子设备和存储介质 | |
CN113066134A (zh) | 一种视觉传感器的标定方法及装置、电子设备和存储介质 | |
CN116740158B (zh) | 图像深度确定方法、装置和存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40050082 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |