CN114758322A - 基于机器识别的道路质量检测*** - Google Patents

Abstract

本发明公开了基于机器识别的道路质量检测***，图像采集模块，用于获取至少两个时间点的道路图像信息及道路图像信息所对应的位置信息；图像识别模块，用于识别道路图像信息中的异常区域；分析模块，用于对比同一位置不同时间点道路图像信息中的异常区域，根据对比结果判断道路质量；本申请中对比的方式能够先排除与道路质量无关因素的影响，再对道路上出现的异常区域进行机器识别，能够提高识别的准确性，同时也能大大减轻识别的运算量，通过对车辆行驶信息的采集及对道路平整度的判断，结合通过图像对道路质量的质量问题的分析，能够更加全面的对道路整体的状况进行分析判断。

Description

基于机器识别的道路质量检测***

技术领域

本发明涉及道路质量检测技术领域，具体涉及基于机器识别的道路质量检测***。

背景技术

道路的质量安全影响着车辆的安全舒适行驶，因此需要定期对道路进行养护并对出现的道路质量问题进行及时的修复。

传统的道路质量检测的方式是采用人工观察的方式，此种方式效率较低，且存在漏检的问题，采用机器识别技术采集道路图像信息能够代替人工实现对质量问题的及时发现，但依然存在不足，首先，机器识别采集的数据与道路的真实状况会存在较大的误差，其次，对数据的处理运算量较大，因此分析的效率及对硬件的成本要求较高。

发明内容

本发明的目的在于提供基于机器识别的道路质量检测***，解决以下技术问题：

如何基于较低运算量提高道路质量问题识别的准确性。

本发明的目的可以通过以下技术方案实现：

基于机器识别的道路质量检测***，包括：

图像采集模块，用于获取至少两个时间点的道路图像信息及道路图像信息所对应的位置信息；

图像识别模块，用于识别道路图像信息中的异常区域；

分析模块，用于对比同一位置不同时间点道路图像信息中的异常区域，根据对比结果判断道路质量。

本申请通过图像采集模块获取两个及两个以上时间点的道路图像数据及其对应的位置信息，先识别出道路图像中的异常区域，再将同一位置不同时间点的图像信息进行对比，进而对此处的道路质量进行判断，本申请能够排除与道路质量无关因素的影响，再对道路上出现的异常区域进行机器识别，能够提高识别的准确性，同时也能大大减轻识别的运算量。

在某些实施方式中，所述图像采集模块设置在车辆上，包括摄像头及位置检测组件；

当位置检测组件检测到车辆到达预设的位置时，所述摄像头启动拍摄。

在某些实施方式中，所述图像识别模块识别的具体步骤如下：

S100、将道路图像进行灰度化处理；

S200、采用Canny算法提取道路图像中的道路的边界线及异常区域轮廓。

在某些实施方式中，所述分析模块对比的具体步骤如下：

SS100、计算异常区域轮廓中心距道路边界线的垂直距离，形成第一集合A；

SS200、将同一位置不同时间点道路图像的第一集合A进行对比，将重合的元素形成第二集合B；

SS300、将第二集合B中的元素x与标准集合T进行对比:

若x∈T，则判定x对应异常区域的道路质量正常；

若

则判定x对应异常区域的道路质量存在问题。

在某些实施方式中，所述分析模块对比的具体步骤还包括：

SS400、计算道路质量存在问题的异常区域面积S及周长C，通过公式

计算出异常区域结构值i；

SS500、将异常区域结构值i与预设阈值i₁和i₂进行比较，其中，i₁＜i₂：

若i≤i₁，则判断道路异常区域为窄裂纹；

若i₁＜i＜i₂，则判断道路异常区域为宽裂纹；

若i≥i₂，则判断道路异常区域为凹坑或凸块。

在某些实施方式中，还包括：

车辆信息采集模块，用于采集车辆行驶过程中的车辆信息；

平整度分析模块，用于根据车辆信息判断道路的平整度。

所述车辆信息为车速v及通过三轴陀螺仪获取的z轴加速度a_z；

当v＞v_th且a_z＜a_th时，判断车辆存在异常颠簸；

其中v_th为速度阈值，a_th为z轴加速度阈值。

在某些实施方式中，根据异常颠簸位置坐标点及异常区域问题判断结果确定道路维护策略。

在某些实施方式中，所述维护策略为：

判断车辆存在异常颠簸位置坐标点所在图像是否存在道路质量问题：

若存在道路质量问题，则立即通知维修人员进行修整；

若不存在道路质量问题，则将异常颠簸位置坐标点所在图像上传至云服务器，通过云服务器对照片内容进行内容识别：

若未识别出位置点存在道路质量问题，则判定道路质量正常；

若识别出位置点存在道路质量问题，则对图像识别模块执行反馈策略并立即通知维修人员进行修整。

在某些实施方式中，所述反馈策略为：

再次通过图像识别模块识别内容识别有道路质量问题但不存在异常区域的图像，并按特定单位大小缩小提取轮廓时的容差，直至图像识别模块识别出异常区域并将此容差作为图像识别模块轮廓识别的容差。

本发明的有益效果：

(1)本发明通过获取两个及两个以上时间点的道路图像数据及其对应的位置信息，先识别出道路图像中的异常区域，再将同一位置不同时间点的图像信息进行对比，进而对此处的道路质量进行判断，相对于直接根据采集的图像或影像信息进行识别，本申请中对比的方式能够先排除与道路质量无关因素的影响，再对道路上出现的异常区域进行机器识别，能够提高识别的准确性，同时也能大大减轻识别过程的运算量。

(2)本发明通过异常区域的形状参数信息获取到其对应道路质量问题的种类，进而能够初步判断出道路质量问题的种类，方便后续的维护过程。

(3)本发明通过设置的车辆信息采集模块和平整度分析模块，通过对车辆行驶信息的采集及对道路平整度的判断，结合通过图像对道路质量的质量问题的分析，能够更加全面的对道路整体的状况进行分析判断。

(4)本发明能够根据具体的识别状况对图像识别模块识别过程的相关参数进行反馈调整，进而保证了识别的准确性。

附图说明

下面结合附图对本发明作进一步的说明。

图1是本发明提供的基于机器识别的道路质量检测***的模块示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1所示，本申请实施方式提供了一种基于机器识别的道路质量检测***，包括：

图像采集模块，用于获取至少两个时间点的道路图像信息及道路图像信息所对应的位置信息；

图像识别模块，用于识别道路图像信息中的异常区域；

分析模块，用于对比同一位置不同时间点道路图像信息中的异常区域，根据对比结果判断道路质量。

本申请通过图像采集模块获取两个及两个以上时间点的道路图像数据及其对应的位置信息，先识别出道路图像中的异常区域，再将同一位置不同时间点的图像信息进行对比，进而对此处的道路质量进行判断，其中，异常区域指的是道路图像中道路上非路面自身的区域，例如道路上存在的裂痕，散落在道路上的物体等，将同一位置多个时间点的位置信息进行比较，若多个时间点的异常区域的位置或形状没有发生变动，则说明此处的异常区域并非临时出现在道路上的物体，因此是道路自身出现了问题；若多个时间点的异常区域的位置或形状发生了变动，则说明此异常区域并非是道路自身出现了质量问题，例如是散落在道路上的垃圾等，相对于直接根据采集的图像或影像信息进行识别，本申请中对比的方式能够排除与道路质量无关因素的影响，再对道路上出现的异常区域进行机器识别，能够提高识别的准确性，同时也能大大减轻识别的运算量。

图像采集模块设置在车辆上，包括摄像头及位置检测组件；

当位置检测组件检测到车辆到达预设的位置时，摄像头启动拍摄。

在本申请的一个具体实施例中，图像采集模块包括摄像头及位置检测组件，且将摄像头及位置检测组件设置在用于道路检测特定的车辆上，当车辆到达预设的位置时，摄像头启动拍摄，进而能够使得同一位置不同时间点获取的图像信息保持相同的基准，进而方便后续的对比过程，另外，根据位置检测组件来确定摄像头是否启动拍摄，能够实现摄像头对图像的自动获取，提高图像采集模块对信息的智能化获取。

在本申请的另一个具体实施例中，可以采用无人机携带摄像组件来完成道路图像信息的获取，可以控制无人机按照道路路线飞行，实现信息的获取。

另外需要说明的是，即使不同时间点图像采集模块获取的图像信息存在一些偏差，可采用图像对齐的方式使得不同时间点的图像处于相同的基准上。

图像识别模块识别的具体步骤如下：

S100、将道路图像进行灰度化处理；

S200、采用Canny算法提取道路图像中的道路的边界线及异常区域轮廓。

在本申请的一个具体实施例中，图像识别模块识别的具体步骤为现将获取的图像进行灰度化处理，进一步降低运算量，然后采用Canny算法提取道路图像中的道路的边界线及异常区域轮廓，Canny算法又为Canny边缘检测算法，它先通过高斯滤波进行降噪，然后用梯度来表示灰度值的变化程度和方向，之后再过滤非最大值，最后再使用阈值来检测边缘，进而获取异常区域的轮廓及道路自身的边界线，本申请中图像识别模块采用的步骤能够识别异常区域的同时，降低识别过程的运算量。

分析模块对比的具体步骤如下：

SS100、计算异常区域轮廓中心距道路边界线的垂直距离，形成第一集合A；

SS200、将同一位置不同时间点道路图像的第一集合A进行对比，将重合的元素形成第二集合B；

SS300、将第二集合B中的元素x与标准集合T进行对比:

若x∈T，则判定x对应异常区域的道路质量正常；

若

则判定x对应异常区域的道路质量存在问题。

在本申请的一个具体实施例中，分析模块对比的具体步骤为先计算出异常区域轮廓中心距道路边界线的垂直距离，形成第一集合A，然后将同一位置不同时间点道路图像的第一集合A进行对比，若某个距离元素不同时存在于不同时间点的第一集合中，则说明该异常区域时非固定的，因此并非道路质量的问题，若某个距离元素存在于不同时间点的第一集合中，则说明该元素对应的异常区域是固定不变的，此时，将重合的元素形成第二集合B，再将第二集合B中的元素x与标准集合T进行对比，标准集合T为道路上固有轮廓区域所对应的距离的集合，例如人行道线等等，进而排除道路上固有区域的影响，判断出异常区域是否存在问题，此种对比方式利用异常区域中心相对边界线垂直距离参数对比，能够在较低运算量的前提下判断出那些异常区域是存在道路质量问题。

另外需要说明的是，本申请中的元素x是带有偏差范围的区间，若区间含有重合的部分，则视为元素x重合，此种设置能够满足距离运算过程中合理的误差。

分析模块对比的具体步骤还包括：

SS400、计算道路质量存在问题的异常区域面积S及周长C，通过公式

计算出异常区域结构值i；

SS500、将异常区域结构值i与预设阈值i₁和i₂进行比较，其中，i₁＜i₂：

若i≤i₁，则判断道路异常区域为窄裂纹；

若i₁＜i＜i₂，则判断道路异常区域为宽裂纹；

若i≥i₂，则判断道路异常区域为凹坑或凸块。

在本申请的一个具体实施例中，本申请可根据异常区域的形状参数信息获取到其对应道路质量问题的种类，具体的，由于裂纹的特征是周长大、面积小，凹坑或凸块的特征是周长小，面积大，因此，根据公式

计算出异常区域结构值i，将异常区域结构值i与预设阈值i₁和i₂进行比较，能够初步判断出道路质量问题的种类，方便后续的维护过程。

另外需要说明的是，异常区域结构值i仅仅代表异常区域面积S与周长C在同一单位下数值的比值，不代表几何上的含义，代表的仅是异常区域面积S与周长C之间大小的关系。

***还包括：

车辆信息采集模块，用于采集车辆行驶过程中的车辆信息；

平整度分析模块，用于根据车辆信息判断道路的平整度。

在本申请的一个具体实施例中，为了进一步提高对道路问题判断的准确性，本***还设置了车辆信息采集模块和平整度分析模块，通过对车辆行驶信息的采集及对道路平整度的判断，结合通过图像对道路质量的质量问题的分析，能够更加全面的对道路整体的状况进行分析判断。

车辆信息为车速v及通过三轴陀螺仪获取的z轴加速度a_z；

当v＞v_th且a_z＜a_th时，判断车辆存在异常颠簸；

其中v_th为速度阈值，a_z为z轴加速度阈值。

在本申请的一个具体实施例中，通过获取的车辆车速信息及设置在车辆上的三轴陀螺仪获取的加速度信息，能够判断车辆颠簸的状况，其中，当v＞v_th且a_z＜a_th时，则说明车辆受到向上的颠簸，此时结合道路图像分析的结果判断，能够准确的判断出颠簸是由道路质量问题导致还是道路上放置的杂物影响，而道路平整度的判断能够进一步证明道路图像识别的结果，同时还能帮助判断异常区域道路问题的严重度。

根据异常颠簸位置坐标点及异常区域问题判断结果确定道路维护策略。

在本申请的一个具体实施例中，可以根据异常颠簸位置坐标点及异常区域问题判断结果确定道路维护策略，进而适应性的根据道路质量问题的严重程度采用合适的维护方式。

在本申请的一个具体实施例中，维护策略为：判断车辆存在异常颠簸位置坐标点所在图像是否存在道路质量问题：若存在道路质量问题，则立即通知维修人员进行修整；若不存在道路质量问题，则将异常颠簸位置坐标点所在图像上传至云服务器，通过云服务器对照片内容进行内容识别：若未识别出位置点存在道路质量问题，则判定道路质量正常；若识别出位置点存在道路质量问题，则对图像识别模块执行反馈策略并立即通知维修人员进行修整。

显然，当异常颠簸位置坐标点存在道路质量问题时，则说明此处的道路质量问题已经影响到正常的车辆行驶，因此需要立即进行维修，当异常颠簸位置坐标点存在道路质量问题时，可能存在两种情况，一种是识别出现问题，没有识别出道路质量问题，一种则是道路质量正常，颠簸是由于其他原因造成，因此，本实施例将出现颠簸位置点的图像上传云服务器进行内容识别，进而进一步准确的判断出该位置点是否出现道路质量问题，当判定是其他原因导致颠簸时，则判定道路质量正常，而当该位置点出现道路质量问题时，说明图像识别模块识别出现偏差问题，因此需要对图像识别模块进行调整，因此，通过反馈策略调整能够根据具体的识别状况对其相关参数进行调整，进而保证了识别的准确性。

进一步地，本实施例提供了反馈策略具体的实施方式，具体的，反馈策略为：再次通过图像识别模块识别内容识别有道路质量问题但不存在异常区域的图像，并按特定单位大小缩小提取轮廓时的容差，直至图像识别模块识别出异常区域并将此容差作为图像识别模块轮廓识别的容差，因此，通过按特定单位大小逐渐缩小图像识别模块识别容差，并直至识别出异常区域时停止，进而能够获得最适合的容差参数，进而能够保证识别过程的准确性。

以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (7)

1.基于机器识别的道路质量检测***，其特征在于，包括：

图像采集模块，用于获取至少两个时间点的道路图像信息及道路图像信息所对应的位置信息；

图像识别模块，用于识别道路图像信息中的异常区域；

分析模块，用于对比同一位置不同时间点道路图像信息中的异常区域，根据对比结果判断道路质量；

所述图像采集模块设置在车辆上，包括摄像头及位置检测组件；

当位置检测组件检测到车辆到达预设的位置时，所述摄像头启动拍摄；

所述图像识别模块识别的具体步骤如下：

S100、将道路图像进行灰度化处理；

S200、采用Canny算法提取道路图像中的道路的边界线及异常区域轮廓；

所述分析模块对比的具体步骤如下：

SS100、计算异常区域轮廓中心距道路边界线的垂直距离，形成第一集合A；

SS200、将同一位置不同时间点道路图像的第一集合A进行对比，将重合的元素形成第二集合B；

SS300、将第二集合B中的元素x与标准集合T进行对比:

若x∈T，则判定x对应异常区域的道路质量正常；

若

则判定x对应异常区域的道路质量存在问题。

2.根据权利要求1所述的基于机器识别的道路质量检测***,其特征在于，所述分析模块对比的具体步骤还包括：

SS400、计算道路质量存在问题的异常区域面积S及周长C，通过公式

计算出异常区域结构值i；

SS500、将异常区域结构值i与预设阈值i₁和i₂进行比较，其中，i₁＜i₂：

若i≤i₁，则判断道路异常区域为窄裂纹；

若i₁＜i＜i₂，则判断道路异常区域为宽裂纹；

若i≥i₂，则判断道路异常区域为凹坑或凸块。

3.根据权利要求1所述的基于机器识别的道路质量检测***,其特征在于，还包括：

车辆信息采集模块，用于采集车辆行驶过程中的车辆信息；

平整度分析模块，用于根据车辆信息判断道路的平整度。

4.根据权利要求3所述的基于机器识别的道路质量检测***,其特征在于，所述车辆信息为车速v及通过三轴陀螺仪获取的z轴加速度a_z；

当v＞v_th且a_z＜a_th时，判断车辆存在异常颠簸；

其中v_th为速度阈值，a_th为z轴加速度阈值。

5.根据权利要求4所述的基于机器识别的道路质量检测***,其特征在于，根据异常颠簸位置坐标点及异常区域问题判断结果确定道路维护策略。

6.根据权利要求5所述的基于机器识别的道路质量检测***,其特征在于，所述维护策略为：

判断车辆存在异常颠簸位置坐标点所在图像是否存在道路质量问题：

若存在道路质量问题，则立即通知维修人员进行修整；

若不存在道路质量问题，则将异常颠簸位置坐标点所在图像上传至云服务器，通过云服务器对照片内容进行内容识别：

若未识别出位置点存在道路质量问题，则判定道路质量正常；

若识别出位置点存在道路质量问题，则对图像识别模块执行反馈策略并立即通知维修人员进行修整。

7.根据权利要求6所述的基于机器识别的道路质量检测***,其特征在于，所述反馈策略为：

再次通过图像识别模块识别内容识别有道路质量问题但不存在异常区域的图像，并按特定单位大小缩小提取轮廓时的容差，直至图像识别模块识别出异常区域并将此容差作为图像识别模块轮廓识别的容差。

Images