CN114998713A - 路面病害识别方法、装置、***、电子设备及存储介质 - Google Patents

路面病害识别方法、装置、***、电子设备及存储介质 Download PDF

Info

Publication number
CN114998713A
CN114998713A CN202210941820.5A CN202210941820A CN114998713A CN 114998713 A CN114998713 A CN 114998713A CN 202210941820 A CN202210941820 A CN 202210941820A CN 114998713 A CN114998713 A CN 114998713A
Authority
CN
China
Prior art keywords
disease
image
road surface
pavement
information
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.)
Granted
Application number
CN202210941820.5A
Other languages
English (en)
Other versions
CN114998713B (zh
Inventor
王金桥
朱炳科
赵旭
赵朝阳
陈盈盈
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Objecteye Beijing Technology Co Ltd
Original Assignee
Objecteye Beijing Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Objecteye Beijing Technology Co Ltd filed Critical Objecteye Beijing Technology Co Ltd
Priority to CN202210941820.5A priority Critical patent/CN114998713B/zh
Publication of CN114998713A publication Critical patent/CN114998713A/zh
Application granted granted Critical
Publication of CN114998713B publication Critical patent/CN114998713B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及计算机视觉技术领域，提供一种路面病害识别方法、装置、***、电子设备及存储介质，该方法采用病害识别模型，可以实现路面病害的自动识别，提高路面病害的识别率，降低工作人员的工作量，节约人力资源。而且，该病害识别模型采用携带有路面信息标签的病害路面图像样本训练得到，采用的病害路面图像样本包括真实病害路面图像样本以及合成病害路面图像样本，合成病害路面图像样本通过真实病害路面图像样本中的病害区域对应的纹理特征图像的表观信息，对纹理特征图像与健康路面图像进行融合得到，可以提高训练样本中病害形态的多样性，进而提高了病害识别模型的通用性。

Description

路面病害识别方法、装置、***、电子设备及存储介质
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种路面病害识别方法、装置、***、电子设备及存储介质。
背景技术
随着道路网络的逐步完善，迫切需要通过加强养护维持既有道路的通行能力、技术状况和服务水平。
路面病害识别作为道路养护的重要一环，是决定道路养护质量的关键因素。目前，路面病害识别方法主要包括人工视觉检测方法以及自动化识别方法。人工视觉检测方法主要是通过工作人员人眼观察的方式实现检测。而自动化识别方法，通常需要借助于实际存在病害的路面图像作为训练样本对识别模型进行训练，并利用训练后的识别模型进行自动化识别。
现有的方法中，人工视觉检测方法的识别效率低，对于细小破损识别率低，而且该方法存在主观性强、工作量大、人力资源消耗高等问题，且具有一定不确定性。而自动化识别方法，由于实际存在病害的路面图像有限，无法覆盖各种不同的病害形态，这将导致识别模型的通用性较差。
发明内容
本发明提供一种路面病害识别方法、装置、***、电子设备及存储介质，用以解决现有技术中存在的缺陷。
本发明提供一种路面病害识别方法，包括：
获取待识别路面图像；
将所述待识别路面图像输入至病害识别模型，得到所述病害识别模型输出的所述待识别路面图像中的路面信息，所述路面信息的类别包括病害信息；
其中，所述病害识别模型基于携带有路面信息标签的病害路面图像样本训练得到，所述病害路面图像样本包括真实病害路面图像样本以及合成病害路面图像样本，所述合成病害路面图像样本基于所述真实病害路面图像样本中的病害区域对应的纹理特征图像的表观信息，对所述纹理特征图像与健康路面图像进行融合得到。
根据本发明提供的一种路面病害识别方法，所述健康路面图像的确定方法包括：
基于所述真实病害路面图像样本携带的所述路面信息标签，确定所述真实病害路面图像样本中除所述病害区域外的非病害区域图像，所述非病害区域图像中包含有所述病害区域对应的空白区域；
基于所述非病害区域图像，对所述空白区域进行图像修复，得到所述健康路面图像。
根据本发明提供的一种路面病害识别方法，所述纹理特征图像的确定方法包括：
基于所述真实病害路面图像样本携带的所述病害信息标签，提取所述病害区域，得到病害区域图像；
基于局部二值模式算法，提取所述病害区域图像中的纹理特征，得到所述纹理特征图像。
根据本发明提供的一种路面病害识别方法，所述将所述待识别路面图像输入至病害识别模型，得到所述病害识别模型输出的所述待识别路面图像中的路面信息，具体包括：
将所述待识别路面图像分别输入至所述病害识别模型的第一特征提取层以及第二特征提取层，得到所述第一特征提取层输出的所述待识别路面图像的第一分辨率的细节特征以及所述第二特征提取层输出的所述待识别路面图像的语义特征；
将所述细节特征以及所述语义特征均输入至所述病害识别模型的融合层，得到所述融合层输出的所述细节特征与所述语义特征的融合特征；
将所述融合特征输入至所述病害识别模型的分类层，得到所述分类层输出的所述路面信息。
根据本发明提供的一种路面病害识别方法，将所述待识别路面图像输入至所述病害识别模型的第一特征提取层，得到所述第一特征提取层输出的所述待识别路面图像的第一分辨率的细节特征，具体包括：
对所述待识别路面图像的分辨率进行调整，得到所述第一分辨率的第一图像；
将所述第一图像输入至所述第一特征提取层，得到所述第一特征提取层输出的所述细节特征；
和/或，
将所述待识别路面图像输入至所述病害识别模型的第二特征提取层，得到所述第二特征提取层输出的所述待识别路面图像的语义特征，具体包括：
对所述待识别路面图像的分辨率进行调整，得到第二分辨率的第二图像；
将所述第二图像输入至所述第二特征提取层，得到所述第二特征提取层输出的所述语义特征。
根据本发明提供的一种路面病害识别方法，所述将所述融合特征输入至所述病害识别模型的分类层，得到所述分类层输出的所述路面信息，具体包括：
将所述融合特征输入至所述分类层，由所述分类层基于所述融合特征，对所述待识别路面图像进行逐像素分类，得到所述路面信息，并确定所述路面信息对应的路面彩色图像，由所述分类层输出所述路面信息以及所述路面彩色图像。
本发明还提供一种路面病害识别装置，包括：
图像获取模块，用于获取待识别路面图像；
病害识别模块，用于将所述待识别路面图像输入至病害识别模型，得到所述病害识别模型输出的所述待识别路面图像中的路面信息，所述路面信息的类别包括病害信息；
其中，所述病害识别模型基于携带有路面信息标签的病害路面图像样本训练得到，所述病害路面图像样本包括真实病害路面图像样本以及合成病害路面图像样本，所述合成病害路面图像样本基于所述真实病害路面图像样本中的病害区域对应的纹理特征图像的表观信息，对所述纹理特征图像与健康路面图像进行融合得到。
本发明还提供一种路面病害识别***，包括：图像采集装置以及上述的路面病害识别装置，所述图像采集装置与所述路面病害识别装置连接；
所述图像采集装置安装于行驶在待识别路面的车辆上，用于采集所述待识别路面图像。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述的路面病害识别方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的路面病害识别方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的路面病害识别方法。
本发明提供的路面病害识别方法、装置、***、电子设备及存储介质，首先获取待识别路面图像；然后将待识别路面图像输入至病害识别模型，得到病害识别模型输出的待识别路面图像中的路面信息。由于采用了病害识别模型，可以实现路面病害的自动识别，并可以提高路面病害的识别率，降低工作人员的工作量，节约了人力资源。而且，该病害识别模型采用携带有路面信息标签的病害路面图像样本训练得到，采用的病害路面图像样本包括真实病害路面图像样本以及合成病害路面图像样本，合成病害路面图像样本通过真实病害路面图像样本中的病害区域对应的纹理特征图像的表观信息，对纹理特征图像与健康路面图像进行融合得到，可以提高训练样本中病害形态的多样性，进而提高了病害识别模型的通用性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图，对于本领域普通技术人员来讲，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是本发明提供的路面病害识别方法的流程示意图之一；
图2是本发明提供的路面病害识别方法中病害识别模型的训练过程示意图；
图3是本发明提供的路面病害识别方法中病害识别模型的结构示意图；
图4是本发明提供的路面病害识别方法中病害识别模型的融合子层处理流程示意图；
图5是本发明提供的路面病害识别装置的结构示意图；
图6是本发明提供的路面病害识别***的结构示意图；
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中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，本领域普通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，现有的路面病害识别方法中，人工视觉检测方法存在主观性强、工作量大、人力资源消耗高等问题，且具有一定不确定性。而自动化识别方法的通用性较差。为此，本发明实施例中提供了一种路面病害识别方法。
图1为本发明实施例中提供的路面病害识别方法的流程示意图，如图1所示，该方法包括：
S1，获取待识别路面图像；
S2，将所述待识别路面图像输入至病害识别模型，得到所述病害识别模型输出的所述待识别路面图像中的路面信息，所述路面信息的类别包括病害信息；
其中，所述病害识别模型基于携带有路面信息标签的病害路面图像样本训练得到，所述病害路面图像样本包括真实病害路面图像样本以及合成病害路面图像样本，所述合成病害路面图像样本基于所述真实病害路面图像样本中的病害区域对应的纹理特征图像的表观信息，对所述纹理特征图像与健康路面图像进行融合得到。
具体地，本发明实施例中提供的路面病害识别方法，其执行主体为路面病害识别装置，该装置可以配置于服务器内，该服务器可以是本地服务器，也可以是云端服务器，本地服务器具体可以是计算机、平板电脑以及智能手机等，本发明实施例中对此不作具体限定。
首先执行步骤S1，获取待识别路面图像。该待识别路面图像是待识别路面的路面图像，待识别路面可能是存在病害的路面，也可能是健康的路面，需要根据该待识别路面图像进行判断。病害的类别可以包括裂缝、凸起以及凹陷等。
该待识别路面图像可以通过普通相机、工业线阵相机、双目相机等图像采集装置采集得到，该图像采集装置可以安装于路灯灯杆上，也可以安装于移动的车辆上，此处不作具体限定。
然后执行步骤S2，将待识别路面图像输入至病害识别模型，通过病害识别模型对待识别路面图像进行识别，进而得到病害识别模型输出的待识别路面图像中的路面信息。此处，该路面信息用于表征待识别路面的路面健康状况，其类别可以包括健康信息以及病害信息。健康信息可以包括待识别路面的健康区域的位置信息，病害信息可以包括待识别路面的病害区域的位置信息以及病害区域对应的病害类别信息。
一般情况下，待识别路面的健康信息不为空，而病害信息可能为空，也可能不为空。若待识别路面为健康的路面，则病害信息为空，若待识别路面为存在病害的路面，则病害信息不为空。
本发明实施例中，采用的病害识别模型可以通过携带有路面信息标签的病害路面图像样本对初始模型进行训练得到。初始模型可以是神经网络模型，例如深度卷积神经网络模型等，也可以采用结合交叉注意力机制的双流分支网络，此处不作具体限定。
采用的病害路面图像样本可以包括真实病害路面图像样本以及合成病害路面图像样本，真实病害路面图像样本是指通过图像采集装置采集得到的实际存在病害的病害路面样本的图像，该图像并非是合成的。真实病害路面图像样本携带的路面信息标签可以通过对真实病害路面图像样本进行像素级标注得到，可以包括真实病害路面图像样本中的健康信息以及病害信息。真实病害路面图像样本携带的路面信息标签可以是语义分割标签，即包括真实病害路面图像样本中病害路面样本的健康语义区域、病害语义区域的位置信息以及病害区域对应的病害语义类别。
合成病害路面图像样本是指并非通过图像采集装置采集得到的、而是通过真实病害路面图像样本以及健康路面图像得到。在确定合成病害路面图像样本时，可以先确定真实病害路面图像样本中的病害区域，该病害区域可以通过真实病害路面图像样本携带的路面信息标签确定。此后，可以通过纹理特征提取算法，提取病害区域的纹理特征进而确定病害区域对应的纹理特征图像，该纹理特征图像可以用于表征病害区域的完整细节信息。
健康路面图像是指不存在病害的健康路面样本的图像，健康路面图像可以是由图像采集装置采集得到的健康路面样本的图像，也可以是通过对真实病害路面图像样本进行处理得到，如此可以降低图像采集装置的图像采集压力。
纹理特征图像的表观信息可以包括病害区域的尺寸以及形状等信息，根据该表观信息可以将纹理特征图像与健康路面图像进行融合，进而得到合成病害路面图像样本。由于病害形态可以包括病害的位置、尺寸以及形状等信息，因此，合成病害路面图像样本可以大大增加训练样本中的病害形态。
融合时可以采用图像融合算法进行融合。图像融合算法可以根据需要进行选择，例如泊松图像融合算法。
本发明实施例中，可以先调整纹理特征图像的尺寸，得到调整后的图像；然后，在健康路面图像上选取目标融合位置，采用图像融合算法将调整后的图像融合至健康路面图像上的目标融合位置。也可以不对纹理特征图像的尺寸进行调整，而是直接采用图像融合算法将纹理特征图像融合至健康路面图像上的目标融合位置。
此外，为进一步增加训练样本中的病害形态，还可以采用图像融合算法进行融合，即先调整纹理特征图像的尺寸，得到调整后的图像；然后，在健康路面图像上选取随机融合位置，采用图像融合算法将调整后的图像融合至健康路面图像上的随机融合位置；或者，不对纹理特征图像的尺寸进行调整，而是直接采用图像融合算法将纹理特征图像融合至健康路面图像上的随机融合位置。
在对初始模型进行训练时，可以采用反向传播算法实现。训练得到的病害识别模型可以采用前向传播原理实现从待识别路面图像的输入到路面信息的输出的整个过程。
本发明实施例中提供的路面病害识别方法，首先获取待识别路面图像；然后将待识别路面图像输入至病害识别模型，得到病害识别模型输出的待识别路面图像中的路面信息。由于采用了病害识别模型，可以实现路面病害的自动识别，并可以提高路面病害的识别率，降低工作人员的工作量，节约了人力资源。而且，该病害识别模型采用携带有路面信息标签的病害路面图像样本训练得到，采用的病害路面图像样本包括真实病害路面图像样本以及合成病害路面图像样本，合成病害路面图像样本通过真实病害路面图像样本中的病害区域对应的纹理特征图像的表观信息，对纹理特征图像与健康路面图像进行融合得到，可以提高训练样本中病害形态的多样性，进而提高了病害识别模型的通用性。
在上述实施例的基础上，本发明实施例中提供的路面病害识别方法，所述健康路面图像的确定方法包括：
基于所述真实病害路面图像样本携带的所述路面信息标签，确定所述真实病害路面图像样本中除所述病害区域外的非病害区域图像，所述非病害区域图像中包含有所述病害区域对应的空白区域；
基于所述非病害区域图像，对所述空白区域进行图像修复，得到所述健康路面图像。
具体地，本发明实施例中，在确定健康路面图像时，可以先通过真实病害路面图像样本携带的路面信息标签，确定真实病害路面图像样本中除病害区域外的非病害区域图像。例如，可以以路面信息标签为依据，去除真实病害路面图像样本中的病害区域，使得真实病害路面图像样本中的病害区域变为空白区域，即得到非病害区域图像。
此后，可以根据非病害区域图像中除空白区域外的其他区域，对非病害区域图像中的空白区域进行图像修复，即可得到健康路面图像。图像修复可以采用Navier-Stokes图像修复方法实现。
本发明实施例中，健康路面图像可以直接通过对真实病害路面图像样本进行病害区域去除以及图像修复得到，不需要采用图像采集装置采集得到，不仅可以降低图像采集装置的采集压力，还可以避免图像采集装置与路面病害识别装置之间的图像传输时延，提高了病害识别模型的训练效率。
在上述实施例的基础上，本发明实施例中提供的路面病害识别方法，所述纹理特征图像的确定方法包括：
基于所述真实病害路面图像样本携带的所述病害信息标签，提取所述病害区域，得到病害区域图像；
基于局部二值模式算法，提取所述病害区域图像中的纹理特征，得到所述纹理特征图像。
具体地，本发明实施例中，在确定纹理特征图像时，可以先根据真实病害路面图像样本携带的病害信息标签，提取真实病害路面图像样本中的病害区域，得到病害区域图像。
例如，可以以该病害信息标签为依据，提取真实病害路面图像样本中的病害区域，删除真实病害路面图像样本中除病害区域外的其他区域，即得到病害区域图像。此时，病害区域图像的尺寸及形状等表观信息与纹理特征图像的表观信息相同，与病害路面样本的病害的尺寸及形状也相同。
然后，根据局部二值模式（Local Binary Pattern，LBP）算法，提取病害区域图像中的纹理特征，得到纹理特征图像。LBP算法中的LBP算子可以是基本LBP算子、圆形LBP算子、等价模式LBP算子以及旋转不变LBP算子中的一种。LBP算法通过LBP算子计算得到病害区域图像中每个像素点的纹理特征值，并将该纹理特征值作为像素值得到纹理特征图像。
以采用圆形LBP算子计算纹理特征值为例，采样窗口为圆形，半径可以为一个或多个像素点。在算法运行过程中，可以以病害区域图像中的任一像素点作为采样窗口的圆心c。在采样窗口的圆周上进行采样，可以得到P个采样点。P的取值可以根据需要进行设置，此处不作具体限定，例如可以是8。
对于任一采样点p，若该采样点p落在病害区域图像中的某一像素点a内时，该采样点p的像素值为像素点a的像素值；若该采样点p落在病害区域图像中的像素点边界时，则通过双线性插值来计算该采样点p的像素值。
得到n个采样点的像素值后分别与圆心c的像素值进行比较，若某一采样点的像素值大于等于圆心c的像素值，则置为1；若某一采样点的像素值小于圆心c的像素值，则置为0。如此便可以得到一组n位的二进制数，再将其转化为十进制，即LBP码。可以将该LBP码作为圆心c的纹理特征值，以此来反映圆心c的纹理信息。圆心c的纹理特征值可以表示为：
Figure 321900DEST_PATH_IMAGE001
其中，P代表圆周上采样点的总个数，R为圆周的半径，p为当前采样点，
Figure 414621DEST_PATH_IMAGE002
表示当 前采样点p的像素值，
Figure 824874DEST_PATH_IMAGE003
为圆心的像素值，
Figure 876006DEST_PATH_IMAGE004
为圆心c的坐标，
Figure 977736DEST_PATH_IMAGE005
为圆 心c的纹理特征值。
令
Figure 139727DEST_PATH_IMAGE006
，则
Figure 138907DEST_PATH_IMAGE007
的计算公式如下：
Figure 360941DEST_PATH_IMAGE008
本发明实施例中，纹理特征图像可以通过对真实病害路面图像样本进行病害区域提取以及纹理特征提取的方式得到，纹理特征图像可以表征病害区域的纹理信息，可以保证融合得到的合成病害路面图像样本中包含有病害区域的纹理信息。
在上述实施例的基础上，本发明实施例中提供的路面病害识别方法，所述将所述待识别路面图像输入至病害识别模型，得到所述病害识别模型输出的所述待识别路面图像中的路面信息，具体包括：
将所述待识别路面图像分别输入至所述病害识别模型的第一特征提取层以及第二特征提取层，得到所述第一特征提取层输出的所述待识别路面图像的第一分辨率的细节特征以及所述第二特征提取层输出的所述待识别路面图像的语义特征；
将所述细节特征以及所述语义特征均输入至所述病害识别模型的融合层，得到所述融合层输出的所述细节特征与所述语义特征的融合特征；
将所述融合特征输入至所述病害识别模型的分类层，得到所述分类层输出的所述路面信息。
具体地，本发明实施例中，病害识别模型可以包括输入层、第一特征提取层、第二特征提取层、融合层以及分类层，输入层与第一特征提取层以及第二特征提取层连接，第一特征提取层以及第二特征提取层分别与融合层连接，融合层与分类层连接。输入层用于接收待识别路面图像，第一特征提取层以及第二特征提取层作为双流分支分别用于提取待识别路面图像的第一分辨率的细节特征以及语义特征，融合层用于对细节特征以及语义特征进行融合，得到融合特征，分类层用于对融合特征进行分类，进而识别出待识别路面图像中的路面信息。
第一分辨率可以是取值大于第一预设阈值的分辨率，即高分辨率。第一预设阈值可以根据需要进行设定，例如可以是2K，指水平分辨率达2000像素的分辨率等级。第一特征提取层的网络结构可以与HRNetw18网络结构相同，第二特征提取层的网络结构可以与基于ResNet-101的DeepLabV3网络结构相同，语义特征可以是上下文语义特征。
在融合层中，可以通过逐像素交叉注意力机制，将细节特征以及语义特征进行多阶段特征融合，得到融合特征。
分类层可以由两层卷积层构成，可以逐像素确定待识别路面图像中的路面信息。
本发明实施例中，通过第一特征提取层以及第二特征提取层，实现双流分支网络的特征提取，可以从待识别路面图像中提取出不同的特征，便于对待识别路面图像中路面信息的识别，且可以使识别结果更加准确。
在上述实施例的基础上，本发明实施例中提供的路面病害识别方法，将所述待识别路面图像输入至所述病害识别模型的第一特征提取层，得到所述第一特征提取层输出的所述待识别路面图像的第一分辨率的细节特征，具体包括：
对所述待识别路面图像的分辨率进行调整，得到所述第一分辨率的第一图像；
将所述第一图像输入至所述第一特征提取层，得到所述第一特征提取层输出的所述细节特征；
和/或，
将所述待识别路面图像输入至所述病害识别模型的第二特征提取层，得到所述第二特征提取层输出的所述待识别路面图像的语义特征，具体包括：
对所述待识别路面图像的分辨率进行调整，得到第二分辨率的第二图像；
将所述第二图像输入至所述第二特征提取层，得到所述第二特征提取层输出的所述语义特征。
具体地，本发明实施例中，在将待识别路面图像输入至第一特征提取层之前，可以先对待识别路面图像的分辨率进行调整，得到第一分辨率的第一图像。此后可以将第一图像输入至第一特征提取层，得到第一特征提取层输出的细节特征，如此可以降低第一特征提取层的计算量。
同样地，在将待识别路面图像输入至第二特征提取层之前，也可以对待识别路面图像的分辨率进行调整，得到第二分辨率的第二图像。此后，即可将第二图像输入至第二特征提取层，得到第二特征提取层输出的语义特征，如此可以降低第二特征提取层的计算量。此处，第二分辨率可以是小于第二预设阈值的分辨率，即低分辨率。第二预设阈值可以根据需要进行设定，例如可以是512×512。
在上述实施例的基础上，本发明实施例中提供的路面病害识别方法，所述将所述融合特征输入至所述病害识别模型的分类层，得到所述分类层输出的所述路面信息，具体包括：
将所述融合特征输入至所述分类层，由所述分类层基于所述融合特征，对所述待识别路面图像进行逐像素分类，得到所述路面信息，并确定所述路面信息对应的路面彩色图像，由所述分类层输出所述病害信息以及所述路面彩色图像。
具体地，本发明实施例中，在将融合特征输入至分类层之后，分类层可以根据融合特征，对待识别路面图像进行逐像素分类，得到路面信息，此时路面信息可以包括待识别路面图像中每一像素点对应的路面信息，每一像素点对应的路面信息可以包括该像素点对应于健康区域，或者包括该像素点对应于病害区域以及该病害区域对应的病害类别。
例如，对于待识别路面图像中的任一像素点，若该像素点对应于健康区域，则该像素点对应的路面信息可以通过第一取值进行表示；若该像素点对应于病害区域，且该病害区域对应的病害类别为裂缝，则该像素点对应的路面信息可以通过第二取值进行表示；若该像素点对应于病害区域，且该病害区域对应的病害类别为凸起，则该像素点对应的路面信息可以通过第三取值进行表示；以此类推，此处不再赘述。其中，第一取值、第二取值以及第三取值等均可以根据需要进行设定，例如可以分别设定为0、1、2等，也可以为便于后续路面彩色图像的确定而直接将其采用RGB值的形式进行表示。
此后，可以根据第一取值、第二取值以及第三取值等，确定出路面信息对应的路面彩色图像，并由分类层输出病害信息以及路面彩色图像。例如，若第一取值、第二取值以及第三取值等与RGB值无关，则可以认为是灰度值，此时可以通过预先设定的灰度值与RGB值之间的对应关系，确定各灰度值对应的RGB值，进而将各RGB值作为路面彩色图像的像素值即得到路面彩色图像。
本发明实施例中，分类层不仅可以输出路面信息，还可以输出路面信息对应的路面彩色图像，如此可以使用户快速确定待识别路面图像中的路面信息，提高用户的可视化体验。
图2为本发明实施例中提供的路面病害识别方法中病害识别模型的训练过程示意图，如图2所示，该方法包括：
分别获取携带有路面信息标签的第一真实病害路面图像样本
Figure 209686DEST_PATH_IMAGE009
以及第二真实病 害路面图像样本
Figure 909788DEST_PATH_IMAGE010
；第一真实病害路面图像样本与第二真实病害路面图像样本可以相同， 也可以不同；
利用第一病害路面图像样本携带的路面信息标签
Figure 29054DEST_PATH_IMAGE011
，去掉
Figure 421989DEST_PATH_IMAGE012
中的病害区域，得 到非病害区域图像
Figure 492451DEST_PATH_IMAGE013
；利用第二病害路面图像样本携带的路面信息标签
Figure 996245DEST_PATH_IMAGE014
，提取
Figure 235596DEST_PATH_IMAGE015
中的 病害区域，得到病害区域图像
Figure 533854DEST_PATH_IMAGE016
；
对
Figure 357191DEST_PATH_IMAGE017
中的空白区域进行图像修复，得到健康路面图像
Figure 399096DEST_PATH_IMAGE018
；基于LBP算法，提取
Figure 227375DEST_PATH_IMAGE016
中的纹理特征，得到纹理特征图像
Figure 478226DEST_PATH_IMAGE019
；
通过泊松图像融合算法，将健康路面图像
Figure 24745DEST_PATH_IMAGE020
以及纹理特征图像
Figure 135921DEST_PATH_IMAGE021
进行融合，得 到合成病害路面图像样本
Figure 818706DEST_PATH_IMAGE022
；
基于第一真实病害路面图像样本
Figure 222880DEST_PATH_IMAGE023
、第二真实病害路面图像样本
Figure 256695DEST_PATH_IMAGE015
以及合成病 害路面图像样本
Figure 905982DEST_PATH_IMAGE024
，对初始模型进行训练，得到病害识别模型。
图3为本发明实施例中提供的路面病害识别方法中病害识别模型的结构示意图，如图3所示，病害识别模型可以包括输入层1、第一特征提取层2、第二特征提取层3、融合层4以及分类层5，输入层1与第一特征提取层以及第二特征提取层连接，第一特征提取层2以及第二特征提取层3分别与融合层4连接，融合层4与分类层5连接。输入层1用于接收待识别路面图像，第一特征提取层2包括依次连接的多个第一特征提取子层，各第一特征提取子层的通道数不同或降采样数不同，第二特征提取层3包括依次连接的多个第二特征提取子层，各第二特征提取子层的通道数不同或降采样数不同。
融合层4包括多个融合子层，第一特征提取子层、第二特征提取子层以及融合子层的数量均相同，图3中仅示出了第一特征提取子层、第二特征提取子层以及融合子层的数量均为5个的情况。
每个融合子层用于对其连接的前一第一特征提取子层以及前一第二特征提取子层输出的特征进行融合，将所得融合结果作为后一第一特征提取子层以及后一第二特征提取子层的输入，并将最后一个融合子层输出的特征作为融合特征。如此，该融合层4通过多个融合子层实现了对第一特征提取层2得到的细节特征与第二特征提取层3得到的语义特征的多阶段特征融合，得到融合特征。每个融合子层进行一个阶段的特征融合。融合特征经分类层5后得到并输出路面信息以及路面彩色图像。
图4为本发明实施例中提供的路面病害识别方法中病害识别模型的融合子层处理流程示意图，图4中的特征均以特征图的形式进行表示。如图4所示，第i个融合子层的输入分别为第i个第一特征提取子层输出的第一特征图XH1以及第i个第二特征提取子层输出的第二特征图XC1。
第一特征图XH1大小为c×H×W，第二特征图XC1大小为C×h×w，c以及C均为特征图通道数，H以及h均为特征图高度，W以及w均为特征图宽度。第一特征图XH1以及第二特征图XC1分别经过卷积层进行通道变换，得到大小为C×H×W的第三特征图XH2以及大小为C×h×w的第四特征图XC2。第三特征图XH2以及第四特征图XC2经矩阵相乘后，得到大小为HW×hw的第一相似度矩阵S。
对第一相似度矩阵S进行逐列归一化（softmax），得到归一化后的第二相似度矩阵S1。对第一相似度矩阵S进行逐行归一化，得到归一化后的第三相似度矩阵S2。第二相似度矩阵S1与第三特征图XH2进行矩阵相乘，得到由细节特征增强的第五特征图XC3，大小为C×h×w，第五特征图XC3再经过一层1x1的卷积层，输出通道变换后的由细节特征增强的第六特征图XC4。
第三相似度矩阵S2与第四特征图XC2进行矩阵相乘，得到由语义特征增强的第七特征图XH3，大小为C×H×W，第七特征图XH3再经过一层1×1的卷积层，输出通道变换后的由语义特征增强的第八特征图XH4。
综上所述，本发明实施例中提供的路面病害识别方法有以下优势：（1）通过对纹理特征图像与健康路面图像进行融合得到合成病害路面图像样本，可以加强病害识别模型对于各种路面以及各种病害形态的识别泛化性；（2）通过第一特征提取层提取第一分辨率的细节特征，可以加强病害识别模型对于细小病害的检测检出率和准确率；（3）通过第二特征提取层提取语义特征，可以加强病害识别模型对于各种病害的语义表达能力；（4）通过逐像素交叉注意力机制，提升病害识别模型最终输出特征的细节表达能力和语义表达能力，从而提升病害识别模型的预测准确率和检出率。
如图5所示，在上述实施例的基础上，本发明实施例中提供了一种路面病害识别装置，包括：
图像获取模块51，用于获取待识别路面图像；
病害识别模块52，用于将所述待识别路面图像输入至病害识别模型，得到所述病害识别模型输出的所述待识别路面图像中的路面信息，所述路面信息的类别包括病害信息；
其中，所述病害识别模型基于携带有路面信息标签的病害路面图像样本训练得到，所述病害路面图像样本包括真实病害路面图像样本以及合成病害路面图像样本，所述合成病害路面图像样本基于所述真实病害路面图像样本中的病害区域对应的纹理特征图像的表观信息，对所述纹理特征图像与健康路面图像进行融合得到。
在上述实施例的基础上，本发明实施例中提供的路面病害识别装置，还包括健康路面图像确定模块，用于：
基于所述真实病害路面图像样本携带的所述路面信息标签，确定所述真实病害路面图像样本中除所述病害区域外的非病害区域图像，所述非病害区域图像中包含有所述病害区域对应的空白区域；
基于所述非病害区域图像，对所述空白区域进行图像修复，得到所述健康路面图像。
在上述实施例的基础上，本发明实施例中提供了一种路面病害识别装置，还包括纹理特征图像确定模块，用于：
基于所述真实病害路面图像样本携带的所述病害信息标签，提取所述病害区域，得到病害区域图像；
基于局部二值模式算法，提取所述病害区域图像中的纹理特征，得到所述纹理特征图像。
在上述实施例的基础上，本发明实施例中提供的路面病害识别装置，所述病害识别模块，具体包括：
特征提取子模块，用于将所述待识别路面图像分别输入至所述病害识别模型的第一特征提取层以及第二特征提取层，得到所述第一特征提取层输出的所述待识别路面图像的第一分辨率的细节特征以及所述第二特征提取层输出的所述待识别路面图像的语义特征；
融合子模块，用于将所述细节特征以及所述语义特征均输入至所述病害识别模型的融合层，得到所述融合层输出的所述细节特征与所述语义特征的融合特征；
分类子模块，用于将所述融合特征输入至所述病害识别模型的分类层，得到所述分类层输出的所述路面信息。
在上述实施例的基础上，本发明实施例中提供的路面病害识别装置，所述特征提取子模块，具体用于：
对所述待识别路面图像的分辨率进行调整，得到所述第一分辨率的第一图像；
将所述第一图像输入至所述第一特征提取层，得到所述第一特征提取层输出的所述细节特征；
和/或，
将所述待识别路面图像输入至所述病害识别模型的第二特征提取层，得到所述第二特征提取层输出的所述待识别路面图像的语义特征，具体包括：
对所述待识别路面图像的分辨率进行调整，得到第二分辨率的第二图像；
将所述第二图像输入至所述第二特征提取层，得到所述第二特征提取层输出的所述语义特征。
在上述实施例的基础上，本发明实施例中提供的路面病害识别装置，所述分类子模块，具体用于：
将所述融合特征输入至所述分类层，由所述分类层基于所述融合特征，对所述待识别路面图像进行逐像素分类，得到所述路面信息，并确定所述路面信息对应的路面彩色图像，由所述分类层输出所述路面信息以及所述路面彩色图像。
具体地，本发明实施例中提供的路面病害识别装置中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的，实现的效果也是一致的，具体参见上述实施例，本发明实施例中对此不再赘述。
图6为本发明实施例中提供的一种路面病害识别***的结构示意图，如图6所示，该***包括：图像采集装置61以及上述各实施例中提供的路面病害识别装置62，图像采集装置61与路面病害识别装置62连接；图像采集装置61安装于行驶在待识别路面的车辆上，用于动态采集待识别路面图像。如此可以实现对长距离待识别路面的病害识别。
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器（Processor）710、通信接口（Communications Interface）720、存储器（Memory）730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行上述各实施例中提供的路面病害识别方法，该方法包括：获取待识别路面图像；将所述待识别路面图像输入至病害识别模型，得到所述病害识别模型输出的所述待识别路面图像中的路面信息，所述路面信息的类别包括病害信息；其中，所述病害识别模型基于携带有路面信息标签的病害路面图像样本训练得到，所述病害路面图像样本包括真实病害路面图像样本以及合成病害路面图像样本，所述合成病害路面图像样本基于所述真实病害路面图像样本中的病害区域对应的纹理特征图像的表观信息，对所述纹理特征图像与健康路面图像进行融合得到。
此外，上述的存储器730中的逻辑指令可以通过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（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的路面病害识别方法，该方法包括：获取待识别路面图像；将所述待识别路面图像输入至病害识别模型，得到所述病害识别模型输出的所述待识别路面图像中的路面信息，所述路面信息的类别包括病害信息；其中，所述病害识别模型基于携带有路面信息标签的病害路面图像样本训练得到，所述病害路面图像样本包括真实病害路面图像样本以及合成病害路面图像样本，所述合成病害路面图像样本基于所述真实病害路面图像样本中的病害区域对应的纹理特征图像的表观信息，对所述纹理特征图像与健康路面图像进行融合得到。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的路面病害识别方法，该方法包括：获取待识别路面图像；将所述待识别路面图像输入至病害识别模型，得到所述病害识别模型输出的所述待识别路面图像中的路面信息，所述路面信息的类别包括病害信息；其中，所述病害识别模型基于携带有路面信息标签的病害路面图像样本训练得到，所述病害路面图像样本包括真实病害路面图像样本以及合成病害路面图像样本，所述合成病害路面图像样本基于所述真实病害路面图像样本中的病害区域对应的纹理特征图像的表观信息，对所述纹理特征图像与健康路面图像进行融合得到。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种路面病害识别方法，其特征在于，包括：
获取待识别路面图像；
将所述待识别路面图像输入至病害识别模型，得到所述病害识别模型输出的所述待识别路面图像中的路面信息，所述路面信息的类别包括病害信息；
其中，所述病害识别模型基于携带有路面信息标签的病害路面图像样本训练得到，所述病害路面图像样本包括真实病害路面图像样本以及合成病害路面图像样本，所述合成病害路面图像样本基于所述真实病害路面图像样本中的病害区域对应的纹理特征图像的表观信息，对所述纹理特征图像与健康路面图像进行融合得到。
2.根据权利要求1所述的路面病害识别方法，其特征在于，所述健康路面图像的确定方法包括：
基于所述真实病害路面图像样本携带的所述路面信息标签，确定所述真实病害路面图像样本中除所述病害区域外的非病害区域图像，所述非病害区域图像中包含有所述病害区域对应的空白区域；
基于所述非病害区域图像，对所述空白区域进行图像修复，得到所述健康路面图像。
3.根据权利要求1所述的路面病害识别方法，其特征在于，所述纹理特征图像的确定方法包括：
基于所述真实病害路面图像样本携带的所述病害信息标签，提取所述病害区域，得到病害区域图像；
基于局部二值模式算法，提取所述病害区域图像中的纹理特征，得到所述纹理特征图像。
4.根据权利要求1-3中任一项所述的路面病害识别方法，其特征在于，所述将所述待识别路面图像输入至病害识别模型，得到所述病害识别模型输出的所述待识别路面图像中的路面信息，具体包括：
将所述待识别路面图像分别输入至所述病害识别模型的第一特征提取层以及第二特征提取层，得到所述第一特征提取层输出的所述待识别路面图像的第一分辨率的细节特征以及所述第二特征提取层输出的所述待识别路面图像的语义特征；
将所述细节特征以及所述语义特征均输入至所述病害识别模型的融合层，得到所述融合层输出的所述细节特征与所述语义特征的融合特征；
将所述融合特征输入至所述病害识别模型的分类层，得到所述分类层输出的所述路面信息。
5.根据权利要求4所述的路面病害识别方法，其特征在于，将所述待识别路面图像输入至所述病害识别模型的第一特征提取层，得到所述第一特征提取层输出的所述待识别路面图像的第一分辨率的细节特征，具体包括：
对所述待识别路面图像的分辨率进行调整，得到所述第一分辨率的第一图像；
将所述第一图像输入至所述第一特征提取层，得到所述第一特征提取层输出的所述细节特征；
和/或，
将所述待识别路面图像输入至所述病害识别模型的第二特征提取层，得到所述第二特征提取层输出的所述待识别路面图像的语义特征，具体包括：
对所述待识别路面图像的分辨率进行调整，得到第二分辨率的第二图像；
将所述第二图像输入至所述第二特征提取层，得到所述第二特征提取层输出的所述语义特征。
6.根据权利要求4所述的路面病害识别方法，其特征在于，所述将所述融合特征输入至所述病害识别模型的分类层，得到所述分类层输出的所述路面信息，具体包括：
将所述融合特征输入至所述分类层，由所述分类层基于所述融合特征，对所述待识别路面图像进行逐像素分类，得到所述路面信息，并确定所述路面信息对应的路面彩色图像，由所述分类层输出所述路面信息以及所述路面彩色图像。
7.一种路面病害识别装置，其特征在于，包括：
图像获取模块，用于获取待识别路面图像；
病害识别模块，用于将所述待识别路面图像输入至病害识别模型，得到所述病害识别模型输出的所述待识别路面图像中的路面信息，所述路面信息的类别包括病害信息；
其中，所述病害识别模型基于携带有路面信息标签的病害路面图像样本训练得到，所述病害路面图像样本包括真实病害路面图像样本以及合成病害路面图像样本，所述合成病害路面图像样本基于所述真实病害路面图像样本中的病害区域对应的纹理特征图像的表观信息，对所述纹理特征图像与健康路面图像进行融合得到。
8.一种路面病害识别***，其特征在于，包括：图像采集装置以及如权利要求7所述的路面病害识别装置，所述图像采集装置与所述路面病害识别装置连接；
所述图像采集装置安装于行驶在待识别路面的车辆上，用于采集所述待识别路面图像。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述的路面病害识别方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的路面病害识别方法。
CN202210941820.5A 2022-08-08 2022-08-08 路面病害识别方法、装置、***、电子设备及存储介质 Active CN114998713B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210941820.5A CN114998713B (zh) 2022-08-08 2022-08-08 路面病害识别方法、装置、***、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210941820.5A CN114998713B (zh) 2022-08-08 2022-08-08 路面病害识别方法、装置、***、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN114998713A true CN114998713A (zh) 2022-09-02
CN114998713B CN114998713B (zh) 2022-11-04

Family

ID=83022970

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210941820.5A Active CN114998713B (zh) 2022-08-08 2022-08-08 路面病害识别方法、装置、***、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114998713B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116630899A (zh) * 2023-07-21 2023-08-22 四川公路工程咨询监理有限公司 一种高速公路边坡病害监测预警***
CN118015384A (zh) * 2024-04-08 2024-05-10 江西省天驰高速科技发展有限公司 一种墩柱混凝土病害自动识别方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112330664A (zh) * 2020-11-25 2021-02-05 腾讯科技（深圳）有限公司 路面病害检测方法、装置、电子设备及存储介质
CN113706472A (zh) * 2021-07-30 2021-11-26 中国公路工程咨询集团有限公司 公路路面病害检测方法、装置、设备及存储介质
CN114120086A (zh) * 2021-10-29 2022-03-01 北京百度网讯科技有限公司 路面病害识别、图像处理模型训练方法、装置及电子设备
US20220237928A1 (en) * 2020-11-02 2022-07-28 BeSTDR Infrastructure Hospital(Pingyu) Method for detecting road diseases by intelligent cruise via unmanned aerial vehicle, unmanned aerial vehicle and detecting system therefor

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220237928A1 (en) * 2020-11-02 2022-07-28 BeSTDR Infrastructure Hospital(Pingyu) Method for detecting road diseases by intelligent cruise via unmanned aerial vehicle, unmanned aerial vehicle and detecting system therefor
CN112330664A (zh) * 2020-11-25 2021-02-05 腾讯科技（深圳）有限公司 路面病害检测方法、装置、电子设备及存储介质
CN113706472A (zh) * 2021-07-30 2021-11-26 中国公路工程咨询集团有限公司 公路路面病害检测方法、装置、设备及存储介质
CN114120086A (zh) * 2021-10-29 2022-03-01 北京百度网讯科技有限公司 路面病害识别、图像处理模型训练方法、装置及电子设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116630899A (zh) * 2023-07-21 2023-08-22 四川公路工程咨询监理有限公司 一种高速公路边坡病害监测预警***
CN116630899B (zh) * 2023-07-21 2023-10-20 四川公路工程咨询监理有限公司 一种高速公路边坡病害监测预警***
CN118015384A (zh) * 2024-04-08 2024-05-10 江西省天驰高速科技发展有限公司 一种墩柱混凝土病害自动识别方法及***

Also Published As

Publication number Publication date
CN114998713B (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN109584248B (zh) 基于特征融合和稠密连接网络的红外面目标实例分割方法
CN114998713B (zh) 路面病害识别方法、装置、***、电子设备及存储介质
CN108921799B (zh) 基于多尺度协同学习卷积神经网络的遥感图像薄云去除方法
CN109583345B (zh) 道路识别方法、装置、计算机装置及计算机可读存储介质
CN108122236B (zh) 基于距离调制损失的迭代式眼底图像血管分割方法
CN108197326B (zh) 一种车辆检索方法及装置、电子设备、存储介质
US11393100B2 (en) Automatically generating a trimap segmentation for a digital image by utilizing a trimap generation neural network
CN112232349A (zh) 模型训练方法、图像分割方法及装置
US11651477B2 (en) Generating an image mask for a digital image by utilizing a multi-branch masking pipeline with neural networks
CN111462140B (zh) 一种基于区块拼接的实时图像实例分割方法
CN116797787B (zh) 基于跨模态融合与图神经网络的遥感影像语义分割方法
CN113435407B (zh) 一种输电***的小目标识别方法及装置
CN117197763A (zh) 基于交叉注意引导特征对齐网络的道路裂缝检测方法和***
CN113269224A (zh) 一种场景图像分类方法、***及存储介质
Xu et al. HA U-Net: Improved model for building extraction from high resolution remote sensing imagery
CN116597270A (zh) 基于注意力机制集成学习网络的道路损毁目标检测方法
CN115239644A (zh) 混凝土缺陷识别方法、装置、计算机设备和存储介质
CN113505702A (zh) 基于双神经网络优化的路面病害识别方法及***
CN113962878B (zh) 一种低能见度图像去雾模型方法
CN115294066A (zh) 一种砂石粒径检测方法
Khoshboresh-Masouleh et al. A deep multi-modal learning method and a new RGB-depth data set for building roof extraction
Babu et al. An efficient image dahazing using Googlenet based convolution neural networks
CN114596503A (zh) 一种基于遥感卫星影像的道路提取方法
CN116977750B (zh) 土地覆盖场景分类模型构建方法及分类方法
CN113128433A (zh) 颜色迁移匹配特征的视频监控影像增强方法

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
GR01 Patent grant
GR01 Patent grant