CN115830032A - 基于旧有设施的道路伸缩缝病变识别方法及装置 - Google Patents
基于旧有设施的道路伸缩缝病变识别方法及装置 Download PDFInfo
- Publication number
- CN115830032A CN115830032A CN202310150522.9A CN202310150522A CN115830032A CN 115830032 A CN115830032 A CN 115830032A CN 202310150522 A CN202310150522 A CN 202310150522A CN 115830032 A CN115830032 A CN 115830032A
- Authority
- CN
- China
- Prior art keywords
- expansion joint
- determining
- information
- initial image
- datum line
- 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
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明实施例提供了一种基于旧有设施的道路伸缩缝病变识别方法、装置、存储介质及电子装置,涉及道路伸缩缝巡检技术的技术领域。其方法包括:获取初始图像;通过预设的对象识别模型,对所述初始图像进行伸缩缝识别处理,以确定所述初始图像中包含的伸缩缝信息;基于所述伸缩缝信息,确定伸缩缝的排布基准线;将所述排布基准线与预设的目标基准线进行第一匹配处理,以得到第一匹配结果;在所述第一匹配结果不满足安全阈值条件的情况下,确定所述伸缩缝发生病变。通过本发明,解决了道路伸缩缝巡检人工成本高的问题,进而达到了降低道路伸缩缝巡检成本的效果。
Description
技术领域
本发明实施例涉及道路巡检领域,具体而言,涉及一种基于旧有设施的道路伸缩缝病变识别方法及装置。
背景技术
在公路建设中,在结构上需要设置伸缩缝来满足道路变形的需要。而道路在长期的营运中由于受自然环境、重载交通等因素的影响,会出现结构老化、疲劳变形等病变,在此变化下,伸缩缝由于直接暴露在环境中,因而较为容易发生病变,而道路伸缩缝一旦出现损坏,就会交通造成影响,对车辆也容易造成毁损,严重时甚至会危及生命安全。
目前,道路伸缩缝的排查只能通过人工巡检的方式或通过额外购买的雷达巡逻车进行巡检排查,既浪费了人力,也增加了维检成本。
发明内容
本发明实施例提供了一种基于旧有设施的道路伸缩缝病变识别方法及装置,以至少解决相关技术中道路伸缩缝的维检成本高的问题。
根据本发明的一个实施例,提供了一种基于旧有设施的道路伸缩缝病变识别方法,包括:
获取初始图像,其中,所述初始图像是通过旧有设施对目标区域进行图像采集得到的;
通过预设的对象识别模型,对所述初始图像进行伸缩缝识别处理,以确定所述初始图像中包含的伸缩缝信息;
基于所述伸缩缝信息,确定伸缩缝的排布基准线,其中,所述排布基准线用于指示所述伸缩缝的边梁和/或中梁的位置准线;
将所述排布基准线与预设的目标基准线进行第一匹配处理,以得到第一匹配结果;
在所述第一匹配结果不满足安全阈值条件的情况下,确定所述伸缩缝发生病变。
在一个示例性实施例中,在所述基于所述伸缩缝信息,确定伸缩缝的排布基准线之后,所述方法包括:
通过所述对象识别模型,对所述初始图像进行对象识别处理,以确定所述目标区域的埋设基准线,其中,所述埋设基准线用于指示用于埋设所述伸缩缝的预留槽口的边线;
基于所述埋设基准线,计算所述埋设基准线以及所述排布基准线之间的边线距离;
在所述边线距离小于第一阈值的情况下,确定所述伸缩缝存在病变。
在一个示例性实施例中,在所述通过预设的对象识别模型,确定所述初始图像中包含的伸缩缝信息之后,所述方法还包括:
获取所述目标区域的雷达信息,其中,所述雷达信息是通过所述旧有设施对目标区域进行雷达检测得到的;
基于所述雷达信息以及伸缩缝信息,确定所述伸缩缝的高度信息;
将所述高度信息与预先存储的所述伸缩缝的历史高度信息进行第二匹配处理,以得到第二匹配结果;
在所述第二匹配结果不满足所述安全阈值条件的情况下,确定所述伸缩缝存在病变。
在一个示例性实施例中,在所述获取所述目标区域的雷达信息之后,所述方法还包括:
基于所述雷达信息,确定雷达回波能量信息;
在所述雷达回波能量阈值低于第二阈值或大于第三阈值的情况下,确定所述伸缩缝存在病变。
在一个示例性实施例中,在所述基于所述伸缩缝信息,确定伸缩缝的排布基准线之后,所述方法还包括:
确定所述排布基准线的数量;
在所述排布基准线的数量大于预设值的情况下,确定所述伸缩缝存在病变。
根据本发明的另一个实施例,提供了一种基于旧有设施的道路伸缩缝病变识别装置,包括:
图像采集模块,用于获取初始图像,其中,所述初始图像是通过旧有设施对目标区域进行图像采集得到的;
伸缩缝识别模块,用于通过预设的对象识别模型,对所述初始图像进行伸缩缝识别处理,以确定所述初始图像中包含的伸缩缝信息;
排布基准确定模块,用于基于所述伸缩缝信息,确定伸缩缝的排布基准线,其中,所述排布基准线用于指示所述伸缩缝的边梁和/或中梁的位置准线;
第一匹配模块,用于将所述排布基准线与预设的目标基准线进行第一匹配处理,以得到第一匹配结果;
第一病变确定模块,用于在所述第一匹配结果不满足安全阈值条件的情况下,确定所述伸缩缝发生病变。
在一个示例性实施例中,还包括:
埋设基准识别模块,用于在所述基于所述伸缩缝信息,确定伸缩缝的排布基准线之后, 通过所述对象识别模型,对所述初始图像进行对象识别处理,以确定所述目标区域的埋设基准线,其中,所述埋设基准线用于指示用于埋设所述伸缩缝的预留槽口的边线;
基准线计算模块,用于基于所述埋设基准线,计算所述埋设基准线以及所述排布基准线之间的边线距离;
第二病变确定模块,用于在所述边线距离小于第一阈值的情况下,确定所述伸缩缝存在病变。
在一个示例性实施例中,还包括:
雷达信息采集模块,用于在所述通过预设的对象识别模型,确定所述初始图像中包含的伸缩缝信息之后,获取所述目标区域的雷达信息,其中,所述雷达信息是通过所述旧有设施对目标区域进行雷达检测得到的;
高度检测模块,用于基于所述雷达信息以及伸缩缝信息,确定所述伸缩缝的高度信息;
第二匹配模块,用于将所述高度信息与预先存储的所述伸缩缝的历史高度信息进行第二匹配处理,以得到第二匹配结果;
第三病变确定模块,用于在所述第二匹配结果不满足所述安全阈值条件的情况下,确定所述伸缩缝存在病变。
根据本发明的又一个实施例,还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,由于通过旧有设施对目标区域进行图像采集,并基于采集的初始图像对伸缩缝的病变情况进行精确识别判断,即无需重新布置新的监控设备,降低了布控成本,也无需人工排查,降低了维护成本,因此,可以解决道路伸缩缝维检成本高的问题,达到降低维检成本,提高维检效率的效果。
附图说明
图1是一种基于旧有设施的道路伸缩缝病变识别方法的移动终端的硬件结构框图;
图2是根据本发明实施例的一种基于旧有设施的道路伸缩缝病变识别方法的流程图;
图3是根据本发明具体实施例的原理示意图一;
图4是根据本发明具体实施例的原理示意图二;
图5是根据本发明实施例的一种基于旧有设施的道路伸缩缝病变识别装置的结构框图。
实施方式
下文中将参考附图并结合实施例来详细说明本发明的实施例。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种基于旧有设施的道路伸缩缝病变识别方法的移动终端的硬件结构框图。如图1所示,移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,其中,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的一种基于旧有设施的道路伸缩缝病变识别方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种基于旧有设施的道路伸缩缝病变识别方法,图2是根据本发明实施例的一种基于旧有设施的道路伸缩缝病变识别方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,获取初始图像,其中,所述初始图像是通过旧有设施对目标区域进行图像采集得到的;
在本实施例中,由于通过旧有设施对目标区域进行图像采集,因而无需增设新的设施,从而能够节约布控成本,提高旧有设备的利用率,进一步提高旧有设施的使用效率。
其中,旧有设施包括(但不限于)原本就设置在道路上的监控摄像头、ETC射频识别器、测速雷达等设备;图像采集包括对目标区域进行视频拍摄、图片拍摄等。
步骤S204,通过预设的对象识别模型,对所述初始图像进行伸缩缝识别处理,以确定所述初始图像中包含的伸缩缝信息;
在本实施例中,确定伸缩缝信息是为了确定伸缩缝的具***置以及伸缩缝当前的状态,从而方便对伸缩缝的病变情况进行分析。
其中,对象识别模型包括(但不限于)yolo3、yolo5等可进行目标识别的模型;伸缩缝信息包括(但不限于)伸缩缝的位置坐标、颜色、道路平整度、延伸方向、伸缩缝型号等信息,其中,伸缩缝型号可以是预先存储的信息,除此之外还可以包括伸缩缝的生产厂家、批次、型号、类型等,例如:GQF-C型、GQF-Z型、GQF-L型、GQF-F型等。
步骤S206,基于所述伸缩缝信息,确定伸缩缝的排布基准线,其中,所述排布基准线用于指示所述伸缩缝的边梁和/或中梁的位置准线;
在本实施例中,如图3及图4所示,伸缩缝在安装完成后,其边梁以及中梁均与伸缩缝的安装方向(即伸缩缝的槽沟方向)相平行,而当伸缩缝出现损毁(如中梁扭曲、边梁脱落)时,其边梁或中梁均会与伸缩缝的排布方向发生偏移,因而此时通过判断边梁与中梁是否发生偏移即可判断伸缩缝是否发生病变,而排布基准线即是用于指示边梁和/或中梁实时的位置准线。
需要说明的是,通过人工智能对伸缩缝的偏移情况进行识别,能够极大的减少人工排查的工作量,同时也方便维护人员根据偏移量进行有计划的排班,极大的方便了维护工作。
步骤S208,将所述排布基准线与预设的目标基准线进行第一匹配处理,以得到第一匹配结果;
在本实施例中,目标基准线即是在正常情况下,边梁和/或中梁的位置准线,如果目标基准线与排布基准线不一致,则说明边梁和/或中梁发生偏移,存在损毁的情况,需要进行修补或更换。
其中还,第一匹配处理包括(但不限于)将预先存储的目标区域的伸缩缝的目标基准线与识别到的排布基准线进行比对,其比对过程过意识一次比对,也可以是同时进行一对多的比对,还可以是其它形式的比对方式。
步骤S2010,在所述第一匹配结果不满足安全阈值条件的情况下,确定所述伸缩缝发生病变。
在本实施例中,当排布基准线相对于目标基准线的偏移量超过安全阈值时,则判断存在病变情况,此时就需要进行后续的维护。
其中,安全阈值条件包括(但不限于)排布基准线相对于目标基准线的偏移量的阈值,例如可以是1cm、0.5cm等等。
通过上述步骤,通过神经网络对伸缩缝的病变情况进行识别检测,能够极大的解放维护人员进行人工巡检的压力,减少了维护成本,提高了维检效率,同时由于通过旧有设施对目标区域进行图像采集,并基于采集的初始图像对伸缩缝的病变情况进行精确识别判断,即无需重新布置新的监控设备,降低了布控成本,也无需人工排查,降低了维护成本解决了道路伸缩缝维检成本高的问题,降低维检成本,提高了道路维检效率。
其中,上述步骤的执行主体可以为基站、终端等,但不限于此。
在一个可选的实施例中,在所述基于所述伸缩缝信息,确定伸缩缝的排布基准线之后,所述方法包括:
步骤S2062,通过所述对象识别模型,对所述初始图像进行对象识别处理,以确定所述目标区域的埋设基准线,其中,所述埋设基准线用于指示用于埋设所述伸缩缝的预留槽口的边线;
步骤S2064,基于所述埋设基准线,计算所述埋设基准线以及所述排布基准线之间的边线距离;
步骤S2066,在所述边线距离小于第一阈值的情况下,确定所述伸缩缝存在病变。
在本实施例中,如图3所示,在伸缩缝发生病变时,边梁会从预留槽内脱出,从而使得预留槽口的边线可以被捕捉,此时再计算边线与边梁的距离即可判断伸缩缝是否存在病变;而之所以不直接对边线进行判断是因为部分伸缩缝的安装方式会直接将边线进行暴露,此时对边线判断并不能有效的确定伸缩缝是否发生病变,因而在实际识别到边线后,再将边线与边梁进行距离计算将会更好的适应不同类型的伸缩缝,扩大了使用范围。
其中,第一阈值包括伸缩缝的边梁与边线的最小安全距离,例如0.1-0.3cm,具体可以参考实际安装标准。
在一个可选的实施例中,在所述通过预设的对象识别模型,确定所述初始图像中包含的伸缩缝信息之后,所述方法还包括:
步骤S2042,获取所述目标区域的雷达信息,其中,所述雷达信息是通过所述旧有设施对目标区域进行雷达检测得到的;
步骤S2044,基于所述雷达信息以及伸缩缝信息,确定所述伸缩缝的高度信息;
步骤S2046,将所述高度信息与预先存储的所述伸缩缝的历史高度信息进行第二匹配处理,以得到第二匹配结果;
步骤S2048,在所述第二匹配结果不满足所述安全阈值条件的情况下,确定所述伸缩缝存在病变。
在本实施例中,如图3所示,在伸缩缝的边梁或中梁发生病变时,边梁会拱起或中梁发生塌陷,此时将与正常状态的高度发生偏离,因而此时判断边梁或中梁的高度变化情况即可确定伸缩缝是否发生病变。
其中,历史高度信息包括(但不限于)正常情况下伸缩缝的中梁、边梁的高度信息以及在历史时间内伸缩缝的中梁、边梁的高度信息,安全阈值条件包括伸缩缝的边梁和中梁形变的最大阈值。
在一个可选的实施例中,在所述获取所述目标区域的雷达信息之后,所述方法还包括:
步骤S20422,基于所述雷达信息,确定雷达回波能量信息;
步骤S20424,在所述雷达回波能量阈值低于第二阈值或大于第三阈值的情况下,确定所述伸缩缝存在病变。
在本实施例中,雷达回波能量在遇到坑洼时会被吸收从而减少,遇到凸起则会因与后续波段重叠而增加,因而通过判断雷达回波能量即可判断是否发生凹陷或异常突起等病变。
在一个可选的实施例中,在所述基于所述伸缩缝信息,确定伸缩缝的排布基准线之后,所述方法还包括:
步骤S2068,确定所述排布基准线的数量;
步骤S20610,在所述排布基准线的数量大于预设值的情况下,确定所述伸缩缝存在病变。
在本实施例中,如图3所示,当中梁有两段或者多段的情况下,其中一段或多端中梁发生偏移、扭曲时,受限于识别模型的算法规则,每一段的中梁均会出现一段或多段的排布基准线,此时通过判断排布基准线的数量或者延展方向也可以判断中梁的病变情况。
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根据上述实施例的方法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,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,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的方法。
在本实施例中还提供了一种基于旧有设施的道路伸缩缝病变识别装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图5是根据本发明实施例的一种基于旧有设施的道路伸缩缝病变识别装置的结构框图,如图5所示,该装置包括:
图像采集模块52,用于获取初始图像,其中,所述初始图像是通过旧有设施对目标区域进行图像采集得到的;
伸缩缝识别模块54,用于通过预设的对象识别模型,对所述初始图像进行伸缩缝识别处理,以确定所述初始图像中包含的伸缩缝信息;
排布基准确定模块56,用于基于所述伸缩缝信息,确定伸缩缝的排布基准线,其中,所述排布基准线用于指示所述伸缩缝的边梁和/或中梁的位置准线;
第一匹配模块58,用于将所述排布基准线与预设的目标基准线进行第一匹配处理,以得到第一匹配结果;
第一病变确定模块510,用于在所述第一匹配结果不满足安全阈值条件的情况下,确定所述伸缩缝发生病变。
在一个可选的实施例中,还包括:
埋设基准识别模块512,用于在所述基于所述伸缩缝信息,确定伸缩缝的排布基准线之后, 通过所述对象识别模型,对所述初始图像进行对象识别处理,以确定所述目标区域的埋设基准线,其中,所述埋设基准线用于指示用于埋设所述伸缩缝的预留槽口的边线;
基准线计算模块514,用于基于所述埋设基准线,计算所述埋设基准线以及所述排布基准线之间的边线距离;
第二病变确定模块516,用于在所述边线距离小于第一阈值的情况下,确定所述伸缩缝存在病变。
在一个可选的实施例中,还包括:
雷达信息采集模块518,用于在所述通过预设的对象识别模型,确定所述初始图像中包含的伸缩缝信息之后,获取所述目标区域的雷达信息,其中,所述雷达信息是通过所述旧有设施对目标区域进行雷达检测得到的;
高度检测模块520,用于基于所述雷达信息以及伸缩缝信息,确定所述伸缩缝的高度信息;
第二匹配模块522,用于将所述高度信息与预先存储的所述伸缩缝的历史高度信息进行第二匹配处理,以得到第二匹配结果;
第三病变确定模块524,用于在所述第二匹配结果不满足所述安全阈值条件的情况下,确定所述伸缩缝存在病变。
在一个可选的实施例中,还包括:
回波能量确定模块526,用于在所述获取所述目标区域的雷达信息之后,基于所述雷达信息,确定雷达回波能量信息;
第四病变确定模块528,用于在所述雷达回波能量阈值低于第二阈值或大于第三阈值的情况下,确定所述伸缩缝存在病变。
在一个可选的实施例中,还包括:
基准线数量确定模块530,确定伸缩缝的排布基准线之后,确定所述排布基准线的数量;
第五病变确定模块532,在所述排布基准线的数量大于预设值的情况下,确定所述伸缩缝存在病变。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在一个示例性实施例中,上述计算机可读存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于旧有设施的道路伸缩缝病变识别方法,其特征在于,包括:
获取初始图像,其中,所述初始图像是通过旧有设施对目标区域进行图像采集得到的;
通过预设的对象识别模型,对所述初始图像进行伸缩缝识别处理,以确定所述初始图像中包含的伸缩缝信息;
基于所述伸缩缝信息,确定伸缩缝的排布基准线,其中,所述排布基准线用于指示所述伸缩缝的边梁和/或中梁的位置准线;
将所述排布基准线与预设的目标基准线进行第一匹配处理,以得到第一匹配结果;
在所述第一匹配结果不满足安全阈值条件的情况下,确定所述伸缩缝发生病变。
2.根据权利要求1所述的方法,其特征在于,在所述基于所述伸缩缝信息,确定伸缩缝的排布基准线之后,所述方法包括:
通过所述对象识别模型,对所述初始图像进行对象识别处理,以确定所述目标区域的埋设基准线,其中,所述埋设基准线用于指示用于埋设所述伸缩缝的预留槽口的边线;
基于所述埋设基准线,计算所述埋设基准线以及所述排布基准线之间的边线距离;
在所述边线距离小于第一阈值的情况下,确定所述伸缩缝存在病变。
3.根据权利要求1所述的方法,其特征在于,在所述通过预设的对象识别模型,确定所述初始图像中包含的伸缩缝信息之后,所述方法还包括:
获取所述目标区域的雷达信息,其中,所述雷达信息是通过所述旧有设施对目标区域进行雷达检测得到的;
基于所述雷达信息以及伸缩缝信息,确定所述伸缩缝的高度信息;
将所述高度信息与预先存储的所述伸缩缝的历史高度信息进行第二匹配处理,以得到第二匹配结果;
在所述第二匹配结果不满足所述安全阈值条件的情况下,确定所述伸缩缝存在病变。
4.根据权利要求3所述的方法,其特征在于,在所述获取所述目标区域的雷达信息之后,所述方法还包括:
基于所述雷达信息,确定雷达回波能量信息;
在所述雷达回波能量阈值低于第二阈值或大于第三阈值的情况下,确定所述伸缩缝存在病变。
5.根据权利要求1所述的方法,其特征在于,在所述基于所述伸缩缝信息,确定伸缩缝的排布基准线之后,所述方法还包括:
确定所述排布基准线的数量;
在所述排布基准线的数量大于预设值的情况下,确定所述伸缩缝存在病变。
6.一种基于旧有设施的道路伸缩缝病变识别装置,其特征在于,包括:
图像采集模块,用于获取初始图像,其中,所述初始图像是通过旧有设施对目标区域进行图像采集得到的;
伸缩缝识别模块,用于通过预设的对象识别模型,对所述初始图像进行伸缩缝识别处理,以确定所述初始图像中包含的伸缩缝信息;
排布基准确定模块,用于基于所述伸缩缝信息,确定伸缩缝的排布基准线,其中,所述排布基准线用于指示所述伸缩缝的边梁和/或中梁的位置准线;
第一匹配模块,用于将所述排布基准线与预设的目标基准线进行第一匹配处理,以得到第一匹配结果;
第一病变确定模块,用于在所述第一匹配结果不满足安全阈值条件的情况下,确定所述伸缩缝发生病变。
7.根据权利要求6所述的装置,其特征在于,还包括:
埋设基准识别模块,用于在所述基于所述伸缩缝信息,确定伸缩缝的排布基准线之后,通过所述对象识别模型,对所述初始图像进行对象识别处理,以确定所述目标区域的埋设基准线,其中,所述埋设基准线用于指示用于埋设所述伸缩缝的预留槽口的边线;
基准线计算模块,用于基于所述埋设基准线,计算所述埋设基准线以及所述排布基准线之间的边线距离;
第二病变确定模块,用于在所述边线距离小于第一阈值的情况下,确定所述伸缩缝存在病变。
8.根据权利要求6所述的装置,其特征在于,还包括:
雷达信息采集模块,用于在所述通过预设的对象识别模型,确定所述初始图像中包含的伸缩缝信息之后,获取所述目标区域的雷达信息,其中,所述雷达信息是通过所述旧有设施对目标区域进行雷达检测得到的;
高度检测模块,用于基于所述雷达信息以及伸缩缝信息,确定所述伸缩缝的高度信息;
第二匹配模块,用于将所述高度信息与预先存储的所述伸缩缝的历史高度信息进行第二匹配处理,以得到第二匹配结果;
第三病变确定模块,用于在所述第二匹配结果不满足所述安全阈值条件的情况下,确定所述伸缩缝存在病变。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至5任一项中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至5任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310150522.9A CN115830032B (zh) | 2023-02-13 | 2023-02-13 | 基于旧有设施的道路伸缩缝病变识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310150522.9A CN115830032B (zh) | 2023-02-13 | 2023-02-13 | 基于旧有设施的道路伸缩缝病变识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115830032A true CN115830032A (zh) | 2023-03-21 |
CN115830032B CN115830032B (zh) | 2023-05-26 |
Family
ID=85522099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310150522.9A Active CN115830032B (zh) | 2023-02-13 | 2023-02-13 | 基于旧有设施的道路伸缩缝病变识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115830032B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116189133A (zh) * | 2023-04-26 | 2023-05-30 | 宜宾闪马智通科技有限公司 | 道路巡检判定方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955923A (zh) * | 2014-04-18 | 2014-07-30 | 南京理工大学 | 一种快速的基于图像的路面病害检测方法 |
CN110189317A (zh) * | 2019-05-30 | 2019-08-30 | 上海卡罗网络科技有限公司 | 一种基于深度学习的道路影像智能采集和识别方法 |
CN112017170A (zh) * | 2020-08-26 | 2020-12-01 | 广东建科交通工程质量检测中心有限公司 | 一种基于三维光影模型的道路路面坑槽识别方法、装置及设备 |
CN112946628A (zh) * | 2021-02-08 | 2021-06-11 | 江苏中路工程技术研究院有限公司 | 一种基于雷达与视频融合的道路运行状态检测方法及*** |
CN113096126A (zh) * | 2021-06-03 | 2021-07-09 | 四川九通智路科技有限公司 | 基于图像识别深度学习的道路病害检测***及方法 |
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 |
CN114529522A (zh) * | 2022-01-27 | 2022-05-24 | 东南大学 | 一种道路表观病害智能识别方法和*** |
CN114895302A (zh) * | 2022-04-06 | 2022-08-12 | 广州易探科技有限公司 | 城市道路路基病害快速探测的方法及装置 |
CN115063525A (zh) * | 2022-04-06 | 2022-09-16 | 广州易探科技有限公司 | 一种城市道路路基及管道的三维成图方法及装置 |
CN115331190A (zh) * | 2022-09-30 | 2022-11-11 | 北京闪马智建科技有限公司 | 一种基于雷视融合的道路隐患识别方法及装置 |
CN115631356A (zh) * | 2022-11-28 | 2023-01-20 | 北京闪马智建科技有限公司 | 道路设施缺失识别方法、装置、存储介质及电子装置 |
-
2023
- 2023-02-13 CN CN202310150522.9A patent/CN115830032B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955923A (zh) * | 2014-04-18 | 2014-07-30 | 南京理工大学 | 一种快速的基于图像的路面病害检测方法 |
CN110189317A (zh) * | 2019-05-30 | 2019-08-30 | 上海卡罗网络科技有限公司 | 一种基于深度学习的道路影像智能采集和识别方法 |
CN112017170A (zh) * | 2020-08-26 | 2020-12-01 | 广东建科交通工程质量检测中心有限公司 | 一种基于三维光影模型的道路路面坑槽识别方法、装置及设备 |
CN112946628A (zh) * | 2021-02-08 | 2021-06-11 | 江苏中路工程技术研究院有限公司 | 一种基于雷达与视频融合的道路运行状态检测方法及*** |
CN113096126A (zh) * | 2021-06-03 | 2021-07-09 | 四川九通智路科技有限公司 | 基于图像识别深度学习的道路病害检测***及方法 |
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 |
CN114529522A (zh) * | 2022-01-27 | 2022-05-24 | 东南大学 | 一种道路表观病害智能识别方法和*** |
CN114895302A (zh) * | 2022-04-06 | 2022-08-12 | 广州易探科技有限公司 | 城市道路路基病害快速探测的方法及装置 |
CN115063525A (zh) * | 2022-04-06 | 2022-09-16 | 广州易探科技有限公司 | 一种城市道路路基及管道的三维成图方法及装置 |
CN115331190A (zh) * | 2022-09-30 | 2022-11-11 | 北京闪马智建科技有限公司 | 一种基于雷视融合的道路隐患识别方法及装置 |
CN115631356A (zh) * | 2022-11-28 | 2023-01-20 | 北京闪马智建科技有限公司 | 道路设施缺失识别方法、装置、存储介质及电子装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116189133A (zh) * | 2023-04-26 | 2023-05-30 | 宜宾闪马智通科技有限公司 | 道路巡检判定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115830032B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111307823B (zh) | 基于边云协同的变电设备典型视觉缺陷检测***及方法 | |
CN115830032B (zh) | 基于旧有设施的道路伸缩缝病变识别方法及装置 | |
CN115331190B (zh) | 一种基于雷视融合的道路隐患识别方法及装置 | |
CN108334815A (zh) | 电力二次设备的巡检方法、开关状态识别方法及*** | |
CN113038084B (zh) | 状态识别方法、装置及*** | |
CN110887462A (zh) | 一种无人机巡检方法及***、输电线路巡检方法及*** | |
CN111178555A (zh) | 一种基于边缘计算的社区安防设备报修方法和*** | |
CN115409839B (zh) | 基于像素分析模型的道路声屏障隐患识别方法及装置 | |
CN112000109B (zh) | 电力巡检机器人的位置校正方法、电力巡检机器人及介质 | |
CN111833341A (zh) | 确定图像中条纹噪声的方法及装置 | |
CN115345446A (zh) | 基于无人机巡线和点云数据的工程竣工验收方法 | |
CN106101696B (zh) | 视频质量诊断***及视频质量分析算法 | |
CN114419112A (zh) | 建筑施工高度的识别方法、装置及电子设备 | |
CN111127898B (zh) | 触发模式的切换方法及装置 | |
CN114511115A (zh) | 一种机房空调性能评估方法及装置 | |
CN113888481A (zh) | 一种桥面病害检测方法、***、设备及存储介质 | |
CN114169404A (zh) | 一种基于图像智能获取边坡病害量化信息方法 | |
CN109815210B (zh) | 轨道电压异常数据监测方法、***及终端设备 | |
CN116994354B (zh) | 道路电力设施巡检方法、装置、存储介质及电子装置 | |
CN117726959B (zh) | 基于智能图像识别的无人机电力线路安全巡检***及方法 | |
CN113485416B (zh) | 一种电网安全检测方法 | |
CN114333345B (zh) | 停车位被遮挡时的预警方法、设备、存储介质及程序产品 | |
CN117112868A (zh) | 一种电力***的故障存储方法、装置、设备及存储介质 | |
CN118034325A (zh) | 巡检机器人自动避障方法、装置、终端及存储介质 | |
DE102015221726A1 (de) | Verfahren und Informationssystem zum Überwachen einer Batterie einer Temperatursensorvorrichtung |
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 |