CN117169121B - 一种基于云边端架构的交通道路病害检测***及方法 - Google Patents
一种基于云边端架构的交通道路病害检测***及方法 Download PDFInfo
- Publication number
- CN117169121B CN117169121B CN202311133669.3A CN202311133669A CN117169121B CN 117169121 B CN117169121 B CN 117169121B CN 202311133669 A CN202311133669 A CN 202311133669A CN 117169121 B CN117169121 B CN 117169121B
- Authority
- CN
- China
- Prior art keywords
- road
- disease
- abnormal
- road section
- value
- 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 217
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 217
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims abstract description 134
- 238000012876 topography Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 26
- 230000007613 environmental effect Effects 0.000 claims description 19
- 230000000007 visual effect Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract description 4
- 230000009467 reduction Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及交通道路病害检测技术领域,具体为一种基于云边端架构的交通道路病害检测***及方法,所述***包括病害风险影响评估模块,所述病害风险影响评估模块结合位置空间模型中的标记结果及上传云端的道路病害特征信息,对待测道路中各个路段病害情况进行病害风险影响评估,得到每个路段对应的病害风险影响评估值。本发明通过振动检测数据,实现对灰度图像中异常像素点的自适应筛选,通过调节像素标记参照值,避免出现异常像素点筛选过程中出现过度降噪的情况,同时,结合不同路段的地势环境及通行状况对道路病害的影响情况,实现对了检测结果的优先级排序,并对管理员进行预警,实现了对道路病害检测数据的有效管理。
Description
技术领域
本发明涉及交通道路病害检测技术领域,具体为一种基于云边端架构的交通道路病害检测***及方法。
背景技术
随着社会的不断发展,我国道路建设面积正在不断增大,但是,对道路的养护压力也在不断增强,长期行车重复重载荷作用或环境作用侵蚀,会使道路出现病害情况,如裂缝、坑槽、沉陷等病害症状,进而严重影响道路的通行状态。
传统养护方式是通过大量人工巡检查找病害,该方式存在标准化缺失、成本高、精确度低、危险性高等问题;
而现有的基于图像识别的交通道路病害检测***,往往采用视觉图像算法、传感器信号分析法对道路病害情况进行分析,但是其分析方式较为单一,由于路面较为粗糙,对光线的反射能力不同,进而分析的画面中会存在部分噪点,进而对分析结果造成干扰,仅仅通过图像进行分析的话,会出现识别不准确的问题;同时,现有技术也没有考虑到不同路段的地势环境及通行状况对道路病害的影响情况,进而现有技术存在较大的缺陷。
发明内容
本发明的目的在于提供一种基于云边端架构的交通道路病害检测***及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于云边端架构的交通道路病害检测方法,本发明中的云边端分别为数据采集端、边缘计算数据处理端及云端,所述方法包括以下步骤:
S1、将待测道路均匀划分成等长的不同路段,通过道路病害数据采集端内设置的摄像头对各个路段对应道路的灰度图像进行采集,通过道路病害数据采集端内设置的振动传感器分别采集道路病害数据采集端在各个路段匀速运动时的振动信息;结合采集的振动信息,基于边缘计算技术对采集的灰度图像进行预处理,提取出灰度图像中的异常特征信息;结合历史数据库中道路病害对应的特征信息,对提取的灰度图像异常特征信息进行校准,得到道路病害特征信息,并将所得道路病害特征信息与相应的路段进行绑定,将绑定结果上传至云端;
S2、获取云端数据库中待测道路内各个路段的环境信息及相应路段的历史通行信息;根据待测道路内各个路段的环境信息,构建待测道路所属的位置空间模型;在构建的待测道路所属的位置空间模型中,将S1上传的道路病害特征信息对应的位置区域进行标记;
S3、结合位置空间模型中的标记结果及上传云端的道路病害特征信息,对待测道路中各个路段病害情况进行病害风险影响评估,得到每个路段对应的病害风险影响评估值;
S4、根据病害风险影响评估值从大到小的顺序,生成各个路段分别对应的病害特征信息构成的病害信息序列,输出待测道路检测结果,并根据待测道路检测结果,对道路病害管理员进行预警,所述待测道路检测结果为待测道路中各个路段分别对应的病害特征信息构成的病害信息序列。
进一步的,所述S1中通过道路病害数据采集端内设置的振动传感器分别采集道路病害数据采集端在各个路段匀速运动时的振动数据时,所述振动传感器每隔第一单位时间采集一次车辆的振动数据,所述第一单位时间为数据库中预置的常数;
所述基于边缘计算技术对采集的灰度图像进行预处理,提取出灰度图像中的异常特征信息的过程中,计算图像中任意两个相邻像素点之间灰度差的绝对值,并将对应灰度差的绝对值大于β的两个相邻像素点中灰度值小的像素点进行标记;所述β表示像素标记参照值,且β=min{r×AM,β1},所述min{r×AM,β1}表示r×AM与β1中的最小值,所述β1表示像素标记参照阈值,所述r表示采集相应路段的灰度图像时,获取的各个振动数据的平均值在数据库预置表单内对应的第一异常系数,所述数据库预置表单中每个振动数据对应唯一的第一异常系数,所述AM表示待比较的两个相邻像素点所属灰度图像中最大灰度值与最小灰度值的差值;
获取灰度图像中标记像素点分别与相邻的各个像素点之间的关系,
当标记像素点的灰度值与一个相邻像素点的灰度值之间差值的绝对值小于等于Q时,则判定标记像素点的该相邻像素点异常且对该相邻像素点进行标记,并再次获取灰度图像中新标记的像素点分别与相邻的各个像素点之间的关系;
所述Q表示像素异常判定参照值,且Q=max{r1×AM,β2},所述max{r1×AM,β2}表示r1×AM与β2中的最大值,所述r1表示采集相应路段的灰度图像时,获取的各个振动数据的平均值在数据库预置表单内对应的第二异常系数,所述数据库预置表单中每个振动数据对应唯一的第二异常系数,所述β2表示历史数据中各个相邻的异常像素点分别对应的灰度差值的绝对值内的最小值;
当标记像素点的灰度值与一个相邻像素点的灰度值之间差值的绝对值大于Q时,则判定标记像素点的该相邻像素点正常且无需对该相邻像素点进行标记;
将灰度图像上最终标记的像素点的集合作为相应灰度图像中的异常特征信息。
本发明中振动数据对应的值越大,则该图像存在异常的情况越大,进而需要检测的精度越高,对应的第一异常系数越小,对应的第二异常系数越大;本发明中灰度图像中每个像素点存在多个相邻像素点。
进一步的,所述S1中对提取的灰度图像异常特征信息进行校准的方法包括以下步骤:
S11、获取待测道路对应的各个采集的灰度图像中,每个灰度图像对应的异常特征信息;
S12、对灰度图像中异常特征信息内的各个标记像素点所属的异常像素链进行划分,得到每个灰度图像对应的各个异常像素链,所述异常像素链包括一个或多个标记像素点且每个标记像素点作为相应异常像素链的一个节点,同一异常像素链中的各个节点之间相邻且连续,在不同异常像素链中的每个异常像素链内随机抽取一个标记像素点,所抽取的各个标记像素点之间均不相邻;
S13、得到每个异常像素链对应的链特征,将异常像素链对应的链特征记为{W1,W2,W1×W2},所述W1表示异常像素链中任意两个标记像素点在相应灰度图像内的对应像素距离的最大值,所述W2表示相应异常像素链内,与像素距离最大的两个标记像素点连线垂直的任意两个标记像素点连线对应像素距离的最大值;
本发明中W1对应异常像素链的链长,W2对应异常像素链的链宽,W1×W2表示异常像素链的异常像素点评估量;
S14、将异常像素链对应的链特征{W1,W2,W1×W2}中的链特征阈值{Wy1,Wy2,Wy1×Wy2}进行比较,得到道路病害特征信息,
当W1≤Wy1且W2≤Wy2且W1×W2≤Wy1×Wy2时,则判定链特征{W1,W2,W1×W2}对应异常像素链作为一个噪点区域,链特征{W1,W2,W1×W2}对应异常像素链中的各个标记像素点均为相应灰度图像中的噪点,将链特征{W1,W2,W1×W2}对应异常像素链中的各个标记像素点从灰度图像中的异常特征信息内删除;反之,则判定链特征{W1,W2,W1×W2}对应异常像素链中的各个标记像素点均正常,将链特征{W1,W2,W1×W2}对应异常像素链中的各个标记像素点作为相应灰度图像所属路段对应的道路病害特征信息中的一个元素;
所述Wy1表示历史数据库内道路病害中,各个噪点区域分别对应链特征内第一个数值的平均值;所述Wy2表示历史数据库内道路病害中,各个噪点区域分别对应链特征内第二个数值的平均值;Wy1×Wy2表示历史数据库内道路病害中,各个噪点区域分别对应链特征内第三个数值的平均值;
获取每个路段对应的各个灰度图像,每个路段对应的道路病害特征信息为相应各个灰度图像内不为噪点区域的各个异常像素链中的标记像素点的集合。
进一步的,所述S2中路段的环境信息包括路段对应区域的地势特征,记为{R1/R2,p1/p2},所述R1表示路段区域内地势最高点h1与地势最低点h2的连线为对角线的矩形区域面积,所述R2表示路段区域面积,所述p1=(h1-h2)/L,其中L表示R1对应矩形区域与相应路段中轴线交集线段的长度,p2=max{h3}/L1,
其中,获取相应路段过中轴线任意一点,垂直于中轴线且与路段区域边缘相交的点中,与边缘交点位置的地势与相应交线与中轴线的交点位置对应的地势之间的最大地势差,所述max{h3}表示过中轴线的各个点分别对应的最大地势差中的最大值;L1表示路段区域面积与路段中轴线长度的商的二分之一,通常情况下,修路时为排水方便会将道路轴线的位置的地势修的更高,所述地势高低是通过水平高度衡量的;
本发明考虑路段中的地势情况时,是由于路段在出现病害(横向裂缝、纵向裂缝及网裂)后,且未及时进行修补时,若出现下雨情况,雨水会顺着裂缝向下渗透,会使道路基层表面被泡软,在载重汽车的碾压下,粉浆会通过面层裂缝被压到道路表面,进而使道路基层表面逐渐被掏空,道路病害更加严重。
相应路段的历史通行信息包括基于当前时间的前单位时间内通行车辆的平均载重量及通行车辆个数;所述单位距离与单位时间均为数据库中预置的常数;
所述S2中构建待测道路所属的位置空间模型的方法包括以下步骤:
S21、获取路段中各个位置点对应的地势信息及各个点对应的位置,并构建空间直角坐标系,所述空间直角坐标系的x轴为经度,y轴为纬度,z轴为地势信息对应的水平高度;
S22、获取相应路段对应的道路病害特征信息中各个像素点在路段中的位置点,并将所得位置点在空间直角坐标系中的坐标,并对所得坐标进行标记;
获取像素点在路段中的位置点时,采集拍摄灰度图像时对应摄像头在道路上的正投影区域的中点位置、画面数据比例尺及摄像头正投影区域的中点位置与画面视野中心的位置偏差量,所述位置偏差量包括经度偏差量及纬度偏差量,所述画面数据比例尺表示画面中的单位像素距离对应的实际道路中的长度,
所述像素点在路段中位置点的x轴坐标值为摄像头在道路上的正投影区域的中点位置的x轴坐标值与g1、g2的和,其中,g1表示摄像头正投影区域的中点位置与画面视野中心的位置偏差量中的经度偏差量,g2表示灰度图像中像素点与画面视野中点位置对应的像素点之间像素连线在x轴上的投影距离除以画面数据比例尺后所得的商;
所述像素点在路段中位置点的y轴坐标值为摄像头在道路上的正投影区域的中点位置的y轴坐标值与g3、g4的和,其中,g3表示摄像头正投影区域的中点位置与画面视野中心的位置偏差量中的纬度偏差量,g4表示灰度图像中像素点与画面视野中点位置对应的像素点之间像素连线在y轴上的投影距离除以画面数据比例尺后所得的商;
所述像素点在路段中位置点的z轴坐标值通过查询相应路段中各个位置点在空间直角坐标系中的位置坐标中,与像素点的x轴坐标值及y轴坐标值均相等的位置坐标中的z轴坐标值获取;
S23、得到待测道路所属的位置空间模型,所述位置空间模型中包括多个标记坐标;
将S1上传的道路病害特征信息对应的位置区域进行标记时,所述S1上传的道路病害特征信息对应的位置区域为相应路段对应的各个标记坐标构成的区域。
进一步的,所述S3中得到每个路段对应的病害风险影响评估值的方法包括以下步骤:
S31、统计位置空间模型中各个路段分别对应的标记区域的面积占相应路段区域面积的比值,将待测道路中第i个路段对应标记区域面积占相应路段区域面积的比值记为Gi;
S32、获取待测道路中各个路段的环境信息及历史通行信息;
S33、得到待测道路中第i个路段对应的病害风险影响评估值,记为E,
所述E=Gi×[RD1+RD2×f]×(1+K×c),
其中,RD1表示待测道路中第i个路段的环境信息中相应路段对应区域的地势特征内的第一个值,RD2表示待测道路中第i个路段的环境信息中相应路段对应区域的地势特征内的第二个值,f表示转化系数且所述f为数据库中预置的常数;所述K表示待测道路中第i个路段的历史通行信息内基于当前时间的前单位时间内通行车辆的平均载重量,所述c表示待测道路中第i个路段的历史通行信息内基于当前时间的前单位时间内通行车辆个数。
进一步的,所述S4中对道路病害管理员进行预警时,所述预警内容由输出的待测道路检测结果及通行异常路段结果,所述通行异常路段结果包括0个或1个或多个待测道路的路段,所述通行异常路段结果中的路段为输出的待测道路检测结果中对应病害风险影响评估值大于预设值的路段。
一种基于云边端架构的交通道路病害检测***,所述***包括以下模块:
本发明中的云边端分别为数据采集端、边缘计算数据处理端及云端;
图像信息特征提取模块,所述图像信息特征提取模块将待测道路均匀划分成等长的不同路段,通过道路病害数据采集端内设置的摄像头对各个路段对应道路的灰度图像进行采集,通过道路病害数据采集端内设置的振动传感器分别采集道路病害数据采集端在各个路段匀速运动时的振动信息;结合采集的振动信息,基于边缘计算技术对采集的灰度图像进行预处理,提取出灰度图像中的异常特征信息;结合历史数据库中道路病害对应的特征信息,对提取的灰度图像异常特征信息进行校准,得到道路病害特征信息,并将所得道路病害特征信息与相应的路段进行绑定,将绑定结果上传至云端;
位置空间模型构建模块,所述位置空间模型构建模块获取云端数据库中待测道路内各个路段的环境信息及相应路段的历史通行信息;根据待测道路内各个路段的环境信息,构建待测道路所属的位置空间模型;在构建的待测道路所属的位置空间模型中,将图像信息特征提取模块上传的道路病害特征信息对应的位置区域进行标记;
病害风险影响评估模块,所述病害风险影响评估模块结合位置空间模型中的标记结果及上传云端的道路病害特征信息,对待测道路中各个路段病害情况进行病害风险影响评估,得到每个路段对应的病害风险影响评估值;
道路病害预警管理模块,所述道路病害预警管理模块根据病害风险影响评估值从大到小的顺序,生成各个路段分别对应的病害特征信息构成的病害信息序列,输出待测道路检测结果,并根据待测道路检测结果,对道路病害管理员进行预警,所述待测道路检测结果为待测道路中各个路段分别对应的病害特征信息构成的病害信息序列。
进一步的,所述图像信息特征提取模块包括数据采集单元、异常特征提取单元及病害特征绑定单元,
所述数据采集单元将待测道路均匀划分成等长的不同路段,通过道路病害数据采集端内设置的摄像头对各个路段对应道路的灰度图像进行采集,通过道路病害数据采集端内设置的振动传感器分别采集道路病害数据采集端在各个路段匀速运动时的振动信息;
所述异常特征提取单元结合采集的振动信息,基于边缘计算技术对采集的灰度图像进行预处理,提取出灰度图像中的异常特征信息;
所述病害特征绑定单元结合历史数据库中道路病害对应的特征信息,对提取的灰度图像异常特征信息进行校准,得到道路病害特征信息,并将所得道路病害特征信息与相应的路段进行绑定,将绑定结果上传至云端。
与现有技术相比,本发明所达到的有益效果是:本发明通过振动检测数据,实现对灰度图像中异常像素点的自适应筛选,通过调节像素标记参照值,避免出现异常像素点筛选过程中出现过度降噪的情况(过度降噪会造成检测到的病害范围小于实际病害范围),降低了噪点对分析结果产生的干扰,同时,结合不同路段的地势环境及通行状况对道路病害的影响情况,实现对了检测结果的优先级排序(病害信息序列),并对管理员进行预警,实现了对道路病害检测数据的有效管理。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于云边端架构的交通道路病害检测方法的结构示意图;
图2是本发明一种基于云边端架构的交通道路病害检测***的流程示意图。
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。
请参阅图1,本发明提供技术方案:一种基于云边端架构的交通道路病害检测方法,本发明中的云边端分别为数据采集端、边缘计算数据处理端及云端,
数据采集端负责道路信息数据采集,边缘计算数据处理端负责对数据采集端采集的数据进行初步处理,云端负责对采集端负责道路信息数据采集及边缘计算数据处理端处理的数据进行综合分析;
所述方法包括以下步骤:
S1、将待测道路均匀划分成等长的不同路段,通过道路病害数据采集端内设置的摄像头对各个路段对应道路的灰度图像进行采集,通过道路病害数据采集端内设置的振动传感器分别采集道路病害数据采集端在各个路段匀速运动时的振动信息;结合采集的振动信息,基于边缘计算技术对采集的灰度图像进行预处理,提取出灰度图像中的异常特征信息;结合历史数据库中道路病害对应的特征信息,对提取的灰度图像异常特征信息进行校准,得到道路病害特征信息,并将所得道路病害特征信息与相应的路段进行绑定,将绑定结果上传至云端;
所述S1中通过道路病害数据采集端内设置的振动传感器分别采集道路病害数据采集端在各个路段匀速运动时的振动数据时,所述振动传感器每隔第一单位时间采集一次车辆的振动数据,所述第一单位时间为数据库中预置的常数;
所述基于边缘计算技术对采集的灰度图像进行预处理,提取出灰度图像中的异常特征信息的过程中,计算图像中任意两个相邻像素点之间灰度差的绝对值,并将对应灰度差的绝对值大于β的两个相邻像素点中灰度值小的像素点进行标记;所述β表示像素标记参照值,且β=min{r×AM,β1},所述min{r×AM,β1}表示r×AM与β1中的最小值,所述β1表示像素标记参照阈值,所述r表示采集相应路段的灰度图像时,获取的各个振动数据的平均值在数据库预置表单内对应的第一异常系数,所述数据库预置表单中每个振动数据对应唯一的第一异常系数(本发明中振动数据对应的值越大,则该图像存在异常的情况越大,进而需要检测的精度越高,对应的第一异常系数越小),所述AM表示待比较的两个相邻像素点所属灰度图像中最大灰度值与最小灰度值的差值;
获取灰度图像中标记像素点分别与相邻的各个像素点之间的关系,
当标记像素点的灰度值与一个相邻像素点的灰度值之间差值的绝对值小于等于Q时,则判定标记像素点的该相邻像素点异常且对该相邻像素点进行标记,并再次获取灰度图像中新标记的像素点分别与相邻的各个像素点之间的关系;
所述Q表示像素异常判定参照值,且Q=max{r1×AM,β2},所述max{r1×AM,β2}表示r1×AM与β2中的最大值,所述r1表示采集相应路段的灰度图像时,获取的各个振动数据的平均值在数据库预置表单内对应的第二异常系数,所述数据库预置表单中每个振动数据对应唯一的第二异常系数(本发明中振动数据对应的值越大,则该图像存在异常的情况越大,进而需要检测的精度越高,对应的第二异常系数越大),所述β2表示历史数据中各个相邻的异常像素点分别对应的灰度差值的绝对值内的最小值;
当标记像素点的灰度值与一个相邻像素点的灰度值之间差值的绝对值大于Q时,则判定标记像素点的该相邻像素点正常且无需对该相邻像素点进行标记;
将灰度图像上最终标记的像素点的集合作为相应灰度图像中的异常特征信息。
灰度图像中每个像素点存在多个相邻像素点,
本实施例中将标记像素点的上、下、左、右、左上、左下、右上、右下方的8个方位存在的像素点均作为标记像素点的相邻像素点,进而一个标记元素的相邻像素点个数可能为3个、5个或8个;
所述S1中对提取的灰度图像异常特征信息进行校准的方法包括以下步骤:
S11、获取待测道路对应的各个采集的灰度图像中,每个灰度图像对应的异常特征信息;
S12、对灰度图像中异常特征信息内的各个标记像素点所属的异常像素链进行划分,得到每个灰度图像对应的各个异常像素链,所述异常像素链包括一个或多个标记像素点且每个标记像素点作为相应异常像素链的一个节点,同一异常像素链中的各个节点之间相邻且连续,在不同异常像素链中的每个异常像素链内随机抽取一个标记像素点,所抽取的各个标记像素点之间均不相邻;
S13、得到每个异常像素链对应的链特征,将异常像素链对应的链特征记为{W1,W2,W1×W2},所述W1表示异常像素链中任意两个标记像素点在相应灰度图像内的对应像素距离的最大值,所述W2表示相应异常像素链内,与像素距离最大的两个标记像素点连线垂直的任意两个标记像素点连线对应像素距离的最大值;本发明中W1对应异常像素链的链长,W2对应异常像素链的链宽,W1×W2表示异常像素链的异常像素点评估量;
S14、将异常像素链对应的链特征{W1,W2,W1×W2}中的链特征阈值{Wy1,Wy2,Wy1×Wy2}进行比较,得到道路病害特征信息,
当W1≤Wy1且W2≤Wy2且W1×W2≤Wy1×Wy2时,则判定链特征{W1,W2,W1×W2}对应异常像素链作为一个噪点区域,链特征{W1,W2,W1×W2}对应异常像素链中的各个标记像素点均为相应灰度图像中的噪点,将链特征{W1,W2,W1×W2}对应异常像素链中的各个标记像素点从灰度图像中的异常特征信息内删除;反之,则判定链特征{W1,W2,W1×W2}对应异常像素链中的各个标记像素点均正常,将链特征{W1,W2,W1×W2}对应异常像素链中的各个标记像素点作为相应灰度图像所属路段对应的道路病害特征信息中的一个元素;
所述Wy1表示历史数据库内道路病害中,各个噪点区域分别对应链特征内第一个数值的平均值;所述Wy2表示历史数据库内道路病害中,各个噪点区域分别对应链特征内第二个数值的平均值;Wy1×Wy2表示历史数据库内道路病害中,各个噪点区域分别对应链特征内第三个数值的平均值;
获取每个路段对应的各个灰度图像,每个路段对应的道路病害特征信息为相应各个灰度图像内不为噪点区域的各个异常像素链中的标记像素点的集合。
S2、获取云端数据库中待测道路内各个路段的环境信息及相应路段的历史通行信息;根据待测道路内各个路段的环境信息,构建待测道路所属的位置空间模型;在构建的待测道路所属的位置空间模型中,将S1上传的道路病害特征信息对应的位置区域进行标记;
所述S2中路段的环境信息包括路段对应区域的地势特征,记为{R1/R2,p1/p2},所述R1表示路段区域内地势最高点h1与地势最低点h2的连线为对角线的矩形区域面积,所述R2表示路段区域面积,所述p1=(h1-h2)/L,其中L表示R1对应矩形区域与相应路段中轴线交集线段的长度,p2=max{h3}/L1,
其中,获取相应路段过中轴线任意一点,垂直于中轴线且与路段区域边缘相交的点中,与边缘交点位置的地势与相应交线与中轴线的交点位置对应的地势之间的最大地势差,所述max{h3}表示过中轴线的各个点分别对应的最大地势差中的最大值;L1表示路段区域面积与路段中轴线长度的商的二分之一,通常情况下,修路时为排水方便会将道路轴线的位置的地势修的更高,所述地势高低是通过水平高度衡量的;
相应路段的历史通行信息包括基于当前时间的前单位时间内通行车辆的平均载重量及通行车辆个数;所述单位距离与单位时间均为数据库中预置的常数;
所述S2中构建待测道路所属的位置空间模型的方法包括以下步骤:
S21、获取路段中各个位置点对应的地势信息及各个点对应的位置,并构建空间直角坐标系,所述空间直角坐标系的x轴为经度,y轴为纬度,z轴为地势信息对应的水平高度;
S22、获取相应路段对应的道路病害特征信息中各个像素点在路段中的位置点,并将所得位置点在空间直角坐标系中的坐标,并对所得坐标进行标记;
获取像素点在路段中的位置点时,采集拍摄灰度图像时对应摄像头在道路上的正投影区域的中点位置、画面数据比例尺及摄像头正投影区域的中点位置与画面视野中心的位置偏差量,所述位置偏差量包括经度偏差量及纬度偏差量,所述画面数据比例尺表示画面中的单位像素距离对应的实际道路中的长度,
所述像素点在路段中位置点的x轴坐标值为摄像头在道路上的正投影区域的中点位置的x轴坐标值与g1、g2的和,其中,g1表示摄像头正投影区域的中点位置与画面视野中心的位置偏差量中的经度偏差量,g2表示灰度图像中像素点与画面视野中点位置对应的像素点之间像素连线在x轴上的投影距离除以画面数据比例尺后所得的商;
所述像素点在路段中位置点的y轴坐标值为摄像头在道路上的正投影区域的中点位置的y轴坐标值与g3、g4的和,其中,g3表示摄像头正投影区域的中点位置与画面视野中心的位置偏差量中的纬度偏差量,g4表示灰度图像中像素点与画面视野中点位置对应的像素点之间像素连线在y轴上的投影距离除以画面数据比例尺后所得的商;
所述像素点在路段中位置点的z轴坐标值通过查询相应路段中各个位置点在空间直角坐标系中的位置坐标中,与像素点的x轴坐标值及y轴坐标值均相等的位置坐标中的z轴坐标值获取;
S23、得到待测道路所属的位置空间模型,所述位置空间模型中包括多个标记坐标;
将S1上传的道路病害特征信息对应的位置区域进行标记时,所述S1上传的道路病害特征信息对应的位置区域为相应路段对应的各个标记坐标构成的区域。
S3、结合位置空间模型中的标记结果及上传云端的道路病害特征信息,对待测道路中各个路段病害情况进行病害风险影响评估,得到每个路段对应的病害风险影响评估值;
所述S3中得到每个路段对应的病害风险影响评估值的方法包括以下步骤:
S31、统计位置空间模型中各个路段分别对应的标记区域的面积占相应路段区域面积的比值,将待测道路中第i个路段对应标记区域面积占相应路段区域面积的比值记为Gi;
S32、获取待测道路中各个路段的环境信息及历史通行信息;
S33、得到待测道路中第i个路段对应的病害风险影响评估值,记为E,
所述E=Gi×[RD1+RD2×f]×(1+K×c),
其中,RD1表示待测道路中第i个路段的环境信息中相应路段对应区域的地势特征内的第一个值,RD2表示待测道路中第i个路段的环境信息中相应路段对应区域的地势特征内的第二个值,f表示转化系数且所述f为数据库中预置的常数;所述K表示待测道路中第i个路段的历史通行信息内基于当前时间的前单位时间内通行车辆的平均载重量,所述c表示待测道路中第i个路段的历史通行信息内基于当前时间的前单位时间内通行车辆个数。
S4、根据病害风险影响评估值从大到小的顺序,生成各个路段分别对应的病害特征信息构成的病害信息序列,输出待测道路检测结果,并根据待测道路检测结果,对道路病害管理员进行预警,所述待测道路检测结果为待测道路中各个路段分别对应的病害特征信息构成的病害信息序列;
所述S4中对道路病害管理员进行预警时,所述预警内容由输出的待测道路检测结果及通行异常路段结果,所述通行异常路段结果包括0个或1个或多个待测道路的路段,所述通行异常路段结果中的路段为输出的待测道路检测结果中对应病害风险影响评估值大于预设值的路段。
本实施例中道路病害包括横向裂缝、纵向裂缝、网状裂缝、坑槽、脱皮等。
如图2所示,一种基于云边端架构的交通道路病害检测***,所述***包括以下模块:
本发明中的云边端分别为数据采集端、边缘计算数据处理端及云端;
图像信息特征提取模块,所述图像信息特征提取模块将待测道路均匀划分成等长的不同路段,通过道路病害数据采集端内设置的摄像头对各个路段对应道路的灰度图像进行采集,通过道路病害数据采集端内设置的振动传感器分别采集道路病害数据采集端在各个路段匀速运动时的振动信息;结合采集的振动信息,基于边缘计算技术对采集的灰度图像进行预处理,提取出灰度图像中的异常特征信息;结合历史数据库中道路病害对应的特征信息,对提取的灰度图像异常特征信息进行校准,得到道路病害特征信息,并将所得道路病害特征信息与相应的路段进行绑定,将绑定结果上传至云端;
位置空间模型构建模块,所述位置空间模型构建模块获取云端数据库中待测道路内各个路段的环境信息及相应路段的历史通行信息;根据待测道路内各个路段的环境信息,构建待测道路所属的位置空间模型;在构建的待测道路所属的位置空间模型中,将图像信息特征提取模块上传的道路病害特征信息对应的位置区域进行标记;
病害风险影响评估模块,所述病害风险影响评估模块结合位置空间模型中的标记结果及上传云端的道路病害特征信息,对待测道路中各个路段病害情况进行病害风险影响评估,得到每个路段对应的病害风险影响评估值;
道路病害预警管理模块,所述道路病害预警管理模块根据病害风险影响评估值从大到小的顺序,生成各个路段分别对应的病害特征信息构成的病害信息序列,输出待测道路检测结果,并根据待测道路检测结果,对道路病害管理员进行预警,所述待测道路检测结果为待测道路中各个路段分别对应的病害特征信息构成的病害信息序列。
所述图像信息特征提取模块包括数据采集单元、异常特征提取单元及病害特征绑定单元,
所述数据采集单元将待测道路均匀划分成等长的不同路段,通过道路病害数据采集端内设置的摄像头对各个路段对应道路的灰度图像进行采集,通过道路病害数据采集端内设置的振动传感器分别采集道路病害数据采集端在各个路段匀速运动时的振动信息;
所述异常特征提取单元结合采集的振动信息,基于边缘计算技术对采集的灰度图像进行预处理,提取出灰度图像中的异常特征信息;
所述病害特征绑定单元结合历史数据库中道路病害对应的特征信息,对提取的灰度图像异常特征信息进行校准,得到道路病害特征信息,并将所得道路病害特征信息与相应的路段进行绑定,将绑定结果上传至云端。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是: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,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,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 (4)
1.一种基于云边端架构的交通道路病害检测方法,其特征在于,所述方法包括以下步骤:
S1、将待测道路均匀划分成等长的不同路段,通过道路病害数据采集端内设置的摄像头对各个路段对应道路的灰度图像进行采集,通过道路病害数据采集端内设置的振动传感器分别采集道路病害数据采集端在各个路段匀速运动时的振动信息;结合采集的振动信息,基于边缘计算技术对采集的灰度图像进行预处理,提取出灰度图像中的异常特征信息;结合历史数据库中道路病害对应的特征信息,对提取的灰度图像异常特征信息进行校准,得到道路病害特征信息,并将所得道路病害特征信息与相应的路段进行绑定,将绑定结果上传至云端;
S2、获取云端数据库中待测道路内各个路段的环境信息及相应路段的历史通行信息;根据待测道路内各个路段的环境信息,构建待测道路所属的位置空间模型;在构建的待测道路所属的位置空间模型中,将S1上传的道路病害特征信息对应的位置区域进行标记;
S3、结合位置空间模型中的标记结果及上传云端的道路病害特征信息,对待测道路中各个路段病害情况进行病害风险影响评估,得到每个路段对应的病害风险影响评估值;
S4、根据病害风险影响评估值从大到小的顺序,生成各个路段分别对应的病害特征信息构成的病害信息序列,输出待测道路检测结果,并根据待测道路检测结果,对道路病害管理员进行预警,所述待测道路检测结果为待测道路中各个路段分别对应的病害特征信息构成的病害信息序列;
所述S1中通过道路病害数据采集端内设置的振动传感器分别采集道路病害数据采集端在各个路段匀速运动时的振动数据时,所述振动传感器每隔第一单位时间采集一次车辆的振动数据,所述第一单位时间为数据库中预置的常数;
所述基于边缘计算技术对采集的灰度图像进行预处理,提取出灰度图像中的异常特征信息的过程中,计算图像中任意两个相邻像素点之间灰度差的绝对值,并将对应灰度差的绝对值大于β的两个相邻像素点中灰度值小的像素点进行标记;所述β表示像素标记参照值,且β=min{r×AM,β1},所述min{r×AM,β1}表示r×AM与β1中的最小值,所述β1表示像素标记参照阈值,所述r表示采集相应路段的灰度图像时,获取的各个振动数据的平均值在数据库预置表单内对应的第一异常系数,所述数据库预置表单中每个振动数据对应唯一的第一异常系数,所述AM表示待比较的两个相邻像素点所属灰度图像中最大灰度值与最小灰度值的差值;
获取灰度图像中标记像素点分别与相邻的各个像素点之间的关系,
当标记像素点的灰度值与一个相邻像素点的灰度值之间差值的绝对值小于等于Q时,则判定标记像素点的该相邻像素点异常且对该相邻像素点进行标记,并再次获取灰度图像中新标记的像素点分别与相邻的各个像素点之间的关系;
所述Q表示像素异常判定参照值,且Q=max{r1×AM,β2},所述max{r1×AM,β2}表示r1×AM与β2中的最大值,所述r1表示采集相应路段的灰度图像时,获取的各个振动数据的平均值在数据库预置表单内对应的第二异常系数,所述数据库预置表单中每个振动数据对应唯一的第二异常系数,所述β2表示历史数据中各个相邻的异常像素点分别对应的灰度差值的绝对值内的最小值;
当标记像素点的灰度值与一个相邻像素点的灰度值之间差值的绝对值大于Q时,则判定标记像素点的该相邻像素点正常且无需对该相邻像素点进行标记;
将灰度图像上最终标记的像素点的集合作为相应灰度图像中的异常特征信息;
所述S1中对提取的灰度图像异常特征信息进行校准的方法包括以下步骤:
S11、获取待测道路对应的各个采集的灰度图像中,每个灰度图像对应的异常特征信息;
S12、对灰度图像中异常特征信息内的各个标记像素点所属的异常像素链进行划分,得到每个灰度图像对应的各个异常像素链,所述异常像素链包括一个或多个标记像素点且每个标记像素点作为相应异常像素链的一个节点,同一异常像素链中的各个节点之间相邻且连续,在不同异常像素链中的每个异常像素链内随机抽取一个标记像素点,所抽取的各个标记像素点之间均不相邻;
S13、得到每个异常像素链对应的链特征,将异常像素链对应的链特征记为{W1,W2,W1×W2},所述W1表示异常像素链中任意两个标记像素点在相应灰度图像内的对应像素距离的最大值,所述W2表示相应异常像素链内,与像素距离最大的两个标记像素点连线垂直的任意两个标记像素点连线对应像素距离的最大值;
S14、将异常像素链对应的链特征{W1,W2,W1×W2}中的链特征阈值{Wy1,Wy2,Wy1×Wy2}进行比较,得到道路病害特征信息,
当W1≤Wy1且W2≤Wy2且W1×W2≤Wy1×Wy2时,则判定链特征{W1,W2,W1×W2}对应异常像素链作为一个噪点区域,链特征{W1,W2,W1×W2}对应异常像素链中的各个标记像素点均为相应灰度图像中的噪点,将链特征{W1,W2,W1×W2}对应异常像素链中的各个标记像素点从灰度图像中的异常特征信息内删除;反之,则判定链特征{W1,W2,W1×W2}对应异常像素链中的各个标记像素点均正常,将链特征{W1,W2,W1×W2}对应异常像素链中的各个标记像素点作为相应灰度图像所属路段对应的道路病害特征信息中的一个元素;
所述Wy1表示历史数据库内道路病害中,各个噪点区域分别对应链特征内第一个数值的平均值;所述Wy2表示历史数据库内道路病害中,各个噪点区域分别对应链特征内第二个数值的平均值;Wy1×Wy2表示历史数据库内道路病害中,各个噪点区域分别对应链特征内第三个数值的平均值;
获取每个路段对应的各个灰度图像,每个路段对应的道路病害特征信息为相应各个灰度图像内不为噪点区域的各个异常像素链中的标记像素点的集合;
所述S2中路段的环境信息包括路段对应区域的地势特征,记为{R1/R2,p1/p2},所述R1表示路段区域内地势最高点h1与地势最低点h2的连线为对角线的矩形区域面积,所述R2表示路段区域面积,所述p1=(h1-h2)/L,其中L表示R1对应矩形区域与相应路段中轴线交集线段的长度,p2=max{h3}/L1,
其中,获取相应路段过中轴线任意一点,垂直于中轴线且与路段区域边缘相交的点中,与边缘交点位置的地势与相应交线与中轴线的交点位置对应的地势之间的最大地势差,所述max{h3}表示过中轴线的各个点分别对应的最大地势差中的最大值;L1表示路段区域面积与路段中轴线长度的商的二分之一,
相应路段的历史通行信息包括基于当前时间的前单位时间内通行车辆的平均载重量及通行车辆个数;单位距离与单位时间均为数据库中预置的常数;
所述S2中构建待测道路所属的位置空间模型的方法包括以下步骤:
S21、获取路段中各个位置点对应的地势信息及各个点对应的位置,并构建空间直角坐标系,所述空间直角坐标系的x轴为经度,y轴为纬度,z轴为地势信息对应的水平高度;
S22、获取相应路段对应的道路病害特征信息中各个像素点在路段中的位置点,并将所得位置点在空间直角坐标系中的坐标,并对所得坐标进行标记;
获取像素点在路段中的位置点时,采集拍摄灰度图像时对应摄像头在道路上的正投影区域的中点位置、画面数据比例尺及摄像头正投影区域的中点位置与画面视野中心的位置偏差量,所述位置偏差量包括经度偏差量及纬度偏差量,所述画面数据比例尺表示画面中的单位像素距离对应的实际道路中的长度,
所述像素点在路段中位置点的x轴坐标值为摄像头在道路上的正投影区域的中点位置的x轴坐标值与g1、g2的和,其中,g1表示摄像头正投影区域的中点位置与画面视野中心的位置偏差量中的经度偏差量,g2表示灰度图像中像素点与画面视野中点位置对应的像素点之间像素连线在x轴上的投影距离除以画面数据比例尺后所得的商;
所述像素点在路段中位置点的y轴坐标值为摄像头在道路上的正投影区域的中点位置的y轴坐标值与g3、g4的和,其中,g3表示摄像头正投影区域的中点位置与画面视野中心的位置偏差量中的纬度偏差量,g4表示灰度图像中像素点与画面视野中点位置对应的像素点之间像素连线在y轴上的投影距离除以画面数据比例尺后所得的商;
所述像素点在路段中位置点的z轴坐标值通过查询相应路段中各个位置点在空间直角坐标系中的位置坐标中,与像素点的x轴坐标值及y轴坐标值均相等的位置坐标中的z轴坐标值获取;
S23、得到待测道路所属的位置空间模型,所述位置空间模型中包括多个标记坐标;
将S1上传的道路病害特征信息对应的位置区域进行标记时,所述S1上传的道路病害特征信息对应的位置区域为相应路段对应的各个标记坐标构成的区域;
所述S3中得到每个路段对应的病害风险影响评估值的方法包括以下步骤:
S31、统计位置空间模型中各个路段分别对应的标记区域的面积占相应路段区域面积的比值,将待测道路中第i个路段对应标记区域面积占相应路段区域面积的比值记为Gi;
S32、获取待测道路中各个路段的环境信息及历史通行信息;
S33、得到待测道路中第i个路段对应的病害风险影响评估值,记为E,
所述E=Gi×[RD1+RD2×f]×(1+K×c),
其中,RD1表示待测道路中第i个路段的环境信息中相应路段对应区域的地势特征内的第一个值,RD2表示待测道路中第i个路段的环境信息中相应路段对应区域的地势特征内的第二个值,f表示转化系数且所述f为数据库中预置的常数;所述K表示待测道路中第i个路段的历史通行信息内基于当前时间的前单位时间内通行车辆的平均载重量,所述c表示待测道路中第i个路段的历史通行信息内基于当前时间的前单位时间内通行车辆个数。
2.根据权利要求1所述的一种基于云边端架构的交通道路病害检测方法,其特征在于:所述S4中对道路病害管理员进行预警时,所述预警内容由输出的待测道路检测结果及通行异常路段结果,所述通行异常路段结果包括0个或1个或多个待测道路的路段,所述通行异常路段结果中的路段为输出的待测道路检测结果中对应病害风险影响评估值大于预设值的路段。
3.一种基于云边端架构的交通道路病害检测***,所述***应用权利要求1-2中任意一项所述的一种基于云边端架构的交通道路病害检测方法实现,其特征在于,所述***包括以下模块:
图像信息特征提取模块,所述图像信息特征提取模块将待测道路均匀划分成等长的不同路段,通过道路病害数据采集端内设置的摄像头对各个路段对应道路的灰度图像进行采集,通过道路病害数据采集端内设置的振动传感器分别采集道路病害数据采集端在各个路段匀速运动时的振动信息;结合采集的振动信息,基于边缘计算技术对采集的灰度图像进行预处理,提取出灰度图像中的异常特征信息;结合历史数据库中道路病害对应的特征信息,对提取的灰度图像异常特征信息进行校准,得到道路病害特征信息,并将所得道路病害特征信息与相应的路段进行绑定,将绑定结果上传至云端;
位置空间模型构建模块,所述位置空间模型构建模块获取云端数据库中待测道路内各个路段的环境信息及相应路段的历史通行信息;根据待测道路内各个路段的环境信息,构建待测道路所属的位置空间模型;在构建的待测道路所属的位置空间模型中,将图像信息特征提取模块上传的道路病害特征信息对应的位置区域进行标记;
病害风险影响评估模块,所述病害风险影响评估模块结合位置空间模型中的标记结果及上传云端的道路病害特征信息,对待测道路中各个路段病害情况进行病害风险影响评估,得到每个路段对应的病害风险影响评估值;
道路病害预警管理模块,所述道路病害预警管理模块根据病害风险影响评估值从大到小的顺序,生成各个路段分别对应的病害特征信息构成的病害信息序列,输出待测道路检测结果,并根据待测道路检测结果,对道路病害管理员进行预警,所述待测道路检测结果为待测道路中各个路段分别对应的病害特征信息构成的病害信息序列。
4.根据权利要求3所述的一种基于云边端架构的交通道路病害检测***,其特征在于:所述图像信息特征提取模块包括数据采集单元、异常特征提取单元及病害特征绑定单元,
所述数据采集单元将待测道路均匀划分成等长的不同路段,通过道路病害数据采集端内设置的摄像头对各个路段对应道路的灰度图像进行采集,通过道路病害数据采集端内设置的振动传感器分别采集道路病害数据采集端在各个路段匀速运动时的振动信息;
所述异常特征提取单元结合采集的振动信息,基于边缘计算技术对采集的灰度图像进行预处理,提取出灰度图像中的异常特征信息;
所述病害特征绑定单元结合历史数据库中道路病害对应的特征信息,对提取的灰度图像异常特征信息进行校准,得到道路病害特征信息,并将所得道路病害特征信息与相应的路段进行绑定,将绑定结果上传至云端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311133669.3A CN117169121B (zh) | 2023-09-05 | 2023-09-05 | 一种基于云边端架构的交通道路病害检测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311133669.3A CN117169121B (zh) | 2023-09-05 | 2023-09-05 | 一种基于云边端架构的交通道路病害检测***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117169121A CN117169121A (zh) | 2023-12-05 |
CN117169121B true CN117169121B (zh) | 2024-01-30 |
Family
ID=88933100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311133669.3A Active CN117169121B (zh) | 2023-09-05 | 2023-09-05 | 一种基于云边端架构的交通道路病害检测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117169121B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117745712B (zh) * | 2024-01-04 | 2024-08-06 | 首都师范大学 | 利用信息融合和云-边缘部署的道路病害检测方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018153304A1 (zh) * | 2017-02-22 | 2018-08-30 | 武汉极目智能技术有限公司 | 基于adas***的地图道路标记及道路质量采集装置及方法 |
CN111751763A (zh) * | 2020-06-08 | 2020-10-09 | 武汉大学 | 一种基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法 |
CN112037351A (zh) * | 2020-09-30 | 2020-12-04 | 吉林大学 | 面向风险防控的收费站etc道闸延迟开启控制方法 |
WO2021197341A1 (zh) * | 2020-04-03 | 2021-10-07 | 速度时空信息科技股份有限公司 | 一种基于单目影像的道路标志标线的更新方法 |
WO2022227129A1 (zh) * | 2021-04-27 | 2022-11-03 | 山东交通学院 | 一种危化品道路运输风险评估方法及*** |
CN115331429A (zh) * | 2021-04-20 | 2022-11-11 | 孙素萍 | 基于智慧城市的交通风险感知*** |
CN115423815A (zh) * | 2022-11-07 | 2022-12-02 | 无锡亚冠微电子有限公司 | 一种基于移动激光扫描的隧道检测***及方法 |
CN116071726A (zh) * | 2023-03-07 | 2023-05-05 | 南京交科数智科技发展有限公司 | 一种基于边缘计算的道路巡检***及方法 |
CN116092013A (zh) * | 2023-03-06 | 2023-05-09 | 广东汇通信息科技股份有限公司 | 一种用于智慧监控的危险路况识别方法 |
CN116556149A (zh) * | 2023-03-28 | 2023-08-08 | 中科地星信息技术有限公司 | 基于雷达+5g+北斗道路检测预警管理*** |
-
2023
- 2023-09-05 CN CN202311133669.3A patent/CN117169121B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018153304A1 (zh) * | 2017-02-22 | 2018-08-30 | 武汉极目智能技术有限公司 | 基于adas***的地图道路标记及道路质量采集装置及方法 |
WO2021197341A1 (zh) * | 2020-04-03 | 2021-10-07 | 速度时空信息科技股份有限公司 | 一种基于单目影像的道路标志标线的更新方法 |
CN111751763A (zh) * | 2020-06-08 | 2020-10-09 | 武汉大学 | 一种基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法 |
CN112037351A (zh) * | 2020-09-30 | 2020-12-04 | 吉林大学 | 面向风险防控的收费站etc道闸延迟开启控制方法 |
CN115331429A (zh) * | 2021-04-20 | 2022-11-11 | 孙素萍 | 基于智慧城市的交通风险感知*** |
WO2022227129A1 (zh) * | 2021-04-27 | 2022-11-03 | 山东交通学院 | 一种危化品道路运输风险评估方法及*** |
CN115423815A (zh) * | 2022-11-07 | 2022-12-02 | 无锡亚冠微电子有限公司 | 一种基于移动激光扫描的隧道检测***及方法 |
CN116092013A (zh) * | 2023-03-06 | 2023-05-09 | 广东汇通信息科技股份有限公司 | 一种用于智慧监控的危险路况识别方法 |
CN116071726A (zh) * | 2023-03-07 | 2023-05-05 | 南京交科数智科技发展有限公司 | 一种基于边缘计算的道路巡检***及方法 |
CN116556149A (zh) * | 2023-03-28 | 2023-08-08 | 中科地星信息技术有限公司 | 基于雷达+5g+北斗道路检测预警管理*** |
Non-Patent Citations (5)
Title |
---|
区英杰.边缘计算方法对图像隐写中进化多目标的优化分析.电子技术与软件工程.2022,(第20期),166-169. * |
基于近红外高光谱技术的敦煌莫高窟壁画起甲病害风险评估方法;孙美君;柴勃隆;张冬;王征;孙济洲;;文物保护与考古科学(第04期);1-8 * |
张伟.基于图像处理技术的前方车辆识别***.自动化与仪表.2019,第34卷(第9期),48-51. * |
李海洋等.一种改进的彩色图像边缘检测方法.绵阳师范学院学报.2013,第32卷(第8期),63-67. * |
郭忠印 ; 曹志远 ; 肖志军 ; .基于标准通行能力的山区高速公路特殊路段线形安全评价研究.中国公路学报.2010,(第S1期),19-23. * |
Also Published As
Publication number | Publication date |
---|---|
CN117169121A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Akagic et al. | Pothole detection: An efficient vision based method using rgb color space image segmentation | |
CN117169121B (zh) | 一种基于云边端架构的交通道路病害检测***及方法 | |
WO2023045299A1 (zh) | 基于三维轮廓的路面技术状况检测方法及设备 | |
CN110473187B (zh) | 一种面向对象的线扫描三维路面裂缝提取方法 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
CN106529593B (zh) | 路面病害检测方法和*** | |
CN103630496B (zh) | 基于路面视亮度和最小二乘法的交通视频能见度检测方法 | |
CN111080650B (zh) | 铁路货车小部件轴承挡键螺母松动和丢失故障检测方法 | |
CN113781537B (zh) | 一种轨道弹条扣件缺陷识别方法、装置和计算机设备 | |
CN112070756B (zh) | 一种基于无人机倾斜摄影的路面立体病害测量方法 | |
CN115797338B (zh) | 基于双目视觉的全景路面多性能指标计算方法及*** | |
CN113011283A (zh) | 一种基于视频的非接触式钢轨轨枕相对位移实时测量方法 | |
CN114004950B (zh) | 一种基于BIM与LiDAR技术的路面病害智能识别与管理方法 | |
CN116989679A (zh) | 一种基于图像处理的高速公路高边坡位移集成监测方法 | |
CN115165053B (zh) | 一种综合视频与bp神经网络的车辆荷载识别方法 | |
CN116503359A (zh) | 一种基于路侧摄像头的路面裂缝监测方法 | |
CN113569491B (zh) | 一种轮对尺寸检测数据的分析和校正方法及装置 | |
CN116012348A (zh) | 一种适用于路面裂缝的最大裂缝宽度测定方法 | |
CN114862892A (zh) | 基于增强深度边缘特征的二维及三维路面裂缝识别方法 | |
CN116091456A (zh) | 一种行车道路能见度检测方法 | |
CN116242774A (zh) | 适用于农村公路的轻量化三维检测方法及装置 | |
CN113640307B (zh) | 一种采用机器视觉的轨道状况监测方法 | |
Joni et al. | Investigations of the road pavement surface conditions using MATLAB image processing | |
CN114910046B (zh) | 一种基于双向线结构光的路面三维检测***及其方法 | |
CN115272298B (zh) | 基于道路监控的城市路面维护监察方法及*** |
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 |