WO2024139287A1 - 道路病害预测方法、装置、电子设备及存储介质 - Google Patents
道路病害预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- WO2024139287A1 WO2024139287A1 PCT/CN2023/114730 CN2023114730W WO2024139287A1 WO 2024139287 A1 WO2024139287 A1 WO 2024139287A1 CN 2023114730 W CN2023114730 W CN 2023114730W WO 2024139287 A1 WO2024139287 A1 WO 2024139287A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- road
- data
- target
- matrix
- feature map
- Prior art date
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 111
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000011159 matrix material Substances 0.000 claims description 198
- 238000004590 computer program Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims 12
- 230000011218 segmentation Effects 0.000 claims 6
- 230000006870 function Effects 0.000 claims 3
- 230000002708 enhancing effect Effects 0.000 claims 2
- 238000007781 pre-processing Methods 0.000 claims 2
- 238000010606 normalization Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000010426 asphalt Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000004568 cement Substances 0.000 description 2
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 1
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 1
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
-
- 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
Definitions
- the present invention relates to the field of smart cities, and in particular to a road damage prediction method, device, electronic equipment and storage medium.
- Road CT is a method of scanning roads and identifying road defects through scanned images to obtain the internal road defect conditions.
- road CT scans existing defects in the road and cannot predict road defects that will occur in the future. It is also impossible to perform targeted maintenance on the road in advance to extend the road life.
- an embodiment of the present invention provides a road damage prediction method, the method comprising:
- the road damage of the target road section is predicted according to the road damage influencing factor to obtain a road damage prediction result of the target road section.
- determining the road disease influencing factor according to the historical vehicle driving data and the historical road environment data includes:
- sample dimensionality reduction data includes a second number of data dimensions, and the second number is smaller than the first number
- the sample dimension reduction data is determined based on the first influence matrix and the second influence matrix.
- performing dimensionality reduction processing on the first influence matrix to obtain a second influence matrix includes:
- an embodiment of the present invention provides an electronic device, comprising: a memory, a processor, and a computer program stored in the memory and executable on the processor, wherein the processor implements the steps of the road damage prediction method provided in the embodiment of the present invention when executing the computer program.
- the above historical road environment data may be weather data, road humidity data, road temperature data, road scanning data, road disease data, etc.
- the above weather data may be obtained from the weather department where the road is located
- the above road scanning data may be obtained from the data scanned by the road scanning vehicle
- the above road disease data may be obtained from the road scanning data or from the records of road inspectors.
- dimensionality reduction processing is performed to obtain sample dimensionality reduction data with a high degree of variation, ensuring the high influence of sample dimensionality reduction data on road diseases.
- the data dimensions corresponding to each column in the second impact matrix may be determined as corresponding road hazard impact factors.
- the prediction module 203 is used to predict the road damage of the target road section according to the road damage influencing factor to obtain the road damage prediction result of the target road section.
- the second determining unit is used to determine the sample dimension reduction data based on the first influence matrix and the second influence matrix.
- An acquisition submodule used to acquire the driving vehicle data and road environment data of the target road section
- the prediction submodule is used to predict the road damage of the target road section based on the target impact matrix to obtain the road damage prediction result of the target road section.
- road damage prediction device provided in the embodiment of the present invention can be applied to smart cameras, smart phones, computers, servers and other devices that can perform road damage prediction methods.
- the road damage prediction device provided in the embodiment of the present invention can implement each process implemented by the road damage prediction method in the above method embodiment and can achieve the same beneficial effects. To avoid repetition, it will not be described here.
- the processor 301 is used to call the computer program stored in the memory 302 and execute the following steps:
- the road damage of the target road section is predicted according to the road damage influencing factor to obtain a road damage prediction result of the target road section.
- the road disease influencing factors are determined.
- the processor 301 performs dimensionality reduction processing on the impact data to obtain sample dimensionality reduction data, where the sample dimensionality reduction data includes a second number of data dimensions, including:
- the sample dimension reduction data is determined based on the first influence matrix and the second influence matrix.
- the processor 301 performs dimensionality reduction processing on the first influence matrix to obtain a second influence matrix, including:
- dimension reduction processing is performed on the first influence matrix to obtain a second influence matrix.
- the processor 301 performs dimensionality reduction processing on the first influence matrix based on the covariance matrix of the first influence matrix to obtain a second influence matrix, including:
- the intermediate matrix is obtained according to a second number of the eigenvectors with the largest eigenvalues, and a second influence matrix is determined according to the first influence matrix and the intermediate matrix.
- the processor 301 executes the step of obtaining the intermediate matrix according to the second number of eigenvectors with the largest eigenvalues, and determining the second influence matrix according to the first influence matrix and the intermediate matrix, including:
- the first influence matrix is multiplied by the intermediate matrix to obtain a second influence matrix.
- the processor 301 predicts the road damage of the target road section according to the road damage influencing factor to obtain the road damage prediction result of the target road section, including:
- the road damage of the target road section is predicted to obtain the road damage prediction result of the target road section.
- the electronic device provided in the embodiment of the present invention can implement each process implemented by the road damage prediction method in the above method embodiment and can achieve the same beneficial effect. To avoid repetition, it will not be described here.
- An embodiment of the present invention further provides a computer-readable storage medium, on which a computer program is stored.
- the computer program is executed by a processor, the various processes of the road damage prediction method provided by the embodiment of the present invention are implemented, and the same technical effect can be achieved. To avoid repetition, it will not be repeated here.
- the storage medium can be a disk, an optical disk, a read-only storage memory (RON) or a random access memory (RAN).
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种道路病害预测方法,获取各个路段的历史行驶车辆数据以及历史道路环境数据;根据历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子;根据道路病害影响因子,对目标路段的道路病害进行预测,得到目标路段的道路病害预测结果。通过各个路段的历史行驶车辆数据以及历史道路环境数据来确定道路病害影响因子,通过道路病害影响因子来对目标路段的道路病害进行预测,可以***目标路段会出现什么样的道路病害,从而能够使相关管理部门对目标路段进行有针对性的养护工作,进而可以提高目标路段的使用寿命。
Description
本发明涉及智慧城市领域,尤其涉及一种道路病害预测方法、装置、电子设备及存储介质。
本申请要求于2022年12月31日提交中国专利局,申请号为202211739057.4、发明名称为“道路病害预测方法、装置、电子设备及存储介质”的中国专利申请的优先权,其全部内容通过引用结合在本申请中。
道路CT是对道路进行扫描,通过扫描图像进行道路病害识别,从而得到道路内部病害情况的一种方式,然而,道路CT是针对道路中已有病害进行扫描,对于以后会发生的道路病害无法进行预测,也就无法提前对道路进行针对性养护来延长道路寿命。
本发明实施例提供一种道路病害预测方法,旨在解决现有技术中只能针对道路中已有病害进行扫描,对于以后会发生的道路病害无法进行预测的问题。通过各个路段的历史行驶车辆数据以及历史道路环境数据来确定道路病害影响因子,通过道路病害影响因子来对目标路段的道路病害进行预测,可以***目标路段会出现什么样的道路病害,从而能够使相关管理部门对目标路段进行有针对性的养护工作,进而可以提高目标路段的使用寿命。
第一方面,本发明实施例提供一种道路病害预测方法,所述方法包括:
获取各个路段的历史行驶车辆数据以及历史道路环境数据;
根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子;
根据所述道路病害影响因子,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果。
可选的,所述根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子,包括:
根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害的影响数据,所述影响数据包括第一数量个数据维度;
对所述影响数据进行降维处理,得到样本降维数据,所述样本降维数据包括第二数量个数据维度,所述第二数量小于所述第一数量;
基于所述样本降维数据,确定道路病害影响因子。
可选的,所述对所述影响数据进行降维处理,得到样本降维数据,所述样本降维数据包括第二数量个数据维度,包括:
根据所述影响数据,确定第一影响矩阵,所述第一影响矩阵包括第一数量个数据维度;
对所述第一影响矩阵进行降维处理,得到第二影响矩阵;
基于所述第一影响矩阵与所述第二影响矩阵,确定所述样本降维数据。
可选的,所述对所述第一影响矩阵进行降维处理,得到第二影响矩阵,包括:
确定所述第一影响矩阵的协方差矩阵;
基于所述第一影响矩阵的协方差矩阵,对所述第一影响矩阵进行降维处理,得到第二影响矩阵。
可选的,所述基于所述第一影响矩阵的协方差矩阵,对所述第一影响矩阵进行降维处理,得到第二影响矩阵,包括:
计算所述第一影响矩阵的协方差矩阵;
计算所述协方差矩阵的特征值以及所述特征值对应的特征向量;
根据所述特征值最大的第二数量个所述特征向量得到所述中间矩阵,根据所述第一影响矩阵与所述中间矩阵确定第二影响矩阵。
可选的,所述根据所述特征值最大的第二数量个所述特征向量得到所述中间矩阵,根据所述第一影响矩阵与所述中间矩阵确定第二影响矩阵,包括:
将所述第一影响矩阵与所述中间矩阵进行相乘,得到第二影响矩阵。
可选的,所述根据所述道路病害影响因子,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果,包括:
获取所述目标路段的行驶车辆数据以及道路环境数据;
根据所述道路病害影响因子,确定所述目标路段的目标影响矩阵;
基于所述目标影响矩阵,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果。
第二方面,本发明实施例提供一种道路病害预测装置,所述装置包括:
获取模块,用于获取各个路段的历史行驶车辆数据以及历史道路环境数据;
确定模块,用于根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子;
预测模块,用于根据所述道路病害影响因子,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果。
第三方面,本发明实施例提供一种电子设备,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,所述处理器执行所述计算机程序时实现本发明实施例提供的道路病害预测方法中的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现发明实施例提供的道路病害预测方法中的步骤。
本发明实施例中,获取各个路段的历史行驶车辆数据以及历史道路环境数据;根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子;根据所述道路病害影响因子,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果。通过各个路段的历史行驶车辆数据以及历史道路环境数据来确定道路病害影响因子,通过道路病害影响因子来对目标路段的道路病害进行预测,可以***目标路段会出现什么样的道路病害,从而能够使相关管理部门对目标路段进行有针对性的养护工作,进而可以提高目标路段的使用寿命。。
图1是本发明实施例提供的一种道路病害预测方法的流程图;
图2是本发明实施例提供的一种道路病害预测装置的结构示意图;
图3是本发明实施例提供的一种电子设备的结构示意图。。
请参见图1,图1是本发明实施例提供的一种道路病害预测方法的流程图,如图1所示,该道路病害预测方法包括以下步骤:
101、获取各个路段的历史行驶车辆数据以及历史道路环境数据。
在本发明实施例中,上述各个路段指的是多个样本路段,上述样本路段包括已经出现道路病害的路段和还未出现道路病害的路段。
上述历史行驶车辆数据可以是行驶车辆的类型、行驶车辆的大小、行驶车辆的速度、行驶车辆的数量等与行驶车辆相关的数据。上述历史行驶车辆数据可以通过设置在各个路段的交通摄像头采集到的图像数据进行确定,具体的,在各个路段中均设置有交通摄像头,通过交通摄像头采集对应路段的交通图像,对交通图像进行车辆识别,得到对应路段的行驶车辆数据,将行驶车辆数据存储到服务器中进行复用。
上述历史道路环境数据可以是天气数据、道路湿度数据、道路温度数据、道路扫描数据、道路病害数据等。上述天气数据可以根据道路所在天气部门进行获取,上述道路扫描数据可以根据道路扫描车扫描到的数据进行获取,上述道路病害数据可以根据道路扫描数据进行获取,也可以通过道路巡查人员的记录进行获取。
102、根据历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子。
在本发明实施例中,可以对历史行驶车辆数据以及历史道路环境数据来确定道路病害的影响数据,根据道路病害的影响数据,确定道路病害影响因子。具体的,可以对道路病害的影响数据进行降维处理,得到道路病害影响因子,上述降维处理可以是在全部的影响因子中对于道路病害影响最大的多个影响因子。通过对上述影响数据进行降维处理,可以得到数据维度较低的降维数据。比如,道路病害的影响数据为行驶车辆的类型、行驶车辆的大小、行驶车辆的速度、行驶车辆的数量、天气数据、道路湿度数据、道路温度数据等,道路病害影响因子可以是行驶车辆的大小、行驶车辆的速度、道路温度数据。
103、根据道路病害影响因子,对目标路段的道路病害进行预测,得到目标路段的道路病害预测结果。
在本发明实施例中在得到道路病害影响因子后,可以通过道路病害影响因子,在目标路段的数据中筛选与道路病害影响因子对应的数据,根据筛选出来的数据对目标路段的道路病害进行预测,得到目标路段的道路病害预测结果。比如,道路影响因子为行驶车辆的大小、行驶车辆的速度、道路温度数据,则可以在目标路段的数据中筛选出行驶车辆的大小、行驶车辆的速度、道路温度数据,根据行驶车辆的大小、行驶车辆的速度、道路温度数据来预测目标路段的会发生什么类型的道路病害。
具体的,在筛选出与道路病害影响因子对应的数据后,可以将与道路病害影响因子对应的数据输入到训练好的时序模型中进行预测处理,时序模型输出得到目标路段的道路病害预测结果。
本发明实施例中,获取各个路段的历史行驶车辆数据以及历史道路环境数据;根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子;根据所述道路病害影响因子,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果。通过各个路段的历史行驶车辆数据以及历史道路环境数据来确定道路病害影响因子,通过道路病害影响因子来对目标路段的道路病害进行预测,可以***目标路段会出现什么样的道路病害,从而能够使相关管理部门对目标路段进行有针对性的养护工作,进而可以提高目标路段的使用寿命。
可选的,在根据历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子的步骤中,可以根据历史行驶车辆数据以及历史道路环境数据,确定道路病害的影响数据,影响数据包括第一数量个数据维度;对影响数据进行降维处理,得到样本降维数据,样本降维数据包括第二数量个数据维度,第二数量小于第一数量;基于样本降维数据,确定道路病害影响因子。
在本发明实施例中,上述各个路段中包括已发生道路病害的路段和未发生道路病害的路段,在得到各个路段的历史行驶车辆数据以及历史道路环境数据后,对各个路段贩历史行驶车辆数据和历史道路环境数据进行整理,得到道路病害的影响数据。上述道路病害的影响数据用于说明数据与道路病害的产生或多或少存在影响关系。上述道路病害的影响数据可以是为行驶车辆的类型、行驶车辆的大小、行驶车辆的速度、行驶车辆的数量、天气数据、道路湿度数据、道路温度数据等,道路病害影响因子可以是行驶车辆的大小、行驶车辆的速度、道路温度数据。上述道路病害主要包括沥青路面对应的道路病害、水泥路面对应的道路病害以及沿线设施对应的道路病害,其中,沥青路面对应的道路病害的类型可以包括坑槽、龟裂、块裂、裂缝(横向裂缝、纵向裂缝、不规则斜线裂缝)、沉陷、车辙、路框差、杂物、积水等;水泥路面对应的道路病害的类型可以包括面板破碎、坑洞、板角断裂、线裂等;沿线设施对应的道路病害的类型可以包括护栏损坏、路框差、井盖破损等。
上述道路病害的影响数据具有第一数量个数据维度,上述第一数量个数据维度可以理解为具有第一数量个道路病害候选影响因子。在得到道路病害的影响数据数据后,可以将道路病害的影响数据进行降维处理,得到样本标题降维数据,样本降维数据具有第二数量个数据维度,上述第二数量个数据维度可以理解为具有第二数量个道路病害影响因子。
上述的降维处理可以是通过主成分分析算法(Principal Component Analysis,PCA)、线性判别分析算法(Discriminant Analysis,LDA)等降维方法来进行。在得到样本降维数据后,可以根据样本降维数据中的数据维度来确定道路病害影响因子,每个数据维度对应一个道路病害影响因子。
可选的,在对影响数据进行降维处理,得到样本降维数据,样本降维数据包括第二数量个数据维度的步骤中,可以根据影响数据,确定第一影响矩阵,第一影响矩阵包括第一数量个数据维度;对第一影响矩阵进行降维处理,得到第二影响矩阵;基于第一影响矩阵与第二影响矩阵,确定样本降维数据。
在本发明实施例中,高所有路段的数量为n,第一数量为m,则可以将n个路段对应的m个数据维度的影响数据构建成n×m的第一影响矩阵,在第一影响矩阵中,每一列对应一个道路病害候选影响因子,每一行对应一个路段的影响数据。
可以通过主成分分析算法或线性判别分析算法,对第一影响矩阵进行降维处理,得到第二影响矩阵,其中,上述第二影响矩阵为n×k,k为第二数量,即表示样本降维数据的数据维度为k。上述k可以是预先设定的。在第二影响矩阵中,第一列对应一个道路病害影响因子,第一行对应一个路段的影响数据。
可选的,在对第一影响矩阵进行降维处理,得到第二影响矩阵的步骤中,可以确定第一影响矩阵的协方差矩阵;基于第一影响矩阵的协方差矩阵,对所述第一影响矩阵进行降维处理,得到第二影响矩阵。
在本发明实施例中,对于第一影响矩阵,计算每一列性能指标数据的平均值,用每一列性能指标数据减去该平均值,得到每个性能指标数据对应的标准差,通过标准差的平方得到每个性能指标数据对应的协方差,根据协方差得到n×m的协方差矩阵。
通过对协方差矩阵提取出性能指标数据的异变信息,从而通过异变信息,再对协方差矩阵进行降维处理,可以提取异变程度较高的样本降维数据,保证样本降维数据对于道路病害的高影响力。
可选的,在基于第一影响矩阵的协方差矩阵,对第一影响矩阵进行降维处理,得到第二影响矩阵的步骤中,可以计算第一影响矩阵的协方差矩阵;计算协方差矩阵的特征值以及特征值对应的特征向量;根据特征值最大的第二数量个特征向量得到中间矩阵,根据第一影响矩阵与中间矩阵确定第二影响矩阵。
在本发明实施例中,在得到第一影响矩阵的协方差矩阵后,再求出协方差矩阵的特征值和对应的特征向量;按特征值的大小进行特征向量的排序;保留前k个特征值最大的特征向量,得到m×k的中间矩阵。根据第一影响矩阵与中间矩阵,确定第二影响矩阵。通过特征值来确定性能指标数据的异变程度,从而可以选取到异变程度较高的样本降维数据,保证样本降维数据对于道路病害的高影响力。
上述中间矩阵中每一列对应一个道路病害影响因子,每一行对应一个特征向量。
可选的,在根据道路病害影响因子,对目标路段的道路病害进行预测,得到目标路段的道路病害预测结果的步骤中,可以将第一影响矩阵与中间矩阵进行相乘,得到第二影响矩阵。
在本发明实施例中,在得到第一影响矩阵与中间矩阵后,对第一影响矩阵和中间矩阵进行矩阵计算,得到第二影响矩阵。具体的,设第一影响矩阵为H=n×m,中间影响矩阵D=m×k,则第二影响矩阵G=HD=n×k。这样,就可以将第一影响矩阵由m维降到k维,去掉了对于道路病害影响小的数据维度。
通过矩阵乘法进行降维处理,得到异变程度较高的样本降维数据,保证样本降维数据对于道路病害的高影响力。
在得到第二影响矩阵后,可以将第二影响矩阵中的各列对应的数据维度确定为对应的道路病害影响因子。
可选的,在根据所述道路病害影响因子,对目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果的步骤中,可以获取目标路段的行驶车辆数据以及道路环境数据;根据道路病害影响因子,确定目标路段的目标影响矩阵;基于目标影响矩阵,对目标路段的道路病害进行预测,得到目标路段的道路病害预测结果。
在本发明实施例中,上述目标路段的行驶车辆数据,行驶车辆的类型、行驶车辆的大小、行驶车辆的速度、行驶车辆的数量等与行驶车辆相关的数据。上述目标路段的行驶车辆数据可以通过设置在目标路段的交通摄像头采集到的图像数据进行确定。具体的,在目标路段中设置有交通摄像头,通过交通摄像头采集目标路段的交通图像,对交通图像进行车辆识别,得到目标路段的行驶车辆数据,将行驶车辆数据存储到服务器中进行复用。
上述道路环境数据可以是目标路段的天气数据、道路湿度数据、道路温度数据、道路扫描数据、道路病害数据等。上述天气数据可以根据目标道路所在天气部门进行获取,上述道路扫描数据可以根据道路扫描车扫描目标道路时得到的数据进行获取,上述道路病害数据可以根据目标路段的道路扫描数据进行获取,也可以通过目标路段的道路巡查人员的记录进行获取。
在得到目标路段的行驶车辆数据和道路环境数据后,筛选出与道路病害因子相关的数据,构建得到一个G=1×k×T的目标影响矩阵,上述目标影响矩阵中,k表示有k个道路病害影响因子,T表示时间维度。在得到目标影响矩阵,将目标影响矩阵输入到时序模型中进行预测,得到目标路段的道路病害预测结果。
上述时序模型可以是基于循环神经网络RNN或长短时记忆网络LSTM的时序模型。在训练时序模型时,可以获取数据集和初始时序模型,上述数据集包括样本影响矩阵以及真实病害标签,上述样本影响矩阵与目标影响矩阵通过相同的处理方法来得到,将样本影响矩阵输入到初始时序模型,得到样本病害预测结果,计算样本病害预测结果与真实病害标签之间的误差损失,以最小误差损失为优化目标,对初始时序模型进行参数调整,迭代上述参数调整过程,直到迭代次数达到预设次数,或初始时序模型在最小化误差损失处收敛,停止训练,得到训练好的时序模型。
在得到训练好的时序模型后,将目标影响矩阵输入到训练好的时序模型中,通过训练好的时序模型输出目标路段的道路病害预测结果。上审判员道路病害预测结果包括道路病害类型以及道路病害发生时间。
需要说明的是,本发明实施例提供的道路病害预测方法可以应用于可以进行道路病害预测方法的智能摄像头、智能手机、电脑、服务器等设备。
可选的,请参见图2,图2是本发明实施例提供的一种道路病害预测装置的结构示意图,如图2所示,所述装置包括:
获取模块201,用于获取各个路段的历史行驶车辆数据以及历史道路环境数据;
确定模块202,用于根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子;
预测模块203,用于根据所述道路病害影响因子,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果。
可选的,所述确定模块202,包括:
第一确定子模块,用于根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害的影响数据,所述影响数据包括第一数量个数据维度;
处理子模块,用于对所述影响数据进行降维处理,得到样本降维数据,所述样本降维数据包括第二数量个数据维度,所述第二数量小于所述第一数量;
第二确定子模块,用于基于所述样本降维数据,确定道路病害影响因子。
可选的,所述处理子模块,包括:
第一确定单元,用于根据所述影响数据,确定第一影响矩阵,所述第一影响矩阵包括第一数量个数据维度;
处理单元,用于对所述第一影响矩阵进行降维处理,得到第二影响矩阵;
第二确定单元,用于基于所述第一影响矩阵与所述第二影响矩阵,确定所述样本降维数据。
可选的,所述处理单元,包括:
确定子单元,用于确定所述第一影响矩阵的协方差矩阵;
处理子单元,用于基于所述第一影响矩阵的协方差矩阵,对所述第一影响矩阵进行降维处理,得到第二影响矩阵。
可选的,所述处理子单元还用于计算所述第一影响矩阵的协方差矩阵;计算所述协方差矩阵的特征值以及所述特征值对应的特征向量;根据所述特征值最大的第二数量个所述特征向量得到所述中间矩阵,根据所述第一影响矩阵与所述中间矩阵确定第二影响矩阵。
可选的,所述处理子单元还用于将所述第一影响矩阵与所述中间矩阵进行相乘,得到第二影响矩阵。
可选的,所述预测模块203,包括:
获取子模块,用于获取所述目标路段的行驶车辆数据以及道路环境数据;
第三确定子模块,用于根据所述道路病害影响因子,确定所述目标路段的目标影响矩阵;
预测子模块,用于基于所述目标影响矩阵,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果。
需要说明的是,本发明实施例提供的道路病害预测装置可以应用于可以进行道路病害预测方法的智能摄像头、智能手机、电脑、服务器等设备。
本发明实施例提供的道路病害预测装置能够实现上述方法实施例中道路病害预测方法实现的各个过程,且可以达到相同的有益效果。为避免重复,这里不再赘述。
参见图3,图3是本发明实施例提供的一种电子设备的结构示意图,如图3所示,包括:存储器302、处理器301及存储在所述存储器302上并可在所述处理器301上运行的道路病害预测方法的计算机程序,其中:
处理器301用于调用存储器302存储的计算机程序,执行如下步骤:
获取各个路段的历史行驶车辆数据以及历史道路环境数据;
根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子;
根据所述道路病害影响因子,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果。
可选的,处理器301执行的所述根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子,包括:
根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害的影响数据,所述影响数据包括第一数量个数据维度;
对所述影响数据进行降维处理,得到样本降维数据,所述样本降维数据包括第二数量个数据维度,所述第二数量小于所述第一数量;
基于所述样本降维数据,确定道路病害影响因子。
可选的,处理器301执行的所述对所述影响数据进行降维处理,得到样本降维数据,所述样本降维数据包括第二数量个数据维度,包括:
根据所述影响数据,确定第一影响矩阵,所述第一影响矩阵包括第一数量个数据维度;
对所述第一影响矩阵进行降维处理,得到第二影响矩阵;
基于所述第一影响矩阵与所述第二影响矩阵,确定所述样本降维数据。
可选的,处理器301执行的所述对所述第一影响矩阵进行降维处理,得到第二影响矩阵,包括:
确定所述第一影响矩阵的协方差矩阵;
基于所述第一影响矩阵的协方差矩阵,对所述第一影响矩阵进行降维处理,得到第二影响矩阵。
可选的,处理器301执行的所述基于所述第一影响矩阵的协方差矩阵,对所述第一影响矩阵进行降维处理,得到第二影响矩阵,包括:
计算所述第一影响矩阵的协方差矩阵;
计算所述协方差矩阵的特征值以及所述特征值对应的特征向量;
根据所述特征值最大的第二数量个所述特征向量得到所述中间矩阵,根据所述第一影响矩阵与所述中间矩阵确定第二影响矩阵。
可选的,处理器301执行的所述根据所述特征值最大的第二数量个所述特征向量得到所述中间矩阵,根据所述第一影响矩阵与所述中间矩阵确定第二影响矩阵,包括:
将所述第一影响矩阵与所述中间矩阵进行相乘,得到第二影响矩阵。
可选的,处理器301执行的所述根据所述道路病害影响因子,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果,包括:
获取所述目标路段的行驶车辆数据以及道路环境数据;
根据所述道路病害影响因子,确定所述目标路段的目标影响矩阵;
基于所述目标影响矩阵,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果。
本发明实施例提供的电子设备能够实现上述方法实施例中道路病害预测方法实现的各个过程,且可以达到相同的有益效果。为避免重复,这里不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现本发明实施例提供的道路病害预测方法的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Nenory,RON)或随机存取存储器(Randon Access Nenory,简称RAN)等。
Claims (20)
- [援引加入(细则20.6)12.12.2023]
一种道路病害预测方法,其特征在于,包括以下步骤:获取各个路段的历史行驶车辆数据以及历史道路环境数据;根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子;根据所述道路病害影响因子,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果。 - [援引加入(细则20.6)12.12.2023]
如权利要求1所述的道路病害预测方法,其特征在于,所述根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子,包括:根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害的影响数据,所述影响数据包括第一数量个数据维度;对所述影响数据进行降维处理,得到样本降维数据,所述样本降维数据包括第二数量个数据维度,所述第二数量小于所述第一数量;基于所述样本降维数据,确定道路病害影响因子。 - [援引加入(细则20.6)12.12.2023]
如权利要求2所述的道路病害预测方法,其特征在于,所述对所述影响数据进行降维处理,得到样本降维数据,所述样本降维数据包括第二数量个数据维度,包括:根据所述影响数据,确定第一影响矩阵,所述第一影响矩阵包括第一数量个数据维度;对所述第一影响矩阵进行降维处理,得到第二影响矩阵;基于所述第一影响矩阵与所述第二影响矩阵,确定所述样本降维数据。 - [援引加入(细则20.6)12.12.2023]
如权利要求3所述的道路病害预测方法,其特征在于,所述对所述第一影响矩阵进行降维处理,得到第二影响矩阵,包括:确定所述第一影响矩阵的协方差矩阵;基于所述第一影响矩阵的协方差矩阵,对所述第一影响矩阵进行降维处理,得到第二影响矩阵。 - [援引加入(细则20.6)12.12.2023]
如权利要求4所述的道路病害预测方法,其特征在于,所述基于所述第一影响矩阵的协方差矩阵,对所述第一影响矩阵进行降维处理,得到第二影响矩阵,包括:计算所述第一影响矩阵的协方差矩阵;计算所述协方差矩阵的特征值以及所述特征值对应的特征向量;根据所述特征值最大的第二数量个所述特征向量得到所述中间矩阵,根据所述第一影响矩阵与所述中间矩阵确定第二影响矩阵。 - [援引加入(细则20.6)12.12.2023]
如权利要求5所述的道路病害预测方法,其特征在于,所述根据所述特征值最大的第二数量个所述特征向量得到所述中间矩阵,根据所述第一影响矩阵与所述中间矩阵确定第二影响矩阵,包括:将所述第一影响矩阵与所述中间矩阵进行相乘,得到第二影响矩阵。 - [援引加入(细则20.6)12.12.2023]
如权利要求6所述的道路病害预测方法,其特征在于,所述根据所述道路病害影响因子,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果,包括:获取所述目标路段的行驶车辆数据以及道路环境数据;根据所述道路病害影响因子,确定所述目标路段的目标影响矩阵;基于所述目标影响矩阵,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果。 - [援引加入(细则20.6)12.12.2023]
一种道路病害预测装置,其特征在于,所述装置包括:获取模块,用于获取各个路段的历史行驶车辆数据以及历史道路环境数据;确定模块,用于根据所述历史行驶车辆数据以及历史道路环境数据,确定道路病害影响因子;预测模块,用于根据所述道路病害影响因子,对所述目标路段的道路病害进行预测,得到所述目标路段的道路病害预测结果。 - [援引加入(细则20.6)12.12.2023]
一种电子设备,其特征在于,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,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的道路病害预测方法中的步骤。 - [援引加入(细则20.6)12.12.2023]
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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的道路病害预测方法中的步骤。 - [错误提交(细则20.5之二)]
一种道路病害的识别方法,适用于设备端,其特征在于,包括以下步骤:提取道路病害图像的特征图,所述道路病害图像包括目标物;将所述特征图输入至预设的目标神经网络预测模型中进行区域分割,并根据分割得到的区域的区域像素值计算权重值;基于分割得到的区域的所述权重值以及所述区域像素值,获取下采样特征图,所述下采样特征图中包括所述目标物;对所述下采样特征图中的所述目标物进行特征信息增强,得到目标特征图,所述目标特征图包括所述目标物的病害类别的置信度;基于所述置信度判断所述目标物所属的病害类别。 - [错误提交(细则20.5之二)]
如权利要求1所述的方法,其特征在于,所述将所述特征图输入至预设的目标神经网络预测模型中进行区域分割,并根据分割得到的区域的区域像素值计算权重值,包括:将所述特征图预处理后,输入至所述预设的目标神经网络预测模型中进行训练,所述预设的目标神经网络预测模型包括骨干网络模型;基于所述骨干网络模型,按照预设大小对所述道路病害图像进行区域分割,分割得到的每个区域对应一个所述区域像素值;通过归一化指数函数对分割得到的区域进行归一化处理,将每个区域的所述区域像素值转换为所述权重值。 - [错误提交(细则20.5之二)]
如权利要求1所述的方法,其特征在于,所述基于分割得到的区域的所述权重值以及所述区域像素值,获取下采样特征图,包括:针对分割得到的每个区域,基于所述区域的所述权重值与所述区域像素值计算所述区域的区域像素权值;基于计算的得到所有区域的区域像素权值,获取所述下采样特征图。 - [错误提交(细则20.5之二)]
如权利要求2所述的方法,其特征在于,所述对所述下采样特征图中的所述目标物特征进行特征信息增强,得到目标特征图,包括:对所述下采样特征图进行卷积操作,获取到第一卷积子特征图、第二卷积子特征图以及第三卷积子特征图;将所述第二卷积子特征图转置,并与所述第一卷积子特征图点积计算得到特征卷积矩阵;基于所述归一化指数函数对所述特征卷积矩阵进行归一化,得到所述下采样特征图中每个像素对应的像素权重值;基于所述下采样特征图中每个像素对应的像素权重值与所述第三卷积子特征图点积计算得到待分解特征图;对所述待分解特征图进行分解及归一化处理,得到所述目标特征图。 - [错误提交(细则20.5之二)]
如权利要求4所述的方法,其特征在于,所述对所述待分解特征图进行分解及归一化处理,得到所述目标特征图,包括:将所述待分解特征图分解为第一分解特征图、第二分解特征图以及第三分解特征图;分别对所述第一分解特征图、所述第二分解特征图以及所述第三分解特征图依次进行编码与解码处理,得到解码后的第一分解特征图、解码后的第二分解特征图以及解码后的第三分解特征图;将所述解码后的第一分解特征图、所述解码后的第二分解特征图以及所述解码后的第三分解特征图进行连接,并进行标准归一化处理,得到所述目标特征图。 - [错误提交(细则20.5之二)]
如权利要求2所述的方法,其特征在于,所述将所述特征图预处理,包括:将所述道路病害图像的所述特征图根据预设缩放比例进行缩放,得到所述预设的目标神经网络预测模型的标准输入尺寸。 - [错误提交(细则20.5之二)]
一种道路病害的重识别方法,适用于平台端,其特征在于,包括以下步骤:平台端获取设备端上传的存在道路病害的道路病害图像,基于所述道路病害图像的位置坐标,在不同时间及空间条件下采集多个同类别的重识别图像;将多张所述重识别图像通过特征损失函数进行重识别,对输出的多维特征进行特征距离计算;若所述特征距离满足预设距离阈值,则判断所述道路病害图像与所述重识别图像为同一病害类别。 - [错误提交(细则20.5之二)]
一种道路病害的识别装置,适用于设备端,其特征在于,包括:第一获取模块,用于提取道路病害图像的特征图,所述道路病害图像包括目标物;分割模块,用于将所述特征图输入至预设的目标神经网络预测模型中进行区域分割,并根据分割得到的区域的区域像素值计算权重值;第二获取模块,用于基于分割得到的区域的所述权重值以及所述区域像素值,获取下采样特征图,所述下采样特征图中包括所述目标物;特征增强模块,用于对所述下采样特征图中的所述目标物进行特征信息增强,得到目标特征图,所述目标特征图包括所述目标物的病害类别的置信度;第一判断模块,用于基于所述置信度判断所述目标物所属的病害类别。 - [错误提交(细则20.5之二)]
一种电子设备,其特征在于,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,所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的一种道路病害的识别方法以及如权利要求7中所述的一种道路病害的识别方法中的步骤。 - [错误提交(细则20.5之二)]
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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的一种道路病害的识别方法以及如权利要求7中所述的一种道路病害的识别方法中的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211739057.4A CN116432095A (zh) | 2022-12-31 | 2022-12-31 | 道路病害预测方法、装置、电子设备及存储介质 |
CN202211739057.4 | 2022-12-31 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2024139287A1 true WO2024139287A1 (zh) | 2024-07-04 |
Family
ID=87086128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2023/114730 WO2024139287A1 (zh) | 2022-12-31 | 2023-08-24 | 道路病害预测方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116432095A (zh) |
WO (1) | WO2024139287A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432095A (zh) * | 2022-12-31 | 2023-07-14 | 深圳云天励飞技术股份有限公司 | 道路病害预测方法、装置、电子设备及存储介质 |
CN117233752B (zh) * | 2023-11-08 | 2024-01-30 | 江苏筑升土木工程科技有限公司 | 基于雷达无损检测的道路地下病害体含水率计算分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180240026A1 (en) * | 2017-02-22 | 2018-08-23 | Here Global B.V. | Method and apparatus for providing semantic-free traffic prediction |
CN109993223A (zh) * | 2019-03-26 | 2019-07-09 | 南京道润交通科技有限公司 | 路面使用性能预测方法、存储介质、电子设备 |
CN110929387A (zh) * | 2019-11-05 | 2020-03-27 | 长安大学 | 一种低温路面的裂缝预测方法 |
CN115384516A (zh) * | 2022-09-06 | 2022-11-25 | 平安国际融资租赁有限公司 | 运输车的轮胎磨损里程计算方法、装置及设备 |
CN116432095A (zh) * | 2022-12-31 | 2023-07-14 | 深圳云天励飞技术股份有限公司 | 道路病害预测方法、装置、电子设备及存储介质 |
-
2022
- 2022-12-31 CN CN202211739057.4A patent/CN116432095A/zh active Pending
-
2023
- 2023-08-24 WO PCT/CN2023/114730 patent/WO2024139287A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180240026A1 (en) * | 2017-02-22 | 2018-08-23 | Here Global B.V. | Method and apparatus for providing semantic-free traffic prediction |
CN109993223A (zh) * | 2019-03-26 | 2019-07-09 | 南京道润交通科技有限公司 | 路面使用性能预测方法、存储介质、电子设备 |
CN110929387A (zh) * | 2019-11-05 | 2020-03-27 | 长安大学 | 一种低温路面的裂缝预测方法 |
CN115384516A (zh) * | 2022-09-06 | 2022-11-25 | 平安国际融资租赁有限公司 | 运输车的轮胎磨损里程计算方法、装置及设备 |
CN116432095A (zh) * | 2022-12-31 | 2023-07-14 | 深圳云天励飞技术股份有限公司 | 道路病害预测方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
LIU GANG; CHEN LEILEI; QIAN ZHENDONG; ZHOU XIAYAN: "Rutting influencing factors and prediction model for asphalt pavements based on the factor analysis method", JOURNAL OF SOUTHEAST UNIVERSITY (ENGLISH EDITION), SOUTHEAST UNIVERSITY; DONGNAN DAXUE (CHINESE ELECTRONIC PERIODICAL SERVICES), CHINA, vol. 37, no. 4, 31 December 2021 (2021-12-31), China , pages 421 - 428, XP009555660, ISSN: 1003-7985 * |
Also Published As
Publication number | Publication date |
---|---|
CN116432095A (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2024139287A1 (zh) | 道路病害预测方法、装置、电子设备及存储介质 | |
Wang et al. | Asphalt pavement pothole detection and segmentation based on wavelet energy field | |
Chen et al. | Pavement crack detection and classification based on fusion feature of LBP and PCA with SVM | |
Cao et al. | Survey on performance of deep learning models for detecting road damages using multiple dashcam image resources | |
Hoang et al. | Metaheuristic optimized edge detection for recognition of concrete wall cracks: a comparative study on the performances of roberts, prewitt, canny, and sobel algorithms | |
Cheng et al. | Real-time image thresholding based on sample space reduction and interpolation approach | |
CN106683073B (zh) | 一种车牌的检测方法及摄像机和服务器 | |
CN107239778B (zh) | 高效准确的车牌识别方法 | |
US20140355839A1 (en) | Mobile pothole detection system and method | |
CN111681240A (zh) | 一种基于YOLO v3与注意力机制的桥梁表面裂痕检测方法 | |
CN112307989B (zh) | 路面物体识别方法、装置、计算机设备和存储介质 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
Antar et al. | Automatic number plate recognition of Saudi license car plates | |
CN113240623A (zh) | 一种路面病害检测方法及装置 | |
CN113269042A (zh) | 基于行驶车辆违章识别的智能交通管理方法及*** | |
Bosurgi et al. | An automatic pothole detection algorithm using pavement 3D data | |
Katsamenis et al. | A few-shot attention recurrent residual U-Net for crack segmentation | |
CN114283383A (zh) | 一种智慧城市公路养护方法、计算机设备及介质 | |
CN1259663A (zh) | 铸坯断面质量的自动评价方法 | |
CN117152094A (zh) | 基于计算机视觉的钢板表面缺陷分析方法、装置及*** | |
CN116109581A (zh) | 混凝土道路监测方法、装置、电子设备及存储介质 | |
CN110751623A (zh) | 基于联合特征的缺陷检测方法、装置、设备及存储介质 | |
CN116258908A (zh) | 一种基于无人机遥感影像数据的地灾预测评估分类方法 | |
Adak et al. | Automatic number plate recognition (ANPR) with YOLOv3-CNN | |
CN115512315A (zh) | 一种非机动车儿童搭乘检测方法、电子设备及存储介质 |