CN108109146A - 一种路面标志线缺陷检测装置 - Google Patents
一种路面标志线缺陷检测装置 Download PDFInfo
- Publication number
- CN108109146A CN108109146A CN201810006061.7A CN201810006061A CN108109146A CN 108109146 A CN108109146 A CN 108109146A CN 201810006061 A CN201810006061 A CN 201810006061A CN 108109146 A CN108109146 A CN 108109146A
- Authority
- CN
- China
- Prior art keywords
- mrow
- pavement marking
- image
- road surface
- pavement
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 230000007547 defect Effects 0.000 title claims abstract description 25
- 239000003550 marker Substances 0.000 title abstract 5
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 12
- 230000008569 process Effects 0.000 abstract description 7
- 210000002569 neuron Anatomy 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 210000000653 nervous system Anatomy 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20172—Image enhancement details
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种路面标志线缺陷检测装置，包括数据采集模块、数据处理模块、数据检测模块和移动终端；其中，所述数据采集模块固定设置于检测车车尾下部的左右两侧，用于采集路面图像信息并生成图片；所述数据处理模块用于识别图片中路面图像信息的路面标志线进行处理，获得路面标志线的面积和形状的数据信息；数据检测模块用于检测路面标志线的缺陷和破损情况。本发明相较于现有技术，采用检测车和检测设备的集成，降低了检测过程中的安全隐患，也避免了复杂路面受车辆和行人的影响，检测的准确性高，提高了作业效率和质量。
Description
技术领域
本发明涉及道路路面检测技术领域，尤其是涉及一种路面标志线缺陷检测装置。
背景技术
现代交通系统已经十分发达，但由于道路交通安全问题，人们对道路交通环境的需求也越来越高。其中，路面标志线是引导车辆安全驾驶的重要部分，通过图案、符号、文字等直接传递给驾驶人、行人准确的视觉信息。一方面有效的路面标志线可以减少交通事故、保障畅通的交通环境；另一方面路面标志线也是道路景观美化工程的一部分。但是，使用一段时间后，路面标志线会出现破损、可见性自然退化等缺陷，影响其交通指向功能和道路美观，因此，从道路养护出发，需要对路面标志线的缺陷破损进行定期检测。
现有的传统检测方法是人工现场目测评价或手工测量采集，其缺点是费时费力，而且数据的准确性易受人为因素干扰，同时现场采集操作存在安全隐患。
现有的新型检测方法是采用机器视觉系统检测路面标志线，但这种手段多用于车辆导航系统。其缺点是在复杂路面易受车辆、行人等非检测信息干扰，而且不能对所检测的路面标志线进行精确定位。
发明内容
针对上述问题，本发明旨在提供一种路面标志线缺点检测装置。
本发明的目的采用以下技术方案来实现：
一种路面标志线缺陷检测装置，其特征在于，包括：数据采集模块、数据处理模块、数据检测模块和移动终端；
所述数据采集模块固定设置于检测车车尾下部的左右两侧，用于获取检测车所处位置的路面图像；
所述数据处理模块用于识别路面图像中的路面标志线并进行处理，得到路面标志线的面积和形状的数据信息；
所述数据检测模块用于根据路面标志线的面积和形状的数据信息，检测路面标志线的缺陷和破损情况，若检测结果显示路面标志线有缺陷，则将其检测结果发送至移动终端，提醒道路养护人员对路面标志线进行修补。
所述数据采集模块包括两个高速面阵相机，其分别固定在检测车车尾下部的左右两侧。
所述路面标志线缺陷检测装置还包括位于检测车内的图像信息存储模块，其用于对所检测的路面图像、路面标志线的面积和形状的数据信息以及路面标志线是否破损的结论进行存储。
所述数据处理模块包括去噪单元、增强单元和提取单元；所述去噪单元用于对路面图像进行去噪，所述增强单元用于对去噪后的路面图像进行增强处理，所述提取单元用于获取路面图像中的路面标志线并对路面标志线进一步处理，得到路面标志线的面积和形状的数据信息。
本发明的有益效果：采用检测车和检测设备的集成，降低了检测过程中的安全隐患，也避免了复杂路面受车辆和行人的影响，检测的准确性高，提高了作业效率和质量。
附图说明
图1是本发明的框架结构图；
图2是本发明的数据处理模块的原理框图。
附图标记：
数据采集模块1；数据处理模块2；数据检测模块3；移动终端4；去噪单元21；增强单元22；提取单元23。
具体实施方式
结合以下应用场景对本发明作进一步描述。
参见图1，一种路面标志线缺陷检测装置，其特征在于，包括：数据采集模块1、数据处理模块2、数据检测模块3和移动终端4；所述数据采集模块1固定设置于检测车车尾下部的左右两侧，用于获取检测车所处位置的路面图像；所述数据处理模块2用于识别路面图像中的路面标志线并进行处理，得到路面标志线的面积和形状的数据信息；所述数据检测模块3用于根据路面标志线的面积和形状的数据信息，检测路面标志线的缺陷和破损情况，若检测结果显示路面标志线有缺陷，则将其检测结果发送至移动终端4，提醒道路养护人员对路面标志线进行修补。
优选地，所述数据采集模块1包括两个高速面阵相机，其分别固定在检测车车尾下部的左右两侧。
优选地，所述路面标志线缺陷检测装置还包括位于检测车内的图像信息存储模块，其用于对所检测的路面图像、路面标志线的面积和形状的数据信息以及路面标志线是否破损的结论进行存储。
优选地，参见图2，所述数据处理模块2包括去噪单元21、增强单元22和提取单元23；所述去噪单元21用于对路面图像进行去噪，所述增强单元22用于对去噪后的路面图像进行增强处理，得到路面增强图像；所述提取单元23用于从路面增强图像中获取路面标志线并对路面标志线进一步处理，得到路面标志线的面积和形状的数据信息。
优选地，脉冲耦合神经网络(PCNN)是仿照视觉神经系统运行机制建立的，该模型更接近生物视觉神经系统，较为逼真的仿照生物视觉系统的运行状态，不仅通过动态神经元构成神经系统，而且每个神经元都具有动态脉冲激发特性和非线性相乘的调制耦合特征；采用PCNN进行去噪是利用噪声与图像像素灰度值间差异判断神经元和它相邻神经元能否被点火输出脉冲序列，从而将噪声与图像像素进行区分，再采用相应去噪措施逐步修改噪声点的值，从而达到减少噪声，恢复图像质量的目的。本发明的有益效果：采用检测车和检测设备的集成，降低了检测过程中的安全隐患，也避免了复杂路面受车辆和行人的影响，检测的准确性高，提高了作业效率和质量。
优选地，所述去噪单元21用于对路面图像进行去噪，具体包括：
(1)根据PCNN神经元同步脉冲发放特性确定路面图像中噪声点的位置，若像素点(a，b)不是噪声点，则直接输出像素点(a，b)的灰度值；否则，以噪声点(a，b)为中心，选取一个大小为Ω×Ω(其中Ω为奇数)的滑动窗口，计算滑动窗口中所有像素点的灰度值并进行统计排序，从已排序的像素点灰度值中选取该滑动窗口中像素点的灰度中值Mmed；
(2)将滑动窗口中剩余像素点(c，d)的灰度值分别与Mmed进行比较，并计算像素点(c，d)处的加权系数L(c，d)，其加权系数的计算公式为：
式中，k＝{1，2，...，(Ω-1)/2}；L(c，d)为像素点(c，d)的加权系数；K(c，d)为像素点(c，d)的灰度值，Mmed为滑动窗口中像素点的灰度中值，γ为加权系数修正因子；
(3)利用下式计算中心像素点灰度值：
式中，I(a，b)为中心像素点(a，b)的灰度值，L(c，d)为像素点(c，d)的加权系数，K(c，d)为像素点(c，d)的灰度值；
(4)遍历路面图像中所有像素点，全体像素点的灰度值组成的集合即为去噪后的路面图像。
本实施例中，采用此方法对采集的路面图像进行过滤操作，通过PCNN模型确认路面图像中的噪声点和非噪声点，并对噪声点进行过滤处理，该方法能够降低滤波器的工作量，提高了工作效率，同时在消除噪声的同时，也保护了路面图像中路面标志线的细节信息。
优选地，所述增强单元22用于对去噪后的路面图像进行增强处理，得到路面增强图像，具体包括：
(1)采用模糊隶属函数将去噪后的路面图像由空间域变换到模糊域，其模糊隶属函数为：
其中，xmn是去噪后的路面图像中像素点(m，n)处的灰度值，XT是自设的阈值，Xmax是去噪后的路面图像的最大灰度值，是去噪后的路面图像中像素点(m，n)在模糊域中的隶属度值；
遍历去噪后的路面图像中所有像素点，得到去噪后的路面图像中所有像素点的隶属度值；
(2)利用模糊算子对得到的所有像素点的隶属度值进行模糊增强处理：其模糊算子为：
其中，是经过模糊增强处理后得到的模糊隶属度值，Γg为自定义的模糊隶属度阈值，是一个映射函数；
(3)利用下式对模糊增强处理后的去噪后的路面图像进行处理，将其由模糊域变换到空间域：
其中，xmn′是经处理后得到的像素点(m，n)在空间域的灰度值；
遍历模糊域中所有像素点，全体xmn′组成的集合即为增强处理后的路面图像。
本实施例中，采用模糊隶属度函数对去噪后的路面图像进行处理时，以XT为分界线，对xmn进行分区域处理，使得将去噪后的路面图像由空间域变换到模糊域中时，能够减小去噪后的路面图像在低灰度区域的像素信息损失，同时也能够改善后续采用模糊算子对处在模糊域中的去噪后的路面图像进行增强处理时低灰度值区域的增强效果。
优选地，所述提取单元23用于从路面增强图像中获取路面标志线并对路面标志线进一步处理，得到路面标志线的面积和形状的数据信息，具体包括：
(1)将路面增强图像划分为成多个大小为M×N的子路面图像块；
(2)对每个子路面图像块进行阈值分割，其子图像块的阈值计算公式为：
当Fst(i，j)＞Fi，j，该像素点为前景像素点，反之，该像素点为背景像素点；
式中，Fst为路面增强图像中第s行第t列处的子路面图像块的阈值，gst(i，j)为第s行第t列处的子路面图像块中第i行第j列的像素点的灰度值，σst为第s行第t列子路面图像块的灰度值的方差，σ为路面增强图像的灰度值方差，ust为第s行第t列子路面图像块的灰度值均值，u为路面增强图像的灰度值均值，k1，k2为权重系数，s＝{1，2...，M}，t＝{1，2，...，N}；
(3)获取所有前景像素点，前景像素点构成的集合即为路面标志线；
(4)对提取得到的路面标志线进行进一步分析处理，获取路面标志线的面积和形状的数据信息。
本实施例中，将路面增强图像划分成多个子路面图像块，并选择不同的阈值对各个子路面图像块进行分割处理，该算法更加灵活，自适应强，且该阈值由子路面图像块的灰度值和路面增强图像的灰度值共同决定，在进行分割处理过程能够使其不受被识别图像的歪斜、脏污或者光照干扰等外来条件的干扰，能够准确反映待检测路面标志线的细节特征，有利于后续对路面标志线的缺陷进行检测。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
Claims (5)
1.一种路面标志线缺陷检测装置，其特征在于，包括：数据采集模块、数据处理模块、数据检测模块和移动终端；
所述数据采集模块固定设置于检测车车尾下部的左右两侧，用于获取检测车所处位置的路面图像；
所述数据处理模块用于识别路面图像中的路面标志线并进行处理，得到路面标志线的面积和形状的数据信息；
所述数据检测模块用于根据路面标志线的面积和形状的数据信息，检测路面标志线的缺陷和破损情况，若检测结果显示路面标志线有缺陷，则将其检测结果发送至移动终端，提醒道路养护人员对路面标志线进行修补。
2.根据权利要求1所述的路面标志线缺陷检测装置，其特征在于，所述数据采集模块包括两个高速面阵相机，其分别固定在检测车车尾下部的左右两侧。
3.根据权利要求1所述的路面标志线缺陷检测装置，其特征在于，还包括位于检测车内的图像信息存储模块，其用于对所检测的路面图像、路面标志线的面积和形状的数据信息以及路面标志线是否破损的结论进行存储。
4.根据权利要求1所述的路面标志线缺陷检测装置，其特征在于，所述数据处理模块包括去噪单元、增强单元和提取单元；所述去噪单元用于对路面图像进行去噪，所述增强单元用于对去噪后的路面图像进行增强处理，得到路面增强图像；所述提取单元用于从路面增强图像中获取路面标志线并对路面标志线进一步处理，得到路面标志线的面积和形状的数据信息。
5.根据权利要求4所述的路面标志线缺陷检测装置，其特征在于，从路面增强图像中获取路面标志线并对路面标志线进一步处理，得到路面标志线的面积和形状的数据信息，具体包括：
(1)将路面增强图像划分为成多个大小为M×N的子路面图像块；
(2)对每个子路面图像块进行阈值分割，其子图像块的阈值计算公式为：
<mrow>
<msub>
<mi>F</mi>
<mrow>
<mi>s</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<mo>&times;</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msub>
<mi>g</mi>
<mrow>
<mi>s</mi>
<mi>t</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>M</mi>
<mo>&times;</mo>
<mi>N</mi>
</mrow>
</mfrac>
<mo>+</mo>
<msub>
<mi>k</mi>
<mn>2</mn>
</msub>
<mo>&times;</mo>
<mfrac>
<mrow>
<msqrt>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>s</mi>
<mi>t</mi>
</mrow>
</msub>
</msqrt>
<mo>-</mo>
<msqrt>
<mi>&sigma;</mi>
</msqrt>
</mrow>
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>s</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>u</mi>
</mrow>
</mfrac>
</mrow>
当Fst(i,j)＞Fi,j，该像素点为前景像素点，反之，该像素点为背景像素点；
式中，Fst为路面增强图像中第s行第t列处的子路面图像块的阈值，gst(i,j)为第s行第t列处的子路面图像块中第i行第j列的像素点的灰度值，σst为第s行第t列子路面图像块的灰度值的方差，σ为路面增强图像的灰度值方差，ust为第s行第t列子路面图像块的灰度值均值，u为路面增强图像的灰度值均值，k1，k2为权重系数，s＝{1,2…,M}，t＝{1,2,…,N}；
(3)获取所有前景像素点，前景像素点构成的集合即为路面标志线；
(4)对提取得到的路面标志线进行进一步分析处理，获取路面标志线的面积和形状的数据信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810006061.7A CN108109146A (zh) | 2018-01-03 | 2018-01-03 | 一种路面标志线缺陷检测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810006061.7A CN108109146A (zh) | 2018-01-03 | 2018-01-03 | 一种路面标志线缺陷检测装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108109146A true CN108109146A (zh) | 2018-06-01 |
Family
ID=62218761
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810006061.7A Pending CN108109146A (zh) | 2018-01-03 | 2018-01-03 | 一种路面标志线缺陷检测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108109146A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108918532A (zh) * | 2018-06-15 | 2018-11-30 | 长安大学 | 一种快速道路交通标志破损检测系统及其检测方法 |
| CN109830000A (zh) * | 2019-01-21 | 2019-05-31 | 武汉光庭信息技术股份有限公司 | 一种高速视觉道路数据采集装置 |
| CN110852453A (zh) * | 2018-07-27 | 2020-02-28 | 东旭科技集团有限公司 | 路面养护的方法、装置、路灯及可读存储介质 |
| CN115965926A (zh) * | 2023-03-16 | 2023-04-14 | 四川京炜数字科技有限公司 | 一种车载式道路标志标线巡检系统 |
| CN117705822A (zh) * | 2024-02-06 | 2024-03-15 | 中国科学院长春光学精密机械与物理研究所 | 一种基于cis的圆柱体表面检测方法、装置及存储介质 |
-
2018
- 2018-01-03 CN CN201810006061.7A patent/CN108109146A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108918532A (zh) * | 2018-06-15 | 2018-11-30 | 长安大学 | 一种快速道路交通标志破损检测系统及其检测方法 |
| CN108918532B (zh) * | 2018-06-15 | 2021-06-11 | 长安大学 | 一种快速道路交通标志破损检测系统及其检测方法 |
| CN110852453A (zh) * | 2018-07-27 | 2020-02-28 | 东旭科技集团有限公司 | 路面养护的方法、装置、路灯及可读存储介质 |
| CN109830000A (zh) * | 2019-01-21 | 2019-05-31 | 武汉光庭信息技术股份有限公司 | 一种高速视觉道路数据采集装置 |
| CN115965926A (zh) * | 2023-03-16 | 2023-04-14 | 四川京炜数字科技有限公司 | 一种车载式道路标志标线巡检系统 |
| CN117705822A (zh) * | 2024-02-06 | 2024-03-15 | 中国科学院长春光学精密机械与物理研究所 | 一种基于cis的圆柱体表面检测方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110261436B (zh) | 基于红外热成像和计算机视觉的轨道故障检测方法及系统 | |
| CN108109146A (zh) | 一种路面标志线缺陷检测装置 | |
| CN104599280B (zh) | 一种道路裂缝交叉点提取方法及系统 | |
| CN108182383B (zh) | 一种车窗检测的方法及设备 | |
| CN105488454A (zh) | 基于单目视觉的前方车辆检测与测距 | |
| CN109489724B (zh) | 一种隧道列车安全运行环境综合检测装置及检测方法 | |
| CN104504388A (zh) | 一种路面裂缝识别和特征提取算法及系统 | |
| CN105404857A (zh) | 一种基于红外的夜间智能车前方行人检测方法 | |
| CN105891220A (zh) | 一种路面标志线缺陷检测装置及其检测方法 | |
| CN104700072A (zh) | 基于车道线历史帧的识别方法 | |
| CN107798293A (zh) | 一种道路裂缝检测装置 | |
| CN104915642B (zh) | 前方车辆测距方法及装置 | |
| CN102673609A (zh) | 一种铁路维修作业安全预警系统及其方法 | |
| CN104992429A (zh) | 一种基于图像局部增强的山体裂缝检测方法 | |
| Yun et al. | Crack recognition and segmentation using morphological image-processing techniques for flexible pavements | |
| CN103440657A (zh) | 一种在线道路裂缝筛查方法 | |
| CN105426894A (zh) | 铁道塞钉图像检测方法及装置 | |
| Abou Chacra et al. | Municipal infrastructure anomaly and defect detection | |
| CN111753749A (zh) | 一种基于特征匹配的车道线检测方法 | |
| CN106203273A (zh) | 多特征融合的车道线检测系统、方法及高级驾驶辅助系统 | |
| CN114581886A (zh) | 结合语义分割和频域分析的能见度判别方法、装置及介质 | |
| JP6929207B2 (ja) | 道路画像処理装置、道路画像処理方法、道路画像処理プログラム、および、記録媒体 | |
| CN109146863A (zh) | 一种路面标志线缺陷检测装置 | |
| Gorintla et al. | Deep-learning-based intelligent PotholeEye+ detection pavement distress detection system | |
| CN116452548A (zh) | 一种动态交通荷载轴型及轮迹的智能识别方法及系统 |
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 |