CN108765404A - 一种基于深度学习图像分类的道路破损检测方法及装置 - Google Patents
一种基于深度学习图像分类的道路破损检测方法及装置 Download PDFInfo
- Publication number
- CN108765404A CN108765404A CN201810546096.XA CN201810546096A CN108765404A CN 108765404 A CN108765404 A CN 108765404A CN 201810546096 A CN201810546096 A CN 201810546096A CN 108765404 A CN108765404 A CN 108765404A
- Authority
- CN
- China
- Prior art keywords
- road
- image
- type
- unit
- deep learning
- 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
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
- 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
- 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
Abstract
本发明公开了一种基于深度学习图像分类的道路破损检测方法及装置,该方法包括以下步骤:第一步,采集不同道路场景类型图像和位置信息,形成样本图像集,并标记所述道路场景类型;第二步,标记所述道路场景类型;第三步,根据需要选择分类网络模型,进行模型的训练工作;第四步,将待检测道路的图像输入训练好的深度神经网络模型,得到分类结果;第五步,如果分类结果为道路破损类型,确认采集图像所对应的路段位置信息,输出所述道路破损类型和所述位置信息的提示信息。该方法提高了道路破损检测的准确率,不需要设置检测的阈值,实时性高,安装位置选择多样化。
Description
技术领域
本发明涉及智能交通研究领域,尤其是公路管理部门进行路面养护管理的路面破损检测方法,具体涉及一种基于深度学习图像分类的道路破损检测方法及装置。
背景技术
随着我国机动化水平的不断提高,城市基础设施建设发展迅速,城市面积不断扩张,城市道路里程和道路密度也随之迅速增加。然而受车辆载荷、气候条件等影响,加上设计方法、施工工艺、施工质量存在问题以及养护工作的滞后,道路路面破损现象十分常见。路面破损检测在道路维护中起着至关重要的作用,它有助于提供更高质量的运输服务。
我国传统的道路破损检测工作主要采用人工检测,然而人工检测存在明显的缺陷:依赖工作人员经验,测量结果无统一标准 ,原始资料不完整,测量数据难以核准。目前存在的一些自动采集装置,组成部件繁多,且安装要求高,适用车型比较固定;基于Sobel边缘分离,形态学滤波的路面破损检测器,如果路面上存在人行道,垃圾等非道路破损型干扰时,该检测器容易失效导致结果不准。基于卷积神经网络的道路破损检测,实时性比较差,对设备硬件要求比较高。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种基于深度学习图像分类的道路破损检测方法及装置,该方法提高了道路破损检测的准确率,不需要设置检测的阈值,实时性高,安装位置选择多样化。
为达到上述目的,本发明是通过以下的技术方案来实现的。
第一步,采集不同道路场景类型图像和位置信息,形成样本图像集,优选的,所述道路场景主要包含以下类型:1)正常道路,2)人行道,3)行人,4)车辆,5)下水道井盖,6)裂缝破损,7)坑陷破损,8)龟裂破损。优选的,根据第一步中所述道路场景类型,对样本图像截取有效检测区域,并进行图像预处理工作。
第二步,标记所述道路场景类型,优选的标记有效检测区域的场景类型。
第三步,根据需要选择分类网络,进行模型的训练工作;所有深度学习分类网络均可使用,不同网络对检测的准确性和检测速度有不同的结果。优选的,分类网络使用修改后的VGG网络进行训练,所述修改后的VGG网络,通过减少核的数量和网络的深度,从而减少了大量的计算量,对于此分类任务来说,分类的精度下降的并不明显,而大大增加了部署的实时运行速度。
第四步,输入需要进行检测的图片并关联当前GPS位置信息,同时所述待检测道路的图像被截取有效检测区域,并使用所述图像预处理方法处理图片;将待检测道路的图像输入训练好的深度神经网络模型,得到分类结果。
第五步,如果分类结果为道路破损类型,确认采集图像所对应的路段位置信息,输出所述道路破损类型和所述位置信息的提示信息,优选的,所述道路破损类型主要包含以下类别:裂缝破损、坑陷破损、龟裂破损。
本发明还提供了一种基于深度学习图像分类的道路破损检测装置包括获取单元、标记单元、深度神经网络计算单元、判断单元、输出单元,上述单元依次按顺序电连接。
所述获取单元,用于获取采集不同道路场景类型图像和位置信息,形成样本图像集,并标记所述道路场景类型;所述获取单元中的道路场景主要包含以下类型:1)正常道路,2)人行道,3)行人,4)车辆,5)下水道井盖,6)裂缝破损,7)坑陷破损,8)龟裂破损;所述判断单元中的道路破损类型主要包含以下类别:裂缝破损、坑陷破损、龟裂破损。
所述标记单元,用于标记所述道路场景类型。
所述深度神经网络计算单元,用于根据需要选择分类网络模型,进行模型的训练工作,将待检测道路的图像输入训练好的深度神经网络模型,计算道路破损的分类结果;优选的,所述修改后的VGG网络,通过减少核的数量和网络的深度,从而减少了大量的计算量,对于此分类任务来说,分类的精度下降的并不明显,而大大增加了部署的实时运行速度,所述深度神经网络计算单元的输入信号为待检测道路的图像,所述待检测道路的图像关联了当前GPS位置信息,并经过图像预处理单元处理。
所述判断单元,用于判断分类结果是否属于道路破损种类。
所述输出单元,用于输出道路破损发生的场景图片,破损类型和对应的GPS位置信息。
优选的,还包括图像预处理单元,所述图像预处理单元与获取单元、标记单元电连接,所述图像预处理单元用于根据所述道路场景类型,对样本图像获取有效检测区域,并进行图像预处理工作,所述标记单元标记所述截取有效检测区域的场景类型。
进一步,所述基于深度学习图像分类的道路破损检测装置,移植到嵌入型车载终端设备中,并配合车载摄像头即可完成道路破损检测任务,安装位置选择更多。
与现有技术相比,本发明具有如下有益效果:
1、计算量小,对硬件的要求不高,完全可以达到实时检测的要求;
2、分离行人、车辆、人行道等道路场景对检测的干扰,能够更精确的检测道路破损情况;
3、是一种end-to-end的方法,输入图片即可得到检测的结果,不需要设置检测的阈值;
4、对安装位置没有严格要求,安装配件更少,减少安装工作成本。
附图说明
图1 为本发明的道路破损检测方法示意图。
图2 为本发明的道路破损检测装置示意图。
图3 为本发明的修改后的VGG网络结构图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明,目的是使得本领域的技术人员对本发明的构思、技术方案有更完整、准确和深入的理解。
附图1 为本发明的道路破损检测方法示意图,结合该图,该方法主要包括以下步骤:
第一步,使用摄像头采集的当前视频帧图像以及对应的GPS位置信息,采集到的场景图片大小为1024*720*3,形成样本图像集。
根据第一步中所述道路场景类型,对样本图像获取有效检测区域,并进行图像预处理工作,根据所有图像的均值和方差将图像的像素值归一化到[0,1],以此结果作为深度神经网络计算单元的输入,并标记有效检测区域的场景类型。
第二步:标记所述道路场景类型,本实施例采用标记有效检测区域的场景类型:截取有效检测区域,目的是获取图像中清晰度较高的区域,提高检测的可识别性,截取图像正下方640*320*3大小的区域作为有效区域,进行人工分类标注工作,根据有效检测区域判断采集的道路场景所属的类别号;优选的,道路场景主要分为如下几类:1)正常道路,2)人行道,3)行人,4)车辆,5)下水道井盖,6)裂缝破损,7)坑陷破损,8)龟裂破损。其中裂缝破损、坑陷破损、龟裂破损为道路破损的类型,其余种类为车辆在行驶过程中可能会采集到的其他自然场景类型。当然分类种类不限于以上几种,可根据实际业务需要进行分类种类的制定和样本的分类标注。
第三步,根据需要选择分类网络模型,进行模型的训练工作,所有深度学习分类网络均可使用,不同网络对检测的准确性和检测速度有不同的结果,本实施例采用修改后的VGG网络进行训练。所述修改后的VGG网络,通过减少核的数量和网络的深度,从而减少了大量的计算量,对于此分类任务来说,分类的精度下降的并不明显,而大大增加了部署的实时运行速度。
修改后的VGG网络结构图如图3所示,网络的图像输入大小为640*320*3,整个网络分为三个模块:特征提取模块、全连接模块和分类模块。①特征提取模块包括三组卷积和三个Maxpool下采样操作,每个卷积层的核大小均为3*3,卷积操作后均带有BN(BatchNormalization)、ReLU操作,Maxpool层均采用2*2的窗口,步长为2。第一组卷积中包括两个卷积层,通道数为16,第一个卷积步长为2,第二个卷积步长为1,得到的特征映射层尺寸为320*160*16;第一组卷积后接一个Max Pooling下采样,得到的特征映射层尺寸为160*80*16;第二组卷积中包括三个卷积层,通道数均为32,步长均为1,得到的特征映射层尺寸为160*80*32;第二组卷积后接一个Max Pooling下采样,得到的特征映射层尺寸为80*40*32;第三组卷积中包括三个卷积层,通道数均为64,步长均为1,得到的特征映射层尺寸为80*40*64;第三组卷积后接一个Max Pooling下采样,得到的特征映射层尺寸为40*20*64。②全连接模块包括三个全连接层,每个全连接层后均带有BN(Batch Normalization)、ReLU操作。前两个全连接的通道数均为1024,第三个全连接层通道数为类别数,本实例中为8。③分类模块为一个Softmax层,该模块输出每个类别的概率,所有类别的概率总和为1,概率最大的即是网络输出的类别标记。至此,网络对输入图像计算得到了分类结果。
第四步,输入需要进行检测的图片并关联当前GPS位置信息,截取有效检测区域并使用第二步的预处理方法处理图片,接着使用第三步中训练好的模型,对图片进行分类预测,得到分类结果。
第五步,如果分类结果为道路破损类型,确认采集图像所对应的路段位置信息,输出所述道路破损类型和所述位置信息的提示信息,优选的,所述道路破损类型主要包含以下类别:裂缝破损、坑陷破损、龟裂破损。
如图2为本发明的基于深度学习图像分类的道路破损检测装置图,包括获取单元、图像预处理单元、标记单元、深度神经网络计算单元、判断单元、输出单元,上述单元依次按顺序电连接。所述获取单元,用于获取采集不同道路场景类型图像和位置信息,形成样本图像集;所述图像预处理单元用于根据所述道路场景类型,对样本图像获取有效检测区域,并进行图像预处理工作,标记有效检测区域的场景类型。所述标记单元,用于标记所述道路场景类型;所述深度神经网络计算单元,用于根据需要选择分类网络模型,进行模型的训练工作,将待检测道路的图像输入训练好的深度神经网络模型,计算道路破损的分类结果;所述判断单元,用于判断分类结果是否属于道路破损种类;所述输出单元,用于输出道路破损发生的场景图片,破损类型和对应的GPS位置信息。
将所述基于深度学习图像分类的道路破损检测装置,移植到嵌入型车载终端设备中,并配合车载摄像头即可完成道路破损检测任务。
以上结合附图对本发明进行了示例性描述,显然,本发明具体实现并不受上述方式的限制,凡是采用了本发明的方法构思和技术方案进行的各种非实质性的改进;或者未经改进、等同替换,将本发明的上述构思和技术方案直接应用于其他场合的,均在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习图像分类的道路破损检测方法,其特征在于,包括如下具体步骤:
第一步,采集不同道路场景类型图像和位置信息,形成样本图像集;
第二步,标记所述道路场景类型;
第三步,根据需要选择分类网络,进行模型的训练工作,构建深度神经网络模型;
第四步,将待检测道路的图像输入训练好的所述深度神经网络模型,得到分类结果;
第五步,如果分类结果为道路破损类型,确认采集图像所对应的路段位置信息,输出所述道路破损类型和所述位置信息的提示信息。
2.根据权利要求1所述的一种基于深度学习图像分类的道路破损检测方法,其特征在于,还包括:根据第一步中所述道路场景类型,对样本图像截取有效检测区域,并进行图像预处理,第二步中标记所述道路场景类型为所述截取有效检测区域的场景类型。
3.根据权利要求1所述的一种基于深度学习图像分类的道路破损检测方法,其特征在于,所述第三步中分类网络为修改后的VGG网络,所述修改后的VGG网络,减少核的数量和网络的深度,增加了部署的实时运行速度。
4.根据权利要求2所述的一种基于深度学习图像分类的道路破损检测方法,其特征在于,所述待检测道路的图像关联了当前GPS位置信息,同时所述待检测道路的图像经过截取有效检测区域,并使用所述图像预处理方法处理图片。
5.根据权利要求1-4所述的任一种基于深度学习图像分类的道路破损检测方法,其特征在于,所述道路场景主要包含以下类型:1)正常道路,2)人行道,3)行人,4)车辆,5)下水道井盖,6)裂缝破损,7)坑陷破损,8)龟裂破损;所述道路破损类型主要包含以下类别:裂缝破损、坑陷破损、龟裂破损。
6.一种基于深度学习图像分类的道路破损检测装置,其特征在于,包括获取单元、标记单元、深度神经网络计算单元、判断单元、输出单元,上述单元依次按顺序电连接;
所述获取单元,用于获取采集不同道路场景类型图像和位置信息,形成样本图像集,并标记所述道路场景类型;
所述标记单元,用于标记所述道路场景类型;
所述深度神经网络计算单元,用于根据需要选择分类网络模型,进行模型的训练工作,将待检测道路的图像输入训练好的深度神经网络模型,计算道路破损的分类结果;
所述判断单元,用于判断分类结果是否属于道路破损种类;
所述输出单元,用于输出道路破损发生的场景图片,破损类型和对应的GPS位置信息。
7.根据权利要求6所述的一种基于深度学习图像分类的道路破损检测装置,其特征在于,还包括图像预处理单元,所述图像预处理单元与获取单元、标记单元电连接,所述图像预处理单元用于根据所述道路场景类型,对样本图像截取有效检测区域,并进行图像预处理工作,所述标记单元标记所述截取有效检测区域的场景类型。
8.根据权利要求7所述的一种基于深度学习图像分类的道路破损检测装置,其特征在于,所述深度神经网络计算单元的分类网络为增加了部署的实时运行速度的修改了的VGG网络,所述深度神经网络计算单元的输入信号为待检测道路的图像,所述待检测道路的图像关联了当前GPS位置信息,并经过图像预处理单元处理。
9.根据权利要求6-8所述的任一种基于深度学习图像分类的道路破损检测装置,其特征在于,所述获取单元中的道路场景主要包含以下类型:1)正常道路,2)人行道,3)行人,4)车辆,5)下水道井盖,6)裂缝破损,7)坑陷破损,8)龟裂破损;所述判断单元中的道路破损类型主要包含以下类别:裂缝破损、坑陷破损、龟裂破损。
10.根据权利要求6-8所述的任一种基于深度学习图像分类的道路破损检测装置,其特征在于,所述装置可移植到嵌入型车载终端设备中,配合车载摄像头完成道路破损检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810546096.XA CN108765404B (zh) | 2018-05-31 | 2018-05-31 | 一种基于深度学习图像分类的道路破损检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810546096.XA CN108765404B (zh) | 2018-05-31 | 2018-05-31 | 一种基于深度学习图像分类的道路破损检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108765404A true CN108765404A (zh) | 2018-11-06 |
CN108765404B CN108765404B (zh) | 2019-10-18 |
Family
ID=64001006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810546096.XA Active CN108765404B (zh) | 2018-05-31 | 2018-05-31 | 一种基于深度学习图像分类的道路破损检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765404B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410583A (zh) * | 2018-11-29 | 2019-03-01 | 上海市城市建设设计研究总院(集团)有限公司 | 基于行车记录仪的交通信息采集及分析系统及运行方法 |
CN109741823A (zh) * | 2018-11-23 | 2019-05-10 | 杭州电子科技大学 | 一种基于深度学习的气胸辅助诊断方法 |
CN109753580A (zh) * | 2018-12-21 | 2019-05-14 | Oppo广东移动通信有限公司 | 一种图像分类方法、装置、存储介质及电子设备 |
CN109886344A (zh) * | 2019-02-26 | 2019-06-14 | 广东工业大学 | 基于深度学习的皮革破损识别方法、系统及设备和介质 |
CN110263190A (zh) * | 2019-05-06 | 2019-09-20 | 菜鸟智能物流控股有限公司 | 一种数据处理方法、装置、设备和机器可读介质 |
CN110427911A (zh) * | 2019-08-12 | 2019-11-08 | 清华大学苏州汽车研究院(吴江) | 一种道路检测方法、装置、设备及存储介质 |
CN111241994A (zh) * | 2020-01-09 | 2020-06-05 | 中国交通通信信息中心 | 一种深度学习的遥感影像农村公路砂化路段的提取方法 |
CN111598845A (zh) * | 2020-04-26 | 2020-08-28 | 北京科技大学 | 基于深度学习与neo-6m定位模块的路面裂缝检测与定位的方法 |
WO2020199538A1 (zh) * | 2019-04-04 | 2020-10-08 | 中设设计集团股份有限公司 | 基于图像监控数据的桥梁关键构件病害预警系统及方法 |
CN111832760A (zh) * | 2020-07-14 | 2020-10-27 | 深圳市法本信息技术股份有限公司 | 一种基于视觉算法的井盖自动巡检方法 |
CN112488026A (zh) * | 2020-12-12 | 2021-03-12 | 江西洪都航空工业集团有限责任公司 | 一种基于视频分析的车行道破损检测方法 |
CN112505142A (zh) * | 2020-10-27 | 2021-03-16 | 北京建筑大学 | 检测道路结构损伤的方法、自主移动式设备及存储介质 |
CN112598672A (zh) * | 2020-11-02 | 2021-04-02 | 坝道工程医院(平舆) | 一种基于深度学习的路面病害图像分割方法和系统 |
CN112800911A (zh) * | 2021-01-20 | 2021-05-14 | 同济大学 | 一种路面损伤快速检测及自然数据集构建方法 |
CN112861620A (zh) * | 2020-12-31 | 2021-05-28 | 桂林海威科技股份有限公司 | 一种道路井盖破损识别系统及方法 |
CN113015887A (zh) * | 2019-10-15 | 2021-06-22 | 谷歌有限责任公司 | 基于天气和路面类型的导航方向 |
CN113095194A (zh) * | 2021-04-02 | 2021-07-09 | 北京车和家信息技术有限公司 | 图像分类方法、装置、存储介质及电子设备 |
CN113424519A (zh) * | 2019-02-19 | 2021-09-21 | 索尼半导体解决方案公司 | 成像装置、电子装置和成像方法 |
CN113537016A (zh) * | 2021-07-06 | 2021-10-22 | 南昌市微轲联信息技术有限公司 | 一种道路巡查中道路损伤自动检测预警的方法 |
CN114267003A (zh) * | 2022-03-02 | 2022-04-01 | 城云科技(中国)有限公司 | 道路破损检测方法、装置及应用 |
CN114333141A (zh) * | 2020-09-25 | 2022-04-12 | 深圳富桂精密工业有限公司 | 纸箱回收方法、电子装置及存储介质 |
CN115859074A (zh) * | 2022-10-27 | 2023-03-28 | 大连理工大学 | 一种基于超声导波和深度学习的复合材料加筋板损伤识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663344A (zh) * | 2012-03-04 | 2012-09-12 | 南京理工大学常熟研究院有限公司 | 基于图像分割的破损道路检测装置 |
CN105808732A (zh) * | 2016-03-10 | 2016-07-27 | 北京大学 | 一种基于深度度量学习的一体化目标属性识别与精确检索方法 |
KR101711073B1 (ko) * | 2016-07-25 | 2017-02-28 | (주)제이엘케이인스펙션 | 딥 러닝 알고리즘을 적용한 플렉서블 터치스크린 패널 미세 크랙 검출 장치 및 방법 |
CN106650690A (zh) * | 2016-12-30 | 2017-05-10 | 东华大学 | 基于深度卷积‑反卷积神经网络的夜视图像场景识别方法 |
CN107230202A (zh) * | 2017-05-16 | 2017-10-03 | 淮阴工学院 | 路面病害图像的自动识别方法和系统 |
CN107424150A (zh) * | 2017-07-27 | 2017-12-01 | 济南浪潮高新科技投资发展有限公司 | 一种基于卷积神经网络的道路破损检测方法及装置 |
CN107945161A (zh) * | 2017-11-21 | 2018-04-20 | 重庆交通大学 | 基于纹理特征提取的道路表面缺陷检测方法 |
US20180130355A1 (en) * | 2016-11-08 | 2018-05-10 | Nec Laboratories America, Inc. | Advanced driver-assistance system with landmark localization on objects in images using convolutional neural networks |
-
2018
- 2018-05-31 CN CN201810546096.XA patent/CN108765404B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663344A (zh) * | 2012-03-04 | 2012-09-12 | 南京理工大学常熟研究院有限公司 | 基于图像分割的破损道路检测装置 |
CN105808732A (zh) * | 2016-03-10 | 2016-07-27 | 北京大学 | 一种基于深度度量学习的一体化目标属性识别与精确检索方法 |
KR101711073B1 (ko) * | 2016-07-25 | 2017-02-28 | (주)제이엘케이인스펙션 | 딥 러닝 알고리즘을 적용한 플렉서블 터치스크린 패널 미세 크랙 검출 장치 및 방법 |
US20180130355A1 (en) * | 2016-11-08 | 2018-05-10 | Nec Laboratories America, Inc. | Advanced driver-assistance system with landmark localization on objects in images using convolutional neural networks |
CN106650690A (zh) * | 2016-12-30 | 2017-05-10 | 东华大学 | 基于深度卷积‑反卷积神经网络的夜视图像场景识别方法 |
CN107230202A (zh) * | 2017-05-16 | 2017-10-03 | 淮阴工学院 | 路面病害图像的自动识别方法和系统 |
CN107424150A (zh) * | 2017-07-27 | 2017-12-01 | 济南浪潮高新科技投资发展有限公司 | 一种基于卷积神经网络的道路破损检测方法及装置 |
CN107945161A (zh) * | 2017-11-21 | 2018-04-20 | 重庆交通大学 | 基于纹理特征提取的道路表面缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
周俊宇 等: "卷积神经网络在图像分类和目标检测应用综述", 《计算机工程与应用》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109741823A (zh) * | 2018-11-23 | 2019-05-10 | 杭州电子科技大学 | 一种基于深度学习的气胸辅助诊断方法 |
CN109410583A (zh) * | 2018-11-29 | 2019-03-01 | 上海市城市建设设计研究总院(集团)有限公司 | 基于行车记录仪的交通信息采集及分析系统及运行方法 |
CN109753580A (zh) * | 2018-12-21 | 2019-05-14 | Oppo广东移动通信有限公司 | 一种图像分类方法、装置、存储介质及电子设备 |
CN113424519A (zh) * | 2019-02-19 | 2021-09-21 | 索尼半导体解决方案公司 | 成像装置、电子装置和成像方法 |
CN109886344A (zh) * | 2019-02-26 | 2019-06-14 | 广东工业大学 | 基于深度学习的皮革破损识别方法、系统及设备和介质 |
WO2020199538A1 (zh) * | 2019-04-04 | 2020-10-08 | 中设设计集团股份有限公司 | 基于图像监控数据的桥梁关键构件病害预警系统及方法 |
CN110263190A (zh) * | 2019-05-06 | 2019-09-20 | 菜鸟智能物流控股有限公司 | 一种数据处理方法、装置、设备和机器可读介质 |
CN110427911A (zh) * | 2019-08-12 | 2019-11-08 | 清华大学苏州汽车研究院(吴江) | 一种道路检测方法、装置、设备及存储介质 |
CN110427911B (zh) * | 2019-08-12 | 2023-11-28 | 清华大学苏州汽车研究院(吴江) | 一种道路检测方法、装置、设备及存储介质 |
CN113015887A (zh) * | 2019-10-15 | 2021-06-22 | 谷歌有限责任公司 | 基于天气和路面类型的导航方向 |
CN111241994B (zh) * | 2020-01-09 | 2024-02-20 | 中国交通通信信息中心 | 一种深度学习的遥感影像农村公路砂化路段的提取方法 |
CN111241994A (zh) * | 2020-01-09 | 2020-06-05 | 中国交通通信信息中心 | 一种深度学习的遥感影像农村公路砂化路段的提取方法 |
CN111598845A (zh) * | 2020-04-26 | 2020-08-28 | 北京科技大学 | 基于深度学习与neo-6m定位模块的路面裂缝检测与定位的方法 |
CN111832760A (zh) * | 2020-07-14 | 2020-10-27 | 深圳市法本信息技术股份有限公司 | 一种基于视觉算法的井盖自动巡检方法 |
CN111832760B (zh) * | 2020-07-14 | 2023-09-29 | 深圳市法本信息技术股份有限公司 | 一种基于视觉算法的井盖自动巡检方法 |
CN114333141A (zh) * | 2020-09-25 | 2022-04-12 | 深圳富桂精密工业有限公司 | 纸箱回收方法、电子装置及存储介质 |
CN112505142A (zh) * | 2020-10-27 | 2021-03-16 | 北京建筑大学 | 检测道路结构损伤的方法、自主移动式设备及存储介质 |
CN112505142B (zh) * | 2020-10-27 | 2023-01-24 | 北京建筑大学 | 检测道路结构损伤的方法、自主移动式设备及存储介质 |
CN112598672A (zh) * | 2020-11-02 | 2021-04-02 | 坝道工程医院(平舆) | 一种基于深度学习的路面病害图像分割方法和系统 |
CN112488026A (zh) * | 2020-12-12 | 2021-03-12 | 江西洪都航空工业集团有限责任公司 | 一种基于视频分析的车行道破损检测方法 |
CN112861620A (zh) * | 2020-12-31 | 2021-05-28 | 桂林海威科技股份有限公司 | 一种道路井盖破损识别系统及方法 |
CN112800911B (zh) * | 2021-01-20 | 2022-12-16 | 同济大学 | 一种路面损伤快速检测及自然数据集构建方法 |
CN112800911A (zh) * | 2021-01-20 | 2021-05-14 | 同济大学 | 一种路面损伤快速检测及自然数据集构建方法 |
CN113095194A (zh) * | 2021-04-02 | 2021-07-09 | 北京车和家信息技术有限公司 | 图像分类方法、装置、存储介质及电子设备 |
CN113537016B (zh) * | 2021-07-06 | 2023-01-06 | 南昌市微轲联信息技术有限公司 | 一种道路巡查中道路损伤自动检测预警的方法 |
CN113537016A (zh) * | 2021-07-06 | 2021-10-22 | 南昌市微轲联信息技术有限公司 | 一种道路巡查中道路损伤自动检测预警的方法 |
CN114267003A (zh) * | 2022-03-02 | 2022-04-01 | 城云科技(中国)有限公司 | 道路破损检测方法、装置及应用 |
CN115859074A (zh) * | 2022-10-27 | 2023-03-28 | 大连理工大学 | 一种基于超声导波和深度学习的复合材料加筋板损伤识别方法 |
CN115859074B (zh) * | 2022-10-27 | 2023-10-20 | 大连理工大学 | 一种基于超声导波和深度学习的复合材料加筋板损伤识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108765404B (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765404B (zh) | 一种基于深度学习图像分类的道路破损检测方法及装置 | |
CN109977812B (zh) | 一种基于深度学习的车载视频目标检测方法 | |
CN109165582B (zh) | 一种城市街道垃圾检测和清洁度评估方法 | |
CN106845424B (zh) | 基于深度卷积网络的路面遗留物检测方法 | |
CN108898085B (zh) | 一种基于手机视频的道路病害智能检测方法 | |
CN107316064B (zh) | 一种基于卷积神经网络的沥青路面裂缝分类识别方法 | |
CN108509954A (zh) | 一种实时交通场景的多车牌动态识别方法 | |
CN109118479A (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN106331636A (zh) | 基于行为事件触发的输油管道智能视频监控系统及方法 | |
CN110378865A (zh) | 一种复杂背景下的雾天能见度智能分级识别方法及系统 | |
Munawar | Image and video processing for defect detection in key infrastructure | |
CN113065578A (zh) | 一种基于双路区域注意力编解码的图像视觉语义分割方法 | |
CN110675415A (zh) | 一种基于深度学习增强实例分割的道路积水区域检测方法 | |
CN105046959B (zh) | 基于双窗口滑动匹配机制的城市道路行程时间提取方法 | |
CN113450573A (zh) | 基于无人机图像识别的交通监测方法和交通监测系统 | |
CN109255279A (zh) | 一种交通标志检测识别的方法及系统 | |
WO2021076573A1 (en) | Systems and methods for assessing infrastructure | |
CN112633722A (zh) | 车载道路安全风险评估系统及方法 | |
CN112232303B (zh) | 一种基于高分遥感影像的草原道路信息提取方法 | |
CN114417981A (zh) | 一种智能河长巡测系统 | |
CN111598885B (zh) | 高速公路团雾图片能见度等级自动标注方法 | |
CN116168356B (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
CN117152617A (zh) | 一种城市洪涝识别方法及系统 | |
CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
CN109902607A (zh) | 一种基于倾斜相机的城市自动优化建模系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |