CN109816626A - 路面裂缝检测方法、装置、计算机设备和存储介质 - Google Patents
路面裂缝检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109816626A CN109816626A CN201811527308.6A CN201811527308A CN109816626A CN 109816626 A CN109816626 A CN 109816626A CN 201811527308 A CN201811527308 A CN 201811527308A CN 109816626 A CN109816626 A CN 109816626A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- crack
- cloud data
- target point
- characteristic image
- 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
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请涉及一种路面裂缝检测方法、装置、计算机设备和存储介质,包括:获取对目标路径的路面采集的目标点云数据;目标路径为当前正在巡检的路径;基于目标点云数据确定目标点云数据的强度特征图像;将强度特征图像输入通过训练确定的裂缝识别模型,得到裂缝识别结果。上述方法,通过激光点云的方式对路面进行采集数据,并将对点云数据进行处理后得到的强度特征图像输入裂缝识别模型即可得到裂缝识别结果,从而可以提高检测裂缝的效率。
Description
技术领域
本申请涉及道路巡检技术领域,特别是涉及一种路面裂缝检测方法、装置、计算机设备和存储介质。
背景技术
无论是水泥还是沥青路面,在通车使用一段时间之后,在车辆载荷、自然环境、人为原因等多重因素下,都会陆续出现各种损坏、变形及其它缺陷,这些我们统称为路面病害。常见的病害有:裂缝、坑槽、车辙、松散、沉陷、表面破损等,这些病害将直接影响到车辆行驶的安全问题。因此,道路巡检具有重要的意义。
然而,目前的对道路裂缝进行检测通常采用数字图像处理的裂缝检测技术,分为数字图像处理、数字图像分析以及数字图像识别等三个步骤,其中,检测系统采集的路面损坏图像数据为模拟量,存储在录像带中,只有将其数字化后才能被计算机处理,裂缝检测的效率低下。
发明内容
基于此,有必要针对上述技术问题,提供一种路面裂缝检测方法、装置、计算机设备和存储介质。
一种路面裂缝检测方法,所述方法包括:
获取对目标路径的路面采集的目标点云数据;目标路径为当前正在巡检的路径;
基于目标点云数据确定目标点云数据的强度特征图像;
将强度特征图像输入通过训练确定的裂缝识别模型,得到裂缝识别结果。
在其中一个实施例中,基于目标点云数据确定目标点云数据的强度特征图像,包括:
对目标点云数据进行数据预处理,得到处理后数据;
对处理后数据进行强度分析处理,得到目标点云数据的强度特征图像。
在其中一个实施例中,对目标点云数据进行数据预处理,包括以下至少一项:
对目标点云数据进行POS轨迹解算处理;
对目标点云数据进行点云解算处理;
对目标点云数据进行点云精度计算处理。
在其中一个实施例中,处理后数据包括:目标点云数据的高程信息、反射强度信息,以及点云空间分布信息;
对处理后数据进行强度分析处理,得到目标点云数据的强度特征图像,包括:
基于目标点云数据的高程信息和反射强度信息对目标点云数据进行滤波处理;
将滤波处理得到的数据投影到二维平面,基于目标点云数据的反射强度信息和点云空间分布信息生成强度特征图像。
在其中一个实施例中,裂缝识别模型的确定方式包括:
获取携带裂缝信息标签的样本强度特征图像;
基于样本强度特征图像对预设神经网络模型进行训练,得到裂缝识别模型。
在其中一个实施例中,裂缝信息标签所包含的信息包括以下至少一项:
样本强度特征图像所对应的样本路面是否存在裂缝,样本强度特征图像所对应的样本路面的裂缝类型,样本强度特征图像所对应的样本路面的裂缝严重程度,样本强度特征图像所对应的样本路面的裂缝位置,样本强度特征图像所对应的样本路面的裂缝长度,样本强度特征图像所对应的样本路面的裂缝面积。
在其中一个实施例中,在得到裂缝识别结果之后,还包括步骤:
基于预设的评分规则对裂缝识别结果进行评分,获得裂缝评分结果。
一种路面裂缝检测装置,所述装置包括:
点云数据获取模块,用于获取对目标路径的路面采集的目标点云数据;目标路径为当前正在巡检的路径;
强度特征图像确定模块,用于基于目标点云数据确定所述目标点云数据的强度特征图像;
裂缝识别模块,用于将强度特征图像输入通过训练确定的裂缝识别模型,得到裂缝识别结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质,其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上述方法的步骤。
上述路面裂缝检测方法、装置、计算机设备和存储介质,对目标路径采集点云数据,并基于采集得到的点云数据确定对应的强度特征图像,将强度特征图像输入训练确定的裂缝识别模型中,即可得到裂缝识别的结果。通过上述方法,通过激光点云的方式对路面进行采集数据,并将对点云数据进行处理后得到的强度特征图像输入裂缝识别模型即可得到裂缝识别结果,从而可以提高检测裂缝的效率。
附图说明
图1为一个实施例中路面裂缝检测方法的应用环境图;
图2为一个实施例中路面裂缝检测方法的流程示意图;
图3为一个实施例中基于目标点云数据确定目标点云数据的强度特征图像的步骤流程示意图;
图4为另一个实施例中对处理后数据进行强度分析处理,得到目标点云数据的强度特征图像的步骤流程示意图;
图5为一个实施例中裂缝识别模型的确定方式的流程示意图;
图6为一个具体实施例中路面裂缝检测方法的流程示意图;
图7为一个实施例中路面巡检装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的路面裂缝检测方法,可以应用于如图1所示的应用环境中。其中,终端110通过网络与服务器120通过网络进行通信。巡检人员在对目标路径进行道路巡检的过程中,可以通过终端110采集目标路径的点云数据,并将点云数据发送至服务器120,服务器120基于点云数据确定对应的强度特征图像,并将该强度特征图像输入通过训练确定的裂缝识别模型,即可获得裂缝识别结果。其中,终端110可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种路面裂缝检测方法,以该方法应用于图1中的服务器120为例进行说明,包括步骤S210至步骤S230。
步骤S210,获取对目标路径的路面采集的目标点云数据;目标路径为当前正在巡检的路径。
巡检人员在对需要巡检的道路进行巡检时,通过发射激光的方式采集路面的点云数据,本实施例中将采集得到的点云数据记为目标点云数据。激光点云也称为点云,是利用激光在同一空间参考系下获取物体表面每个采样点的空间坐标,得到的是一系列表达目标空间分布和目标表面特性的海量点的集合,这个点集合就称之为“点云”(Point Cloud)。
其中,可以是通过激光点云采集系统实现点云数据的采集,激光点云采集系统包括扫描头、IMU(Inertial measurement unit,惯性测量单元)、GNSS(Global NavigationSatellite System,泛指所有的卫星导航系统)和扫描车等设备。采集点云数据前需要进行的前期准备,包括硬件调试、参数设置、线路规划等,其中,在线路规划中确定需要巡检的道路的线路,巡检人员根据规划好的线路进行道路的巡检,并对所巡检的路径采集点云数据。进一步地,激光点云采集系统可以设置在车辆上,因此巡检人员只需开扫描车辆在目标路径上经过,即可完成目标路径的点云数据采集,路面裂缝检测的自动化程度得到提高。
在一个实施例中,采集得到的目标点云数据包括:激光点云数据、GPS数据;在另一个实施例中,采集得到的目标点云数据包括激光点云数据、IMU数据;在另一实施例中,采集得到的目标点云数据包括:激光点云数据、GPS数据,以及IMU数据。
步骤S220,基于目标点云数据确定目标点云数据的强度特征图像。
其中,强度特征图像为反映目标点云数据的强度特征的图像。
在一个实施例中,如图3所示,基于目标点云数据确定目标点云数据的强度特征图像,包括步骤S310和步骤S320。
步骤S310,对目标点云数据进行数据预处理,得到处理后数据。
在采集到目标点云数据后,需要先对其进行数据预处理,得到的处理后数据以便后续的数据处理操作。
在一个实施例中,对目标点云数据进行数据预处理,包括以下至少一项:
对目标点云数据进行POS轨迹解算处理;对目标点云数据进行点云解算处理;对目标点云数据进行点云精度计算处理。
对目标点云数据进行数据预处理得到强度分析所需要的数据,便于后续的数据处理得到强度特征图像。在一个实施例中,对目标点云数据进行POS轨迹解算处理、点云解算处理,以及点云精度计算处理后,得到强度分析所需要的数据。
步骤S320,对处理后数据进行强度分析处理,得到目标点云数据的强度特征图像。
本实施例中,对目标点云数据进行数据预处理后得到的处理后数据为强度分析所需要的数据。在一个实施例中,处理后数据包括:目标点云数据的高程信息、目标点云数据的反射强度信息,以及点云空间分布信息。进一步地,对处理后数据进行强度分析处理,具体为对处理后数据进行强度的提取,以得到目标点云数据的强度特征图像。
进一步地,在本实施例中,如图4所示,对处理后数据进行强度分析处理,得到目标点云数据的强度特征图像,包括步骤S410和步骤S420。
步骤S410,基于目标点云数据的高程信息和反射强度信息对目标点云数据进行滤波处理。
其中,某点沿铅垂线方向到绝对基面的距离,称绝对高程;某点沿铅垂线方向到某假定水准基面的距离,称假定高程。在本实施例中,可以根据实际情况选择采用绝对高程或者假定高程表示目标点云数据的高程信息。其中的反射强度信息反映的是在激光点云扫描系统向路面发射激光后路面的反射量信息,不平整的路面对激光的反射量不一致。
步骤S420,将滤波处理得到的数据投影到二维平面,基于目标点云数据的反射强度信息和点云空间分布信息生成强度特征图像。
步骤S230,将强度特征图像输入通过训练确定的裂缝识别模型,得到裂缝识别结果。
其中,裂缝识别模型为预先通过大量样本强度特征图像训练得到的神经网络模型。更进一步地,样本强度特征图像为采集的样本路面的点云数据的强度特征图像,且样本强度特征图像携带相关的裂缝信息。其中,样本强度特征图像所对应的样本路面包括无裂缝的路面和有裂缝的路面,其中有裂缝的路面的强度特征图像携带的裂缝信息标签可以包括裂缝类型、裂缝的几何相关信息(裂缝长度、裂缝面积等)、裂缝位置、裂缝严重程度等。
与训练模型所用样本强度特征图像携带的裂缝信息相对应,裂缝识别结果包括强度特征图像对应的路面是否有裂缝,以及有裂缝的路面的裂缝类型(横缝、纵缝、纵横交错的裂缝)、裂缝的几何信息(裂缝长度、裂缝面积)、裂缝位置、裂缝的严重程度等。更进一步地,例如裂缝识别结果可以是:强度特征图像所对应的路面无裂缝,强度特征图像所对应的路面有裂缝,以及强度特征图像所对应的路面的裂缝长度、强度特征图像所对应的路面的裂缝面积、强度特征图像所对应的路面的裂缝严重程度。
上述路面裂缝检测方法,对目标路径采集点云数据,并基于采集得到的点云数据确定对应的强度特征图像,将强度特征图像输入训练确定的裂缝识别模型中,即可得到裂缝识别的结果。通过上述方法,通过激光点云的方式对路面进行采集数据,并将对点云数据进行处理后得到的强度特征图像输入通过训练确定的裂缝识别模型即可得到裂缝识别结果,从而可以提高检测裂缝的效率。
在一个实施例中,如图5所示,裂缝识别模型的确定方式包括步骤S510和步骤S520。
步骤S510,获取携带裂缝信息标签的样本强度特征图像。
其中,裂缝信息标签表示样本强度特征图像所对应的路面是否存在裂缝、存在裂缝的裂缝的相关信息。在一个实施例中,裂缝信息标签所包含的信息包括以下至少一项:
样本强度特征图像所对应的样本路面是否存在裂缝,样本强度特征图像所对应的样本路面的裂缝类型,样本强度特征图像所对应的样本路面的裂缝严重程度,样本强度特征图像所对应的样本路面的裂缝位置,样本强度特征图像所对应的样本路面的裂缝长度,样本强度特征图像所对应的样本路面的裂缝面积。
进一步地,在一个实施例中,样本强度特征图像的获取包括步骤:获取路面的点云数据;对点云数据进行数据预处理后得到点云数据的高程信息和反射强度信息,以及点云空间信息,利用点云数据的高程信息和反射强度信息对点云数据进行滤波后,将得到的数据投影到二维平面,然后利用点云数据的反射强度信息和点云空间分布信息生成点云数据的强度特征图像。由人工对强度特征图像进行病害的识别得到识别结果,然后将识别的结果作为裂缝信息标签添加到对应的强度特征图像中,得到的即为携带裂缝信息标签的样本强度特征图像。对样本强度特征图像进行人工标注裂缝信息标签的过程称为语义分割。语义分割是一种计算机视觉中的基本任务,在语义分割中我们需要将视觉输入分为不同的语义可解释类别,“语义的可解释性”即分类类别在真实世界中是有意义的。
步骤S520,基于样本强度特征图像对预设神经网络模型进行训练,得到裂缝识别模型。
其中,预设神经网络可以是卷积神经网络模型,由于样本强度特征图像携带有裂缝信息,因此基于样本强度图像对卷积神经网络训练后得到的模型可以识别强度特征图像对应的路面是否有裂缝,以及识别出有裂缝的强度特征图像所对应的路面中裂缝的裂缝长度、裂缝面积、裂缝的严重程度等信息。进一步地,对预设神经网络的训练过程可以是采用任意一种方式来实现。
深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值(例如一幅图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如,人脸识别或面部表情识别)。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。在一个实施例中,基于样本强度特征图像对预设神经网络模型进行深度学习,得到裂缝识别模型,得到的裂缝识别模型可以用于提取强度特征图像中的裂缝信息,通过这样的方式,替代人工检测的方法,使路面的裂缝检测变得更高效。
上述路面裂缝检测方法,通过深度学习确定的裂缝识别模型对强度特征图像进行裂缝识别,即对路面进行裂缝识别,可以极大的提高路面裂缝检测的效率,且路面裂缝检测的精度与自动化程度也可以得到提升。
在一个实施例中,上述路面裂缝检测方法中,在得到裂缝识别结果之后,还包括步骤:
基于预设的评分规则对裂缝识别结果进行评分,获得裂缝评分结果。
一个实施例中,在得到裂缝识别结果后,将裂缝识别结果输入裂缝评分系统,基于系统中存储的预设评分规则和计算公式等,计算裂缝评分结果。
其中,预设的评分规则可以是国家规范规定的评定规则、省级规范规定的评定规则,或者是根据实际情况进行适度调整后的评定规则,可以根据实际情况进行设定。在一个实施例中,采用分层综合权重评定法对裂缝识别结果进行评分,获得裂缝评分结果。
在一个具体实施例中,以《公路技术状况评定标准》(JTG H20-2007)和《CJJ-36-2016-城镇道路养护技术规范》为基础,基于提前录入系统中的裂缝的分类及计算方法和公式,得到裂缝评分结果。本实施例中,通过良好的交互界面实现终端信息录入,达到裂缝识别后的快速评分目的。
在一个实施例中,裂缝评分结果可以是百米内路面的裂缝率,进一步地,裂缝率与其他路面指标一起还可以计算路面的PCI(Pavement condition index,路面状况指数)、PQI(Pavement Quality Index,路面质量指数)等指标。
本实施例中的路面裂缝检测方法,通过大数据与云计算的结合,融合了多元数据,可以实现裂缝的快速评定。
在一个具体实施例中,如图6所示,为本实施例中路面裂缝检测方法的步骤流程示意图。包括以下步骤:
巡检人员通过扫描车上的激光点云采集系统对目标路径进行点云数据采集,将获得的目标点云数据发送至服务器。服务器获取目标点云数据后,对目标点云数据进行数据预处理,得到强度分析所需的数据,包括点云数据的高程信息、反射强度信息和点云空间分布信息。
对数据预处理后得到的数据进行强度分析:首先用目标点云数据的高程信息和反射强度信息对目标点云数据进行滤波,然后将滤波后得到的点云数据投影到二维平面中,基于目标点云数据的反射强度信息和点云空间分布信息生成强度特征图像。
将强度特征图像输入经过训练确定的裂缝识别模型,得到强度特征图像对应的路面是否有裂缝、裂缝的裂缝长度、面积、裂缝严重程度、以及位置等裂缝相关的信息。进一步地,基于预先存储在服务器中的裂缝评分公式、评分规则对裂缝识别结果进行评分,得到裂缝评分结果。
其中,在训练裂缝识别模型阶段,获取样本图像包括步骤:获取路面的点云数据作为样本点云数据,对样本点云数据数据预处理后进行强度分析得到样本强度特征图像。由人工对样本强度特征图像进行语义分割,识别样本强度特征图像所对应的样本路面是否出现裂缝,以及出现的裂缝的长度、面积、位置、严重程度等,将识别的结果与强度特征图像关联起来,得到的图像即为携带裂缝信息标签的样本强度图像。
基于该样本强度图像对预设神经网络模型训练后,得到的裂缝识别模型可以识别目标点云数据的强度特征图像所对应的路面是否有裂缝,以及裂缝的信息等裂缝识别结果。
上述路面裂缝检测方法,由于采用激光点云采集路面数据,激光点云数据可以真实的反映道路路面情况,不易受外界因素干扰,运行稳定。且激光采集可以利用自动化采集设备设置在车辆上,检测人员只需坐在车内便可以实现路面数据的采集工作。相较于人工检测裂缝的方式,本申请中的路面检测方法安全、高效且成本低。并且通过车载激光点云采集数据过程中采用的设备安全、耐久性较强,且在车载激光点云采集数据的基础上通过深度学习来自动识别点云图像中的裂缝数据,可以提高路面检测的效率。此外,车载激光点云具有较高的灵活性和轻便性,可以快速检测路面的裂缝,可以用于大范围的路面检测。
应该理解的是,虽然图2至图6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2至图6中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种路面裂缝检测装置,包括:点云数据获取模块710、强度特征图像确定模块720和裂缝识别模块730。
点云数据获取模块710,用于获取对目标路径的路面采集的目标点云数据;目标路径为当前正在巡检的路径;
强度特征图像确定模块720,用于基于目标点云数据确定所述目标点云数据的强度特征图像;
裂缝识别模块730,用于将强度特征图像输入通过训练确定的裂缝识别模型,得到裂缝识别结果。
关于路面裂缝检测装置的具体限定可以参见上文中对于路面裂缝检测方法的限定,在此不再赘述。上述路面裂缝检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储预设的评分规则等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种路面裂缝检测方法。
一个实施例中,本申请提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取对目标路径的路面采集的目标点云数据;目标路径为当前正在巡检的路径;
基于目标点云数据确定目标点云数据的强度特征图像;
将强度特征图像输入通过训练确定的裂缝识别模型,得到裂缝识别结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于目标点云数据确定目标点云数据的强度特征图像,包括:
对目标点云数据进行数据预处理,得到处理后数据;
对处理后数据进行强度分析处理,得到目标点云数据的强度特征图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对目标点云数据进行数据预处理,包括以下至少一项:
对目标点云数据进行POS轨迹解算处理;对目标点云数据进行点云解算处理;对目标点云数据进行点云精度计算处理。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:处理后数据包括:目标点云数据的高程信息、反射强度信息,以及点云空间分布信息;
对处理后数据进行强度分析处理,得到目标点云数据的强度特征图像,包括:
基于目标点云数据的高程信息和反射强度信息对目标点云数据进行滤波处理;
将滤波处理得到的数据投影到二维平面,基于目标点云数据的反射强度信息和点云空间分布信息生成强度特征图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:裂缝识别模型的确定方式包括:
获取携带裂缝信息标签的样本强度特征图像;
基于样本强度特征图像对预设神经网络模型进行训练,得到裂缝识别模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:裂缝信息标签所包含的信息包括以下至少一项:
样本强度特征图像所对应的样本路面是否存在裂缝,样本强度特征图像所对应的样本路面的裂缝类型,样本强度特征图像所对应的样本路面的裂缝严重程度,样本强度特征图像所对应的样本路面的裂缝位置,样本强度特征图像所对应的样本路面的裂缝长度,样本强度特征图像所对应的样本路面的裂缝面积。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:在得到裂缝识别结果之后,基于预设的评分规则对裂缝识别结果进行评分,获得裂缝评分结果。
一个实施例中,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取对目标路径的路面采集的目标点云数据;目标路径为当前正在巡检的路径;
基于目标点云数据确定目标点云数据的强度特征图像;
将强度特征图像输入通过训练确定的裂缝识别模型,得到裂缝识别结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于目标点云数据确定目标点云数据的强度特征图像,包括:
对目标点云数据进行数据预处理,得到处理后数据;
对处理后数据进行强度分析处理,得到目标点云数据的强度特征图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对目标点云数据进行数据预处理,包括以下至少一项:
对目标点云数据进行POS轨迹解算处理;对目标点云数据进行点云解算处理;对目标点云数据进行点云精度计算处理。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:处理后数据包括:目标点云数据的高程信息、反射强度信息,以及点云空间分布信息;
对处理后数据进行强度分析处理,得到目标点云数据的强度特征图像,包括:
基于目标点云数据的高程信息和反射强度信息对目标点云数据进行滤波处理;
将滤波处理得到的数据投影到二维平面,基于目标点云数据的反射强度信息和点云空间分布信息生成强度特征图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:裂缝识别模型的确定方式包括:
获取携带裂缝信息标签的样本强度特征图像;
基于样本强度特征图像对预设神经网络模型进行训练,得到裂缝识别模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:裂缝信息标签所包含的信息包括以下至少一项:
样本强度特征图像所对应的样本路面是否存在裂缝,样本强度特征图像所对应的样本路面的裂缝类型,样本强度特征图像所对应的样本路面的裂缝严重程度,样本强度特征图像所对应的样本路面的裂缝位置,样本强度特征图像所对应的样本路面的裂缝长度,样本强度特征图像所对应的样本路面的裂缝面积。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:在得到裂缝识别结果之后,基于预设的评分规则对裂缝识别结果进行评分,获得裂缝评分结果。
上述路面裂缝检测装置、计算机设备和存储介质,对目标路径采集点云数据,并基于采集得到的点云数据确定对应的强度特征图像,将强度特征图像输入训练确定的裂缝识别模型中,即可得到裂缝识别的结果。通过上述方法,通过激光点云的方式对路面进行采集数据,并将对点云数据进行处理后得到的强度特征图像输入裂缝识别模型即可得到裂缝识别结果,从而可以提高检测裂缝的效率。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种路面裂缝检测方法,所述方法包括:
获取对目标路径的路面采集的目标点云数据;所述目标路径为当前正在巡检的路径;
基于所述目标点云数据确定所述目标点云数据的强度特征图像;
将所述强度特征图像输入通过训练确定的裂缝识别模型,得到裂缝识别结果。
2.根据权利要求1所述的方法,其特征在于,基于所述目标点云数据确定所述目标点云数据的强度特征图像,包括:
对所述目标点云数据进行数据预处理,得到处理后数据;
对所述处理后数据进行强度分析处理,得到所述目标点云数据的强度特征图像。
3.根据权利要求2所述的方法,其特征在于,对所述目标点云数据进行数据预处理,包括以下至少一项:
对所述目标点云数据进行POS轨迹解算处理;
对所述目标点云数据进行点云解算处理;
对所述目标点云数据进行点云精度计算处理。
4.根据权利要求2所述的方法,其特征在于,所述处理后数据包括:所述目标点云数据的高程信息、反射强度信息,以及点云空间分布信息;
所述对所述处理后数据进行强度分析处理,得到所述目标点云数据的强度特征图像,包括:
基于所述目标点云数据的高程信息和反射强度信息对所述目标点云数据进行滤波处理;
将滤波处理得到的数据投影到二维平面,基于所述目标点云数据的反射强度信息和所述点云空间分布信息生成所述强度特征图像。
5.根据权利要求1至4任意一项所述的方法,其特征在于,所述裂缝识别模型的确定方式包括:
获取携带裂缝信息标签的样本强度特征图像;
基于所述样本强度特征图像对预设神经网络模型进行训练,得到所述裂缝识别模型。
6.根据权利要求5所述的方法,其特征在于,所述裂缝信息标签所包含的信息包括以下至少一项:
所述样本强度特征图像所对应的样本路面是否存在裂缝,所述样本强度特征图像所对应的样本路面的裂缝类型,所述样本强度特征图像所对应的样本路面的裂缝严重程度,所述样本强度特征图像所对应的样本路面的裂缝位置,所述样本强度特征图像所对应的样本路面的裂缝长度,所述样本强度特征图像所对应的样本路面的裂缝面积。
7.根据权利要求1至4任意一项所述的方法,其特征在于,在得到裂缝识别结果之后,还包括步骤:
基于预设的评分规则对所述裂缝识别结果进行评分,获得裂缝评分结果。
8.一种路面裂缝检测装置,其特征在于,所述装置包括:
点云数据获取模块,用于获取对目标路径的路面采集的目标点云数据;所述目标路径为当前正在巡检的路径;
强度特征图像确定模块,用于基于所述目标点云数据确定所述目标点云数据的强度特征图像;
裂缝识别模块,用于将所述强度特征图像输入通过训练确定的裂缝识别模型,得到裂缝识别结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811527308.6A CN109816626A (zh) | 2018-12-13 | 2018-12-13 | 路面裂缝检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811527308.6A CN109816626A (zh) | 2018-12-13 | 2018-12-13 | 路面裂缝检测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109816626A true CN109816626A (zh) | 2019-05-28 |
Family
ID=66601568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811527308.6A Pending CN109816626A (zh) | 2018-12-13 | 2018-12-13 | 路面裂缝检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109816626A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242017A (zh) * | 2020-01-10 | 2020-06-05 | 北京邮电大学 | 一种多标线的路面裂缝识别方法、装置、设备及存储介质 |
CN111272764A (zh) * | 2020-01-22 | 2020-06-12 | 哈尔滨工业大学 | 大型智能临时平台非接触图像识别移动管控系统及方法 |
CN112198899A (zh) * | 2020-09-30 | 2021-01-08 | 安徽乐道信息科技有限公司 | 基于无人飞行器的道路检测方法、设备和存储介质 |
CN112581001A (zh) * | 2020-12-24 | 2021-03-30 | 成都安易迅科技有限公司 | 设备的评估方法及装置、电子设备、可读存储介质 |
CN112785548A (zh) * | 2020-12-29 | 2021-05-11 | 中央财经大学 | 一种基于车载激光点云的路面裂缝检测方法 |
CN112815885A (zh) * | 2020-12-30 | 2021-05-18 | 广东百年基业水利水电建设有限公司 | 房屋墙体裂缝监测方法及系统 |
CN113034682A (zh) * | 2021-04-13 | 2021-06-25 | 阿波罗智联(北京)科技有限公司 | 点云数据处理方法、装置、设备及存储介质 |
CN113240637A (zh) * | 2021-05-11 | 2021-08-10 | 杭州钱塘智慧城投资开发有限公司 | 一种基于机器学习的墙面平整度信息化检测方法和系统 |
CN114004950A (zh) * | 2021-10-29 | 2022-02-01 | 深圳大学 | 一种基于BIM与LiDAR技术的路面病害智能识别与管理方法 |
CN114049618A (zh) * | 2022-01-12 | 2022-02-15 | 河北工业大学 | 一种基于图-点-图变换的路面三维病害pci计算方法 |
CN114359147A (zh) * | 2021-12-03 | 2022-04-15 | 深圳大学 | 裂缝检测方法、装置、服务器及存储介质 |
CN116343071A (zh) * | 2023-05-31 | 2023-06-27 | 山东科技大学 | 基于深度学习算法的地表采动裂缝无人机影像识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915764A (zh) * | 2010-08-10 | 2010-12-15 | 武汉武大卓越科技有限责任公司 | 基于动态规划的路面裂缝检测方法 |
CN103778681A (zh) * | 2014-01-24 | 2014-05-07 | 青岛秀山移动测量有限公司 | 一种车载高速公路巡检系统及数据获取和处理方法 |
CN105719259A (zh) * | 2016-02-19 | 2016-06-29 | 上海理工大学 | 路面裂缝图像检测方法 |
CN106067003A (zh) * | 2016-05-27 | 2016-11-02 | 山东科技大学 | 一种车载激光扫描点云中道路矢量标识线自动提取方法 |
US10048691B2 (en) * | 2015-11-17 | 2018-08-14 | Ford Global Technologies, Llc | Distinguishing lane markings for a vehicle to follow |
CN108665466A (zh) * | 2018-05-21 | 2018-10-16 | 山东科技大学 | 一种道路激光点云中路面病害自动提取方法 |
CN108921076A (zh) * | 2018-09-21 | 2018-11-30 | 南京信息工程大学 | 基于图像的道面裂缝病害自适应恒虚警检测方法 |
-
2018
- 2018-12-13 CN CN201811527308.6A patent/CN109816626A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915764A (zh) * | 2010-08-10 | 2010-12-15 | 武汉武大卓越科技有限责任公司 | 基于动态规划的路面裂缝检测方法 |
CN103778681A (zh) * | 2014-01-24 | 2014-05-07 | 青岛秀山移动测量有限公司 | 一种车载高速公路巡检系统及数据获取和处理方法 |
US10048691B2 (en) * | 2015-11-17 | 2018-08-14 | Ford Global Technologies, Llc | Distinguishing lane markings for a vehicle to follow |
CN105719259A (zh) * | 2016-02-19 | 2016-06-29 | 上海理工大学 | 路面裂缝图像检测方法 |
CN106067003A (zh) * | 2016-05-27 | 2016-11-02 | 山东科技大学 | 一种车载激光扫描点云中道路矢量标识线自动提取方法 |
CN108665466A (zh) * | 2018-05-21 | 2018-10-16 | 山东科技大学 | 一种道路激光点云中路面病害自动提取方法 |
CN108921076A (zh) * | 2018-09-21 | 2018-11-30 | 南京信息工程大学 | 基于图像的道面裂缝病害自适应恒虚警检测方法 |
Non-Patent Citations (10)
Title |
---|
JULIA ARMESTO-GONZÁLEZ 等,: "Terrestrial laser scanning intensity data applied to damage detection for historical buildings", 《JOURNAL OF ARCHAEOLOGICAL SCIENCE》 * |
唐磊 等,: "基于图像分析的路面裂缝检测和分类", 《工程图学学报》 * |
成斌 等,: "车载LiDAR数据的道路裂缝信息自动提取", 《测绘科学》 * |
李明辉 等,: "基于车载三维激光扫描的道路线提取研究", 《测绘与空间地理信息》 * |
李晓天 等,: "基于层次分析和神经网络的机载 LiDAR 点云分类", 《北京测绘》 * |
杨必胜 等,: "车载激光扫描点云中道路标识线提取", 《万方数据知识服务平台》 * |
杨蒙蒙 等,: "基于地面移动测量系统的井盖快速自动定位与提取方法的研究", 《中国激光》 * |
熊艳 等,: "机载LiDAR点云数据降维与分类的随机森林方法", 《测绘学报》 * |
王国锋 等,: "《多源激光雷达数据集成技术及其应用》", 30 November 2012, 测绘铁道出版社 * |
谭敏 等,: "基于Lynx车载激光点云数据的路面检测与重建研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242017B (zh) * | 2020-01-10 | 2024-01-23 | 北京邮电大学 | 一种多标线的路面裂缝识别方法、装置、设备及存储介质 |
CN111242017A (zh) * | 2020-01-10 | 2020-06-05 | 北京邮电大学 | 一种多标线的路面裂缝识别方法、装置、设备及存储介质 |
CN111272764A (zh) * | 2020-01-22 | 2020-06-12 | 哈尔滨工业大学 | 大型智能临时平台非接触图像识别移动管控系统及方法 |
CN112198899A (zh) * | 2020-09-30 | 2021-01-08 | 安徽乐道信息科技有限公司 | 基于无人飞行器的道路检测方法、设备和存储介质 |
CN112581001A (zh) * | 2020-12-24 | 2021-03-30 | 成都安易迅科技有限公司 | 设备的评估方法及装置、电子设备、可读存储介质 |
CN112581001B (zh) * | 2020-12-24 | 2024-06-07 | 成都安易迅科技有限公司 | 设备的评估方法及装置、电子设备、可读存储介质 |
CN112785548A (zh) * | 2020-12-29 | 2021-05-11 | 中央财经大学 | 一种基于车载激光点云的路面裂缝检测方法 |
CN112815885A (zh) * | 2020-12-30 | 2021-05-18 | 广东百年基业水利水电建设有限公司 | 房屋墙体裂缝监测方法及系统 |
CN113034682A (zh) * | 2021-04-13 | 2021-06-25 | 阿波罗智联(北京)科技有限公司 | 点云数据处理方法、装置、设备及存储介质 |
CN113240637A (zh) * | 2021-05-11 | 2021-08-10 | 杭州钱塘智慧城投资开发有限公司 | 一种基于机器学习的墙面平整度信息化检测方法和系统 |
CN114004950A (zh) * | 2021-10-29 | 2022-02-01 | 深圳大学 | 一种基于BIM与LiDAR技术的路面病害智能识别与管理方法 |
CN114004950B (zh) * | 2021-10-29 | 2024-01-19 | 深圳大学 | 一种基于BIM与LiDAR技术的路面病害智能识别与管理方法 |
CN114359147A (zh) * | 2021-12-03 | 2022-04-15 | 深圳大学 | 裂缝检测方法、装置、服务器及存储介质 |
CN114049618B (zh) * | 2022-01-12 | 2022-03-22 | 河北工业大学 | 一种基于图-点-图变换的路面三维病害pci计算方法 |
CN114049618A (zh) * | 2022-01-12 | 2022-02-15 | 河北工业大学 | 一种基于图-点-图变换的路面三维病害pci计算方法 |
CN116343071A (zh) * | 2023-05-31 | 2023-06-27 | 山东科技大学 | 基于深度学习算法的地表采动裂缝无人机影像识别方法 |
CN116343071B (zh) * | 2023-05-31 | 2023-07-21 | 山东科技大学 | 基于深度学习算法的地表采动裂缝无人机影像识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816626A (zh) | 路面裂缝检测方法、装置、计算机设备和存储介质 | |
US20210389766A1 (en) | Methods and Apparatuses for Water Body Pollution Intelligent Investigation Utilizing Unmanned Ships | |
CN113516660B (zh) | 适用于列车的视觉定位与缺陷检测方法和装置 | |
Ullo et al. | A new mask R-CNN-based method for improved landslide detection | |
Yang et al. | Deep concrete inspection using unmanned aerial vehicle towards cssc database | |
CN109086756A (zh) | 一种基于深度神经网络的文本检测分析方法、装置及设备 | |
CN111626123A (zh) | 视频数据处理方法、装置、计算机设备及存储介质 | |
CN109615572B (zh) | 基于大数据的人员亲密度分析的方法及系统 | |
Yang et al. | A robotic system towards concrete structure spalling and crack database | |
Uhl et al. | Towards the automated large-scale reconstruction of past road networks from historical maps | |
CN111121797B (zh) | 道路筛选方法、装置、服务器及存储介质 | |
CN110717449A (zh) | 车辆年检人员的行为检测方法、装置和计算机设备 | |
Xie et al. | OpenStreetMap data quality assessment via deep learning and remote sensing imagery | |
CN114353807B (zh) | 一种机器人的定位方法及定位装置 | |
CN114241332A (zh) | 一种基于深度学习的固废场识别方法、装置以及存储介质 | |
CN115984273A (zh) | 道路病害检测方法、装置、计算机设备及可读存储介质 | |
Helmholz et al. | Semi-automatic quality control of topographic data sets | |
CN116413740A (zh) | 一种激光雷达点云地面检测方法及装置 | |
CN116245498A (zh) | 光缆路由标识检测方法、装置,及电子设备 | |
Djouvas et al. | Automating road junction identification using Crowdsourcing and Machine Learning on GPS transformed data | |
Staffa et al. | Data augmentation approach in detecting roof pathologies with UASs images | |
Zakeri et al. | Automation and Computational Intelligence for Road Maintenance and Management: Advances and Applications | |
CN116883755B (zh) | 一种乡村建设环境监测方法、系统、设备及存储介质 | |
JP7175800B2 (ja) | 分析支援装置、および、分析支援方法 | |
Luttrell IV | Data Collection and Machine Learning Methods for Automated Pedestrian Facility Detection and Mensuration |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190528 |