CN110390666B - 道路损伤检测方法、装置、计算机设备及存储介质 - Google Patents

道路损伤检测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN110390666B
CN110390666B CN201910517637.0A CN201910517637A CN110390666B CN 110390666 B CN110390666 B CN 110390666B CN 201910517637 A CN201910517637 A CN 201910517637A CN 110390666 B CN110390666 B CN 110390666B
Authority
CN
China
Prior art keywords
image
detected
value
road damage
width
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
Application number
CN201910517637.0A
Other languages
English (en)
Other versions
CN110390666A (zh
Inventor
石磊
王健宗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910517637.0A priority Critical patent/CN110390666B/zh
Priority to PCT/CN2019/102670 priority patent/WO2020248371A1/zh
Publication of CN110390666A publication Critical patent/CN110390666A/zh
Application granted granted Critical
Publication of CN110390666B publication Critical patent/CN110390666B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种道路损伤检测方法、装置、计算机设备及存储介质；通过获取待检测图像，判断待检测图像的图像分辨率是否大于分辨率阈值；若待检测图像的图像分辨率大于分辨率阈值，则对待检测图像进行分割处理，得到N个待检测图像块；然后将每一待检测图像块输入到预设的道路损伤检测模型中进行检测，得到每一待检测图像块的检测信息；最后将每一待检测图像块的检测信息进行合并，得到待检测图像的道路损伤信息；不但解决了道路损伤检测结果不准确的问题，还进一步提高了道路损伤检测的效率。

Description

道路损伤检测方法、装置、计算机设备及存储介质
技术领域
本发明涉及智能决策领域，尤其涉及一种道路损伤检测方法、装置、计算机设备及存储介质。
背景技术
随着高速公路通车里程的快速增长和道路服务年限的增加，高速公路逐渐进入建设与养护并重的时期。众所周知，车辆行驶道路路面的状况，会直接影响到道路的车辆行驶服务质量，我国经过多年来的快速基建建设，很多道路都开始出现各种各样的道路损伤问题。目前，为了能够及时发现年久或受损的路面，以确保道路能够保持良好的使用性能，需对道路进行大量的定期检测和养护，这对相关人力和财政费用都提出了巨大要求。传统的道路损伤检测方法大部分都是采用人工检测或使用特定的路面检测车进行检测，因此，使用传统的道路损伤检测方法对道路进行检测经常会出现检测结果不准确等现象。
发明内容
本发明实施例提供一种道路损伤检测方法、装置、计算机设备及存储介质，以解决道路损伤检测结果不准确的问题。
一种道路损伤检测方法，包括：
获取待检测图像，判断所述待检测图像的图像分辨率是否大于分辨率阈值；
若所述待检测图像的图像分辨率大于所述分辨率阈值，则对所述待检测图像进行分割处理，得到N个待检测图像块，N为正整数；
将每一所述待检测图像块输入到预设的道路损伤检测模型中进行检测，得到每一所述待检测图像块的检测信息；
将每一所述待检测图像块的所述检测信息进行合并，得到所述待检测图像的道路损伤信息。
一种道路损伤检测装置，包括：
分辨率判断模块，用于获取待检测图像，判断所述待检测图像的图像分辨率是否大于分辨率阈值；
分割处理模块，用于在所述待检测图像的图像分辨率大于所述分辨率阈值时，对所述待检测图像进行分割处理，得到N个待检测图像块，N为正整数；
检测模块，用于将每一所述待检测图像块输入到预设的道路损伤检测模型中进行检测，得到每一所述待检测图像块的检测信息；
合并模块，用于将每一所述待检测图像块的所述检测信息进行合并，得到所述待检测图像的道路损伤信息。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中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上述道路损伤检测方法。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述道路损伤检测方法。
上述道路损伤检测方法、装置、计算机设备及存储介质，通过获取待检测图像，判断待检测图像的图像分辨率是否大于分辨率阈值；若待检测图像的图像分辨率大于分辨率阈值，则对待检测图像进行分割处理，得到N个待检测图像块；然后将每一待检测图像块输入到预设的道路损伤检测模型中进行检测，得到每一待检测图像块的检测信息；最后将每一待检测图像块的检测信息进行合并，得到待检测图像的道路损伤信息；不但解决了道路损伤检测结果不准确的问题，还进一步提高了道路损伤检测的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中道路损伤检测方法的一应用环境示意图；
图2是本发明一实施例中道路损伤检测方法的一示例图；
图3是本发明一实施例中道路损伤检测方法的另一示例图；
图4是本发明一实施例中道路损伤检测方法的另一示例图；
图5是本发明一实施例中道路损伤检测方法的另一示例图；
图6是本发明一实施例中道路损伤检测方法的另一示例图；
图7是本发明一实施例中道路损伤检测方法的另一示例图；
图8是本发明一实施例中道路损伤检测方法的另一示例图；
图9是本发明一实施例中道路损伤检测装置的一原理框图；
图10是本发明一实施例中计算机设备的一示意图。
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作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。
本发明实施例提供的道路损伤检测方法，该道路损伤检测方法可应用如图1所示的应用环境中。具体地，该道路损伤检测方法应用在道路损伤检测系统中，该道路损伤检测系统包括如图1所示的客户端和服务端，客户端与服务端通过网络进行通信，用于解决道路损伤检测结果不准确的问题。其中，客户端又称为用户端，是指与服务端相对应,为客户提供本地服务的程序。客户端可安装在但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备上。服务端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。
在一实施例中，如图2所示，提供一种道路损伤检测方法，以该方法应用在图1中的服务端为例进行说明，包括如下步骤：
S10：获取待检测图像，判断待检测图像的图像分辨率是否大于分辨率阈值。
其中，待检测图像指待进行检测的原始图像。可选地，待检测图像可以是预先对视频数据进行视频分帧处理后所提取出来的图像；也可以是客户端预先采集并保存的图像，或者是本地直接上传或者发送到客户端的图像。例如：在一个应用场景中，该方法应用在用户的移动终端中，该移动终端放置于行驶在道路上的普通小汽车上，通过使用移动终端的视频采集软件实时采集前方道路实际状况的视频数据，然后对采集的视频数据进行视频分帧处理，提取出至少一幅图像，作为待检测图像发送到服务端，服务端即可获取到该待检测图像。
其中，分辨率阈值指预先设定的、用来检验待检测图像的图像分辨率是否符合要求的数值。可选地，分辨率阈值可以为600*600、600*750或750*600等，用户可根据实际情况自定义设置。优选地，为了保证所得图像的清晰度，在本实施例中，将分辨率阈值设置为600*600。具体地，分辨率阈值包括长度阈值和宽度阈值，待检测图像的图像分辨率包括待检测图像的长度值和宽度值。判断待检测图像的图像分辨率是否大于分辨率阈值，需分别将待检测图像的长度值与对应的长度阈值进行对比，判断待检测图像的长度值是否大于长度阈值；和将待检测图像的宽度值与对应的宽度阈值进行对比，判断待检测图像的宽度值是否大于宽度阈值。
在本实施例中，若待检测图像的长度值大于长度阈值，或待检测图像的宽度值大于宽度阈值，则表示该待检测图像的图像分辨率大于分辨率阈值。反之，若待检测图像的长度值小于长度阈值且宽度值小于宽度阈值，则表示该待检测图像的图像分辨率小于分辨率阈值。
S20：若待检测图像的图像分辨率大于分辨率阈值，则对待检测图像进行分割处理，得到N个待检测图像块，N为正整数。
若根据步骤S10判断得到待检测图像的图像分辨率大于分辨率阈值，则对该待检测图像进行分割处理，得到N个待检测图像块，N为正整数。其中，待检测图像块指对待检测图像进行分割处理后所得的图像。
在本实施例中，对待检测图像进行分割处理主要包括对待检测图像的图像分割和图像缩放。具体地，对待检测图像的图像分割指根据预设的图像分割方式，将图像分辨率大于分辨率阈值的待检测图像分割成若干个子图像的过程。具体地，图像分割方式可以包括：从待检测图像的左上、左下、右上、右下和正中位置对待检测图像进行分割，得到5个待检测图像块；或者从待检测图像的左边、正中和右边位置对待检测图像进行分割，得到3 个待检测图像块；或者从待检测图像的上边、正中和下边位置对待检测图像进行分割，得到3个待检测图像块。在一具体实施例中，对不同图像分辨率的待检测图像，采用不同的图像分割方式进行分割。
然后，再对分割后的待检测图像块缩放成图像分辨率与分辨率阈值相同大小的待检测图像块。其中，待检测图像块指对待检测图像进行分割处理后的图像。可选地，可采用图像二值化处理方法或采用图像处理工具实现对待检测图像的分割处理，得到N个待检测图像块，N为正整数。
示例性地，若待检测图像的图像分辨率为1200*1300，分辨率阈值为600*600，即待检测图像的长度值和宽度值分别大于长度阈值和宽度阈值的两倍，则根据预设的图像分割方式，从该待检测图像的左上、左下、右上、右下和正中进行图像分割，得到图像分辨率分别为600*650、600*650、600*650、600*650和600*600的五个初始待检测图像块；然后再对这五个初始待检测图像块进行图像缩放，得到五个图像分辨率都为600*600的待检测图像块。
在一具体实施例中，若待检测图像的图像分辨率小于分辨率阈值，即待检测图像的长度值和宽度值都小于对应的长度阈值和宽度阈值，则可直接将该待检测图像缩放成图像分辨率与分辨率阈值相同的待检测图像块。
S30：将每一待检测图像块输入到预设的道路损伤检测模型中进行检测，得到每一待检测图像块的检测信息。
其中，道路损伤检测模型是指预先训练的用于对待检测图像块进行检测的模型。道路损伤检测模型可以通过对个各种网络模型进行训练得到。可选地，道路损伤检测模型为采用卷积神经网络训练得到的，道路损伤检测模型可以判断输入的每一待检测图像块对应的道路损伤类别和对应的位置信息。其中，卷积神经网络(Convolutional NeuralNetwork， CNN))是局部连接网络。相对于全连接网络其最大的特点就是局部连接性和权值共享性。对于一副图像中的某个像素p来说，离像素p越近的像素对其影响也就越大(局部连接性)。另外，根据自然图像的统计特性，某个区域的权值也可以用于另一个区域，即权值共享性。权值共享可以理解为卷积核共享，在卷积神经网络(CNN)中，将一个卷积核与给定的图像做卷积运算就可以提取一种图像特征，不同的卷积核可以提取不同的图像特征。由于卷积神经网络的局部连接性，使得模型的复杂度降低，可以提高模型训练的效率；并且，由于卷积神经网络的权值共享性，因此卷积神经网络可以并行学习，进一步提高模型训练效率。
具体地，将每一待检测图像块输入到预设的道路损伤检测模型中进行检测，即可得到每一待检测图像块的检测信息。在本实施例中，检测信息包括每一待检测图像块的道路损伤类别和对应的位置信息。其中，道路损伤类别指根据道路损伤情况进行道路损伤类别分类后所得的类别名称。例如：道路损伤类别可以分为直线裂纹、新旧接缝直线裂纹、等间距直线裂纹、新旧接缝直线裂纹、龟裂纹、凹槽、人行横道模糊和白线模糊八种类型。位置信息指待检测图像块中出现道路损伤情况的具体位置。可选地，位置信息以通过一矩形区域表示。具体地，可以通过矩形区域上的四个点的坐标值表示。例如：位置信息表示为(xmin，ymin，xmax，ymax)；xmin表示在矩形区域横方向上的最小值，ymin表示在矩形区域竖方向上的最小值，xmax表示在矩形区域横方向上的最大值，ymax表示在矩形区域竖方向上的最大值。
在一具体实施例中，若将每一待检测图像块输入到预设的道路损伤检测模型中进行检测后，若待检测图像中没有存在道路损伤情况，则可以输出一个默认的信息，或者，对不存在道路损伤情况的待检测图像输出的道路损伤信息为空或者其他默认值。
S40：将每一待检测图像块的检测信息进行合并，得到待检测图像的道路损伤信息。
其中，道路损伤信息指将每一待检测图像块的检测信息进行合并后所得到的信息。在本实施例中，将每一待检测图像块的检测信息进行合并包括对相同道路损伤类别的待检测图像块进行合并，和将位置信息存在关联的待检测图像块进行合并的过程。
具体地，将相同道路损伤类别的待检测图像块进行合并可以先采用正则匹配法或字符串匹配法，将每一待检测图像块的道路损伤类别进行匹配，然后将匹配成功的待检测图像块确定为相同道路损伤类别的待检测图像块，将匹配失败的待检测图像块确定为不同道路损伤类别的待检测图像块。
进一步地，将位置信息存在关联的待检测图像块进行合并。可选地，确定每一待检测图像块的位置信息是否存在关联可通过预先设定一个位置信息关联标准来判断。具体地，位置信息关联标准可以为先确定由每一待检测图像块的位置信息所组成的区域块，然后，再将区域块存在重合部分的待检测图像块进行合并，或者将区域块之间的直线距离小于阈值距离的待检测图像块进行合并。其中，阈值距离指判断待检测图像块之间是否需要合并的距离。阈值距离可以为1cm,3cm或5cm等。用户可根据实际情况自定义设置。可选地，可采用openCV方法检测每一待检测图像块的位置信息是否存在关联。
在本实施例中，通过获取待检测图像，判断待检测图像的图像分辨率是否大于分辨率阈值；若待检测图像的图像分辨率大于分辨率阈值，则对待检测图像进行分割处理，得到 N个待检测图像块；然后将每一待检测图像块输入到预设的道路损伤检测模型中进行检测，得到每一待检测图像块的检测信息；最后将每一待检测图像块的检测信息进行合并，得到待检测图像的道路损伤信息；不但解决了道路损伤检测结果不准确的问题，还提高了道路损伤检测的效率。
在一实施例中，如图3所示，待检测图像的图像分辨率包括待检测图像的长度值和宽度值，分辨率阈值包括长度阈值和宽度阈值，若待检测图像的图像分辨率大于分辨率阈值，则对待检测图像进行分割处理，得到N个待检测图像块，具体包括如下步骤：
S201：若待检测图像的长度值大于长度阈值且宽度值小于宽度阈值，或者，若待检测图像的长度值小于长度阈值且宽度值大于宽度阈值，则确定第一参考矩形的第一长度值和第一宽度值。
其中，第一参考矩形是指预先设定的一个参考区域。在本实施例中，第一参考矩形的第一长度值和第一宽度值是根据待检测图像的长度值与长度阈值，以及宽度值与宽度阈值的对比关系所确定的。具体地，若待检测图像的长度值大于长度阈值、且宽度值小于宽度阈值，则确定第一参考矩形的第一长度值等于长度阈值，第一宽度值等于检测损伤图像的宽度值；若待检测图像的宽度值大于宽度阈值、且待检测图像的长度值小于长度阈值，则确定第一参考矩形的第一宽度值等于宽度阈值，第一长度值等于检测损伤图像的长度值。
S202：从待检测图像中确定三个第一顶点，并根据三个第一顶点和第一参考矩形的第一长度值和第一宽度值确定三个第一目标矩形。
其中，第一顶点指在待检测图像上所确定的点。该待检测图像为长度值大于长度阈值且宽度值小于宽度阈值，或者长度值小于长度阈值且宽度值大于宽度阈值的图像。具体地，若待检测图像的长度值大于长度阈值、且待检测图像的宽度值小于宽度阈值，或者，待检测图像的宽度值大于宽度阈值、且待检测图像的长度值小于长度阈值，则从待检测图像中的确定三个第一顶点。
示例性地，建立一坐标系，以待检测图像的左下角为原点，将分辨率阈值表示为(M,N)，待检测图像的的长度值和宽度值表示为(x，y)，若待检测图像的长度值大于长度阈值、且待检测图像的宽度值小于宽度阈值，则将从待检测图像上确定的三个第一顶点设定为顶点A1、顶点A2和顶点A3。具体地，从待检测图像上所确定的顶点A1坐标为(M,y),从待检测图像上所确定的顶点A2坐标为(x-M,y),从待检测图像上所确定的顶点A3坐标为((x- M)/2,y)。进一步地，将根据上述步骤确定的顶点A1与第一长度值和第一宽度值结合、且往待检测图像的左方向确定第一目标矩形；将根据上述步骤确定的顶点A2与第一长度值和第一宽度值结合、且往待检测图像的右方向确定第一目标矩形；将根据上述步骤确定的顶点A3与第一长度值和第一宽度值结合且往待检测图像的右方向确定第一目标矩形，从而在待检测图像上确定三个第一目标矩形。可以理解地，该所确定的三个第一目标矩形的长度值与长度阈值相同，宽度值小于宽度阈值
同样地，若待检测图像的宽度值大于宽度阈值、且待检测图像的长度值小于长度阈值，则将从待检测图像上确定的三个第一顶点设定为顶点B1、顶点B2和顶点B3；从待检测图像上所确定的顶点B1坐标为(x,y-N),从待检测图像上所确定的顶点B2坐标为(x,N),从待检测图像上所确定的顶点B3坐标为((x,(y-M)/2)。进一步地，将根据上述步骤确定的顶点B1与第一长度值和第一宽度值结合、且往待检测图像的上方向确定第一目标矩形；将根据上述步骤确定的顶点B2与第一长度值和第一宽度值结合、且往待检测图像的下方向确定第一目标矩形；将根据上述步骤确定的顶点B3与第一长度值和第一宽度值结合且往待检测图像的上方向确定第一目标矩形，从而在待检测图像上确定三个第一目标矩形。可以理解地，该所确定的三个第一目标矩形的宽度值与宽度阈值相同，长度值小于长度阈值。
S203：根据三个第一目标矩形，对待检测图像进行分割，得到三个第一矩形图像块。
具体地，在根据步骤S202确定了三个第一目标矩形后，则可根据三个第一目标矩形对待检测图像进行分割，得到三个第一矩形图像块。可选地，可采用图像二值化处理方法或采用图像处理工具实现对待检测图像的分割。
S204：对三个第一矩形图像块进行缩放处理，得到三个待检测图像块。
具体地，对三个第一目标矩形进行缩放处理指将得到的三个第一矩形图像块缩放成图像分辨率与分辨率阈值相同的图像的过程。具体地，可采用图像缩放算法实现对三个第一矩形图像块的缩放处理；或者采用图像缩放工具实现对三个第一矩形图像块的缩放处理，得到三个待检测图像块。可选地，图像缩放算法可以为双线性内插值算法或三线性卷积插值算法。图像缩放工具可以为photoshop、iResizer或FastStone Photo Resizer。
本实施例中，若待检测图像的长度值大于长度阈值，且宽度值小于宽度阈值，或待检测图像的长度值小于长度阈值，且宽度值大于宽度阈值，则确定第一参考矩形的第一长度值和第一宽度值；从待检测图像中确定三个第一顶点，并根据每一第一顶点和第一参考矩形的第一长度值和第一宽度值确定三个第一目标矩形；根据三个第一目标矩形，对所述待检测图像进行分割，得到三个第一矩形图像块，对三个第一矩形图像块进行缩放处理，得到三个待检测图像块；先对待检测图像进行分割处理，然后再对切割后的图像进行缩放，在保证能完整获取待检测图像所包含的所有道路损伤特征的同时，还提高了获取的待检测图像块的清晰度。
在一实施例中，如图4所示，待检测图像的图像分辨率包括待检测图像的长度值和宽度值，分辨率阈值包括长度阈值和宽度阈值，若待检测图像的图像分辨率大于分辨率阈值，则对待检测图像进行分割处理，得到N个待检测图像块，具体还包括如下步骤:
S205：若待检测图像的长度值大于长度阈值，且宽度值大于宽度阈值，则确定第二参考矩形的第二长度值和第二宽度值。
其中，待检测图像的长度值大于长度阈值，且宽度值大于宽度阈值包括：待检测图像的长度值大于长度阈值但小于长度阈值的两倍、且宽度值大于宽度阈值但小于宽度阈值的两倍；长度值大于长度阈值但小于长度阈值的两倍、且宽度值大于宽度阈值的两倍；宽度值大于宽度阈值但小于宽度阈值的两倍、且长度值大于长度阈值的两倍；以及长度值和宽度值都大于长度阈值和宽度阈值的两倍以上四种情况。
其中，第二参考矩形指预先设定的一个参考区域。在本实施例中，第二参考矩形的第二长度值和第二宽度值是根据待检测图像的长度值与长度阈值，以及宽度值与宽度阈值的对比关系所确定的。具体地，若待检测图像的长度值大于阈值长度值但小于长度阈值的两倍、且宽度值大于宽度阈值但小于宽度阈值的两倍，则确定第二矩形的第二长度值等于长度阈值，和第二宽度等于宽度阈值。若待检测图像的长度值和宽度值都大于宽度阈值的两倍，则确定第二矩形的第二宽度值等于待检测图像的宽度值的二分之一，第二长度值等于检测损伤图像的长度值的二分之一。若待检测图像的长度值大于长度阈值但小于长度阈值的两倍、且宽度值大于宽度阈值的两倍，则确定第二矩形的第二长度值等于长度阈值、且第二宽度值等于待检测图像的宽度值的二分之一。若待检测图像的宽度值大于宽度阈值但小于宽度阈值的两倍、且长度值大于长度阈值的两倍，则确定第二矩形的第二宽度值等于宽度阈值、且第二长度值等于待检测图像的长度值的二分之一。
S206：从待检测图像中确定五个第二顶点，并根据五个第二顶点和第二参考矩形的第二长度值和第二宽度值确定五个第二目标矩形。
其中，第二顶点指在待检测图像上所确定的点。该待检测图像为长度值大于长度阈值且宽度值大于宽度阈值的图像。具体地，对长度值大于长度阈值且宽度值大于宽度阈值的待检测图像从待检测图像上确定五个第一顶点。
示例性地，建立一坐标系，以待检测图像的左下角为原点；将分辨率阈值表示为(A,B)，待检测图像的长度值和宽度值表示为(c，d)；若待检测图像的长度值和宽度值分别大于对应的长度阈值和宽度阈值、但小于对应的长度阈值和宽度阈值的两倍，则将从待检测图像上确定的五个第二顶点设定为顶点C1、顶点C2、顶点C3、顶点C4和顶点C5。从待检测图像上所确定的顶点C1坐标为(A，d)，从待检测图像上所确定的顶点C2坐标为(c-A， d)，从待检测图像上所确定的顶点C3坐标为(A，0)，从待检测图像上所确定的顶点C4坐标为(c-A，0)，从待检测图像上所确定的顶点C5坐标为((c–A)/2，d+B/2)。若待检测图像的长度值和宽度值分别大于长度阈值和宽度阈值的两倍以上，则将从待检测图像上确定的五个第二顶点设定为顶点D1、顶点D2、顶点D3、顶点D4和顶点D5,从待检测图像上所确定的顶点D1坐标为(c/2，d)，从待检测图像上所确定的顶点D2坐标为(c/2， d)，从待检测图像上所确定的顶点D3坐标为(c/2，0)，从待检测图像上所确定的顶点D4坐标为(c/2，0)，从待检测图像上所确定的顶点D5坐标为((c–A)/2，d+B/2)。同样地，对其它两个情况的待检测图像确定的第二顶点坐标，与上述根据待检测图像的长度值和宽度值与分辨率阈值的关系确定的第二顶点坐标的方法相同，此处不做冗余赘述。
进一步地，将根据上述步骤确定的顶点C1/D1与第二长度值和第二宽度值结合、且往待检测图像的左上方向确定第二目标矩形；将根据上述步骤确定的顶点C2/D2与第二长度值和第二宽度值结合、且往待检测图像的右上方向确定第二目标矩形；将根据上述步骤确定的顶点C3/D3与第二长度值和第二宽度值结合、且往待检测图像的左下方向确定第二目标矩形；将根据上述步骤确定的顶点C4/D4与第二长度值和第二宽度值结合、且往待检测图像的右下方向确定第二目标矩形；将根据上述步骤确定的顶点C5/D5与第一长度值和第一宽度值结合且往待检测图像的中间方向确定第一目标矩形，从而在待检测图像上确定五个第二目标矩形。可以理解地，若待检测图像的长度值大于长度阈值但小于长度阈值的两倍、且宽度值大于宽度阈值但小于宽度阈值的两倍，则确定的第二目标矩形的长度值等于长度阈值、宽度值等于宽度阈值。若待检测图像的长度值和宽度值都大于长度阈值和宽度阈值的两倍，则确定的第二目标矩形的长度值于待检测图像的长度值的二分之一、宽度值等于待检测图像的宽度值的二分之一。
S207：根据五个第二目标矩形，对待检测图像进行分割，得到五个第二矩形图像块。
具体地，在根据步骤S206确定了五个第二目标矩形后，则可根据五个第二目标矩形对待检测图像进行分割，得到五个第二矩形图像块。可选地，可采用图像二值化处理方法或采用图像处理工具实现对待检测图像的分割。
S208：对五个第二矩形图像块进行缩放处理，得到五个待检测图像块。
对根据步骤S205确定的五个第二矩形图像块进行缩放处理，即可得到N个待检测图像块。可以理解地，在本步骤中，N个待检测图像块中的N为5。具体地，对五个第二矩形图像块的缩放处理过程和方法与步骤S203对三个第一目标矩形进行缩放处理的具体过程和方法相同，此处不做冗余赘述。
在本实施例中，若待检测图像的长度值大于长度阈值，且宽度值大于宽度阈值，则确定第二参考矩形的第二长度值和第二宽度值；从待检测图像中确定五个第二顶点，并根据五个第二顶点和第二参考矩形的第二长度值和第二宽度值确定五个第二目标矩形，根据五个所述第二目标矩形，对待检测图像进行分割，得到五个第二矩形图像块；对五个第二矩形图像块进行缩放处理，得到N个待检测图像块；先对待检测图像进行分割处理，然后再对切割后的图像进行缩放，在保证能完整获取待检测图像所包含的所有道路损伤特征的同时，还提高了获取的待检测图像块的清晰度。
在一实施例中，如图5所示，检测信息包括道路损伤类别和位置信息，将每一待检测图像块的检测信息进行合并，得到待检测图像的道路损伤信息，包括如下步骤：
S401：根据道路损伤类别对检测信息进行分类，得到M个检测信息分类集，M为正整数。
其中，检测信息分类集指根据道路损伤类别对检测信息进行分类后所得的分类集。具体地，根据道路损伤类别对检测信息进行分类具体包括：采用正则匹配法，分别将每一检测信息中的道路损伤类别进行一一匹配，若匹配成功，则表示对应的检测信息中的道路损伤类别相同，若匹配失败，则表示对应的检测信息中的道路损伤类别不同；然后让匹配成功的相同道路损伤类别所对应的检测信息归为同一类，将匹配失败的不同道路损伤类别所对应的检测信息单独归类，最后得到M个检测信息分类集。可以理解地，若获取的检测信息中的道路损伤类别都相同，则进行分类后得到的检测信息分类集为一个，若获取的检测信息中存在不同的道路损伤类别，则进行分类后得到的检测信息分类集为至少两个。
S402：在每一检测信息分类集中，基于位置信息对所述检测信息进行合并，得到检测信息合并集。
具体地，在每一检测信息分类集中，基于位置信息对检测信息进行合并是指将位置信息存在关联的待检测图像块进行合并的过程。在本实施例中，由于待检测图像块的位置信息是由一具体坐标值表示，因此，确定每一待检测图像块的位置信息是否存在关联可通过预先设定一个位置信息关联标准来判断。具体地，位置信息关联标准可以为先确定由每一待检测图像块的位置信息所组成的区域块，然后，再将区域块存在重合部分的待检测图像块进行合并，和将区域块之间的直线距离小于阈值距离的待检测图像块都进行合并。
示例性地，若有一道路损伤类别为DO的检测信息分类集中包含有两不同的位置信息分别为A1(45,77,65,90)和A2(55,90,80,100)，经检测可得位置A1(45,77,65,90)和 A2(55,90,80,100)组成的区域块相互重叠，则将A1和A2所对应的检测信息进行合并，得到一检测信息合并集。
S403：将每一检测信息合并集组成待检测图像的道路损伤信息。
其中，目标检测集指由每一检测信息合并集组合形成的检测信息。具体地，将根据步骤S402得到的所有检测信息合并集进行合并，即可得到待检测图像块的道路损伤信息。
优选地，还可先根据基于位置信息对检测信息进行合并；然后在每一检测信息位置集中，根据道路损伤类别对每一检测信息位置集进行分类，将相同道路损伤类别的检测信息归为一类，将不相同道路损伤类别的检测信息单独归类，得到检测信息合并集；最后将每一检测信息合并集组成待检测图像块的道路损伤信息。
在本实施例中，根据道路损伤类别对检测信息进行分类，得到M个检测信息分类集；在每一所述检测信息分类集中，对所述位置信息存在相邻或重叠的检测信息进行合并，得到检测信息合并集；将每一检测信息合并集组成所述待检测图像的道路损伤信息，进一步保证了道路损伤检测结果的完整性。
在一实施例中，如图6所示，在将每一待检测图像块输入到预设的道路损伤检测模型中进行检测，得到每一待检测图像块的检测信息之前，道路损伤检测方法还包括：
S41：取L个原始样本图像，其中，每一原始样本图像都已进行了样本标注，L为正整数。
其中，原始样本图像指包含道路损伤特征的样本图像，L为正整数。每一原始样本图像都已进行了样本标注指预先对每一原始样本图像都进行了道路损伤类别和位置信息的标注。优选地，为了更好的对道路的损伤情况进行分析和判断，在本实施例中，将道路损伤类别分为八个等级，分别为：车辆行驶部分直线裂纹、新旧接缝直线裂纹、等间距直线裂纹、新旧接缝直线裂纹、龟裂纹、凹槽、人行横道模糊和白线模糊；和将位置信息通过过一矩形区域表示。具体地，可以通过矩形区域上的四个点的坐标表示。例如：位置信息表示为(xmin，ymin，xmax，ymax)。
优选地，为了方便区别不同道路损伤类别所对应的损伤等级，还可以给不同的道路损伤类别赋予对应的等级标识。其中，等级标识指为了区分不同道路损伤类别所对应的不同损伤等级的一种标识符，可以由阿拉伯数字、大写字母或小写字母中的任意一种组合表示。例如：车辆行驶部分直线裂纹的等级标识符为DO、新旧接缝直线裂纹的等级标识符为D1、等间距直线裂纹的等级标识符为D2、新旧接缝直线裂纹的等级标识符为D3、龟裂纹的等级标识符为D4、凹槽等级的标识符为D5、人行横道模糊的等级标识符为D6和白线模糊的等级标识符为D7。
S42：对每一原始样本图像进行样本预处理，得到目标样本图像。
其中，目标样本图像指对原始样本图像进行样本预处理后所得的图像。具体地，对原始样本图像进行样本预处理包括对原始样本图像进行图像裁剪和图像缩放。优选地，可采用opencv的图像处理算法实现对原始样本图像的图像裁剪和图像缩放，得到目标样本图像。其中，opencv是一个基于BSD许可发行的跨平台计算机视觉库，由一系列C函数和少量C++类构成；opencv同时提供了Python、Ruby、MATLAB等语言的接口，可实现图像处理和计算机视觉方面的很多通用算法。在本实施例中，由于道路损伤检测模型中全连接层的输入向量的维数是固定大小的，因此为了避免出现网络的动态变化，无法实现参数训练的目的，对每一原始样本图像进行样本预处理后得到的目标样本图像的尺寸大小也是固定大小的。
S43：将每一目标样本图像输入到卷积神经网络中进行训练，得到道路损伤检测模型。
其中，道路损伤检测模型指通过大量的目标样本图像进行训练后所生成的，可对待检测图像进行检测的模型。具体地，将已进行道路损伤类别和位置信息标注的每一目标样本图像输入到卷积神经网络中进行end-to-end训练，当训练到一定迭代次数时，训练停止，得到最终的道路损伤检测模型。优选地，为了更好的支持卷积神经网络中使用的各种算法，该道路损伤检测模型可以使用TensorFlow计算框架进行训练。
优选地，在将每一目标样本图像输入到卷积神经网络中进行训练，得到道路损伤检测模型后，还可以利用bazel工具将使用tensorflow框架训练的模型编译成.so文件和jar 包，然后进行android配置，实现将道路损伤检测模型从PC端移植到安卓端。其中，Bazel 工具是一个开源的构建和测试工具，它使用一种人易于理解的高级构建语言、且支持多种开发语言的项目，能够基于多个平台来构建。
在本实施例中，首先取L个原始样本图像，其中，每一原始样本图像都已进行了样本标注，L为正整数；然后对每一原始样本图像进行样本预处理，得到目标样本图像；最后将每一目标样本图像输入到卷积神经网络中进行训练，得到道路损伤检测模型；保证了得到的道路损伤检测模型的准确性。
在一实施例中，如图7所示，对每一原始样本图像进行样本预处理，得到目标样本图像，具体包括如下步骤：
S421:获取原始样本图像，对每一原始样本图像进行检测，得到每一原始样本图像的检测信息。
由于获取的原始样本图像中包含道路损伤的图像部分可能占总原始样本图像的比例较小，即一张原始样本图像中可能包含很大部分无用的背景图像。因此，为了提高目标样本图像的准确性和模型训练的效率，需预先对获取的原始样本图像进行检测，得到每一原始样本图像的检测信息，以区分每一原始样本图像中的道路损伤图像部分和背景图像部分。其中，检测信息是指将每一原始样本图像中的道路损伤图像部分与背景图像部分进行划分的标记信息。可选地，可采用边缘检测算法实现每一原始样本图像进行检测，得到每一原始样本图像的检测信息。边缘检测算法可以为opencv的Canny边缘检测算法、Sobel 算法或Laplacian算法中的任意一种。
S422：根据检测信息，对每一原始样本图像进行裁剪处理，得到训练样本图像。
其中，训练样本图像指经过图像裁剪处理后得到的样本图像。对原始样本图像进行裁剪处理指根据每一原始样本图像中的检测信息，从原始样本图像中裁剪掉背景图像部分的过程。具体地，采用图像裁剪工具实现对每一原始样本图像的裁剪处理。可选地，图像裁剪工具可以为jQuery Jcrop图像裁剪工具或FOTOE图像裁剪工具等。优选地，还可以采用opencv的图像分割算法自动实现对每一原始样本图像的裁剪处理，得到训练样本图像。
S423：获取预设图像比例，根据预设图像比例对每一训练样本图像进行缩放处理，得到目标样本图像。
其中，预设图像比例指预先设定的标准图像大小。可选地，预设图像比例可以为600*600、750*750或800*800等。在本实施例中，预设图像比例需与步骤S10的分辨率阈值大小相同。同样地，在本实施例中，将预设图像比例设定为600*600。目标样本图像指进行缩放处理后、可直接进行训练的样本图像。具体地，根据预设图像比例对每一训练样本图像进行缩放处理指将每一训练样本图像缩放成预设图像比例大小的目标样本图像的过程。可选地，可采用图像缩放处理算法实现对每一训练样本图像进行缩放处理，得到目标样本图像。图像缩放处理算法可以为邻近插值算法、双线性插值算法或三次卷积法等。优选地，还可以采用opencv的图像缩放API工具自动实现对裁剪后的训练样本图像进行缩放处理，得到目标样本图像。
在本实施例中，通过获取原始样本图像，对每一原始样本图像进行检测，得到每一原始样本图像的检测信息；然后根据检测信息，对每一原始样本图像进行裁剪处理，得到训练样本图像；最后获取预设图像比例，根据预设图像比例对每一训练样本图像进行缩放处理，得到目标样本图像，进一步保证了获取的目标样本图像的准确性和有效性。
在一实施例中，如图8所示，将每一目标样本图像输入到卷积神经网络中进行训练，得到道路损伤检测模型，具体包括如下步骤：
S441：初始化卷积神经网络模型的模型参数。
其中，初始化卷积神经网络指预先初始化卷积神经网络模型的模型参数(即卷积核和偏置)。卷积核是指卷积神经网络的权值，当输入训练数据时，会乘上一个权值即卷积核，然后得到神经元的输出，它反映了训练数据的重要程度。偏置是用于更改权重乘输入的范围的线性分量。
S442：采用卷积神经网络对每一目标样本图像进行特征提取，得到道路损伤特征。
其中，道路损伤特征是采用卷积神经网络对训练集中的目标样本图像进行特征提取所得到的损伤特征。具体地，采用卷积神经网络对目标样本图像进行特征提取。卷积运算的计算公式包括
Figure RE-GDA0002158189150000141
*代表卷积运算；xj代表第j个输入特征图；yj代表第j个输出特征图；wij是第i个输入特征图与第j个输出特征图之间的卷积核(权值)；bj代表第j个输出特征图的偏置项。采用最大池化下采样对卷积后的特征图进行下采样操作以实现对特征图的降维，其计算公式为/>
Figure RE-GDA0002158189150000151
其中，yj表示下采样过程中的第i个输出谱(即下采样后的特征图)，下采样过程中的每一个神经元是从第i个输入谱(卷积后的特征图)中采用S*S的下采样框局部采样得到的，即对输入谱进行S倍下采样，其中S的具体数值可以根据实际采样需要进行设定；m与n分别表示下采样框移动的步长。
S443：将道路损伤特征输入到卷积神经网络模型中进行训练，得到道路损伤检测模型。
具体地，基于卷积神经网络的特征，将根据步骤S442得到的道路损伤特征输入到卷积神经网络模型中进行训练，即可得到道路损伤检测模型。
在本实施例中，通过初始化卷积神经网络模型的模型参数；然后采用卷积神经网络对每一目标样本图像进行特征提取，得到道路损伤特征；最后将道路损伤特征输入到卷积神经网络模型中进行训练，得到道路损伤检测模型；进一步提高了道路损伤检测模型的准确性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种道路损伤检测装置，该道路损伤检测装置与上述实施例中道路损伤检测方法一一对应。如图9所示，该道路损伤检测装置包括分辨率判断模块10、分割处理模块20、检测模块30和合并模块40。各功能模块详细说明如下：
分辨率判断模块10，用于获取待检测图像，判断待检测图像的图像分辨率是否大于分辨率阈值；
分割处理模块20，用于在待检测图像的图像分辨率大于分辨率阈值时，对待检测图像进行分割处理，得到N个待检测图像块，N为正整数；
检测模块30，用于将每一待检测图像块输入到预设的道路损伤检测模型中进行检测，得到每一待检测图像块的检测信息；
合并模块40，用于将每一待检测图像块的检测信息进行合并，得到待检测图像的道路损伤信息。
优选地，分割处理模块20包括：
第一确定单元，用于在待检测图像的长度值大于长度阈值且宽度值小于宽度阈值，或者，待检测图像的长度值小于长度阈值且宽度值大于宽度阈值时，确定第一参考矩形的第一长度值和第一宽度值；
第二确定单元，用于从待检测图像中确定三个第一顶点，并根据三个第一顶点和第一参考矩形的第一长度值和第一宽度值确定三个第一目标矩形；
第一分割单元，用于根据三个第一目标矩形，对待检测图像进行分割，得到三个第一矩形图像块；
第一缩放处理单元，用于对三个第一矩形图像块进行缩放处理，得到三个待检测图像块。
优选地，分割处理模块20还包括：
第三确定单元，用于在待检测图像的长度值大于长度阈值，且宽度值大于宽度阈值时，确定第二参考矩形的第二长度值和第二宽度值；
第四确定单元，用于从待检测图像中确定五个第二顶点，并根据五个第二顶点和第二参考矩形的第二长度值和第二宽度值确定五个第二目标矩形；
第二分割单元，用于根据五个第二目标矩形，对待检测图像进行分割，得到五个第二矩形图像块；
第二缩放处理单元，用于对五个第二矩形图像块进行缩放处理，得到五个待检测图像块。
优选地，合并模块40包括：
分类单元，用于根据道路损伤类别对检测信息进行分类，得到M个检测信息分类集,M 为正整数；
合并单元，用于在每一检测信息分类集中，基于位置信息对检测信息进行合并，得到检测信息合并集；
组成单元，用于将每一检测信息合并集组成待检测图像的道路损伤信息。
优选地，道路损伤检测装置还包括：
原始样本图像获取模块，用于获取L个原始样本图像，其中，每一原始样本图像都已进行了样本标注，L为正整数；
预处理模块，用于对每一原始样本图像进行样本预处理，得到目标样本图像；
训练模块，用于将每一目标样本图像输入到卷积神经网络中进行训练，得到道路损伤检测模型。
优选地，预处理模块包括：
检测单元，用于获取原始样本图像，对每一原始样本图像进行检测，得到每一原始样本图像的检测信息；
裁剪处理单元，用于根据检测信息，对每一原始样本图像进行裁剪处理，得到训练样本图像；
第三缩放处理单元，用于获取预设图像比例，根据预设图像比例对每一训练样本图像进行缩放处理，得到目标样本图像。
优选地，训练模块包括：
初始化单元，用于初始化卷积神经网络模型的模型参数；
特征提取单元，用于采用卷积神经网络对每一目标样本图像进行特征提取，得到道路损伤特征；
训练单元，用于将道路损伤特征输入到卷积神经网络模型中进行训练，得到道路损伤检测模型。
关于道路损伤检测装置的具体限定可以参见上文中对于道路损伤检测方法的限定，在此不再赘述。上述道路损伤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10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上述实施例中的道路损伤检测方法中使用到的数据。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道路损伤检测方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中的道路损伤检测方法。
在一个实施例中，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上述实施例中的道路损伤检测方法。
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。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (8)

1.一种道路损伤检测方法，其特征在于，包括：
获取待检测图像，判断所述待检测图像的图像分辨率是否大于分辨率阈值，所述待检测图像的图像分辨率包括待检测图像的长度值和宽度值，所述分辨率阈值包括长度阈值和宽度阈值；
若所述待检测图像的长度值大于长度阈值且宽度值小于宽度阈值，或者，若所述待检测图像的长度值小于长度阈值且宽度值大于宽度阈值，则确定第一参考矩形的第一长度值和第一宽度值；
从所述待检测图像中确定三个第一顶点，并根据三个所述第一顶点和所述第一参考矩形的所述第一长度值和所述第一宽度值确定三个第一目标矩形；
根据三个所述第一目标矩形，对所述待检测图像进行分割，得到三个第一矩形图像块；
对所述三个第一矩形图像块进行缩放处理，得到三个待检测图像块；
若所述待检测图像的长度值大于长度阈值，且宽度值大于宽度阈值，则确定第二参考矩形的第二长度值和第二宽度值；
从所述待检测图像中确定五个第二顶点，并根据五个所述第二顶点和所述第二参考矩形的所述第二长度值和所述第二宽度值确定五个第二目标矩形；
根据五个所述第二目标矩形，对所述待检测图像进行分割，得到五个第二矩形图像块；
对所述五个第二矩形图像块进行缩放处理，得到五个待检测图像块；
将每一所述待检测图像块输入到预设的道路损伤检测模型中进行检测，得到每一所述待检测图像块的检测信息；
将每一所述待检测图像块的所述检测信息进行合并，得到所述待检测图像的道路损伤信息。
2.如权利要求1所述的道路损伤检测方法，其特征在于，所述检测信息包括道路损伤类别和位置信息；
所述将每一待检测图像块的检测信息进行合并，得到待检测图像的道路损伤信息，包括：
根据所述道路损伤类别对所述检测信息进行分类，得到M个检测信息分类集,M为正整数；
在每一所述检测信息分类集中，基于所述位置信息对所述检测信息进行合并，得到检测信息合并集；
将每一检测信息合并集组成所述待检测图像的道路损伤信息。
3.如权利要求1所述的道路损伤检测方法，其特征在于，在所述将每一待检测图像块输入到预设的道路损伤检测模型中进行检测，得到每一待检测图像块的检测信息之前，所述道路损伤检测方法还包括：
获取L个原始样本图像，其中，每一所述原始样本图像都已进行了样本标注，L为正整数；
对每一所述原始样本图像进行样本预处理，得到目标样本图像；
将每一所述目标样本图像输入到卷积神经网络中进行训练，得到道路损伤检测模型。
4.如权利要求3所述的道路损伤检测方法，其特征在于，所述对每一原始样本图像进行样本预处理，得到目标样本图像，包括：
获取原始样本图像，对每一所述原始样本图像进行检测，得到每一所述原始样本图像的检测信息；
根据所述检测信息，对每一所述原始样本图像进行裁剪处理，得到训练样本图像；
获取预设图像比例，根据所述预设图像比例对每一所述训练样本图像进行缩放处理，得到目标样本图像。
5.如权利要求3所述的道路损伤检测方法，其特征在于，所述将每一目标样本图像输入到卷积神经网络中进行训练，得到道路损伤检测模型，包括：
初始化卷积神经网络模型的模型参数；
采用卷积神经网络对每一所述目标样本图像进行特征提取，得到道路损伤特征；
将所述道路损伤特征输入到卷积神经网络模型中进行训练，得到道路损伤检测模型。
6.一种道路损伤检测装置，其特征在于，包括：
分辨率判断模块，用于获取待检测图像，判断所述待检测图像的图像分辨率是否大于分辨率阈值，所述待检测图像的图像分辨率包括待检测图像的长度值和宽度值，所述分辨率阈值包括长度阈值和宽度阈值；
分割处理模块，用于若所述待检测图像的长度值大于长度阈值且宽度值小于宽度阈值，或者，若所述待检测图像的长度值小于长度阈值且宽度值大于宽度阈值，则确定第一参考矩形的第一长度值和第一宽度值；
从所述待检测图像中确定三个第一顶点，并根据三个所述第一顶点和所述第一参考矩形的所述第一长度值和所述第一宽度值确定三个第一目标矩形；
根据三个所述第一目标矩形，对所述待检测图像进行分割，得到三个第一矩形图像块；
对所述三个第一矩形图像块进行缩放处理，得到三个待检测图像块；
若所述待检测图像的长度值大于长度阈值，且宽度值大于宽度阈值，则确定第二参考矩形的第二长度值和第二宽度值；
从所述待检测图像中确定五个第二顶点，并根据五个所述第二顶点和所述第二参考矩形的所述第二长度值和所述第二宽度值确定五个第二目标矩形；
根据五个所述第二目标矩形，对所述待检测图像进行分割，得到五个第二矩形图像块；
对所述五个第二矩形图像块进行缩放处理，得到五个待检测图像块；
检测模块，用于将每一所述待检测图像块输入到预设的道路损伤检测模型中进行检测，得到每一所述待检测图像块的检测信息；
合并模块，用于将每一所述待检测图像块的所述检测信息进行合并，得到所述待检测图像的道路损伤信息。
7.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述道路损伤检测方法。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述道路损伤检测方法。
CN201910517637.0A 2019-06-14 2019-06-14 道路损伤检测方法、装置、计算机设备及存储介质 Active CN110390666B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910517637.0A CN110390666B (zh) 2019-06-14 2019-06-14 道路损伤检测方法、装置、计算机设备及存储介质
PCT/CN2019/102670 WO2020248371A1 (zh) 2019-06-14 2019-08-27 道路损伤检测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910517637.0A CN110390666B (zh) 2019-06-14 2019-06-14 道路损伤检测方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN110390666A CN110390666A (zh) 2019-10-29
CN110390666B true CN110390666B (zh) 2023-06-27

Family

ID=68285452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910517637.0A Active CN110390666B (zh) 2019-06-14 2019-06-14 道路损伤检测方法、装置、计算机设备及存储介质

Country Status (2)

Country Link
CN (1) CN110390666B (zh)
WO (1) WO2020248371A1 (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11727522B2 (en) * 2019-10-11 2023-08-15 Cargo Spectre Method, system, and apparatus for damage assessment and classification
CN111178428B (zh) * 2019-12-27 2024-03-22 上海联影智能医疗科技有限公司 软骨损伤分类方法、装置、计算机设备和存储介质
CN111263085A (zh) * 2020-01-21 2020-06-09 中国航空无线电电子研究所 基于块式存储操作的航空显示任务旋转处理系统
CN111476799A (zh) * 2020-03-23 2020-07-31 福建星网物联信息系统有限公司 一种图像分析方法及存储介质
CN111402275A (zh) * 2020-04-27 2020-07-10 Oppo广东移动通信有限公司 镂空检测方法、系统、设备及存储介质
CN112098636B (zh) * 2020-09-15 2021-06-11 甘肃天马公路建筑工程有限公司 一种探测道路内部损伤程度的便于移动的装置
CN112488177A (zh) * 2020-11-26 2021-03-12 金蝶软件（中国）有限公司 一种图像匹配方法及相关设备
WO2022116433A1 (zh) * 2020-12-02 2022-06-09 平安科技（深圳）有限公司 管道损伤检测方法、装置、设备及存储介质
CN112950465A (zh) * 2021-01-26 2021-06-11 北京小米移动软件有限公司 视频超分处理方法、视频超分处理装置及存储介质
CN112819814A (zh) * 2021-02-25 2021-05-18 汇鸿智能科技(辽宁)有限公司 金相组织的识别方法、装置、计算机设备及存储介质
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
CN113869134A (zh) * 2021-09-03 2021-12-31 中航航空电子有限公司 图像中目标的检测方法、装置、计算机设备及存储介质
CN115115611B (zh) * 2022-07-21 2023-04-07 明觉科技（北京）有限公司 车辆损伤识别方法、装置、电子设备和存储介质
CN116596931B (zh) * 2023-07-18 2023-11-17 宁德时代新能源科技股份有限公司 图像处理方法、装置、设备、存储介质和程序产品
CN117437221B (zh) * 2023-12-18 2024-04-26 浙江祥晋汽车零部件股份有限公司 一种基于图像检测的亮饰条检测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016015548A1 (zh) * 2014-07-29 2016-02-04 阿里巴巴集团控股有限公司 一种用于检测预定区域中特定标识图像的方法及装置
CN105631809A (zh) * 2015-12-31 2016-06-01 北京理工大学 一种非均匀分辨率球面全景图生成方法
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
WO2018072483A1 (zh) * 2016-10-17 2018-04-26 京东方科技集团股份有限公司 图像分割方法、图像分割系统和存储介质及包括其的设备
CN109801282A (zh) * 2019-01-24 2019-05-24 湖北大学 路面状况检测方法、处理方法、装置及系统
WO2019104705A1 (zh) * 2017-12-01 2019-06-06 华为技术有限公司 图像处理的方法和设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101969758B1 (ko) * 2017-09-14 2019-04-17 한국도로공사 도로의 손상을 탐지하는 단말 및 이를 적용한 도로 손상 탐지 시스템
CN109146849A (zh) * 2018-07-26 2019-01-04 昆明理工大学 一种基于卷积神经网络和图像识别的路面裂缝检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016015548A1 (zh) * 2014-07-29 2016-02-04 阿里巴巴集团控股有限公司 一种用于检测预定区域中特定标识图像的方法及装置
CN105631809A (zh) * 2015-12-31 2016-06-01 北京理工大学 一种非均匀分辨率球面全景图生成方法
WO2018072483A1 (zh) * 2016-10-17 2018-04-26 京东方科技集团股份有限公司 图像分割方法、图像分割系统和存储介质及包括其的设备
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
WO2019104705A1 (zh) * 2017-12-01 2019-06-06 华为技术有限公司 图像处理的方法和设备
CN109801282A (zh) * 2019-01-24 2019-05-24 湖北大学 路面状况检测方法、处理方法、装置及系统

Also Published As

Publication number Publication date
CN110390666A (zh) 2019-10-29
WO2020248371A1 (zh) 2020-12-17

Similar Documents

Publication Publication Date Title
CN110390666B (zh) 道路损伤检测方法、装置、计算机设备及存储介质
CN110414507B (zh) 车牌识别方法、装置、计算机设备和存储介质
US11003941B2 (en) Character identification method and device
CN110659647B (zh) 印章图像识别方法及装置、智能发票识别设备和存储介质
CN111079632A (zh) 文本检测模型的训练方法、装置、计算机设备和存储介质
CN110163842B (zh) 建筑裂缝检测方法、装置、计算机设备和存储介质
CN101599124B (zh) 一种从视频图像中分割字符的方法和装置
CN111178245A (zh) 车道线检测方法、装置、计算机设备和存储介质
CN110728687B (zh) 文件图像分割方法、装置、计算机设备和存储介质
CN111753692A (zh) 目标对象提取方法、产品检测方法、装置、计算机和介质
CN111242126A (zh) 不规则文本校正方法、装置、计算机设备和存储介质
CN111325769A (zh) 一种目标对象检测方法及装置
CN112949507A (zh) 人脸检测方法、装置、计算机设备及存储介质
EP3493157B1 (en) Method and system for visual change detection using multi-scale analysis
TW200529093A (en) Face image detection method, face image detection system, and face image detection program
CN112101386B (zh) 文本检测方法、装置、计算机设备和存储介质
CN111680690A (zh) 一种文字识别方法及装置
CN110751619A (zh) 一种绝缘子缺陷检测方法
CN112307989B (zh) 路面物体识别方法、装置、计算机设备和存储介质
CN110705560A (zh) 轮胎文本的获取方法及装置、轮胎规格的检测方法
CN113963353A (zh) 一种文字图像处理识别方法、装置、计算机设备和存储介质
CN110781887A (zh) 车牌螺丝检测方法、装置和计算机设备
CN113537184A (zh) Ocr模型训练方法、装置、计算机设备、存储介质
CN116311327B (zh) 处方图像检测方法
CN110751623A (zh) 基于联合特征的缺陷检测方法、装置、设备及存储介质

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