CN110427911B - 一种道路检测方法、装置、设备及存储介质 - Google Patents
一种道路检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110427911B CN110427911B CN201910740186.7A CN201910740186A CN110427911B CN 110427911 B CN110427911 B CN 110427911B CN 201910740186 A CN201910740186 A CN 201910740186A CN 110427911 B CN110427911 B CN 110427911B
- Authority
- CN
- China
- Prior art keywords
- road
- image
- position information
- vehicle
- vehicle position
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 5
- 230000003287 optical effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种道路检测方法、装置、设备及存储介质。其中，该方法包括：在车辆行驶过程中，采集车辆途经的道路图像和车辆位置信息，并确定道路图像的采集时间和车辆位置信息的采集时间；若检测到任一所述道路图像中存在路面破损，则将该道路图像的采集时间与所述车辆位置信息的采集时间进行匹配，并根据匹配结果，确定该道路图像所关联的车辆位置信息。本发明实施例获取路面图片和车辆途经位置，在检测到破损路面图片后，通过获取与拍摄的图片时间相同的位置信息，得到破损路面的位置，有效降低成本，节省人力物力，提高道路检测的效率。
Description
技术领域
本发明实施例涉及图像处理技术，尤其涉及一种道路检测方法、装置、设备及存储介质。
背景技术
随着国民经济的不断发展，我国交通网络公路总里程迅速增长，使公路后期的养护保养工作量大大增加，路面破损病害防治工作越来越受到公路养护部门的重视，路面破损病害的及时准确识别是路面养护工作的第一步。
目前应用的道路破损的检测方法分为两类：半人工和基于检测车的方法。半人工的方法采用摄像头拍摄路面图片，然后进行人工筛选，需要大量的人力资源；检测车对硬件设备的要求比较高，成本很高，而且需要人工处理离线数据,无法实现路面破损的全自动化检测，不仅影响交通环境，最终的识别效果也一般。比较出名的有日本的Kumatsu系统及英国的MRMS检测车，采用传感器、摄像机、激光扫描仪等设备，利用传感器及激光扫描仪获取路面的模拟信号，将模拟信号转换为数字信号进行处理，该方法成本高且识别率低，且只能对图片进行识别，无法确定位置，未得到广泛的应用。
发明内容
本发明实施例提供一种道路检测方法、装置、设备及存储介质，可以实现在确定路面破损的同时，得到路面破损的位置，节约了大量的人力物力，提高破损检测和修复效率。
第一方面，本发明实施例提供了一种道路检测方法，该方法包括：
在车辆行驶过程中，采集车辆途经的道路图像和车辆位置信息，并确定道路图像的采集时间和车辆位置信息的采集时间；
若检测到任一所述道路图像中存在路面破损，则将该道路图像的采集时间与所述车辆位置信息的采集时间进行匹配，并根据匹配结果，确定该道路图像所关联的车辆位置信息。
可选的，所述道路图像由设置在车辆尾部的图像采集器采集；所述图像采集器的拍摄方向与水平面之间的夹角属于预设的夹角区间；所述图像采集器与路面的高度在预设的距离区间，且所述图像采集器以预设广角进行拍摄。
可选的，所述夹角区间的下限值为45度，上限值为60度；所述距离区间的下限值为70厘米，上限值为100厘米；所述预设广角为90度。
可选的，在所述采集车辆途经的道路图像之后，还包括：
将采集的道路图像作为路面识别模型的输入，并根据输出结果确定采集的道路图像中是否存在路面破损。
可选的，所述采集车辆途经的道路图像和车辆位置信息，包括：
以第一频率采集车辆途经的道路图像，并记录所述道路图像的采集时间；
以第二频率采集车辆位置信息，并记录所述车辆位置信息的采集时间；
其中，所述第一频率大于所述第二频率。
第二方面，本发明实施例还提供了一种道路检测装置，该装置包括：
信息采集模块，用于在车辆行驶过程中，采集车辆途经的道路图像和车辆位置信息，并确定道路图像的采集时间和车辆位置信息的采集时间；
位置确定模块，用于若检测到任一所述道路图像中存在路面破损，则将该道路图像的采集时间与所述车辆位置信息的采集时间进行匹配，并根据匹配结果，确定该道路图像所关联的车辆位置信息。
可选的，所述信息采集模块，还具体用于：
将采集的道路图像作为路面识别模型的输入，并根据输出结果确定采集的道路图像中是否存在路面破损。
可选的，所述信息采集模块，包括：
图像采集单元，用于以第一频率采集车辆途经的道路图像，并记录所述道路图像的采集时间；
位置采集单元，用于以第二频率采集车辆位置信息，并记录所述车辆位置信息的采集时间；
其中，所述第一频率大于所述第二频率。
第三方面，本发明实施例还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，所述处理器执行所述程序时实现如本发明任意实施例所述的道路检测方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明任意实施例所述的道路检测方法。
本发明实施例通过对道路进行拍摄，记录拍摄的时间，同时采集道路的位置信息和位置采集时间，在识别破损路面图片后，通过查找与破损路面图片拍摄时间相同的位置，得到破损路面的位置，避免了人工筛选的过程，有效降低成本，节约人力物力，提高检测效率。
附图说明
图1是本发明实施例一中的一种道路检测方法的流程示意图；
图2是本发明实施例二中的一种道路检测装置的结构框图；
图3是本发明实施例三中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种道路检测方法的流程示意图，本实施例可适用于检测道路破损并确定破损位置的情况，该方法可以由道路检测装置来执行，如图1所示，具体包括如下步骤：
步骤110、在车辆行驶过程中，采集车辆途经的道路图像和车辆位置信息，并确定道路图像的采集时间和车辆位置信息的采集时间。
其中，在车身上安装有图像采集器和位置采集器，可以在车辆的尾部安装，图像采集器可以是摄像头，位置采集器可以是GPS数据采集设备。
可选的，道路图像可以由设置在车辆尾部的图像采集器采集；图像采集器的拍摄方向与水平面之间的夹角属于预设的夹角区间；图像采集器与路面的高度在预设的距离区间，且图像采集器以预设广角进行拍摄。
具体的，调整图像采集器的拍摄方向，使拍摄方向与水平面之间的夹角属于预设的夹角区间，夹角区间的下限值为45度，上限值为60度；调整图像采集器与路面的高度，使图像采集器与路面的高度在预设的距离区间，距离区间的下限值为70厘米，上限值为100厘米；调整图像采集器的拍摄广角，预设广角为90度。例如，摄像头的拍摄方向与地面之间的夹角为50度，摄像头与路面的高度为80厘米，广角为90度，在车辆行驶过程中，摄像头以此状态进行拍摄。
可选的，采集车辆途经的道路图像和车辆位置信息时，以第一频率采集车辆途经的道路图像，并记录道路图像的采集时间；以第二频率采集车辆位置信息，并记录车辆位置信息的采集时间；其中，第一频率大于第二频率。
具体的，从车辆开始行驶开始，图像采集器以第一频率不间断地对道路进行图像采集，每拍摄到一张图片，同时记录拍摄到的图片的时间；位置采集器以第二频率采集车辆位置信息，位置信息由经纬度坐标表示，使每张图片都可以获得对应的位置信息，每获取一个位置信息的同时记录获取位置信息的时间；记录的时间可以精确到毫秒，第一频率大于第二频率。例如，图像采集器以25帧/秒进行图像采集，位置采集器以1帧/秒进行位置采集。
步骤120、若检测到任一道路图像中存在路面破损，则将该道路图像的采集时间与车辆位置信息的采集时间进行匹配，并根据匹配结果，确定该道路图像所关联的车辆位置信息。
其中，基于前期采集的大量道路图片，进行人工筛选，得到破损路面图片和非破损路面图片，根据采集到的道路图片构建破损数据库。例如，破损数据库中可以包括3000张破损路面图片以及10000张非破损路面图片。本发明实施例可以利用深度学习识别拍摄的道路图像，在识别之前要进行模型的训练，采用深度学习模型进行模型的训练，利用构建的破损数据库进行模型的迁移学习。例如，深度学习模型可以采用Inception V3、ResNet、AlexNet等模型。修改网络的输出层为2，即输出结果一类为破损路面图片，一类为非破损路面图片。构建输入图片的路径及标签文件，若标签为0，则图片为破损路面图片；若标签为1，则图片为非破损路面图片。
在获得破损路面图片的识别模型之后，将采集的道路图像转化为预设的图像格式，对采集的道路图像进行缩放，以将该道路图像的尺寸转化为预设的尺寸，便于图片的输入输出，从而将采集的道路图像作为路面识别模型的输入。例如，预设格式可以是BMP格式、JPG格式、JPEG格式等，预设尺寸可以是640×360像素。
可选的，将采集的道路图像作为路面识别模型的输入，并根据输出结果确定采集的道路图像中是否存在路面破损。
具体的，可以利用TensorFlow的C++接口将训练的模型载入，以预先构建的输入图片的路径输入图片，利用训练好的模型对道路图像进行识别分类，若输出结果为该图片是破损路面图片，则确定存在路面破损；若输出结果为该图片是非破损路面图片，则确定不存在路面破损。在确定存在路面破损之后，需要查找路面破损的位置，以便进行修复，若检测到任一道路图像中存在路面破损，则通过匹配图片与位置的时间信息确定地理位置。首先，确定识别出的破损路面图片，获取破损路面图片的拍摄时间；其次，根据拍摄时间查找在同一时间采集的位置信息，该位置即为破损路面所在的位置。若没有找到完全相同的时间，则查找与图像拍摄时间最接近的位置信息的采集时间，得到该道路图像的近似位置，供道路养护部门及时修复。例如，破损路面图片的拍摄时间为2019年7月10日的10点30分50秒240毫秒，可以表示为2019-7-1010h-30min-50sec.240ms，在采集位置信息的时间中，没有与图片时间完全一致的对位置信息进行采集，与图片采集时间最接近的位置采集时间为2019-7-1010h-30min-50sec，因此，可以确定破损路面的位置近似为2019-7-1010h-30min-50sec时所采集的位置，采集的时间可以存在时间误差，时间误差范围可以在500ms以内，采集的位置可以存在距离误差，距离误差跟当前车速有关，可以以速度72km/h计算，距离误差可以为10m，在可接受范围内。
本实施例的技术方案，采集车辆途经的道路图像和车辆位置信息，同时确定图像及位置的采集时间，通过训练破损路面图片的识别模型，检测道路图像中是否存在路面破损，若存在路面破损，则获取与道路图像拍摄时间相匹配的位置信息，从而得到路面破损的位置，解决了人工拍摄图片并手动筛选的问题，有效降低成本，节约人力物力，在确定路面破损后能快速获取破损位置，提高路面破损的检测和修复效率。
实施例二
图2为本发明实施例二所提供的一种道路检测装置的结构框图，可执行本发明任意实施例所提供的道路检测方法，具备执行方法相应的功能模块和有益效果。如图2所示，该装置包括：
信息采集模块201，用于在车辆行驶过程中，采集车辆途经的道路图像和车辆位置信息，并确定道路图像的采集时间和车辆位置信息的采集时间。
位置确定模块202，用于若检测到任一道路图像中存在路面破损，则将该道路图像的采集时间与车辆位置信息的采集时间进行匹配，并根据匹配结果，确定该道路图像所关联的车辆位置信息。
可选的，道路图像由设置在车辆尾部的图像采集器采集；图像采集器的拍摄方向与水平面之间的夹角属于预设的夹角区间；图像采集器与路面的高度在预设的距离区间，且图像采集器以预设广角进行拍摄。
可选的，夹角区间的下限值为45度，上限值为60度；距离区间的下限值为70厘米，上限值为100厘米；预设广角为90度。
可选的，信息采集模块201，还具体用于：
将采集的道路图像作为路面识别模型的输入，并根据输出结果确定采集的道路图像中是否存在路面破损。
可选的，信息采集模块201，包括：
图像采集单元，用于以第一频率采集车辆途经的道路图像，并记录道路图像的采集时间；
位置采集单元，用于以第二频率采集车辆位置信息，并记录车辆位置信息的采集时间；
其中，第一频率大于第二频率。
本发明实施例通过获取道路图片和车辆途经位置，同时记录图片拍摄时间及位置获取时间，便于根据时间查找不同图片对应的位置，若检测出图片中存在道路破损情况，则通过匹配的时间，快速得到破损位置，节约人力物力，提高路面检测和修复的效率。
实施例三
图3是本发明实施例三提供的一种计算机设备的结构示意图。图3示出了适于用来实现本发明实施方式的示例性计算机设备300的框图。图3显示的计算机设备300仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示，计算机设备300以通用计算设备的形式表现。计算机设备300的组件可以包括但不限于：一个或者多个处理器或者处理单元301，系统存储器302，连接不同系统组件(包括系统存储器302和处理单元301)的总线303。
总线303表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备300典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备300访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器302可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)304和/或高速缓存存储器305。计算机设备300可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统306可以用于读写不可移动的、非易失性磁介质(图3未显示，通常称为“硬盘驱动器”)。尽管图3中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线303相连。存储器302可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块307的程序/实用工具308，可以存储在例如存储器302中，这样的程序模块307包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块307通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备300也可以与一个或多个外部设备309(例如键盘、指向设备、显示器310等)通信，还可与一个或者多个使得用户能与该计算机设备300交互的设备通信，和/或与使得该计算机设备300能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口311进行。并且，计算机设备300还可以通过网络适配器312与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器312通过总线303与计算机设备300的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元301通过运行存储在系统存储器302中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种道路检测方法，包括：
在车辆行驶过程中，采集车辆途经的道路图像和车辆位置信息，并确定道路图像的采集时间和车辆位置信息的采集时间；
若检测到任一道路图像中存在路面破损，则将该道路图像的采集时间与车辆位置信息的采集时间进行匹配，并根据匹配结果，确定该道路图像所关联的车辆位置信息。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的一种道路检测方法，包括：
在车辆行驶过程中，采集车辆途经的道路图像和车辆位置信息，并确定道路图像的采集时间和车辆位置信息的采集时间；
若检测到任一道路图像中存在路面破损，则将该道路图像的采集时间与车辆位置信息的采集时间进行匹配，并根据匹配结果，确定该道路图像所关联的车辆位置信息。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (6)
1.一种道路检测方法，其特征在于，包括：
在车辆行驶过程中，采集车辆途经的道路图像和车辆位置信息，并确定道路图像的采集时间和车辆位置信息的采集时间；
若检测到任一所述道路图像中存在路面破损，则将该道路图像的采集时间与所述车辆位置信息的采集时间进行匹配，并根据匹配结果，确定该道路图像所关联的车辆位置信息；
其中，在所述采集车辆途经的道路图像之后，还包括：
建立路面识别模型，利用深度学习模型对所述路面识别模型进行训练；
将采集的转化为预设图像格式的道路图像作为所述路面识别模型的输入，并根据输出结果确定采集的道路图像中是否存在路面破损；
所述采集车辆途经的道路图像和车辆位置信息，包括：
以第一频率采集所述车辆途经的道路图像，并记录所述道路图像的采集时间；
以第二频率采集所述车辆位置信息，并记录所述车辆位置信息的采集时间；
其中，所述第一频率大于所述第二频率；
所述深度学习模型采用Inception V3、ResNet或AlexNet模型，修改网络的输出层为2，即所述输出结果一类为破损路面图片，一类为非破损路面图片。
2.根据权利要求1所述的方法，其特征在于，所述道路图像由设置在车辆尾部的图像采集器采集；所述图像采集器的拍摄方向与水平面之间的夹角属于预设的夹角区间；所述图像采集器与路面的高度在预设的距离区间，且所述图像采集器以预设广角进行拍摄。
3.根据权利要求2所述的方法，其特征在于，所述夹角区间的下限值为45度，上限值为60度；所述距离区间的下限值为70厘米，上限值为100厘米；所述预设广角为90度。
4.一种道路检测装置，其特征在于，包括：
信息采集模块，用于在车辆行驶过程中，采集车辆途经的道路图像和车辆位置信息，并确定道路图像的采集时间和车辆位置信息的采集时间；
位置确定模块，用于若检测到任一所述道路图像中存在路面破损，则将该道路图像的采集时间与所述车辆位置信息的采集时间进行匹配，并根据匹配结果，确定该道路图像所关联的车辆位置信息；
其中，所述信息采集模块，还具体用于：
建立路面识别模型，利用深度学习模型对所述路面识别模型进行训练；
将采集的转化为预设图像格式的道路图像作为所述路面识别模型的输入，并根据输出结果确定采集的道路图像中是否存在路面破损；
所述信息采集模块，包括：
图像采集单元，用于以第一频率采集所述车辆途经的道路图像，并记录所述道路图像的采集时间；
位置采集单元，用于以第二频率采集所述车辆位置信息，并记录所述车辆位置信息的采集时间；
其中，所述第一频率大于所述第二频率；
所述深度学习模型采用Inception V3、ResNet或AlexNet模型，修改网络的输出层为2，即所述输出结果一类为破损路面图片，一类为非破损路面图片。
5.一种计算机设备，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，所述处理器执行所述程序时实现如权利要求1-3中任一所述的道路检测方法。
6.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-3中任一所述的道路检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910740186.7A CN110427911B (zh) | 2019-08-12 | 2019-08-12 | 一种道路检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910740186.7A CN110427911B (zh) | 2019-08-12 | 2019-08-12 | 一种道路检测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110427911A CN110427911A (zh) | 2019-11-08 |
| CN110427911B true CN110427911B (zh) | 2023-11-28 |
Family
ID=68414180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910740186.7A Active CN110427911B (zh) | 2019-08-12 | 2019-08-12 | 一种道路检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110427911B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033840B (zh) * | 2021-03-29 | 2023-02-24 | 唐山市曹妃甸区陆月柒峰科技有限责任公司 | 一种公路养护的判断方法和装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108765404A (zh) * | 2018-05-31 | 2018-11-06 | 南京行者易智能交通科技有限公司 | 一种基于深度学习图像分类的道路破损检测方法及装置 |
| CN109255288A (zh) * | 2018-07-23 | 2019-01-22 | 深圳市科思创动科技有限公司 | 一种路面破损检测方法、装置及终端设备 |
| CN109387218A (zh) * | 2018-11-14 | 2019-02-26 | 大陆汽车投资（上海）有限公司 | 车载设备及道路维护辅助管理系统 |
| CN109685124A (zh) * | 2018-12-14 | 2019-04-26 | 斑马网络技术有限公司 | 基于神经网络的道路病害识别方法及装置 |
| CN109827582A (zh) * | 2019-03-29 | 2019-05-31 | 深圳市鹏途交通科技有限公司 | 一种快速确定道路路网病害相对位置的方法及系统 |
| CN110021167A (zh) * | 2019-04-09 | 2019-07-16 | 杭州路灵信息技术有限公司 | 一种高速公路云巡查系统及数据处理方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6515495B2 (ja) * | 2014-11-13 | 2019-05-22 | 大日本印刷株式会社 | テレマティクスシステム |
-
2019
- 2019-08-12 CN CN201910740186.7A patent/CN110427911B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108765404A (zh) * | 2018-05-31 | 2018-11-06 | 南京行者易智能交通科技有限公司 | 一种基于深度学习图像分类的道路破损检测方法及装置 |
| CN109255288A (zh) * | 2018-07-23 | 2019-01-22 | 深圳市科思创动科技有限公司 | 一种路面破损检测方法、装置及终端设备 |
| CN109387218A (zh) * | 2018-11-14 | 2019-02-26 | 大陆汽车投资（上海）有限公司 | 车载设备及道路维护辅助管理系统 |
| CN109685124A (zh) * | 2018-12-14 | 2019-04-26 | 斑马网络技术有限公司 | 基于神经网络的道路病害识别方法及装置 |
| CN109827582A (zh) * | 2019-03-29 | 2019-05-31 | 深圳市鹏途交通科技有限公司 | 一种快速确定道路路网病害相对位置的方法及系统 |
| CN110021167A (zh) * | 2019-04-09 | 2019-07-16 | 杭州路灵信息技术有限公司 | 一种高速公路云巡查系统及数据处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110427911A (zh) | 2019-11-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | CCTSDB 2021: a more comprehensive traffic sign detection benchmark | |
| US9405981B2 (en) | Optimizing the detection of objects in images | |
| CN109919008A (zh) | 运动目标检测方法、装置、计算机设备及存储介质 | |
| CN103413444A (zh) | 一种基于无人机高清视频的交通流调查处理方法 | |
| US11403766B2 (en) | Method and device for labeling point of interest | |
| CN103208008A (zh) | 基于机器视觉的交通视频监控目标检测快速适应方法 | |
| CN111178282A (zh) | 一种道路交通限速标志定位识别方法及装置 | |
| CN111121797B (zh) | 道路筛选方法、装置、服务器及存储介质 | |
| CN113505638B (zh) | 车流量的监测方法、监测装置及计算机可读存储介质 | |
| CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
| CN110111018B (zh) | 评估车辆感测能力的方法、装置、电子设备及存储介质 | |
| CN116597270A (zh) | 基于注意力机制集成学习网络的道路损毁目标检测方法 | |
| CN114037834B (zh) | 一种基于振动信号和rgb图像融合的语义分割方法及装置 | |
| CN115272222A (zh) | 道路检测信息的处理方法、装置、设备及存储介质 | |
| CN111881984A (zh) | 一种基于深度学习的目标检测方法和装置 | |
| CN109300322B (zh) | 引导线绘制方法、装置、设备和介质 | |
| CN114694130A (zh) | 基于深度学习的铁路沿线电线杆及杆号检测方法和装置 | |
| CN110427911B (zh) | 一种道路检测方法、装置、设备及存储介质 | |
| CN109345567B (zh) | 物体运动轨迹识别方法、装置、设备和存储介质 | |
| CN117437792B (zh) | 基于边缘计算的实时道路交通状态监测方法、设备及系统 | |
| CN113221894A (zh) | 车辆的车牌号识别方法、装置、电子设备和存储介质 | |
| CN113673527A (zh) | 一种车牌识别方法及系统 | |
| CN105869413A (zh) | 基于摄像头视频检测车流量和车速的方法 | |
| CN112466121A (zh) | 一种基于视频的测速方法 | |
| CN116912628A (zh) | 训练缺陷检测模型及检测缺陷的方法和装置 |
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 |