CN110636134A - 一种城市道路损伤监测维护方法及系统 - Google Patents

一种城市道路损伤监测维护方法及系统 Download PDF

Info

Publication number
CN110636134A
CN110636134A CN201910929795.7A CN201910929795A CN110636134A CN 110636134 A CN110636134 A CN 110636134A CN 201910929795 A CN201910929795 A CN 201910929795A CN 110636134 A CN110636134 A CN 110636134A
Authority
CN
China
Prior art keywords
road
data
traffic flow
monitoring
image data
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
Application number
CN201910929795.7A
Other languages
English (en)
Inventor
邓明伟
李汉华
盛伟兵
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.)
Jiangxi College of Construction
Original Assignee
Jiangxi College of Construction
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 Jiangxi College of Construction filed Critical Jiangxi College of Construction
Priority to CN201910929795.7A priority Critical patent/CN110636134A/zh
Publication of CN110636134A publication Critical patent/CN110636134A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/90—Arrangement of cameras or camera modules, e.g. multiple cameras in TV studios or sports stadiums

Abstract

本发明公开一种城市道路损伤监测维护方法及系统，由检测分机实时获取所设立方位道路的采集数据包括道路图像数据、车流流量数据和定位数据，并根据定位数据为标签通过网络上传至中心服务器；在所述中心服务器中，对车流流量数据进行分析预测道路形变指数，划分对道路图像数据的优先级和处理方式；提取和识别道路图像数据中的道路缺陷数据；将所获得的道路缺陷数据根据其道路图像数据所对应的检测分机的定位数据确定所对应的管理分机。本发明能够对城市中的道路进行网络布局，从而实现城市道路的整体监查和统一管理，能够有效避免漏查和重复检查，监查效率高，避免资源浪费，从而提高了维护效率且降低了维护成本。

Description

一种城市道路损伤监测维护方法及系统
技术领域
本发明属于城市道路监控技术领域，特别是涉及一种城市道路损伤监测维护方法及系统。
背景技术
随着社会的进步和发展，城市交通逐渐成为我们关注的焦点，城市道路的实时监控也变得越来越重要，道路监控可以及时监控路面损伤状态，能及时发现并安排处理道路维护等。
但是现有的道路损伤都是通过检测车辆对路面依次进行排查，这样容易造成漏查和重复检查，无法对城市道路进行整体监控，经常会造成有的路面已损毁很久但无人处理，而有的路面完好无缺却经常检查等情况的发生；无法对城市道路形成集中管理，造成了资源的大量浪费，且造成维护效率低。
发明内容
为了解决上述问题，本发明提出了一种城市道路损伤监测维护方法及系统，能够对城市中的道路进行网络布局，从而实现城市道路的整体监查和统一管理，能够有效避免漏查和重复检查，监查效率高，避免资源浪费，从而提高了维护效率且降低了维护成本。
为达到上述目的，本发明采用的技术方案是： 一种城市道路损伤监测维护方法，通过在城市每条道路上布设有包括摄像头、车流检测装置和定位装置的检测分机，在城市各个区域道路管理处的设置管理分机，并将各个检测分机通过网络连接至中心服务器，所述中心服务器与各管理分机连接，道路损伤监测维护方法具体包括以下步骤：
S100,由检测分机实时获取所设立方位道路的采集数据包括由摄像头采集的道路图像数据、由车流检测装置采集的车流流量数据和由定位装置获得的定位数据，并将检测分机所采集的数据根据定位数据为标签通过网络上传至中心服务器；
S200,在所述中心服务器中，对所述车流流量数据进行分析预测道路形变指数，划分对道路图像数据的优先级和处理方式；
S300,根据道路图像数据进行道路损伤状态监控分析，提取和识别道路图像数据中的道路缺陷数据；
S400,将所获得的道路缺陷数据根据其道路图像数据所对应的检测分机的定位数据确定所对应的管理分机，并将该道路缺陷数据信息传递至此管理分机中；由该区域管理对发生损伤的道路进行维护。
进一步的是，为了提高服务器运算效率和避免运算资源的浪费，对城市道路进行优先级划分，大大提高了整个系统的监控效率和精准度，在所述S200中，对所述车流流量数据进行分析预测道路形变指数，划分对道路图像数据的优先级和处理方式，包括步骤：
S201,对所述车流流量数据进行分析，预测道路形变指数；
S202,根据所述道路形变指数，确定道路的监控等级；
S203,根据所述监控等级划分，设定该检测分机所上传的道路图像数据进行道路损伤状态监控分析的处理周期，实现图像识别优化管理。
进一步的是，由所述车流检测装置采集的车流流量数据，将所述车流流量数据根据车型对车流流量数据进行划分，获得该道路所通过车辆的数量和不同车型的数据，所述车型包括货车、客车和小型车；根据该道路通过车辆的数量和不同车型的数据，预测道路形变指数。
进一步的是，对所述车流流量数据进行分析，预测道路形变指数，包括步骤：
收集车流信息历史数据和道路变形状态数据，对所收集的车流信息历史数据和道路变形状态数据的进行统计分析，经过神经网络学习构建，获得道路变形预测模型；所述道路变形预测模型中输入为车流流量数据，输出为道路变形数据；
以实时检测的车辆的数量和不同车型的数据，建立测试样本输入所述道路变形预测模型，由道路变形预测模型输出预测的道路变形数据；
根据对道路变形数据根据阈值进行划分，将一个阈值跨度范围内的道路变形状态作为一个道路形变指数，建立多个等级道路形变指数。
进一步的是，在所述步骤S203中，对不同的监控等级，设定该检测分机所上传的道路图像数据进行道路损伤状态监控分析的处理周期；监控等级越高，处理周期越短，检测频率越高。便于对车流量大的路段进行优先监控，对服务器的运算量进行优化管理，减少资源的浪费。
进一步的是，为了准确且快速的识别采集图像中的道路损伤缺陷，通过建立深度学习的神经网络模型，在所述S300中，根据道路图像数据进行道路损伤状态监控分析，提取和识别道路图像数据中的道路缺陷数据，包括步骤：
获取大量道路损伤图像作为训练样本，经过神经网络学习构建，获得道路损伤识别模型；
将所采集的道路图像数据作为测试样本，通过道路损伤识别模型训练，输出图像中的道路损伤数据。
另一方面，本发明还提供了一种城市道路损伤监测维护系统，包括中心服务器、检测分机和管理分机,
检测分机,以天网形式布设在城市中每条道路上，每台检测分机均通过网络与中心服务器相互通讯；由检测分机实时获取所设立方位道路的采集数据包括道路图像数据、车流流量数据和定位数据，并将检测分机所采集的数据根据定位数据为标签通过网络上传至中心服务器；
所述中心服务器，对所述车流流量数据进行分析预测道路形变指数，划分对道路图像数据的优先级和处理方式；根据道路图像数据进行道路损伤状态监控分析，提取和识别道路图像数据中的道路缺陷数据；将所获得的道路缺陷数据根据其道路图像数据所对应的检测分机的定位数据确定所对应的管理分机，并将该道路缺陷数据信息传递至此管理分机中；
所述中心服务器上还与分布在城市各个区域的道路管理处的管理分机相连 ，由该区域管理的管理分机接受到损伤信息后，对发生损伤的道路进行维护。
进一步的是，所述检测分机包括摄像头、车流检测装置、定位装置、控制器和网络传输装置，所述摄像头、定位装置和车流检测装置均连接至控制器，在所述控制器上还连接有网络传输装置，所述网络传输装置通过互联网和中心服务器相互通讯连接。
采用本技术方案的有益效果：
在本发明中通过在城市每条道路上布设有独自的检测分机，以天网形式布设在城市中每条道路的检测分机均通过网络与中心服务器相互通讯，由所述中心服务器对检测分机所采集的信息进行优先级处理后再进行道路图像中损伤缺陷的识别，从而将损伤状态传递至现有城市区域的道路管理处的管理分机，便于后续维护管理。通过所设计的城市道路损伤监测维护系统配合本发明提出的城市道路损伤监测维护方法，能够对城市中的道路进行网络布局，从而实现城市道路的整体监查和统一管理，能够有效避免漏查和重复检查，监查效率高，避免资源浪费，从而提高了维护效率且降低了维护成本。
在本发明中，在中心服务器中先对所述车流流量数据进行分析预测道路形变指数，划分对道路图像数据的优先级和处理方式；便于对车流量大的路段进行优先监控，对服务器的运算量进行优化管理，提高服务器运算效率，避免运算资源的浪费，以及避免城市监控、维护等资源的浪费。
在本发明中，通过建立深度学习的神经网络模型，根据道路图像数据进行道路损伤状态监控分析，提取和识别道路图像数据中的道路缺陷数据；能够准确且快速的识别采集图像中的道路损伤缺陷；提高了检测效率和准确度，避免资源浪费。
附图说明
图1 为本发明的一种城市道路损伤监测维护方法的流程示意图；
图2 为本发明实施例中一种城市道路损伤监测维护系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。
在本实施例中，参见图1所示，本发明提出了一种城市道路损伤监测维护方法，通过在城市每条道路上布设有包括摄像头、车流检测装置和定位装置的检测分机，并将各个检测分机通过网络连接至中心服务器，所述中心服务器上还与分布在城市各个区域的道路管理处的管理分机相连，具体监测维护方法包括以下步骤：
S100,由检测分机实时获取所设立方位道路的采集数据包括由摄像头采集的道路图像数据、由车流检测装置采集的车流流量数据和由定位装置获得的定位数据，并将检测分机所采集的数据根据定位数据为标签通过网络上传至中心服务器；
S200,在所述中心服务器中，对所述车流流量数据进行分析预测道路形变指数，划分对道路图像数据的优先级和处理方式；
S300,根据道路图像数据进行道路损伤状态监控分析，提取和识别道路图像数据中的道路缺陷数据；
S400,将所获得的道路缺陷数据根据其道路图像数据所对应的检测分机的定位数据确定所对应的管理分机，并将该道路缺陷数据信息传递至此管理分机中；由该区域管理对发生损伤的道路进行维护。
作为上述实施例的优化方案，为了提高服务器运算效率和避免运算资源的浪费，对城市道路进行优先级划分，大大提高了整个系统的监控效率和精准度，在所述S200中，对所述车流流量数据进行分析预测道路形变指数，划分对道路图像数据的优先级和处理方式，包括步骤：
S201,对所述车流流量数据进行分析，预测道路形变指数；
由所述车流检测装置采集的车流流量数据，将所述车流流量数据根据车型对车流流量数据进行划分，获得该道路所通过车辆的数量和不同车型的数据，所述车型包括货车、客车和小型车；根据该道路通过车辆的数量和不同车型的数据，预测道路形变指数。
S202,根据所述道路形变指数，确定道路的监控等级；
对所述车流流量数据进行分析，预测道路形变指数，包括步骤：
收集车流信息历史数据和道路变形状态数据，对所收集的车流信息历史数据和道路变形状态数据的进行统计分析，经过神经网络学习构建，获得道路变形预测模型；所述道路变形预测模型中输入为车流流量数据，输出为道路变形数据；
以实时检测的车辆的数量和不同车型的数据，建立测试样本输入所述道路变形预测模型，由道路变形预测模型输出预测的道路变形数据；
根据对道路变形数据根据阈值进行划分，将一个阈值跨度范围内的道路变形状态作为一个道路形变指数，建立多个等级道路形变指数。
S203,根据所述监控等级划分，设定该检测分机所上传的道路图像数据进行道路损伤状态监控分析的处理周期，实现图像识别优化管理。
在所述步骤S203中，对不同的监控等级，设定该检测分机所上传的道路图像数据进行道路损伤状态监控分析的处理周期；监控等级越高，处理周期越短，检测频率越高。便于对车流量大的路段进行优先监控，对服务器的运算量进行优化管理，减少资源的浪费。
作为上述实施例的优化方案，为了准确且快速的识别采集图像中的道路损伤缺陷，通过建立深度学习的神经网络模型，在所述S300中，根据道路图像数据进行道路损伤状态监控分析，提取和识别道路图像数据中的道路缺陷数据，包括步骤：
获取大量道路损伤图像作为训练样本，经过神经网络学习构建，获得道路损伤识别模型；
将所采集的道路图像数据作为测试样本，通过道路损伤识别模型训练，输出图像中的道路损伤数据。
为配合本发明方法的实现，基于相同的发明构思，如图2所示，本发明还提供了一种城市道路损伤监测维护系统，包括中心服务器、检测分机和管理分机,
在城市每条道路上布设有独自的检测分机，以天网形式布设在城市中每条道路的检测分机均通过网络与中心服务器相互通讯；由检测分机实时获取所设立方位道路的采集数据包括道路图像数据、车流流量数据和定位数据，并将检测分机所采集的数据根据定位数据为标签通过网络上传至中心服务器；
所述中心服务器，对所述车流流量数据进行分析预测道路形变指数，划分对道路图像数据的优先级和处理方式；根据道路图像数据进行道路损伤状态监控分析，提取和识别道路图像数据中的道路缺陷数据；将所获得的道路缺陷数据根据其道路图像数据所对应的检测分机的定位数据确定所对应的管理分机，并将该道路缺陷数据信息传递至此管理分机中；
所述中心服务器上还与分布在城市各个区域的道路管理处的管理分机相连，由该区域管理的管理分机接受到损伤信息后，对发生损伤的道路进行维护。
其中，所述检测分机包括摄像头、车流检测装置、定位装置、控制器和网络传输装置，所述摄像头、定位装置和车流检测装置均连接至控制器，在所述控制器上还连接有网络传输装置，所述网络传输装置通过互联网和中心服务器相互通讯连接。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种城市道路损伤监测维护方法，其特征在于，通过在城市每条道路上布设有包括摄像头、车流检测装置和定位装置的检测分机，在城市各个区域道路管理处的设置管理分机，并将各个检测分机通过网络连接至中心服务器，所述中心服务器与各管理分机连接，维护方法具体包括以下步骤：
S100,由检测分机实时获取所设立方位道路的采集数据包括由摄像头采集的道路图像数据、由车流检测装置采集的车流流量数据和由定位装置获得的定位数据，并将检测分机所采集的数据根据定位数据为标签通过网络上传至中心服务器；
S200,在所述中心服务器中，对所述车流流量数据进行分析预测道路形变指数，划分对道路图像数据的优先级和处理方式；
S300,根据道路图像数据进行道路损伤状态监控分析，提取和识别道路图像数据中的道路缺陷数据；
S400,将所获得的道路缺陷数据根据其道路图像数据所对应的检测分机的定位数据确定所对应的管理分机，并将该道路缺陷数据信息传递至此管理分机中；由该区域管理对发生损伤的道路进行维护。
2.根据权利要求1所述的一种城市道路损伤监测维护方法，其特征在于，在所述S200中，对所述车流流量数据进行分析预测道路形变指数，划分对道路图像数据的优先级和处理方式，包括步骤：
S201,对所述车流流量数据进行分析，预测道路形变指数；
S202,根据所述道路形变指数，确定道路的监控等级；
S203,根据所述监控等级划分，设定该检测分机所上传的道路图像数据进行道路损伤状态监控分析的处理周期，实现图像识别优化管理。
3.根据权利要求2所述的一种城市道路损伤监测维护方法，其特征在于，所述S201车流流量数据进行分析包括：由所述车流检测装置采集的车流流量数据，将所述车流流量数据根据车型对车流流量数据进行划分，获得该道路所通过车辆的数量和不同车型的数据，所述车型包括货车、客车和小型车；根据该道路通过车辆的数量和不同车型的数据，预测道路形变指数。
4.根据权利要求3所述的一种城市道路损伤监测维护方法，其特征在于，所述S201对所述车流流量数据进行分析，预测道路形变指数，包括以下步骤：
收集车流信息历史数据和道路变形状态数据，对所收集的车流信息历史数据和道路变形状态数据的进行统计分析，经过神经网络学习构建，获得道路变形预测模型；所述道路变形预测模型中输入为车流流量数据，输出为道路变形数据；
以实时检测的车辆的数量和不同车型的数据，建立测试样本输入所述道路变形预测模型，由道路变形预测模型输出预测的道路变形数据；
根据对道路变形数据根据阈值进行划分，将一个阈值跨度范围内的道路变形状态作为一个道路形变指数，建立多个等级道路形变指数。
5.根据权利要求2所述的一种城市道路损伤监测维护方法，其特征在于，在所述步骤S203中，对不同的监控等级，设定该检测分机所上传的道路图像数据进行道路损伤状态监控分析的处理周期；监控等级越高，处理周期越短，检测频率越高。
6.根据权利要求1所述的一种城市道路损伤监测维护方法，其特征在于，在所述S300中，根据道路图像数据进行道路损伤状态监控分析，提取和识别道路图像数据中的道路缺陷数据，包括步骤：
获取大量道路损伤图像作为训练样本，经过神经网络学习构建，获得道路损伤识别模型；
将所采集的道路图像数据作为测试样本，通过道路损伤识别模型训练，输出图像中的道路损伤数据。
7.一种城市道路损伤监测维护系统，其特征在于，包括中心服务器、检测分机和管理分机,
所述检测分机，以天网形式布设在城市中每条道路上，每台检测分机均通过网络与中心服务器相互通讯；由检测分机实时获取所设立方位道路的采集数据包括道路图像数据、车流流量数据和定位数据，并将检测分机所采集的数据根据定位数据为标签通过网络上传至中心服务器；
所述中心服务器，对所述车流流量数据进行分析预测道路形变指数，划分对道路图像数据的优先级和处理方式；根据道路图像数据进行道路损伤状态监控分析，提取和识别道路图像数据中的道路缺陷数据；将所获得的道路缺陷数据根据其道路图像数据所对应的检测分机的定位数据确定所对应的管理分机，并将该道路缺陷数据信息传递至此管理分机中；
所述中心服务器上还与分布在城市各个区域的道路管理处的管理分机相连，由该区域管理的管理分机接受到损伤信息后，对发生损伤的道路进行维护。
8.根据权利要求7所述的一种城市道路损伤监测维护系统，其特征在于，所述检测分机包括摄像头、车流检测装置、定位装置、控制器和网络传输装置，所述摄像头、定位装置和车流检测装置均连接至控制器，在所述控制器上还连接有网络传输装置，所述网络传输装置通过互联网和中心服务器相互通讯连接。
CN201910929795.7A 2019-09-29 2019-09-29 一种城市道路损伤监测维护方法及系统 Pending CN110636134A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910929795.7A CN110636134A (zh) 2019-09-29 2019-09-29 一种城市道路损伤监测维护方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910929795.7A CN110636134A (zh) 2019-09-29 2019-09-29 一种城市道路损伤监测维护方法及系统

Publications (1)

Publication Number Publication Date
CN110636134A true CN110636134A (zh) 2019-12-31

Family

ID=68973232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910929795.7A Pending CN110636134A (zh) 2019-09-29 2019-09-29 一种城市道路损伤监测维护方法及系统

Country Status (1)

Country Link
CN (1) CN110636134A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022056677A1 (zh) * 2020-09-15 2022-03-24 西门子股份公司 监测、采集、分析系统及其方法、设备、存储介质、程序和程序产品
CN116858851A (zh) * 2023-06-21 2023-10-10 清华大学 道路损伤检测方法、装置、计算机设备和存储介质
CN116975981A (zh) * 2023-08-11 2023-10-31 江苏全心建设有限公司 一种基于bim的城市道路铺设方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104332053A (zh) * 2014-11-13 2015-02-04 深圳大学 一种基于小型无人机的道路交通巡检系统及其巡检方法
US20160189552A1 (en) * 2014-11-19 2016-06-30 The Island Radar Company Railroad crossing and adjacent signalized intersection vehicular traffic control preemption systems and methods
CN107908879A (zh) * 2017-11-17 2018-04-13 东南大学 一种混凝土梁桥疲劳性能评估方法
CN108490163A (zh) * 2018-05-25 2018-09-04 四川长虹网络科技有限责任公司 道路缺陷检测设备、检测车、检测系统及检测方法
CN108803312A (zh) * 2018-04-19 2018-11-13 彭楷文 一种新型道路损坏检测系统
CN108986448A (zh) * 2018-07-23 2018-12-11 石家庄铁道大学 一种交通设施管理方法及终端设备
CN110057515A (zh) * 2019-03-22 2019-07-26 天津大学 一种基于深度学习的桥梁缺陷检测系统和方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104332053A (zh) * 2014-11-13 2015-02-04 深圳大学 一种基于小型无人机的道路交通巡检系统及其巡检方法
US20160189552A1 (en) * 2014-11-19 2016-06-30 The Island Radar Company Railroad crossing and adjacent signalized intersection vehicular traffic control preemption systems and methods
CN107908879A (zh) * 2017-11-17 2018-04-13 东南大学 一种混凝土梁桥疲劳性能评估方法
CN108803312A (zh) * 2018-04-19 2018-11-13 彭楷文 一种新型道路损坏检测系统
CN108490163A (zh) * 2018-05-25 2018-09-04 四川长虹网络科技有限责任公司 道路缺陷检测设备、检测车、检测系统及检测方法
CN108986448A (zh) * 2018-07-23 2018-12-11 石家庄铁道大学 一种交通设施管理方法及终端设备
CN110057515A (zh) * 2019-03-22 2019-07-26 天津大学 一种基于深度学习的桥梁缺陷检测系统和方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022056677A1 (zh) * 2020-09-15 2022-03-24 西门子股份公司 监测、采集、分析系统及其方法、设备、存储介质、程序和程序产品
CN116858851A (zh) * 2023-06-21 2023-10-10 清华大学 道路损伤检测方法、装置、计算机设备和存储介质
CN116975981A (zh) * 2023-08-11 2023-10-31 江苏全心建设有限公司 一种基于bim的城市道路铺设方法及系统
CN116975981B (zh) * 2023-08-11 2024-02-09 江苏全心建设有限公司 一种基于bim的城市道路铺设方法及系统

Similar Documents

Publication Publication Date Title
Doshi et al. Road damage detection using deep ensemble learning
CN110636134A (zh) 一种城市道路损伤监测维护方法及系统
Angulo et al. Road damage detection acquisition system based on deep neural networks for physical asset management
US9365217B2 (en) Mobile pothole detection system and method
CN111623868B (zh) 用于钢轨波磨识别的卷积神经网络构建方法
Naddaf-Sh et al. Real-time road crack mapping using an optimized convolutional neural network
CN110658209A (zh) 一种随车道路缺陷智能快速检测方法
CN113037783B (zh) 一种异常行为检测方法及系统
CN115439643A (zh) 一种基于单目测量的道路病害尺寸分析与管理方法
US20220120727A1 (en) Detecting equipment defects using lubricant analysis
CN116168356B (zh) 一种基于计算机视觉的车辆损伤判别方法
CN109766794B (zh) 一种自动化实时道路检测方法及其系统
Mehajabin et al. Real-time deep learning based road deterioration detection for smart cities
CN115905348A (zh) 一种多源异构数据的行业用电异常预警方法及系统
CN111127884A (zh) 基于车辆行为的长下坡路段车辆失速判别方法系统
CN115984263A (zh) 基于改进型孪生神经网络的螺栓松动检测算法及检测系统
CN115512098A (zh) 一种桥梁电子化巡检系统及巡检方法
CN115392372A (zh) 一种电力数据处理方法、装置、介质以及电子设备
CN112668634B (zh) 基于深度学习的地下管网自动识别检测的云系统
Katsamenis et al. Evaluating YOLO transferability limitation for road infrastructures monitoring
Exner et al. Monitoring Street Infrastructures with Artificial Intelligence
Jia et al. An object detection network for wear debris recognition in ferrography images
CN112149562A (zh) 基于多功能杆的道路智慧养护系统及方法
Hasanaath et al. Continuous and realtime road condition assessment using deep learning
CN117575165B (zh) 一种数字化配电网的智能巡检管理方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191231