CN111080620B - 一种基于深度学习的道路病害检测方法 - Google Patents
一种基于深度学习的道路病害检测方法 Download PDFInfo
- Publication number
- CN111080620B CN111080620B CN201911289720.3A CN201911289720A CN111080620B CN 111080620 B CN111080620 B CN 111080620B CN 201911289720 A CN201911289720 A CN 201911289720A CN 111080620 B CN111080620 B CN 111080620B
- Authority
- CN
- China
- Prior art keywords
- road
- image
- deep learning
- disease detection
- method based
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 62
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 62
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000013135 deep learning Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000010008 shearing Methods 0.000 claims description 3
- 241000272525 Anas platyrhynchos Species 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 14
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 241000283070 Equus zebra Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T2207/20—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
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的道路病害检测方法，其包括以下步骤：(S1)获取道路的图像；(S2)将道路的图像输入到深度学习识别模型，以获得病害检测识别结果；(S3)对所述病害检测识别结果进行校正；(S4)对识别出道路病害的图像附加GPS坐标、道路名称以及道路病害的类型。本发明采用的方法可实现病害自动检测，检测人员仅需在养护车内，即可获得路面信息，全程无需人工干预，大大降低了人员工作强度。在实施本方法时，仅需在养护车辆车顶上方安装高清摄像机，工控机、路由器等设备均放置于驾驶位下方或后备箱内，不影响车辆美观且车辆改造方便。
Description
技术领域
本发明涉及智能交通技术领域，具体涉及一种基于深度学习的道路病害检测方法。
背景技术
随着经济的发展，我国公路设施投入成本逐年增大，公路养护工作也是我们一直关注的问题。公路建成后受到气候、地质条件、通行量、载荷量等因素的影响，随着年限的增加，道路会出现不同程度的损坏，道路养护部门需定期对公路进行检测及维护。目前对道路病害的检测主要依据人工检测方法，工作人员长期在户外工作，检测效率较低且工作环境恶劣，如何实现路面病害的自动化检测，是道路养护目前主要的研究内容。
发明内容
本发明的目的是根据上述现有技术的不足之处，提供一种基于深度学习的道路病害检测方法，该方法将深度学习技术与传统的图像处理技术相结合，实现了对道路病害的自动化检测。
为了实现上述目的，本发明提供了一种基于深度学习的道路病害检测方法，其包括以下步骤：
(S1)获取道路的图像；
(S2)将道路的图像输入到深度学习识别模型，以获得病害检测识别结果；
(S3)对所述病害检测识别结果进行校正；
(S4)对识别出道路病害的图像附加GPS坐标、道路名称以及道路病害的类型；
其中，在步骤(S2)中，所采用的深度学习识别模型为YOLO-v3算法模型；所述深度学习识别模型的训练过程包括以下步骤：
(S21)构建数据集，对数据集中每种道路病害的正样本图像进行标记；
(S22)对所述数据集进行增强，增强过程采用的方法包括Mix-up、添加负样本、通过填鸭式图像处理增加正样本、数据集扩充以及数据集均衡中的一种或多种的组合；
(S23)将所述数据集按照9：1的比例划分为训练集以及验证集，并使用训练集对YOLO-v3算法模型进行训练，得到深度学习识别模型的权重。
本发明的进一步改进在于，所述道路病害的类型包括道路窨井盖高差超标、道路标线不清、道路裂缝、道路坑槽。
本发明的进一步改进在于，当所述病害检测识别结果为道路裂缝时，对所述病害检测识别结果进行校正，以区分未修补裂缝以及已修补裂缝，校正过程包括以下步骤：
(S31)根据深度学习识别模型的识别结果，按照阈值T对检出道路裂缝的图像进行目标分裂；
(S32)采用3×3的模板对目标分裂后的图像进行膨胀；
(S33)对膨胀后的图像进行滤波；
(S34)对滤波后的图像进行连通域标记，并统计连通域的宽度；若连通域的宽度大于滤除阈值，将该图像的病害检测识别结果修改为已修补裂缝。
本发明的进一步改进在于，添加负样本的过程包括以下步骤：
(201)在使用验证集对深度学习识别模型进行验证的过程中，找出识别错误的图像，并找出该图像对应的原始图像帧；
(202)制作一个与该原始图像帧对应的空白xml文件；
(203)将所述原始图像帧以及所述xml文件添加到数据集中。
本发明的进一步改进在于，通过填鸭式图像处理增加正样本的过程中，选取若干识别出道路病害的图像，从中获取识别目标，并将获取的识别目标添加至正常的图像中，获得新的正样本。
本发明的进一步改进在于，对数据集进行均衡的过程中，重新构造数据集的每一类个数，并减少数据量比较大的类，并且复制数据量比较小的类。
本发明的进一步改进在于，在数据集扩充的过程中，对数据集中的图像进行水平镜像，垂直镜像，随机的剪切、缩放、旋转、对比度变换、添加噪声等处理得到新的图像样本。
本发明的优点是：目前道路病害检测主要依据人工，工作环境恶劣且危险性高。本发明采用的方法可实现病害自动检测，检测人员仅需在养护车内，即可获得路面信息，全程无需人工干预，大大降低了人员工作强度。在实施本方法时，仅需在养护车辆车顶上方安装高清摄像机，工控机、路由器等设备均放置于驾驶位下方或后备箱内，不影响车辆美观且车辆改造方便。
附图说明
图1为本发明基于深度学习的道路病害检测方法的流程图；
图2为Darknet网络模型结构图；
图3为对识别结果进行校正的传统算法的流程图；
图4为包含修补过的裂缝的图像样本。
具体实施方式
以下结合附图通过实施例对本发明的特征及其它相关特征作进一步详细说明，以便于同行业技术人员的理解：
实施例：如图1所示，本发明的实施例包括一种基于深度学习的道路病害检测方法，该方法缓解养护人员工作压力，提高检测准确率。该方法主要对其中的道路窨井盖高差、标线不清、裂缝、坑槽等道路病害进行检测，并将检测结果上传至后台，整个过程全部自动完成无需人工干预。该方法包括以下步骤：
(S1)获取道路的图像。
图像的获取，可以在养护车辆上安装摄像机、车载处理器、平板控制器及4G无线路由器等设备。养护车辆上设置有高清车载摄像机、车载处理器、平板控制器以及高速4G无线路由器。高清车载摄像机用于获取实时视频、录像；车载处理器用于运行病害检测软件，获取病害检测结果；平板控制器用于摄像机控制、手动抓拍、检测结果查看等；高速4G无线路由器用于TCP通信，将视频、图像、病害数据传输至后台。
(S2)将道路的图像输入到深度学习识别模型，以获得病害检测识别结果。
本实施例中采用的深度学习识别模型为YOLO-v3算法模型。YOLO-v3是基于darknet深度学习计算框架的目标检测开源算法，darknet精巧强悍，其源码由C语言和CUDA底层编写，代码结构严谨，速度快，充分发挥多核处理器和GPU并行运算的功能，完美地体现了YOLO-v3的算法模型特点；同时它在尺寸中等偏小的物体上有非常高的准确率，故选择YOLO-v3用于道路病害的实时检测。
Yolo-v3在预测图片上采用的是端对端的检测，将整个图片分为S*S个区域，如果一个物体的中心落在某个区域上，则对应的网络会对它进行检测。其中每个网络，都有一个预测区域，每次预测时有四个坐标参数，左上角的坐标tx、ty，宽度和高度tw、th及置信度，置信度是逻辑回归的产物。置信度用于判断预测趋于是否会被忽略，如果不被忽略，则进行多标签分类的逻辑回归，从而贴上标签。
Darknet-53这个网络主要是由一系列的1x1和3x3的卷积层组成(每个卷积层后都会跟一个BN层和一个LeakyReLU层，因为网络中有53个convolutional layers，所以叫做Darknet-53。
Yolo-v3的损失函数主要分为三个部分：目标定位偏移量损失Lloc(l,g)，目标置信度损失Lconf(o,c)以及目标分类损失Lcla(O,C)，其中λ1,λ2,λ3是平衡系数。Yolo-v3的损失函数具体为：
L(O,o,C,c,l,g)＝λ1Lconf(o,c)+λ2Lcla(O,C)+λ3Lloc(l,g)
图2为针对图像尺寸为416*416绘制的YOLO-v3中Darknet网络模型结构图。对于一张416*416大小的图片输入，经过多层的深度卷积，降维至52、26和13，在52、26和13维分别有三个全卷积特征提取器，对应的是右边的Convolutional Set，这就是特征提取器的内部卷积核结构，1*1的卷积核用于降维，3*3的卷积核用于提取特征，多个卷积核交错达到目的。每个全卷积特征层是有连接的，在图中为Concatenate标志，意味着当前特征层的输入有来自于上一层的输出的一部分。每个特征层都有一个输出Predict，即预测结果，最后根据置信度大小对结果进行回归，得到最终的预测结果，这就是整个YOLO-v3中Darknet网络算法的特点和流程。
在步骤(S2)中，深度学习识别模型的训练过程包括以下步骤：
(S21)构建数据集，对数据集中每种道路病害的正样本图像进行标记。在此过程中，收集大量存在窨井盖高差、标线不清、斑马线不清、坑槽、裂缝等道路病害的图片，并进行标定。道路病害的类型包括道路窨井盖高差超标、道路标线不清、道路裂缝、道路坑槽。
(S22)对所述数据集进行增强，增强过程采用的方法包括Mix-up、添加负样本、通过填鸭式图像处理增加正样本、数据集扩充以及数据集均衡；抑制树枝，阴影，修补过的裂缝等非目标物体的检测，扰动数据集的多样性，抑制模型的过拟合，提升模型的鲁棒性。
Mix-up是一种和数据无关的数据增强原则，mixup是邻域风险最小化的一种形式，将mixup集成到现有的训练管道中仅需要几行代码，并且很少或几乎没有计算开销。在广泛的评估中，结果已经表明，mixup改进了当前最先进的模型在ImageNet、CIFAR、语音和表格数据集中的泛化误差。此外，mixup有助于有助于消除对错误标签的记忆。
填鸭式图像处理增加正样本的过程中，选取若干识别出道路病害的图像，从中获取识别目标(也可以是误检的)，并将获取的识别目标添加至正常的图像中，获得新的正样本，以增加图像的鲁棒性。添加过程中，让目标在正常的图像中的随机位置填充，并且随机旋转和缩放。
添加负样本的过程包括以下步骤：(201)在使用验证集对深度学习识别模型进行验证的过程中，找出识别错误的图像，并找出该图像对应的原始图像帧；(202)制作一个与该原始图像帧对应的空白xml文件；(203)将所述原始图像帧以及所述xml文件添加到数据集中。通过添加负样本可降低误报率，增强算法的鲁棒性。
数据集进行均衡的过程中，重新构造数据集的每一类个数，并减少数据量比较大的类(减采样)，并且复制数据量比较小的类(增采样)，使得每个道路病害类型对应的正样本的数量较为均衡。
在数据集扩充的过程中，对数据集中的图像进行水平镜像，垂直镜像，随机的剪切、缩放、旋转、对比度变换、添加噪声等处理得到新的图像样本。另外，图片被各种处理的同时，自动生成新的xml打标文件。
(S23)将所述数据集按照9：1的比例划分为训练集以及验证集，并使用训练集对YOLO-v3算法模型进行训练，得到深度学习识别模型的权重。现有技术中一般数据集采用训练集和验证集的比例采用7：3，与之相比，本实施例中数据集按照9：1的比例划分为训练集以及验证集，这种划分方式可以在数据集数量偏少的情况下，有效提升目标检测效果，弥补了数据集数量偏少等问题。
在步骤(S23)中，学习率Learning采用0.0001训练，可以有效减小损失值。在训练过程中，可以画出随着不同参数训练集测试集的改变情况，观察它们的走势图来分析到底什么时候的参数比较合适。通过观察走势可得出以下两点内容：1)不同学习率与loss的曲线图，横坐标是epoch，纵坐标是loss或者正确率；2)不同的batchsize与loss的曲线图，横坐标是epoch，纵坐标是loss或者正确率。
(S3)对病害检测识别结果进行校正；
由于道路情况较为复杂，修补过的裂缝与实际裂缝具有极强的相似性，使用深度学习算法无法完全将该情况剔除，针对此种情况，本方法结合传统的视频图像处理算法对裂缝检测结果进行过滤校正，以提高检测结果准确率。本实施例采用的传统算法的流程图如图3所示，校正过程包括以下步骤：
(S31)根据深度学习识别模型的识别结果，对检出道路裂缝的图像进行目标分裂。该步骤的原理为：裂缝本身与路面具有一定的差异，通过寻找合适的阈值，即可实现路面与裂缝的分割。
设深度学习模块获取到裂缝所在区域的宽度为w，高度为h，通过直方图统计法计算出该区域内分割阈值为T，所谓的直方图统计法即统计裂缝所在区域内的灰度值分布情况，将出现次数最多的灰度值作为目标分割的阈值，并按照如下关系表对该区域进行目标分割。
| 0 | 0 |
| 1 | 0 |
| 2 | 0 |
| … | 0 |
| T-1 | 0 |
| T | 255 |
| T+1 | 255 |
| T+2 | 255 |
| … | 255 |
| 255 | 255 |
(S32)采用3×3的模板对目标分裂后的图像进行膨胀；由于识别结果中部分裂缝较细，为凸显其特征，本方法选择3*3的模板对图像进行膨胀处理，获取裂缝图像膨胀结果。
(S33)对膨胀后的图像进行滤波；当对裂缝区域使用膨胀处理后，可能引入部分噪声，本方法使用中值滤波对病害区域图像进行平滑处理，去除高频噪声。
(S34)对滤波后的图像进行连通域标记，并统计连通域的宽度；若连通域的宽度大于滤除阈值，将该图像的病害检测识别结果修改为已修补裂缝。本方法使用基于行程的标记方法实现连通域标记，具体算法描述如下：
(S34.1)逐行扫描图像，将每一行中连续的白色像素组成一个序列称为一个团，并记下它的起点、终点以及其所在行号；
(S34.2)对于除了第一行外的所有行里的团，如果它与前一行中的所有团都没有重合区域，则给它一个新的标号；如果它仅与上一行中一个团有重合区域，则将上一行的那个团的标号赋给它；如果它与上一行的2个以上的团有重叠区域，则给当前团赋一个相连团的最小标号，并将上一行的这几个团的标记写入等价对，说明他们属于一类；
(S34.3)将等价对转换为等价序列，每一个序列需要给一相同的标号，因为它们都是等价的。从1开始，给每个等价序列一个标号；
(S34.4)遍历开始团的标记，查找等价序列，给予它们新的标记；
(S34.5)将每个团的标号填入标记图像中。
相较于普通裂缝，修补过的裂缝如图4所示，其宽度较宽，故当获取到裂缝结果的连通域后，可根据连通域宽度，剔除宽度过大的裂缝，步骤(S31)中的阈值T的选取根据大量的实验结果测试，获取合适的阈值。
(S4)对识别出道路病害的图像附加GPS坐标、道路名称以及道路病害的类型，并将识别结果上传，以便通知相关的养护单位对道路病害进行养护。
在具体实施本实施例的方法的过程中，养护人员应按照如下步骤进行操作：
1)当养护人员发动车辆后，相机及工控机自动上电，并自动运行检测软件，相机根据车辆运行情况，实时获得养护路面视频；
2)实时视频经过已训练过的深度学习训练权重获取道路病害识别结果；
3)使用传统视频图像处理技术对裂缝检测结果进行校正，获取最终识别结果；
4)叠加病害发生时的GPS位置、路名等信息，将病害图片、视频、消息上传至后台，供养护人员后期查看。
以上的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、同替换和改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于深度学习的道路病害检测方法，其特征在于，包括以下步骤：
(S1)获取道路的图像；
(S2)将道路的图像输入到深度学习识别模型，以获得病害检测识别结果；所述道路病害的类型包括道路窨井盖高差超标、道路标线不清、道路裂缝、道路坑槽；
(S3)对所述病害检测识别结果进行校正；当所述病害检测识别结果为道路裂缝时，对所述病害检测识别结果进行校正，以区分未修补裂缝以及已修补裂缝，校正过程包括以下步骤：
(S31)根据深度学习识别模型的识别结果，按照阈值T对检出道路裂缝的图像进行目标分裂；
(S32)采用3×3的模板对目标分裂后的图像进行膨胀；
(S33)对膨胀后的图像进行滤波；
(S34)对滤波后的图像进行连通域标记，并统计连通域的宽度；若连通域的宽度大于滤除阈值，将该图像的病害检测识别结果修改为已修补裂缝；
(S4)对识别出道路病害的图像附加GPS坐标、道路名称以及道路病害的类型；
其中，在步骤(S2)中，所采用的深度学习识别模型为YOLO-v3算法模型；所述深度学习识别模型的训练过程包括以下步骤：
(S21)构建数据集，对数据集中每种道路病害的正样本图像进行标记；
(S22)对所述数据集进行增强，增强过程采用的方法包括Mix-up、添加负样本、通过填鸭式图像处理增加正样本、数据集扩充以及数据集均衡中的一种或多种的组合；
(S23)将所述数据集按照9：1的比例划分为训练集以及验证集，并使用训练集对YOLO-v3算法模型进行训练，得到深度学习识别模型的权重。
2.根据权利要求1所述的一种基于深度学习的道路病害检测方法，其特征在于，添加负样本的过程包括以下步骤：
(201)在使用验证集对深度学习识别模型进行验证的过程中，找出识别错误的图像，并找出该图像对应的原始图像帧；
(202)制作一个与该原始图像帧对应的空白xml文件；
(203)将所述原始图像帧以及所述xml文件添加到数据集中。
3.根据权利要求1所述的一种基于深度学习的道路病害检测方法，其特征在于，通过填鸭式图像处理增加正样本的过程中，选取若干识别出道路病害的图像，从中获取识别目标，并将获取的识别目标添加至正常的图像中，获得新的正样本。
4.根据权利要求1所述的一种基于深度学习的道路病害检测方法，其特征在于，对数据集进行均衡的过程中，重新构造数据集的每一类个数，并减少数据量比较大的类，并且复制数据量比较小的类。
5.根据权利要求1所述的一种基于深度学习的道路病害检测方法，其特征在于，在数据集扩充的过程中，对数据集中的图像进行水平镜像，垂直镜像，随机的剪切、缩放、旋转、对比度变换、添加噪声等处理得到新的图像样本。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911289720.3A CN111080620B (zh) | 2019-12-13 | 2019-12-13 | 一种基于深度学习的道路病害检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911289720.3A CN111080620B (zh) | 2019-12-13 | 2019-12-13 | 一种基于深度学习的道路病害检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111080620A CN111080620A (zh) | 2020-04-28 |
| CN111080620B true CN111080620B (zh) | 2024-03-19 |
Family
ID=70314646
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911289720.3A Active CN111080620B (zh) | 2019-12-13 | 2019-12-13 | 一种基于深度学习的道路病害检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111080620B (zh) |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111749092A (zh) * | 2020-06-02 | 2020-10-09 | 交通运输部公路科学研究所 | 基于噪声信号识别的多孔沥青路面飞散病害检测方法 |
| CN111784657A (zh) * | 2020-06-29 | 2020-10-16 | 福建中航赛凡信息科技有限公司 | 一种基于数字图像的水泥路面病害自动识别的系统及方法 |
| CN111767874B (zh) * | 2020-07-06 | 2024-02-13 | 中兴飞流信息科技有限公司 | 一种基于深度学习的路面病害检测方法 |
| CN112184625A (zh) * | 2020-09-01 | 2021-01-05 | 燊赛(上海)智能科技有限公司 | 一种基于视频深度学习的路面缺陷识别方法和系统 |
| 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 |
| CN112633055A (zh) * | 2020-10-22 | 2021-04-09 | 北京工业大学 | 一种基于路面病害检测的通用自动驾驶导航系统 |
| CN112215203A (zh) * | 2020-11-02 | 2021-01-12 | 坝道工程医院(平舆) | 一种基于深度学习的路面病害检测方法和装置 |
| CN112541531A (zh) * | 2020-12-02 | 2021-03-23 | 武汉光庭信息技术股份有限公司 | 一种道路视频数据的采集处理系统及方法 |
| CN112465794A (zh) * | 2020-12-10 | 2021-03-09 | 无锡卡尔曼导航技术有限公司 | 一种基于YOLOv4和嵌入式平台的高尔夫球检测方法 |
| CN112614342B (zh) * | 2020-12-10 | 2022-08-30 | 大唐高鸿智联科技(重庆)有限公司 | 一种道路异常事件的预警方法、车载设备及路侧设备 |
| CN112508030A (zh) * | 2020-12-18 | 2021-03-16 | 山西省信息产业技术研究院有限公司 | 一种基于双深度学习模型的隧道裂缝检测及测量方法 |
| CN112817006B (zh) * | 2020-12-29 | 2024-02-09 | 深圳市广宁股份有限公司 | 一种车载智能道路病害检测方法及系统 |
| CN113255524B (zh) * | 2021-05-27 | 2022-08-16 | 山东省交通规划设计院集团有限公司 | 一种基于YOLO v4的路面信息识别方法及系统 |
| CN113744258A (zh) * | 2021-09-13 | 2021-12-03 | 贵州春芯科技有限公司 | 辣椒病害识别方法、装置、电子设备及存储介质 |
| CN113808098A (zh) * | 2021-09-14 | 2021-12-17 | 丰图科技(深圳)有限公司 | 道路病害识别方法、装置、电子设备及可读存储介质 |
| CN114495068B (zh) * | 2022-04-18 | 2022-07-08 | 河北工业大学 | 基于人机交互和深度学习的路面健康检测方法 |
| CN115326809B (zh) * | 2022-08-02 | 2023-06-06 | 山西省智慧交通研究院有限公司 | 一种隧道衬砌表观裂纹检测方法及检测装置 |
| CN115272300B (zh) * | 2022-09-20 | 2023-01-06 | 中电信数字城市科技有限公司 | 一种路面病害检测方法、系统、装置、设备及介质 |
| CN116485843B (zh) * | 2023-05-24 | 2024-08-06 | 江苏全栈智能科技有限公司 | 一种道路病害识别追踪方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898085A (zh) * | 2018-06-20 | 2018-11-27 | 安徽大学 | 一种基于手机视频的道路病害智能检测方法 |
| WO2019134252A1 (zh) * | 2018-01-03 | 2019-07-11 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
| CN110189317A (zh) * | 2019-05-30 | 2019-08-30 | 上海卡罗网络科技有限公司 | 一种基于深度学习的道路影像智能采集和识别方法 |
| CN110533640A (zh) * | 2019-08-15 | 2019-12-03 | 北京交通大学 | 基于改进YOLOv3网络模型的轨道线路病害辨识方法 |
-
2019
- 2019-12-13 CN CN201911289720.3A patent/CN111080620B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019134252A1 (zh) * | 2018-01-03 | 2019-07-11 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
| CN108898085A (zh) * | 2018-06-20 | 2018-11-27 | 安徽大学 | 一种基于手机视频的道路病害智能检测方法 |
| CN110189317A (zh) * | 2019-05-30 | 2019-08-30 | 上海卡罗网络科技有限公司 | 一种基于深度学习的道路影像智能采集和识别方法 |
| CN110533640A (zh) * | 2019-08-15 | 2019-12-03 | 北京交通大学 | 基于改进YOLOv3网络模型的轨道线路病害辨识方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈旭丹 ; 姜男 ; 董丽娜 ; 田卫群 ; 吴向菊 ; 曾鹏飞 ; 杨帆 ; .基于深度学习YOLO模型的高原山区沥青路面病害自动识别.公路交通科技(应用技术版).2019,(11),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111080620A (zh) | 2020-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111080620B (zh) | 一种基于深度学习的道路病害检测方法 | |
| CN111553929B (zh) | 基于融合网络的手机屏幕缺陷分割方法、装置及设备 | |
| Wei et al. | Multi-target defect identification for railway track line based on image processing and improved YOLOv3 model | |
| Liu et al. | FPCNet: Fast pavement crack detection network based on encoder-decoder architecture | |
| CN112967243A (zh) | 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法 | |
| CN110060237A (zh) | 一种故障检测方法、装置、设备及系统 | |
| CN111914698B (zh) | 图像中人体的分割方法、分割系统、电子设备及存储介质 | |
| CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
| CN111209858B (zh) | 一种基于深度卷积神经网络的实时车牌检测方法 | |
| CN109886159B (zh) | 一种非限定条件下的人脸检测方法 | |
| CN109671071A (zh) | 一种基于深度学习的地下管道缺陷定位及等级判定方法 | |
| CN110826429A (zh) | 一种基于景区视频的旅游突发事件自动监测的方法及系统 | |
| CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
| CN112749673A (zh) | 一种基于遥感影像智能提取储油罐库存的方法及装置 | |
| CN115035097B (zh) | 基于域适应的跨场景带钢表面缺陷检测方法 | |
| CN110991374B (zh) | 一种基于rcnn的指纹奇异点检测方法 | |
| CN113537211A (zh) | 一种基于非对称iou的深度学习车牌框定位方法 | |
| CN113221881A (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
| CN113313678A (zh) | 一种基于多尺度特征融合的精子形态学自动分析方法 | |
| Li et al. | A grid‐based classification and box‐based detection fusion model for asphalt pavement crack | |
| Shao et al. | Generative image inpainting with salient prior and relative total variation | |
| CN118096672A (zh) | 一种基于边缘重建网络的道路表面裂缝检测方法 | |
| Li et al. | OUR-Net: A Multi-Frequency Network With Octave Max Unpooling and Octave Convolution Residual Block for Pavement Crack Segmentation | |
| CN117994240A (zh) | 多尺度二级光学遥感图像条纹噪声智能检测方法及装置 | |
| CN115700737A (zh) | 一种基于视频监控的溢油检测方法 |
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 |