CN111126460A - 基于人工智能的路面病害自动巡检方法、介质、设备及装置 - Google Patents
基于人工智能的路面病害自动巡检方法、介质、设备及装置 Download PDFInfo
- Publication number
- CN111126460A CN111126460A CN201911259636.7A CN201911259636A CN111126460A CN 111126460 A CN111126460 A CN 111126460A CN 201911259636 A CN201911259636 A CN 201911259636A CN 111126460 A CN111126460 A CN 111126460A
- Authority
- CN
- China
- Prior art keywords
- road surface
- detected
- image
- disease
- pavement
- 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.)
- Granted
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 178
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 178
- 238000007689 inspection Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 52
- 230000007547 defect Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 7
- 239000000463 material Substances 0.000 abstract description 15
- 238000010586 diagram Methods 0.000 description 9
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000004075 alteration Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于人工智能的路面病害自动巡检方法、介质、设备及装置,其中方法包括:按照预设频率获取待检测路面图像和所述待检测路面图像对应的定位信息;将所述待检测路面图像输入到训练好的路面病害识别模型,以通过所述路面病害识别模型判断所述待检测路面图像是否为路面病害图像;如果是,则根据所述待检测路面图像和所述待检测路面图像对应的定位信息生成报警信息,以便相关人员根据所述报警信息对路面病害进行处置;能够对路面病害进行自动巡检,有效提高路面病害巡检效率,节约路面病害巡检所需人力和物力。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种基于人工智能的路面病害自动巡检方法、一种计算机可读存储介质、一种计算机设备以及一种基于人工智能的路面病害自动巡检装置。
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,都会陆续出现各种损坏、变形等缺陷,而这些缺陷统称为路面病害。
现有技术中,在对路面病害进行巡检的过程中,多采用人工行车检测,并在检测过程中对病害区域进行拍照、登记等操作,以此完成对于路面病害的检查。这种方式基于人工排查,容易因相关人员的失误而导致路面病害漏检、且需要耗费大量的人力物力,巡检效率较低。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此,本发明的一个目的在于提出一种基于人工智能的路面病害自动巡检方法,能够对路面病害进行自动巡检,有效提高路面病害巡检效率,节约路面病害巡检所需人力和物力。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种基于人工智能的路面病害自动巡检装置。
为达到上述目的,本发明第一方面实施例提出了一种基于人工智能的路面病害自动巡检方法,包括以下步骤:按照预设频率获取待检测路面图像和所述待检测路面图像对应的定位信息;将所述待检测路面图像输入到训练好的路面病害识别模型,以通过所述路面病害识别模型判断所述待检测路面图像是否为路面病害图像;如果是,则根据所述待检测路面图像和所述待检测路面图像对应的定位信息生成报警信息,以便相关人员根据所述报警信息对路面病害进行处置。
根据本发明实施例的基于人工智能的路面病害自动巡检方法,首先,按照预设频率获取待检测路面图像,同时,获取待检测路面图像所对应的定位信息;接着,将待检测路面图像输入到训练好的路面病害识别模型,以通过路面病害识别模型判断该待检测路面图像是否为路面病害图像;然后,如果该待检测路面图像是路面病害图像,则根据待检测路面图像和待检测路面图像对应的定位信息生成报警信息,以便相关人员根据报警信息对路面病害进行处置;从而实现对路面病害进行自动巡检,有效提高路面病害巡检效率,节约路面病害巡检所需人力和物力。
另外,根据本发明上述实施例提出的基于人工智能的路面病害自动巡检方法还可以具有如下附加的技术特征:
可选地,按照预设频率获取待检测路面图像和所述待检测路面图像对应的定位信息,包括:获取待检测路面的视频信息,并根据预设的切分频率将所述视频信息切分为待检测路面图像;获取每张待检测路面图像对应的定位信息,并将所述定位信息转换为桩号信息,以及根据所述桩号信息判断上下行状态,以获取上下行状态信息,以便在所述待检测图像为路面病害图像时,根据所述待检测路面图像、所述桩号信息和所述上下行状态信息生成报警信息。
可选地,在将所述待检测路面图像输入到训练好的路面病害识别模型之前,还包括:判断每张待检测路面图像与上一张待检测路面图像之间的相似度是否大于预设的相似度阈值;如果待检测路面图像与上一张待检测路面图像之间的相似度大于预设的相似度阈值,则认为该待检测路面图像与上一张待检测路面图像的路面状态相同。
为达到上述目的,本发明第二方面实施例提出了一种计算机可读存储介质,其上存储有基于人工智能的路面病害自动巡检程序,该基于人工智能的路面病害自动巡检程序被处理器执行时实现如上述的基于人工智能的路面病害自动巡检方法
根据本发明实施例的计算机可读存储介质,通过存储基于人工智能的路面病害自动巡检程序,以使得处理器在执行该基于人工智能的路面病害自动巡检程序时,实现如上述的基于人工智能的路面病害自动巡检方法,从而实现对路面病害进行自动巡检,有效提高路面病害巡检效率,节约路面病害巡检所需人力和物力。
为达到上述目的,本发明实施例提出了一种计算机设备,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,实现如上述的基于人工智能的路面病害自动巡检方法。
根据本发明实施例的计算机设备,通过存储器对基于人工智能的路面病害自动巡检程序进行存储,以使得处理器在执行该存储器上存储的基于人工智能的路面病害自动巡检程序时,实现如上述的基于人工智能的路面病害自动巡检方法,从而实现对路面病害进行自动巡检,有效提高路面病害巡检效率,节约路面病害巡检所需人力和物力。
为达到上述目的,本发明实施例提出了一种基于人工智能的路面病害自动巡检装置,包括:获取模块,所述获取模块用于按照预设频率获取待检测路面图像和所述待检测路面图像对应的定位信息;识别模块,所述识别模块用于将所述待检测路面图像输入到训练好的路面病害识别模型,以通过所述路面病害识别模型判断所述待检测路面图像是否为路面病害图像;报警模块,所述报警模块用于在所述待检测路面图像为路面病害图像时,根据所述待检测路面图像和所述待检测路面图像对应的定位信息生成报警信息,以便相关人员根据所述报警信息对路面病害进行处置。
根据本发明实施例的基于人工智能的路面病害自动巡检装置,设置获取模块用于按照预设频率获取待检测路面图像和待检测路面图像对应的定位信息;识别模块用于将待检测路面图像输入到训练好的路面病害识别模型,并通过路面病害识别模型判断待检测路面图像是否为路面病害图像;设置报警模块用于在待检测路面图像为路面病害图像时,根据待检测路面图像和待检测路面图像对应的定位信息生成报警信息,并将该报警信息推送给相关人员,以便相关人员根据报警信息对路面病害进行处置;从而实现对路面病害进行自动巡检,有效提高路面病害巡检效率,节约路面病害巡检所需人力和物力。
另外,根据本发明上述实施例提出的基于人工智能的路面病害自动巡检装置还可以具有如下附加的技术特征:
可选地,按照预设频率获取待检测路面图像和所述待检测路面图像对应的定位信息,包括:获取待检测路面的视频信息,并根据预设的切分频率将所述视频信息切分为待检测路面图像;获取每张待检测路面图像对应的定位信息,并将所述定位信息转换为桩号信息,以及根据所述桩号信息判断上下行状态,以获取上下行状态信息,以便在所述待检测图像为路面病害图像时,根据所述待检测路面图像、所述桩号信息和所述上下行状态信息生成报警信息。
可选地,在将所述待检测路面图像输入到训练好的路面病害识别模型之前,还包括:判断每张待检测路面图像与上一张待检测路面图像之间的相似度是否大于预设的相似度阈值;如果待检测路面图像与上一张待检测路面图像之间的相似度大于预设的相似度阈值,则认为该待检测路面图像与上一张待检测路面图像的路面状态相同。
附图说明
图1为根据本发明实施例的基于人工智能的路面病害自动巡检方法的流程示意图;
图2为根据本发明实施例的待检测路面图像获取及定位信息获取过程流程示意图;
图3为根据本发明实施例的数据筛选过程流程示意图;
图4为根据本发明实施例的基于人工智能的路面病害自动巡检装置的方框示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
相关技术中,在对路面病害进行巡检的过程中,因基于人工排查的方式,容易因为人员失误而导致路面病害漏检,且巡检过程需要耗费大量的人力物力,巡检效率低下;根据本发明实施例的基于人工智能的路面病害自动巡检方法,首先,按照预设频率获取待检测路面图像,同时,获取待检测路面图像所对应的定位信息;接着,将待检测路面图像输入到训练好的路面病害识别模型,以通过路面病害识别模型判断该待检测路面图像是否为路面病害图像;然后,如果该待检测路面图像是路面病害图像,则根据待检测路面图像和待检测路面图像对应的定位信息生成报警信息,以便相关人员根据报警信息对路面病害进行处置;从而实现对路面病害进行自动巡检,有效提高路面病害巡检效率,节约路面病害巡检所需人力和物力。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
图1为根据本发明实施例的基于人工智能的路面病害自动巡检方法的流程示意图,如图1所示,该基于人工智能的路面病害自动巡检方法包括以下步骤:
S101,按照预设频率获取待检测路面图像和待检测路面图像对应的定位信息。
也就是说,按照预设的频率对待检测路面的图像进行获取,以得到待检测路面图像,同时,对当前位置进行定位,以获得待检测路面图像对应的定位信息。
其中,按照预设频率获取待检测路面图像的方式可以有多种。
作为一种示例,在巡检车辆上安装摄像头,通过该摄像头获取待检测路面的视频信息,并在获取到视频信息之后,将该视频信息切分为每秒30帧的图片,以完成按照预设频率获取待检测路面图像的过程。
作为另一种示例,对摄像头的拍照频率进行预设,以使得摄像头在巡检车辆行驶过程中按照预设频率对待检测路面图像进行采集。
S102,将待检测路面图像输入到训练好的路面病害识别模型,以通过路面病害识别模型判断待检测路面图像是否为路面病害图像。
也就是说,将待检测路面图像输入到训练好的路面病害识别模型,路面病害识别模型根据输入的待检测路面图像进行判断,以判断该待检测路面图像中是否包含有路面病害,如果是,则认为该待检测路面图像为路面病害图像。
其中,路面病害识别模型的训练方式可以有多种,并且,识别模型的训练方式在现有技术中已有详尽的描述,因此,在此不做赘述。
作为一种示例,首先,对路面病害巡检的历史图像进行采集,并对采集到的历史图像按照进行标注,以根据标注结果形成路面病害训练集;接着,将制作好的路面病害训练集输入到神经网络中,进行路面病害识别模型的训练,以得到训练好的路面病害识别模型。
需要说明的是,在巡检的过程中,亦可以通过人工对路面病害识别模型的识别结果进行二次判断,并在判断路面病害识别模型的识别结果为误识别时,对该识别结果进行标记,并将标记后的识别结果反馈给路面病害识别模型,以便路面病害识别模型根据标记后的识别结果进行更新。
S103,如果是,则根据待检测路面图像和待检测路面图像对应的定位信息生成报警信息,以便相关人员根据报警信息对路面病害进行处置。
也就是说,如果待检测路面图像为路面病害图像,则根据待检测路面图像和待检测路面图像所对应的定位信息生成相应的报警信息,并将该报警信息推送给相关人员,以便相关人员通过该报警信息获知路段的病害情况,以及根据该报警信息对路面的病害进行处置。
作为一种示例,首先,将待检测路面图像输入到训练好的路面病害识别模型,以提取该待检测路面图像对应的多个特征图,并根据预设的长宽比不同的先验框在特征图上进行目标位置和分类的回归预测;接着,计算特征图与模型图之间的相似度,如果该相似度大于预设的相似度阈值,则认为该特征图所对应的待检测路面图像为路面病害图像;然后,根据该路面病害图像和对应的定位信息生成报警信息,以便相关人员对该路面病害进行处置。
在一些实施例中,因为道路分为上行和下行,而如果仅是通过定位信息进行报警信息的生成的话,相关人员在进行路面病害处置的过程中会因为无法分辨病害处于上行还是下行而导致不必要的麻烦,特别是在高速公路上,如果相关人员无法分辨病害处于上行还是下行,在处理病害的过程中,将造成时间上的极大浪费。因此,为了便于相关人员对于路面病害的处置,提高病害处置效率,如图2所示,按照预设频率获取待检测路面图像和待检测路面图像对应的定位信息,包括:
S201,获取待检测路面的视频信息,并根据预设的切分频率将视频信息切分为待检测路面图像。
也就是说,在巡检的过程中,获取待检测路面的视频流,并根据预设的切分频率将视频信息切分为多帧图像,以获取待检测路面图像。
S202,获取每张待检测路面图像对应的定位信息,并将定位信息转换为桩号信息,以及根据桩号信息判断上下行状态,以获取上下行状态信息,以便在待检测图像为路面病害图像时,根据待检测路面图像、桩号信息和上下行状态信息生成报警信息。
作为一种示例,首先,按照每秒30帧图片对获取到的视频信息进行切分,以获取到多张待检测路面图像;然后,获取当前GPS信息,并将该GPS信息转换为桩号信息;接着,在巡检车的持续行进过程中,将当前桩号信息与上一秒的桩号信息进行比对;如果当前桩号信息中的桩号大于上一秒的桩号信息中的桩号(即言,行进过程中桩号递增),则认为巡检车辆当前行驶在上行车道;从而,可以在待检测路面图像被判断为路面病害图像之后,根据待检测路面图像、桩号信息和上下行状态信息生成报警信息;以使得相关人员可以清楚地获知病害所处位置,提高病害处置效率。
在一些实施例中,为了降低计算机对于路面病害识别过程的数据运算量;如图3所示,在将待检测路面图像输入到训练好的路面病害识别模型之前,还包括:
S301,判断每张待检测路面图像与上一张待检测路面图像之间的相似度是否大于预设的相似度阈值;
S302,如果待检测路面图像与上一张待检测路面图像之间的相似度大于预设的相似度阈值,则认为该待检测路面图像与上一张待检测路面图像的路面状态相同。
也就是说,在获取到待检测路面图像之后,判断该待检测路面图像与上一张待检测路面图像之间的相似度是否大于预设的相似度阈值,如果待检测路面图像与上一张待检测路面图像之间的相似度大于预设的相似度阈值,则认为该待检测路面图像与上一张待检测路面图像的路面状态相同,例如,上一张待检测路面图像为路面病害图像,而该待检测路面图像与其相似度大于预设的相似度阈值,则认为该待检测路面图像也为路面病害图像,从而,无需将该待检测路面图像输入到路面病害识别模型,直接将该待检测路面图像定义为路面病害图像,以降低路面病害识别过程中的数据运算量。
综上所述,根据本发明实施例的基于人工智能的路面病害自动巡检方法,首先,按照预设频率获取待检测路面图像,同时,获取待检测路面图像所对应的定位信息;接着,将待检测路面图像输入到训练好的路面病害识别模型,以通过路面病害识别模型判断该待检测路面图像是否为路面病害图像;然后,如果该待检测路面图像是路面病害图像,则根据待检测路面图像和待检测路面图像对应的定位信息生成报警信息,以便相关人员根据报警信息对路面病害进行处置;从而实现对路面病害进行自动巡检,有效提高路面病害巡检效率,节约路面病害巡检所需人力和物力。
为实现上述实施例,本发明实施例提出了一种计算机可读存储介质,其上存储有基于人工智能的路面病害自动巡检程序,该基于人工智能的路面病害自动巡检程序被处理器执行时实现如上述的基于人工智能的路面病害自动巡检方法
根据本发明实施例的计算机可读存储介质,通过存储基于人工智能的路面病害自动巡检程序,以使得处理器在执行该基于人工智能的路面病害自动巡检程序时,实现如上述的基于人工智能的路面病害自动巡检方法,从而实现对路面病害进行自动巡检,有效提高路面病害巡检效率,节约路面病害巡检所需人力和物力。
为实现上述实施例,本发明实施例提出了一种计算机设备,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,实现如上述的基于人工智能的路面病害自动巡检方法。
根据本发明实施例的计算机设备,通过存储器对基于人工智能的路面病害自动巡检程序进行存储,以使得处理器在执行该存储器上存储的基于人工智能的路面病害自动巡检程序时,实现如上述的基于人工智能的路面病害自动巡检方法,从而实现对路面病害进行自动巡检,有效提高路面病害巡检效率,节约路面病害巡检所需人力和物力。
为实现上述实施例,本发明实施例提出了一种基于人工智能的路面病害自动巡检装置,如图4所示,该基于人工智能的路面病害自动巡检装置包括:获取模块10、识别模块20和报警模块30。
其中,获取模块10用于按照预设频率获取待检测路面图像和待检测路面图像对应的定位信息。
识别模块20用于将待检测路面图像输入到训练好的路面病害识别模型,以通过路面病害识别模型判断待检测路面图像是否为路面病害图像。
报警模块30用于在待检测路面图像为路面病害图像时,根据待检测路面图像和待检测路面图像对应的定位信息生成报警信息,以便相关人员根据报警信息对路面病害进行处置。
需要说明的是,上述关于图1中基于人工智能的路面病害自动巡检方法的描述同样适用于该基于人工智能的路面病害自动巡检装置,在此不做赘述。
在一些实施例中,为了利于相关人员掌握路面病害的情况,按照预设频率获取待检测路面图像和所述待检测路面图像对应的定位信息,包括:
获取待检测路面的视频信息,并根据预设的切分频率将视频信息切分为待检测路面图像;
获取每张待检测路面图像对应的定位信息,并将定位信息转换为桩号信息,以及根据桩号信息判断上下行状态,以获取上下行状态信息,以便在待检测图像为路面病害图像时,根据待检测路面图像、桩号信息和上下行状态信息生成报警信息。
在一些实施例中,为了进一步降低本发明实施例提出的基于人工智能的路面病害自动巡检装置在路面病害识别过程中的数据运算量,在将待检测路面图像输入到训练好的路面病害识别模型之前,还包括:判断每张待检测路面图像与上一张待检测路面图像之间的相似度是否大于预设的相似度阈值;如果待检测路面图像与上一张待检测路面图像之间的相似度大于预设的相似度阈值,则认为该待检测路面图像与上一张待检测路面图像的路面状态相同。
综上所述,根据本发明实施例的基于人工智能的路面病害自动巡检装置,设置获取模块用于按照预设频率获取待检测路面图像和待检测路面图像对应的定位信息;识别模块用于将待检测路面图像输入到训练好的路面病害识别模型,并通过路面病害识别模型判断待检测路面图像是否为路面病害图像;设置报警模块用于在待检测路面图像为路面病害图像时,根据待检测路面图像和待检测路面图像对应的定位信息生成报警信息,并将该报警信息推送给相关人员,以便相关人员根据报警信息对路面病害进行处置;从而实现对路面病害进行自动巡检,有效提高路面病害巡检效率,节约路面病害巡检所需人力和物力。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种基于人工智能的路面病害自动巡检方法,其特征在于,包括以下步骤:
按照预设频率获取待检测路面图像和所述待检测路面图像对应的定位信息;
将所述待检测路面图像输入到训练好的路面病害识别模型,以通过所述路面病害识别模型判断所述待检测路面图像是否为路面病害图像;
如果是,则根据所述待检测路面图像和所述待检测路面图像对应的定位信息生成报警信息,以便相关人员根据所述报警信息对路面病害进行处置。
2.如权利要求1所述的基于人工智能的路面病害自动巡检方法,其特征在于,按照预设频率获取待检测路面图像和所述待检测路面图像对应的定位信息,包括:
获取待检测路面的视频信息,并根据预设的切分频率将所述视频信息切分为待检测路面图像;
获取每张待检测路面图像对应的定位信息,并将所述定位信息转换为桩号信息,以及根据所述桩号信息判断上下行状态,以获取上下行状态信息,以便在所述待检测图像为路面病害图像时,根据所述待检测路面图像、所述桩号信息和所述上下行状态信息生成报警信息。
3.如权利要求2所述的基于人工智能的路面病害自动巡检方法,其特征在于,在将所述待检测路面图像输入到训练好的路面病害识别模型之前,还包括:
判断每张待检测路面图像与上一张待检测路面图像之间的相似度是否大于预设的相似度阈值;
如果待检测路面图像与上一张待检测路面图像之间的相似度大于预设的相似度阈值,则认为该待检测路面图像与上一张待检测路面图像的路面状态相同。
4.一种计算机可读存储介质,其特征在于,其上存储有基于人工智能的路面病害自动巡检程序,该基于人工智能的路面病害自动巡检程序被处理器执行时实现如权利要求1-3中任一项所述的基于人工智能的路面病害自动巡检方法。
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,其特征在于,所述处理器执行所述程序时,实现如权利要求1-3中任一项所述的基于人工智能的路面病害自动巡检方法。
6.一种基于人工智能的路面病害自动巡检装置,其特征在于,包括:
获取模块,所述获取模块用于按照预设频率获取待检测路面图像和所述待检测路面图像对应的定位信息;
识别模块,所述识别模块用于将所述待检测路面图像输入到训练好的路面病害识别模型,以通过所述路面病害识别模型判断所述待检测路面图像是否为路面病害图像;
报警模块,所述报警模块用于在所述待检测路面图像为路面病害图像时,根据所述待检测路面图像和所述待检测路面图像对应的定位信息生成报警信息,以便相关人员根据所述报警信息对路面病害进行处置。
7.如权利要求6所述的基于人工智能的路面病害自动巡检装置,其特征在于,按照预设频率获取待检测路面图像和所述待检测路面图像对应的定位信息,包括:
获取待检测路面的视频信息,并根据预设的切分频率将所述视频信息切分为待检测路面图像;
获取每张待检测路面图像对应的定位信息,并将所述定位信息转换为桩号信息,以及根据所述桩号信息判断上下行状态,以获取上下行状态信息,以便在所述待检测图像为路面病害图像时,根据所述待检测路面图像、所述桩号信息和所述上下行状态信息生成报警信息。
8.如权利要求7所述的基于人工智能的路面病害自动巡检装置,其特征在于,在将所述待检测路面图像输入到训练好的路面病害识别模型之前,还包括:
判断每张待检测路面图像与上一张待检测路面图像之间的相似度是否大于预设的相似度阈值;
如果待检测路面图像与上一张待检测路面图像之间的相似度大于预设的相似度阈值,则认为该待检测路面图像与上一张待检测路面图像的路面状态相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911259636.7A CN111126460B (zh) | 2019-12-10 | 2019-12-10 | 基于人工智能的路面病害自动巡检方法、介质、设备及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911259636.7A CN111126460B (zh) | 2019-12-10 | 2019-12-10 | 基于人工智能的路面病害自动巡检方法、介质、设备及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111126460A true CN111126460A (zh) | 2020-05-08 |
CN111126460B CN111126460B (zh) | 2024-04-02 |
Family
ID=70498145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911259636.7A Active CN111126460B (zh) | 2019-12-10 | 2019-12-10 | 基于人工智能的路面病害自动巡检方法、介质、设备及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126460B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113392816A (zh) * | 2021-08-16 | 2021-09-14 | 禾多科技(北京)有限公司 | 路面病害检测方法、装置、电子设备和计算机可读介质 |
CN113627364A (zh) * | 2021-08-16 | 2021-11-09 | 禾多科技(北京)有限公司 | 道路信息显示系统、方法、电子设备和计算机可读介质 |
CN113706472A (zh) * | 2021-07-30 | 2021-11-26 | 中国公路工程咨询集团有限公司 | 公路路面病害检测方法、装置、设备及存储介质 |
CN113724503A (zh) * | 2021-08-31 | 2021-11-30 | 山东交通学院 | 基于云平台的高速公路状态自动巡检系统及方法 |
CN116758757A (zh) * | 2023-08-18 | 2023-09-15 | 福建智涵信息科技有限公司 | 一种公路养护巡检方法、介质以及设备 |
CN117095316A (zh) * | 2023-10-18 | 2023-11-21 | 深圳市思友科技有限公司 | 路面巡检方法、装置、设备及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107805999A (zh) * | 2017-09-28 | 2018-03-16 | 韦彩霞 | 一种有效的路面病害检测系统 |
CN108734306A (zh) * | 2018-04-03 | 2018-11-02 | 四川隧唐科技股份有限公司 | 一种数据处理方法、装置、道路维护系统及存储介质 |
JP2019057221A (ja) * | 2017-09-22 | 2019-04-11 | エヌ・ティ・ティ・コムウェア株式会社 | 情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラム |
CN109657537A (zh) * | 2018-11-05 | 2019-04-19 | 北京达佳互联信息技术有限公司 | 基于目标检测的图像识别方法、系统和电子设备 |
CN110175995A (zh) * | 2019-05-29 | 2019-08-27 | 腾讯科技(深圳)有限公司 | 一种基于病理图像的图像状态确定方法、装置以及系统 |
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 |
CN110516522A (zh) * | 2019-05-30 | 2019-11-29 | 中通服创立信息科技有限责任公司 | 一种巡检方法及系统 |
-
2019
- 2019-12-10 CN CN201911259636.7A patent/CN111126460B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019057221A (ja) * | 2017-09-22 | 2019-04-11 | エヌ・ティ・ティ・コムウェア株式会社 | 情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラム |
CN107805999A (zh) * | 2017-09-28 | 2018-03-16 | 韦彩霞 | 一种有效的路面病害检测系统 |
CN108734306A (zh) * | 2018-04-03 | 2018-11-02 | 四川隧唐科技股份有限公司 | 一种数据处理方法、装置、道路维护系统及存储介质 |
CN109657537A (zh) * | 2018-11-05 | 2019-04-19 | 北京达佳互联信息技术有限公司 | 基于目标检测的图像识别方法、系统和电子设备 |
CN110175995A (zh) * | 2019-05-29 | 2019-08-27 | 腾讯科技(深圳)有限公司 | 一种基于病理图像的图像状态确定方法、装置以及系统 |
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 |
CN110516522A (zh) * | 2019-05-30 | 2019-11-29 | 中通服创立信息科技有限责任公司 | 一种巡检方法及系统 |
Non-Patent Citations (4)
Title |
---|
FEI RONG ET AL: "A Detection algorithm based on Convolutional Neural Network", 《COMPUTER SCIENCE AND MATHEMATICS》, 26 November 2018 (2018-11-26), pages 1 - 12 * |
XINQING WANG ET AL: "Multi-Object Detection in Traffic Scenes Based on Improved SSD", 《ELECTRONICS》, vol. 7, no. 11, 6 November 2018 (2018-11-06), pages 1 - 28 * |
洪文学 等: "《基于多元统计图表示原理的信息融合和模式识别技术》", 31 January 2008, 国防工业出版社, pages: 155 - 156 * |
韩志华: "基于统计特征与桥梁方法的小目标检测算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 8, 15 August 2019 (2019-08-15), pages 1 - 110 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706472A (zh) * | 2021-07-30 | 2021-11-26 | 中国公路工程咨询集团有限公司 | 公路路面病害检测方法、装置、设备及存储介质 |
CN113706472B (zh) * | 2021-07-30 | 2023-05-12 | 中国公路工程咨询集团有限公司 | 公路路面病害检测方法、装置、设备及存储介质 |
CN113392816A (zh) * | 2021-08-16 | 2021-09-14 | 禾多科技(北京)有限公司 | 路面病害检测方法、装置、电子设备和计算机可读介质 |
CN113627364A (zh) * | 2021-08-16 | 2021-11-09 | 禾多科技(北京)有限公司 | 道路信息显示系统、方法、电子设备和计算机可读介质 |
CN113392816B (zh) * | 2021-08-16 | 2021-12-31 | 禾多科技(北京)有限公司 | 路面病害检测方法、装置、电子设备和计算机可读介质 |
CN113724503A (zh) * | 2021-08-31 | 2021-11-30 | 山东交通学院 | 基于云平台的高速公路状态自动巡检系统及方法 |
CN116758757A (zh) * | 2023-08-18 | 2023-09-15 | 福建智涵信息科技有限公司 | 一种公路养护巡检方法、介质以及设备 |
CN116758757B (zh) * | 2023-08-18 | 2023-11-14 | 福建智涵信息科技有限公司 | 一种公路养护巡检方法、介质以及设备 |
CN117095316A (zh) * | 2023-10-18 | 2023-11-21 | 深圳市思友科技有限公司 | 路面巡检方法、装置、设备及可读存储介质 |
CN117095316B (zh) * | 2023-10-18 | 2024-02-09 | 深圳市思友科技有限公司 | 路面巡检方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111126460B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126460B (zh) | 基于人工智能的路面病害自动巡检方法、介质、设备及装置 | |
Mandal et al. | Automated road crack detection using deep convolutional neural networks | |
JP7319432B2 (ja) | 学習用データ収集装置、学習用データ収集方法、及びプログラム | |
CN111126802A (zh) | 基于人工智能的高速公路检查评价方法及系统 | |
EP3739513A1 (en) | Surface defect identification method and apparatus | |
CN108921089A (zh) | 车道线检测方法、装置和系统及存储介质 | |
CN104021574A (zh) | 路面病害自动识别方法 | |
CN111950812B (zh) | 一种自动识别与预测雨量的方法及其装置 | |
JP6811217B2 (ja) | コンクリート表面上のひび割れ特定方法、ひび割れ特定装置、ひび割れ特定システム及びプログラム | |
JP2011180120A (ja) | 防水シート診断方法および診断装置 | |
CN112487894B (zh) | 基于人工智能的轨道交通保护区自动巡查方法及装置 | |
CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
CN114494826A (zh) | 一种多水尺水位识别方法、系统、电子设备以及可存储介质 | |
CN112232246A (zh) | 基于深度学习的垃圾检测分类方法和装置 | |
CN115578326A (zh) | 一种道路病害识别方法、系统、设备及存储介质 | |
CN109558801B (zh) | 道路网络提取方法、介质、计算机设备及系统 | |
WO2022034798A1 (ja) | スクラップ判別システム、及びスクラップ判別方法 | |
CN112070750A (zh) | 皮革制品缺陷检测方法和装置 | |
CN116596895A (zh) | 一种变电设备图像缺陷识别方法及系统 | |
CN116740646A (zh) | 监测候鸟栖息地的群体识别方法及系统 | |
CN115512098B (zh) | 一种桥梁电子化巡检系统及巡检方法 | |
CN115908263A (zh) | 道路路面损伤智能检测系统及其检测方法和存储介质 | |
Ibrahim et al. | Flexible pavement crack’s severity identification and classification using deep convolution neural network | |
CN113538900B (zh) | 停车场中车辆逆向行驶检测方法 | |
CN111428592A (zh) | 基于深度学习的灌注桩识别方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |