CN111126802A - 基于人工智能的高速公路检查评价方法及系统 - Google Patents
基于人工智能的高速公路检查评价方法及系统 Download PDFInfo
- Publication number
- CN111126802A CN111126802A CN201911261421.9A CN201911261421A CN111126802A CN 111126802 A CN111126802 A CN 111126802A CN 201911261421 A CN201911261421 A CN 201911261421A CN 111126802 A CN111126802 A CN 111126802A
- Authority
- CN
- China
- Prior art keywords
- road surface
- image
- inspection
- information
- detected
- 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
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 144
- 238000011156 evaluation Methods 0.000 title claims abstract description 51
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 34
- 201000010099 disease Diseases 0.000 claims abstract description 139
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 139
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012423 maintenance Methods 0.000 claims abstract description 35
- 230000000694 effects Effects 0.000 claims abstract description 26
- 238000012790 confirmation Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 4
- 239000000463 material Substances 0.000 abstract description 13
- 238000012854 evaluation process Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 7
- 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
- 230000009469 supplementation Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Abstract
本发明公开了一种基于人工智能的高速公路检查评价方法及系统,其中方法包括: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;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其是否为路面病害图像;如果是,则将路面病害图像发送至巡检人员的移动终端;移动终端获取巡检人员的录入信息,并将录入信息、路面病害图像和定位信息发送至服务器;服务器根据录入信息、路面病害图像和定位信息生成巡查表,并计算相应的巡查评分,以通过巡查评分对路面养护成效进行评价;能够有效提高路面养护成效评价的评价效率和评价准确性,同时,节约路面养护成效评价过程中所需要的人力和物力资源。
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高速公路检查评价方法以及一种基于人工智能的高速公路检查评价系统。
背景技术
目前,在高速公路养护实际工作中。检查人员在进行检查工作前,工作人员需要根据检查行程规划路线和日期,并根据各路段公司进行对应的选择,较为繁琐;同时在对于路面养护成效进行检查时,多采用人工对路面病害进行视觉判断,并在发现路面病害之后,通过人工进行拍照和记录的方式进行路面病害的记录,而这种方式基于人工排查,因人为因素存在不确定性,容易导致路面病害的漏检,进而影响道路的通车安全;并且,这种方式极大地浪费人力和物力,且巡检效率较低;虽然有对检查中发现的路面病害进行记录,但缺少后续维修整改方面的记录,无法对病害问题进行闭环管理。
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高速公路检查评价方法,能够有效提高路面养护成效评价的评价效率和评价准确性,同时,节约路面养护成效评价过程中所需要的人力和物力资源。
本发明的第二个目的在于提出一种基于人工智能的高速公路检查评价系统。
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高速公路检查评价方法,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,则将所述路面病害图像发送至巡检人员的移动终端;所述移动终端获取所述巡检人员的录入信息,并将所述录入信息、所述路面病害图像和所述定位信息发送至服务器;所述服务器根据所述录入信息、所述路面病害图像和所述定位信息生成巡查表,并根据所述巡查表和预设算法计算相应的巡查评分,以通过所述巡查评分对路面养护成效进行评价。
根据本发明实施例的基于人工智能的高速公路检查评价方法,首先,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;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待检测路面图像是否为路面病害图像;然后,如果是,则将路面病害图像发送至巡检人员的移动终端;接着,移动终端获取巡检人员的录入信息,并将录入信息、路面病害图像和定位信息发送至服务器;然后,服务器根据录入信息、路面病害图像和定位信息生成巡查表,并根据巡查表和预设算法计算相应的巡查评分,以通过巡查评分对路面养护成效进行评价;从而实现有效提高路面养护成效评价的评价效率和评价准确性,同时,节约路面养护成效评价过程中所需要的人力和物力资源。
另外,根据本发明上述实施例提出的基于人工智能的高速公路检查评价方法还可以具有如下附加的技术特征:
可选地,在将所述路面病害图像发送至巡检人员的移动终端之前,还包括:所述移动终端获取所述巡检人员的登录操作,并根据所述登录操作获取所述巡检人员对应的巡检ID,以及根据所述巡检ID对巡检权限表进行查询,以获取所述巡检ID对应的巡检权限;根据所述定位信息和所述巡检权限判断所述巡检人员是否拥有对该定位信息所对应路段进行检查的权限;如果否,则生成告警信息,并将所述告警信息发送至所述巡检人员的移动终端。
可选地,所述录入信息包括:文字信息、语音信息、新增事件图片信息和视频信息。
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。
可选地,在所述移动终端获取所述巡检人员的录入信息之前,还包括:所述移动终端获取所述巡检人员的确认信息,并将所述确认信息发送给所述服务器;所述服务器根据所述确认信息判断所述路面病害识别模型的判断结果是否正确;如果否,则根据所述路面病害图像和所述确认信息生成误识别数据,以便所述路面病害识别模型根据所述误识别数据进行更新。
为达到上述目的,本发明第二方面实施例提出了一种基于人工智能的高速公路检查评价系统,包括:摄像机、定位单元、病害识别单元、至少一个移动终端和服务器;其中,所述摄像机用于按照预设频率获取待检测路面图像;所述定位单元用于获取所述待检测路面图像对应的定位信息;所述病害识别单元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,并在所述待检测路面图像为路面病害图像时,将所述路面病害图像发送至巡检人员的移动终端;所述移动终端用于获取所述巡检人员的录入信息,并将所述录入信息、所述路面病害图像和所述定位信息发送至服务器;所述服务器用于根据所述录入信息、所述路面病害图像和所述定位信息生成巡查表,并根据所述巡查表和预设算法计算相应的巡查评分,以通过所述巡查评分对路面养护成效进行评价。
根据本发明实施例的基于人工智能的高速公路检查评价系统,设置摄像机按照预设频率获取待检测路面图像,定位单元获取待检测路面图像对应的定位信息;病害识别单元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,并在待检测路面图像为路面病害图像时,将路面病害图像发送至巡检人员的移动终端;移动终端获取巡检人员的录入信息,并将录入信息、路面病害图像和定位信息发送至服务器;服务器根据录入信息、路面病害图像和定位信息生成巡查表,并根据巡查表和预设算法计算相应的巡查评分,以通过巡查评分对路面养护成效进行评价;从而实现有效提高路面养护成效评价的评价效率和评价准确性,同时,节约路面养护成效评价过程中所需要的人力和物力资源。
另外,根据本发明上述实施例提出的基于人工智能的高速公路检查评价系统还可以具有如下附加的技术特征:
可选地,在将所述路面病害图像发送至巡检人员的移动终端之前,还包括:所述移动终端获取所述巡检人员的登录操作,并根据所述登录操作获取所述巡检人员对应的巡检ID,以及根据所述巡检ID对巡检权限表进行查询,以获取所述巡检ID对应的巡检权限;根据所述定位信息和所述巡检权限判断所述巡检人员是否拥有对该定位信息所对应路段进行检查的权限;如果否,则生成告警信息,并将所述告警信息发送至所述巡检人员的移动终端。
可选地,所述录入信息包括:文字信息、语音信息、新增事件图片信息和视频信息。
附图说明
图1为根据本发明实施例的基于人工智能的高速公路检查评价方法的流程示意图;
图2为根据本发明实施例的巡检人员权限控制流程示意图;
图3为根据本发明另一实施例的待检测路面图像和定位信息获取流程示意图;
图4为根据本发明实施例的数据筛选流程示意图;
图5为根据本发明实施例的路面病害识别模型更新流程示意图;
图6为根据本发明实施例的基于人工智能的高速公路检查评价系统的方框示意图。
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,对于路面养护成效评价的效率低,且准确性较低,同时,评价过程中需要大量的人力和物力资源;根据本发明实施例的基于人工智能的高速公路检查评价方法,首先,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;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待检测路面图像是否为路面病害图像;然后,如果是,则将路面病害图像发送至巡检人员的移动终端;接着,移动终端获取巡检人员的录入信息,并将录入信息、路面病害图像和定位信息发送至服务器;然后,服务器根据录入信息、路面病害图像和定位信息生成巡查表,并根据巡查表和预设算法计算相应的巡查评分,以通过巡查评分对路面养护成效进行评价;从而实现有效提高路面养护成效评价的评价效率和评价准确性,同时,节约路面养护成效评价过程中所需要的人力和物力资源。
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高速公路检查评价方法的流程示意图,如图1所示,该基于人工智能的高速公路检查评价方法包括以下步骤:
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,则将路面病害图像发送至巡检人员的移动终端。
S104,移动终端获取巡检人员的录入信息,并将录入信息、路面病害图像和定位信息发送至服务器。
也就是说,如果待检测路面图像为路面病害图像,则将该路面病害图像发送至巡检人员的移动终端,并通过该移动终端获取巡检人员的录入信息,以及将该录入信息、路面病害图像和定位信息发送至服务器。
其中,录入信息包含的数据可以有多种。
作为一种示例,录入信息包括文字信息、语音信息、新增事件图片信息和视频信息;即言,巡检人员在接收到路面病害图像之后,可以通过文字输入、语音输入、补充现场照片或者现场视频等方式进行路面病害相关信息的补充,以便后续相关处置人员可以根据该录入信息更快捷、准确地处理路面病害,进一步提高路面养护工作的效率。
S105,服务器根据录入信息、路面病害图像和定位信息生成巡查表,并根据巡查表和预设算法计算相应的巡查评分,以通过巡查评分对路面养护成效进行评价。
作为一种示例,服务器在接收到巡查表之后,将巡查表中的路面病害图像、接收到巡查表对应的系统时间、定位信息以及录入信息作为源数据,并将该源数据作为输入参数,经过预设算法计算得到相应的巡查评分;其中,预设算法可以有多种,例如,结合现有的工作经验以及系统的相关特性,设计的多种预设算法;包括优等路率算法、检查覆盖率算法、夜间检查覆盖率算法、桥梁检查完成率算法、隧道检查完成率算法、涵洞检查完成率算法、路面检查完成率算法、路基检查完成率算法、交安设施检查完成率算法、事件闭合率算法、维修及时率算法、病害主动发现率算法和坑槽返修率算法。然后,将各项算法得出的输出结果以分值的形式进行体现。最后得出的各项分值的总和,即为对应的高速公路养护成效的评价结果。
在一些实施例中,为了进一步提高巡检效率,防止养护成效评价过程中的资源浪费,如图2所示,在将路面病害图像发送至巡检人员的移动终端之前,还包括:
S201,移动终端获取巡检人员的登录操作,并根据登录操作获取巡检人员对应的巡检ID,以及根据巡检ID对巡检权限表进行查询,以获取巡检ID对应的巡检权限。
S202,根据定位信息和巡检权限判断巡检人员是否拥有对该定位信息所对应路段进行检查的权限。
S203,如果否,则生成告警信息,并将告警信息发送至巡检人员的移动终端。
作为一种示例,首先,对每个巡检人员分配唯一可识别ID,接着,巡检人员在巡查过程中,可以通过该唯一可识别ID在移动终端上进行系统的登入;在巡检人员完成登录操作之后,移动终端可以根据该唯一可识别ID获取巡检人员对应的巡检权限;其中,该巡检权限可以包括巡检人员有权进行巡检的路段所对应的定位信息(例如,路段的经纬度信息);然后,当路面病害识别模型判断待检测路面图像为路面病害图像时,系统进一步获取该待检测路面图像所对应的定位信息;并判断该定位信息是否处于当前巡检人员有权进行巡检的路段内,如果是,则将该路面病害图像发送至巡检人员的移动终端;如果否,则生成告警信息,告知巡检人员,其无权对当前路段进行巡检;从而,可以防止多个巡检人员对同一路段进行重复巡检,极大地节约巡检过程中的资源,对人力物力资源进行了合理地分配。
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3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:
S301,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。
S302,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4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:
S401,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;
S402,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。
在一些实施例中,为了使得路面病害识别模型可以进行持续的更新,并通过更新行为不断提高识别准确率,如图5所示,本发明实施例提出的基于人工智能的高速公路检查评价方法在移动终端获取所述巡检人员的录入信息之前,还包括:
S501,移动终端获取巡检人员的确认信息,并将确认信息发送给服务器。
S502,服务器根据确认信息判断路面病害识别模型的判断结果是否正确。
S503,如果否,则根据路面病害图像和确认信息生成误识别数据,以便路面病害识别模型根据误识别数据进行更新。
作为一种示例,当巡检人员的移动终端接收到路面病害图像时,移动终端可生成确认按键(包含正确识别按键和错误识别按键);从而巡检人员可以通过点击相应的按键进行确认信息的发送;而服务器在接收到确认信息之后,可以根据确认信息判断当前路面病害识别模型的判断结果是否正确,如果不正确,则生成误识别数据,以便路面病害识别模型根据误识别数据进行更新,以持续提高自身对于路面病害识别的准确性。
综上所述,根据本发明实施例的基于人工智能的高速公路检查评价方法,首先,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;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待检测路面图像是否为路面病害图像;然后,如果是,则将路面病害图像发送至巡检人员的移动终端;接着,移动终端获取巡检人员的录入信息,并将录入信息、路面病害图像和定位信息发送至服务器;然后,服务器根据录入信息、路面病害图像和定位信息生成巡查表,并根据巡查表和预设算法计算相应的巡查评分,以通过巡查评分对路面养护成效进行评价;从而实现有效提高路面养护成效评价的评价效率和评价准确性,同时,节约路面养护成效评价过程中所需要的人力和物力资源。
为了实现上述实施例,本发明实施例还提出了一种基于人工智能的高速公路检查评价系统,如图6所示,该基于人工智能的高速公路检查评价系统包括:摄像机10、定位单元20、病害识别单元30、至少一个移动终端40和服务器50。
其中,摄像机10用于按照预设频率获取待检测路面图像;
定位单元20用于获取待检测路面图像对应的定位信息;
病害识别单元30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,并在待检测路面图像为路面病害图像时,将路面病害图像发送至巡检人员的移动终端;
移动终端40用于获取巡检人员的录入信息,并将录入信息、路面病害图像和定位信息发送至服务器;
服务器50用于根据录入信息、路面病害图像和定位信息生成巡查表,并根据巡查表和预设算法计算相应的巡查评分,以通过巡查评分对路面养护成效进行评价。
在一些实施例中,为了进一步提高养护成效评价过程中的人力物力资源利用率,在将所述路面病害图像发送至巡检人员的移动终端之前,还包括:
移动终端获取巡检人员的登录操作,并根据登录操作获取巡检人员对应的巡检ID,以及根据巡检ID对巡检权限表进行查询,以获取巡检ID对应的巡检权限;
根据定位信息和巡检权限判断巡检人员是否拥有对该定位信息所对应路段进行检查的权限;
如果否,则生成告警信息,并将告警信息发送至巡检人员的移动终端。
在一些实施例中,录入信息包括:文字信息、语音信息、新增事件图片信息和视频信息。
需要说明的是,上述关于图1中基于人工智能的高速公路检查评价方法的描述同样适用于该基于人工智能的高速公路检查评价系统,在此不做赘述。
综上所述,根据本发明实施例的基于人工智能的高速公路检查评价系统,设置摄像机按照预设频率获取待检测路面图像,定位单元获取待检测路面图像对应的定位信息;病害识别单元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,并在待检测路面图像为路面病害图像时,将路面病害图像发送至巡检人员的移动终端;移动终端获取巡检人员的录入信息,并将录入信息、路面病害图像和定位信息发送至服务器;服务器根据录入信息、路面病害图像和定位信息生成巡查表,并根据巡查表和预设算法计算相应的巡查评分,以通过巡查评分对路面养护成效进行评价;从而实现有效提高路面养护成效评价的评价效率和评价准确性,同时,节约路面养护成效评价过程中所需要的人力和物力资源。
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 (9)
1.一种基于人工智能的高速公路检查评价方法,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,则将所述路面病害图像发送至巡检人员的移动终端;
所述移动终端获取所述巡检人员的录入信息,并将所述录入信息、所述路面病害图像和所述定位信息发送至服务器;
所述服务器根据所述录入信息、所述路面病害图像和所述定位信息生成巡查表,并根据所述巡查表和预设算法计算相应的巡查评分,以通过所述巡查评分对路面养护成效进行评价。
2.如权利要求1所述的基于人工智能的高速公路检查评价方法,其特征在于,在将所述路面病害图像发送至巡检人员的移动终端之前,还包括:
所述移动终端获取所述巡检人员的登录操作,并根据所述登录操作获取所述巡检人员对应的巡检ID,以及根据所述巡检ID对巡检权限表进行查询,以获取所述巡检ID对应的巡检权限;
根据所述定位信息和所述巡检权限判断所述巡检人员是否拥有对该定位信息所对应路段进行检查的权限;
如果否,则生成告警信息,并将所述告警信息发送至所述巡检人员的移动终端。
3.如权利要求1所述的基于人工智能的高速公路检查评价方法,其特征在于,所述录入信息包括:文字信息、语音信息、新增事件图片信息和视频信息。
4.如权利要求1所述的基于人工智能的高速公路检查评价方法,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。
5.如权利要求4所述的基于人工智能的高速公路检查评价方法,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。
6.如权利要求1所述的基于人工智能的高速公路检查评价方法,其特征在于,在所述移动终端获取所述巡检人员的录入信息之前,还包括:
所述移动终端获取所述巡检人员的确认信息,并将所述确认信息发送给所述服务器;
所述服务器根据所述确认信息判断所述路面病害识别模型的判断结果是否正确;
如果否,则根据所述路面病害图像和所述确认信息生成误识别数据,以便所述路面病害识别模型根据所述误识别数据进行更新。
7.一种基于人工智能的高速公路检查评价系统,其特征在于,包括:摄像机、定位单元、病害识别单元、至少一个移动终端和服务器;
其中,所述摄像机用于按照预设频率获取待检测路面图像;
所述定位单元用于获取所述待检测路面图像对应的定位信息;
所述病害识别单元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,并在所述待检测路面图像为路面病害图像时,将所述路面病害图像发送至巡检人员的移动终端;
所述移动终端用于获取所述巡检人员的录入信息,并将所述录入信息、所述路面病害图像和所述定位信息发送至服务器;
所述服务器用于根据所述录入信息、所述路面病害图像和所述定位信息生成巡查表,并根据所述巡查表和预设算法计算相应的巡查评分,以通过所述巡查评分对路面养护成效进行评价。
8.如权利要求7所述的基于人工智能的高速公路检查评价系统,其特征在于,在将所述路面病害图像发送至巡检人员的移动终端之前,还包括:
所述移动终端获取所述巡检人员的登录操作,并根据所述登录操作获取所述巡检人员对应的巡检ID,以及根据所述巡检ID对巡检权限表进行查询,以获取所述巡检ID对应的巡检权限;
根据所述定位信息和所述巡检权限判断所述巡检人员是否拥有对该定位信息所对应路段进行检查的权限;
如果否,则生成告警信息,并将所述告警信息发送至所述巡检人员的移动终端。
9.如权利要求7所述的基于人工智能的高速公路检查评价系统,其特征在于,所述录入信息包括:文字信息、语音信息、新增事件图片信息和视频信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911261421.9A CN111126802A (zh) | 2019-12-10 | 2019-12-10 | 基于人工智能的高速公路检查评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911261421.9A CN111126802A (zh) | 2019-12-10 | 2019-12-10 | 基于人工智能的高速公路检查评价方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111126802A true CN111126802A (zh) | 2020-05-08 |
Family
ID=70498200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911261421.9A Pending CN111126802A (zh) | 2019-12-10 | 2019-12-10 | 基于人工智能的高速公路检查评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126802A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465166A (zh) * | 2020-11-24 | 2021-03-09 | 天津市公路工程总公司 | 一种公路小修养护管理系统和方法 |
CN113031035A (zh) * | 2021-02-07 | 2021-06-25 | 北京中交创新投资发展有限公司 | 基于人工智能算法的道路设施数据采集系统 |
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 |
CN113449615A (zh) * | 2021-06-16 | 2021-09-28 | 新安洁环境卫生股份有限公司 | 一种清扫作业质量智能检查方法、系统及存储介质 |
CN113554185A (zh) * | 2021-05-07 | 2021-10-26 | 上海厉鲨科技有限公司 | 道路病害的巡检方法、系统、设备、存储介质及巡检车辆 |
CN113963285A (zh) * | 2021-09-09 | 2022-01-21 | 济南金宇公路产业发展有限公司 | 一种基于5g的道路养护方法及设备 |
CN114612473A (zh) * | 2022-05-11 | 2022-06-10 | 深圳联和智慧科技有限公司 | 一种基于无人机的桥梁巡检处理方法、系统及云平台 |
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 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106803126A (zh) * | 2017-01-19 | 2017-06-06 | 北京恒华伟业科技股份有限公司 | 一种高速公路道路养护故障管理方法、装置及系统 |
CN108009729A (zh) * | 2017-12-05 | 2018-05-08 | 福建省高速公路集团有限公司 | 一种基于信息化的高速公路检查评价方法 |
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 |
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 |
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 |
CN109815912A (zh) * | 2019-01-28 | 2019-05-28 | 象谱信息产业有限公司 | 一种基于人工智能的高速公路安全巡查系统 |
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 |
KR102004903B1 (ko) * | 2018-11-20 | 2019-07-29 | 한방유비스 주식회사 | 노후 건축물의 화재 위험도 평가 방법, 장치 및 컴퓨터-판독가능 기록매체 |
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 |
-
2019
- 2019-12-10 CN CN201911261421.9A patent/CN111126802A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106803126A (zh) * | 2017-01-19 | 2017-06-06 | 北京恒华伟业科技股份有限公司 | 一种高速公路道路养护故障管理方法、装置及系统 |
CN108009729A (zh) * | 2017-12-05 | 2018-05-08 | 福建省高速公路集团有限公司 | 一种基于信息化的高速公路检查评价方法 |
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 |
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 |
KR102004903B1 (ko) * | 2018-11-20 | 2019-07-29 | 한방유비스 주식회사 | 노후 건축물의 화재 위험도 평가 방법, 장치 및 컴퓨터-판독가능 기록매체 |
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 |
CN109815912A (zh) * | 2019-01-28 | 2019-05-28 | 象谱信息产业有限公司 | 一种基于人工智能的高速公路安全巡查系统 |
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 |
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 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465166A (zh) * | 2020-11-24 | 2021-03-09 | 天津市公路工程总公司 | 一种公路小修养护管理系统和方法 |
CN113031035A (zh) * | 2021-02-07 | 2021-06-25 | 北京中交创新投资发展有限公司 | 基于人工智能算法的道路设施数据采集系统 |
CN113031035B (zh) * | 2021-02-07 | 2023-07-21 | 交信北斗科技有限公司 | 基于人工智能算法的道路设施数据采集系统 |
CN113554185A (zh) * | 2021-05-07 | 2021-10-26 | 上海厉鲨科技有限公司 | 道路病害的巡检方法、系统、设备、存储介质及巡检车辆 |
CN113449615A (zh) * | 2021-06-16 | 2021-09-28 | 新安洁环境卫生股份有限公司 | 一种清扫作业质量智能检查方法、系统及存储介质 |
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 |
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 |
CN113963285A (zh) * | 2021-09-09 | 2022-01-21 | 济南金宇公路产业发展有限公司 | 一种基于5g的道路养护方法及设备 |
CN113963285B (zh) * | 2021-09-09 | 2022-06-10 | 山东金宇信息科技集团有限公司 | 一种基于5g的道路养护方法及设备 |
CN114612473A (zh) * | 2022-05-11 | 2022-06-10 | 深圳联和智慧科技有限公司 | 一种基于无人机的桥梁巡检处理方法、系统及云平台 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126802A (zh) | 基于人工智能的高速公路检查评价方法及系统 | |
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 | |
CN111429726B (zh) | 一种监控视频违停车辆检测、管理方法及对应的系统 | |
CN115908424B (zh) | 基于三维激光扫描的建筑物健康检测方法、系统及介质 | |
CN108986448B (zh) | 一种交通设施管理方法及终端设备 | |
CN112740267A (zh) | 学习用数据收集装置、学习用数据收集方法、及程序 | |
CN112800911A (zh) | 一种路面损伤快速检测及自然数据集构建方法 | |
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 | |
CN112883921A (zh) | 一种垃圾桶满溢检测模型训练方法及垃圾桶满溢检测方法 | |
CN111339965A (zh) | 养殖场选址方法、装置、设备及计算机可读存储介质 | |
CN114814877A (zh) | 一种基于巡检机器人的隧道数据采集方法、设备及介质 | |
CN114062516A (zh) | 面向隧道的超声波检测系统 | |
US11605158B2 (en) | System and method for early identification and monitoring of defects in transportation infrastructure | |
JP7396944B2 (ja) | 管渠損傷特定装置、管渠損傷特定方法および管渠損傷特定プログラム | |
CN116168356B (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
CN114841995B (zh) | 一种基于深度学习的铁路路基挡护设备服役状态评估方法 | |
CN116718593A (zh) | 一种快速而准确的沥青路面破损分析方法及系统 | |
CN115546917A (zh) | 基于视频监控的水利工程智能巡查方法及装置、电子设备 | |
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 | |
CN113269128A (zh) | 一种基于ai智能的病害自动识别方法及系统 | |
CN113191389A (zh) | 一种基于光视觉技术的海底管道自主巡检方法及设备 | |
JP7440855B1 (ja) | 点検支援システム、撮影位置同定システム、及び、プログラム | |
CN117744908B (zh) | 一种基于机器视觉的城市排水设施巡检方法及系统 | |
Mustaffar et al. | Application of Digital Photogrammetry to Quantification of Road Surface Distresses | |
KR101339399B1 (ko) | 공항 포장 상태 정보 제공 장치 및 방법 |
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 |
Application publication date: 20200508 |
|
RJ01 | Rejection of invention patent application after publication |