CN111767874A - 一种基于深度学习的路面病害检测方法 - Google Patents
一种基于深度学习的路面病害检测方法 Download PDFInfo
- Publication number
- CN111767874A CN111767874A CN202010632970.9A CN202010632970A CN111767874A CN 111767874 A CN111767874 A CN 111767874A CN 202010632970 A CN202010632970 A CN 202010632970A CN 111767874 A CN111767874 A CN 111767874A
- Authority
- CN
- China
- Prior art keywords
- road
- model
- module
- encoder
- 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.)
- Granted
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 64
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 64
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000013499 data model Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 239000000463 material Substances 0.000 abstract description 3
- 238000003708 edge detection Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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)
- 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)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的路面病害检测方法，通过输入包含大量的正常道路图片，而不需要道路病害图像样本，再系统结果中包含两个神经网络，第一个神经网络其结构为“编码器‑解码器‑编码器”，主要负责图片的编码和解码，编码的过程是将图片通过神经网络转成一组向量数据，最后将解码后向量和原图解码后的向量进行比对，本发明涉及交通路面检测技术领域。该基于深度学习的路面病害检测方法，无需使用道路病害样本进行分析，节省大量人力和物力，通过使用若干个神经网络，分析大量的正常道路的图片进行编码、解码、再编码训练，再通过判别网络判定训练的好坏，最后分析编码后的图片和原图编码的差异，检测道路是否存在病害。
Description
技术领域
本发明涉及交通路面检测技术领域，具体为一种基于深度学习的路面病害检测方法。
背景技术
近年来，社会发展迅速，我国的道路逐渐增多，但随之而来也产生了一些问题，由于道路众多，很难发现路面存在病害，这就为行车安全事故埋下了安全隐患，因此路面病害检测技术呼之欲出，为了解决此问题，以往都是通过人工开车排查的方式去检测路面，这样方法不仅低效，而且人工筛查容易出现纰漏，如果使用计算机图像技术，通过道路上方的摄像头将道路信息传给计算机分析，不仅可以实现自动化，还方便有关部门及时处理，保证行车安全，最大程度减小路面病害的损失降到最低，目前有相关计算机图像处理技术主要是检测裂缝，来判定是否存在路面病害问题，但是由于传统图像处理会因为光照等因素导致不能很好地提取裂缝信息或出现误报。
参考专利“CN110349119A”-《基于边缘检测神经网络的路面病害检测方法和装置》，该专利公开了一种基于边缘检测神经网络的路面病害检测方法和装置，所述方法包括：运用第一边缘检测神经网络对输入的路面图像进行路面病害识别，输出所述路面图像的第一病害概率矩阵；运用第二边缘检测神经网络对所述路面图像进行路面病害识别，输出所述路面图像的第二病害概率矩阵；根据第一、二病害概率矩阵，计算所述路面图像的最终病害概率矩阵；根据所述最终病害概率矩阵，从所述路面图像中识别出路面病害；其中，所述第一、二边缘检测神经网络分别是根据具有普通路面病害、复杂路面病害的路面图像预先训练得到的，应用本发明可以提高实际路面采集图像中的路面病害识别正确率，且减少识别过程的计算量，提高识别效率。
虽然该专利也使用了深度学习的方法去检测路面病害，但是该种检测方法基于边缘检测的信息去做深度学习检测，目前关于路面检测边缘没有好的办法提取，首先因为路面可能存在树枝、小石子，水渍，阴影光照等情况，如果单纯使用边缘检测，很可能被识别为路面的边缘进行识别，从而使别错误，另外，基于路面边缘检测的训练数据会不平衡，因为真正出现路面病害的情况比较低，对于深度学习来说，路面数据就会因为不平衡而无法保证准确率。
由于目前道路病害检测中，道路的病害图片样本并不是很多，如果采用深度学习的方法，如果没有大量的正样本，将会导致无法准确识别，本质上道路病害检测算是一个分类，本发明提出了一种深度学习方法系统去解决正负样本不平衡的问题，该系统中的输入包含大量的正常道路图片，而不需要道路病害图像样本，再系统结果中包含两个神经网络，第一个神经网络其结构为“编码器-解码器-编码器”，主要负责图片的编码和解码，编码的过程是将图片通过神经网络转成一组向量数据，解码的过程是由一组向量数据生成通道数为3的图片，最后将解码后向量和原图解码后的向量进行比对，如果某一个地方差异较大，则可能存在道路病害问题，在整个判定过程中，无需使用道路病害样本进行分析，节省大量人力和物力。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于深度学习的路面病害检测方法，通过采用深度学习技术，使用了若干个神经网络，先通过分析大量的正常道路的图片进行编码、解码、再编码训练，再通过判别网络判定训练的好坏，最后分析编码后的图片和原图编码的差异，检测道路是否存在病害。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于深度学习的路面病害检测方法，具体包括以下步骤：
S1、通过装在车辆的摄像头采集正常道路数据，并针对采集的数据进行打标签处理，归类为正常；
S2、分别搭建两个神经网络；
S3、训练神经网络，在训练过程中，将采集的正常道路数据，分成若干个批次，依次输入神经网络模型中进行训练；
S4、待训练完成，此时模型输入对于正常道路图片的推理，生成器所生成的图和原图差别都不大，而对于存在病害的道路图像，生成器所生成的图和原图将会有较大的差距，通过设定已知的差距阈值，判定道路是否存在病害风险。
优选的，所述步骤S2中一个神经网络包括“自编码器”，“编码码器”，两个神经网络负责对原图和重建后的图生成映射关系，另一个神经网络为“判别器”，判别器负责在训练过程中判定解码器生成的图和原图比较是否为真。
优选的，两个神经网络对原图和重建后的图生成映射关系为“编码器1-解码器-编码器2”。
本发明还公开了一种基于深度学习的路面病害检测方法的检测系统，包括道路数据采集模块、模型模块、模型训练模块、模型读取模块、数据模型推理模块和异常区域图像输出模块，
所述道路数据采集模块为摄像头；
所述模型模块为两个神经网络，分别为自编码器和判别器，自编码器由三个神经网络组成，结构分别为编码器1-解码器-编码器2；
所述模型训练模块用于模型的训练工作；
所述模型读取模块用于接收来自模型训练模块训练的模型，并读取模型中的参数和分配计算机内存空间；
所述数据模型推理模块用于接收模型读取模块输出的两组向量值，并依次相减，从而确定潜在的异常点；
所述异常区域图像输出模块求得一组向量的差异值的平均数，找出高于平均值的异常点位置，确定坐标x，y。并乘编码神经网络缩放比例还原原图异常点的长和宽。
优选的，所述摄像头位于车身下方，以每秒25帧的速度垂直拍摄正常路面，最终采集路面的图片为960*960的大小，此时需要开车采集的数据需要注意，必须采集正常道路图片，如果遇到道路存在病害的情况，则停止采集。
优选的，所述编码器1负责接收原图，并通过内部神经网络提取图片的深层信息，转成一个向量数据1，且解码器负责接收向量数据，并解码为通道为3的图片，编码器2接收生成图数据，再次提取深层信息，转成向量数据2，通过向量数据2和向量数据1的差别，从而判定道路是否存在病害情况。
优选的，模块在经过所述模型训练模块训练后，会根据预设定的参数进行训练和优化，当损失函数的loss不再变化或变化小时，则停止训练并保存模型学习的权重参数。
优选的，通过坐标以及长宽数据，在原图标识路面异常点。
(三)有益效果
本发明提供了一种基于深度学习的路面病害检测方法。与现有技术相比具备以下有益效果：
(1)、该基于深度学习的路面病害检测方法，通过输入包含大量的正常道路图片，而不需要道路病害图像样本，再系统结果中包含两个神经网络，第一个神经网络其结构为“编码器-解码器-编码器”，主要负责图片的编码和解码，编码的过程是将图片通过神经网络转成一组向量数据，解码的过程是由一组向量数据生成通道数为3的图片，最后将解码后向量和原图解码后的向量进行比对，如果某一个地方差异较大，则可能存在道路病害问题，在整个判定过程中，无需使用道路病害样本进行分析，节省大量人力和物力，通过使用若干个神经网络，分析大量的正常道路的图片进行编码、解码、再编码训练，再通过判别网络判定训练的好坏，最后分析编码后的图片和原图编码的差异，检测道路是否存在病害。
(2)、该基于深度学习的路面病害检测方法，适用于各种道路的病害检测，程无需使用其他图像算法和调整阈值，能够实时检测出道路的坑洼，裂缝，破损等情况，同时，能够很好应对阴天、阴影天气的干扰，具有良好的鲁棒性。
附图说明
图1为本发明实施例提供的系统框图；
图2为本发明提供的神经网络模型的流程图。
图中，101道路数据采集模块、102模型模块、103模型训练模块、104模型读取模块、105数据模型推理模块、106异常区域图像输出模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-2，本发明实施例提供一种技术方案：一种基于深度学习的路面病害检测方法，具体包括以下步骤：
S1、通过装在车辆的摄像头采集正常道路数据，并针对采集的数据进行打标签处理，归类为正常；
S2、分别搭建两个神经网络，一个神经网络包括“自编码器”，“编码码器”，两个神经网络负责对原图和重建后的图生成映射关系，另一个神经网络为“判别器”，判别器负责在训练过程中判定解码器生成的图和原图比较是否为真，两个神经网络对原图和重建后的图生成映射关系为“编码器1-解码器-编码器2”；
S3、训练神经网络，在训练过程中，将采集的正常道路数据，分成若干个批次，依次输入神经网络模型中进行训练；
S4、待训练完成，此时模型输入对于正常道路图片的推理，生成器所生成的图和原图差别都不大，而对于存在病害的道路图像，生成器所生成的图和原图将会有较大的差距，通过设定已知的差距阈值，判定道路是否存在病害风险。
由图1所示，本发明还公开了一种基于深度学习的路面病害检测方法的检测系统，包括道路数据采集模块101、模型模块102、模型训练模块103、模型读取模块104、数据模型推理模块105和异常区域图像输出模块106，
道路数据采集模块101为摄像头，摄像头位于车身下方，以每秒25帧的速度垂直拍摄正常路面，最终采集路面的图片为960*960的大小，此时需要开车采集的数据需要注意，必须采集正常道路图片，如果遇到道路存在病害的情况，则停止采集，采集过程中不能采取到真实的道路病害图片；
模型模块102为两个神经网络，分别为自编码器和判别器，自编码器由三个神经网络组成，结构分别为编码器1-解码器-编码器2，编码器1负责接收原图，并通过内部神经网络提取图片的深层信息，转成一个向量数据1，且解码器负责接收向量数据，并解码为通道为3的图片，编码器2接收生成图数据，再次提取深层信息，转成向量数据2，通过向量数据2和向量数据1的差别，从而判定道路是否存在病害情况，判别器是训练时使用，目的是为了判定原图和解码生成数据的相似度，便于训练。该网络结构和编码器中的网络结构是一样的；
模型训练模块103用于模型的训练工作，如设置训练优化器的选择、输入的批次大小、训练轮次、以及损失函数的设定等工作，模块在经过模型训练模块103训练后，会根据预设定的参数进行训练和优化，当损失函数的loss不再变化或变化小时，则停止训练并保存模型学习的权重参数；
模型读取模块104用于接收来自模型训练模块103训练的模型，并读取模型中的参数和分配计算机内存空间；
数据模型推理模块105用于接收模型读取模块104输出的两组向量值，并依次相减，从而确定潜在的异常点；
异常区域图像输出模块106求得一组向量的差异值的平均数，找出高于平均值的异常点位置，确定坐标x，y。并乘编码神经网络缩放比例还原原图异常点的长和宽，通过坐标以及长宽数据，在原图标识路面异常点。
由图2所示，模块201为输入图片接收器，模块202为编码器1，模块203为解码器，模块204为编码器2，模块205为判别器。
在训练过程中，数据图片I经过编码器1转成向量数据X1，X1再经过编码器转化为生成图I1，I1再经过编码器2转成向量数据X2，判别器分别接收两个图I，I1，并生成D1，D2，损失函数的损失主要来自两个神经网咯的loss值的和，即L＝L1+L2+L3。其中L1＝|X1-X2|，L2＝|I-I1|，L3＝|D1-D2|，神经网络模型，为了使得loss最小，反向梯度传播算法更新模型内的参数，从而达到优化模型的目的。
在推理过程中，数据模型不需要使用判别器。仅需要X1和X2的值，并根据这两个值的差值，测算出是否存在路面病害。
同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于深度学习的路面病害检测方法，其特征在于：具体包括以下步骤：
S1、通过装在车辆的摄像头采集正常道路数据，并针对采集的数据进行打标签处理，归类为正常；
S2、分别搭建两个神经网络；
S3、训练神经网络，在训练过程中，将采集的正常道路数据，分成若干个批次，依次输入神经网络模型中进行训练；
S4、待训练完成，此时模型输入对于正常道路图片的推理，生成器所生成的图和原图差别都不大，而对于存在病害的道路图像，生成器所生成的图和原图将会有较大的差距，通过设定已知的差距阈值，判定道路是否存在病害风险。
2.根据权利要求1所述的一种基于深度学习的路面病害检测方法，其特征在于：所述步骤S2中一个神经网络包括“自编码器”，“编码码器”，两个神经网络负责对原图和重建后的图生成映射关系，另一个神经网络为“判别器”，判别器负责在训练过程中判定解码器生成的图和原图比较是否为真。
3.根据权利要求2所述的一种基于深度学习的路面病害检测方法，其特征在于：两个神经网络对原图和重建后的图生成映射关系为“编码器1-解码器-编码器2”。
4.一种如权利要求1-3任意一项所述基于深度学习的路面病害检测方法的检测系统，其特征在于：包括道路数据采集模块(101)、模型模块(102)、模型训练模块(103)、模型读取模块(104)、数据模型推理模块(105)和异常区域图像输出模块(106)，
所述道路数据采集模块(101)为摄像头；
所述模型模块(102)为两个神经网络，分别为自编码器和判别器，自编码器由三个神经网络组成，结构分别为编码器1-解码器-编码器2；
所述模型训练模块(103)用于模型的训练工作；
所述模型读取模块(104)用于接收来自模型训练模块(103)训练的模型，并读取模型中的参数和分配计算机内存空间；
所述数据模型推理模块(105)用于接收模型读取模块(104)输出的两组向量值，并依次相减，从而确定潜在的异常点；
所述异常区域图像输出模块(106)求得一组向量的差异值的平均数，找出高于平均值的异常点位置，确定坐标x，y。并乘编码神经网络缩放比例还原原图异常点的长和宽。
5.根据权利要求4所述的一种基于深度学习的路面病害检测方法的检测系统，其特征在于：所述摄像头位于车身下方，以每秒25帧的速度垂直拍摄正常路面，最终采集路面的图片为960*960的大小，此时需要开车采集的数据需要注意，必须采集正常道路图片，如果遇到道路存在病害的情况，则停止采集。
6.根据权利要求4所述的一种基于深度学习的路面病害检测方法的检测系统，其特征在于：所述编码器1负责接收原图，并通过内部神经网络提取图片的深层信息，转成一个向量数据1，且解码器负责接收向量数据，并解码为通道为3的图片，编码器2接收生成图数据，再次提取深层信息，转成向量数据2，通过向量数据2和向量数据1的差别，从而判定道路是否存在病害情况。
7.根据权利要求4所述的一种基于深度学习的路面病害检测方法的检测系统，其特征在于：模块在经过所述模型训练模块(103)训练后，会根据预设定的参数进行训练和优化，当损失函数的loss不再变化或变化小时，则停止训练并保存模型学习的权重参数。
8.根据权利要求4所述的一种基于深度学习的路面病害检测方法的检测系统，其特征在于：通过坐标以及长宽数据，在原图标识路面异常点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010632970.9A CN111767874B (zh) | 2020-07-06 | 2020-07-06 | 一种基于深度学习的路面病害检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010632970.9A CN111767874B (zh) | 2020-07-06 | 2020-07-06 | 一种基于深度学习的路面病害检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111767874A true CN111767874A (zh) | 2020-10-13 |
| CN111767874B CN111767874B (zh) | 2024-02-13 |
Family
ID=72724031
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010632970.9A Active CN111767874B (zh) | 2020-07-06 | 2020-07-06 | 一种基于深度学习的路面病害检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111767874B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112488221A (zh) * | 2020-12-07 | 2021-03-12 | 电子科技大学 | 一种基于动态刷新正样本图像库的道路路面异常检测方法 |
| 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 |
| CN114120086A (zh) * | 2021-10-29 | 2022-03-01 | 北京百度网讯科技有限公司 | 路面病害识别、图像处理模型训练方法、装置及电子设备 |
| CN114862863A (zh) * | 2022-07-11 | 2022-08-05 | 四川大学 | 一种样本可均衡的曲轴表面缺陷检测方法及检测系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014163707A (ja) * | 2013-02-21 | 2014-09-08 | Pasco Corp | 道路変状検出装置、道路変状検出方法及びプログラム |
| WO2017084186A1 (zh) * | 2015-11-18 | 2017-05-26 | 华南理工大学 | 挠性电路板制造过程自动监测和智能分析系统及方法 |
| CN107945161A (zh) * | 2017-11-21 | 2018-04-20 | 重庆交通大学 | 基于纹理特征提取的道路表面缺陷检测方法 |
| CN109782274A (zh) * | 2019-01-31 | 2019-05-21 | 长安大学 | 一种基于探地雷达信号时频统计特征的水损害识别方法 |
| CN109829895A (zh) * | 2019-01-09 | 2019-05-31 | 武汉精立电子技术有限公司 | 一种基于gan的aoi缺陷检测方法 |
| CN110245642A (zh) * | 2019-06-21 | 2019-09-17 | 北京市市政工程研究院 | 一种基于深度学习的雷达图谱识别方法及系统 |
| CN110349119A (zh) * | 2019-05-27 | 2019-10-18 | 北京邮电大学 | 基于边缘检测神经网络的路面病害检测方法和装置 |
| US20190331301A1 (en) * | 2016-12-30 | 2019-10-31 | Du Yuchuan | Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing |
| CN110415233A (zh) * | 2019-07-26 | 2019-11-05 | 东南大学 | 基于两步卷积神经网络的路面裂缝快速提取方法 |
| CN110674887A (zh) * | 2019-10-08 | 2020-01-10 | 中兴飞流信息科技有限公司 | 一种基于视频分类的端到端道路拥堵检测算法 |
| US20200041284A1 (en) * | 2017-02-22 | 2020-02-06 | Wuhan Jimu Intelligent Technology Co., Ltd. | Map road marking and road quality collecting apparatus and method based on adas system |
| CN110880175A (zh) * | 2019-11-15 | 2020-03-13 | 广东工业大学 | 一种焊点缺陷检测方法、系统以及设备 |
| CN110910354A (zh) * | 2019-11-07 | 2020-03-24 | 安徽乐道信息科技有限公司 | 道路检测车及道路检测方法、装置 |
| CN111080620A (zh) * | 2019-12-13 | 2020-04-28 | 中远海运科技股份有限公司 | 一种基于深度学习的道路病害检测方法 |
-
2020
- 2020-07-06 CN CN202010632970.9A patent/CN111767874B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014163707A (ja) * | 2013-02-21 | 2014-09-08 | Pasco Corp | 道路変状検出装置、道路変状検出方法及びプログラム |
| WO2017084186A1 (zh) * | 2015-11-18 | 2017-05-26 | 华南理工大学 | 挠性电路板制造过程自动监测和智能分析系统及方法 |
| US20190331301A1 (en) * | 2016-12-30 | 2019-10-31 | Du Yuchuan | Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing |
| US20200041284A1 (en) * | 2017-02-22 | 2020-02-06 | Wuhan Jimu Intelligent Technology Co., Ltd. | Map road marking and road quality collecting apparatus and method based on adas system |
| CN107945161A (zh) * | 2017-11-21 | 2018-04-20 | 重庆交通大学 | 基于纹理特征提取的道路表面缺陷检测方法 |
| CN109829895A (zh) * | 2019-01-09 | 2019-05-31 | 武汉精立电子技术有限公司 | 一种基于gan的aoi缺陷检测方法 |
| CN109782274A (zh) * | 2019-01-31 | 2019-05-21 | 长安大学 | 一种基于探地雷达信号时频统计特征的水损害识别方法 |
| CN110349119A (zh) * | 2019-05-27 | 2019-10-18 | 北京邮电大学 | 基于边缘检测神经网络的路面病害检测方法和装置 |
| CN110245642A (zh) * | 2019-06-21 | 2019-09-17 | 北京市市政工程研究院 | 一种基于深度学习的雷达图谱识别方法及系统 |
| CN110415233A (zh) * | 2019-07-26 | 2019-11-05 | 东南大学 | 基于两步卷积神经网络的路面裂缝快速提取方法 |
| CN110674887A (zh) * | 2019-10-08 | 2020-01-10 | 中兴飞流信息科技有限公司 | 一种基于视频分类的端到端道路拥堵检测算法 |
| CN110910354A (zh) * | 2019-11-07 | 2020-03-24 | 安徽乐道信息科技有限公司 | 道路检测车及道路检测方法、装置 |
| CN110880175A (zh) * | 2019-11-15 | 2020-03-13 | 广东工业大学 | 一种焊点缺陷检测方法、系统以及设备 |
| CN111080620A (zh) * | 2019-12-13 | 2020-04-28 | 中远海运科技股份有限公司 | 一种基于深度学习的道路病害检测方法 |
Non-Patent Citations (5)
| Title |
|---|
| GUIFANG WU等: "Research on crack detection algorithm of asphalt pavement", 《2015 IEEE INTERNATIONAL CONFERENCE ON INFORMATION AND AUTOMATION》, pages 647 - 652 * |
| KAIGE ZHANG等: "CrackGAN: Pavement Crack Detection Using Partially Accurate Ground Truths Based on Generative Adversarial Learning", 《IEEE TRANSACTION ON INTELLIGENT TRANSPORTATION SYSTEMS》, vol. 22, no. 2, pages 1306 - 1319, XP011835163, DOI: 10.1109/TITS.2020.2990703 * |
| 张宁: "基于Faster R-CNN的公路路面病害检测算法的研究", 《中国优秀硕士学位论文全文数据库（工程科技Ⅱ辑）》, no. 4, pages 034 - 64 * |
| 时宁等: "沥青路面变形类病害快速检测方法", 《广西大学学报（自然科学版）》, no. 4, pages 865 - 871 * |
| 胡璠: "基于数字图像的高速公路路面病害识别系统的应用研究", 《中国优秀硕士学位论文全文数据库（信息科技辑）》, no. 4, pages 138 - 724 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112488221A (zh) * | 2020-12-07 | 2021-03-12 | 电子科技大学 | 一种基于动态刷新正样本图像库的道路路面异常检测方法 |
| CN112488221B (zh) * | 2020-12-07 | 2022-06-14 | 电子科技大学 | 一种基于动态刷新正样本图像库的道路路面异常检测方法 |
| 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 |
| CN114120086A (zh) * | 2021-10-29 | 2022-03-01 | 北京百度网讯科技有限公司 | 路面病害识别、图像处理模型训练方法、装置及电子设备 |
| CN114862863A (zh) * | 2022-07-11 | 2022-08-05 | 四川大学 | 一种样本可均衡的曲轴表面缺陷检测方法及检测系统 |
| CN114862863B (zh) * | 2022-07-11 | 2022-09-20 | 四川大学 | 一种样本可均衡的曲轴表面缺陷检测方法及检测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111767874B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111767874A (zh) | 一种基于深度学习的路面病害检测方法 | |
| CN111339883A (zh) | 复杂场景下基于人工智能的变电站内异常行为识别与检测方法 | |
| CN114998852A (zh) | 一种基于深度学习的公路路面病害智能检测方法 | |
| CN104851086A (zh) | 一种针对缆索表面缺陷的图像检测方法 | |
| CN113284107B (zh) | 一种引入注意力机制改进型U-net的混凝土裂缝实时检测方法 | |
| CN110866430A (zh) | 一种车牌识别方法及装置 | |
| CN112347927B (zh) | 基于卷积神经网络概率决策融合的高分影像建筑提取方法 | |
| CN106339657A (zh) | 基于监控视频的秸秆焚烧监测方法、装置 | |
| CN113256601A (zh) | 路面病害检测方法及系统 | |
| CN111212291A (zh) | 基于dfl-cnn网络的视频帧内对象移除篡改检测方法 | |
| CN111079734A (zh) | 铁路货车三角孔异物检测方法 | |
| CN112837308A (zh) | 一种建筑裂缝检测方法、装置、设备及存储介质 | |
| CN114677362B (zh) | 基于改进YOLOv5的表面缺陷检测方法 | |
| CN113724219A (zh) | 基于卷积神经网络的建筑物表面病害检测方法及系统 | |
| CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
| CN112132088B (zh) | 一种巡检点位漏巡识别方法 | |
| CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
| CN112712552A (zh) | 一种车辆踏面擦伤的故障检测方法 | |
| CN117593499A (zh) | 一种基于分布式巡检策略的水电站机电设备故障识别方法 | |
| CN116993745A (zh) | 基于图像处理给水管表面漏损检测方法 | |
| CN110163081A (zh) | 基于ssd的实时区域入侵检测方法、系统及存储介质 | |
| CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
| CN115375672A (zh) | 一种基于改进型YOLOv4算法的煤矸检测方法 | |
| CN116152674A (zh) | 一种基于改进U-Net模型的大坝无人机影像裂缝智能识别方法 | |
| CN113793069A (zh) | 深度残差网络的城市内涝积水智能识别方法 |
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 |