CN112270663B - 基于蜂巢网络环境的沥青路面过筛修复系统 - Google Patents
基于蜂巢网络环境的沥青路面过筛修复系统 Download PDFInfo
- Publication number
- CN112270663B CN112270663B CN202011161867.7A CN202011161867A CN112270663B CN 112270663 B CN112270663 B CN 112270663B CN 202011161867 A CN202011161867 A CN 202011161867A CN 112270663 B CN112270663 B CN 112270663B
- Authority
- CN
- China
- Prior art keywords
- asphalt pavement
- image
- average value
- thermal imaging
- rgb
- 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
- 239000010426 asphalt Substances 0.000 title claims abstract description 160
- 238000007873 sieving Methods 0.000 title abstract description 8
- 230000007547 defect Effects 0.000 claims abstract description 121
- 238000001931 thermography Methods 0.000 claims abstract description 78
- 238000012216 screening Methods 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims description 17
- 230000002950 deficient Effects 0.000 claims description 10
- 230000001413 cellular effect Effects 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000007689 inspection Methods 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000011384 asphalt concrete Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012549 training 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/72—Investigating presence of flaws
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于蜂巢网络环境的沥青路面过筛修复系统，包括初始图像获取模块、初步缺陷识别模块、三通道像素值均值比较模块、热成像图像获取模块、温度均值获取模块、温度均值比较模块、缺陷判定模块和判定结果输出模块。对沥青路面RGB图像中的路面缺陷进行识别，初步得到沥青路面RGB图像的缺陷区域，若缺陷区域的颜色与沥青路面的正常颜色差异较大，则比对缺陷区域的温度均值与沥青路面的温度均值，若两者温差较大，则判定存在缺陷，通过蜂巢网络输出判定结果，工作人员就能够根据判定结果对沥青路面进行过筛修复。该沥青路面过筛修复系统通过图像识别、颜色比对以及温度比对的方式实现自动检测，无需人工巡检，及时性和效率均较高。
Description
技术领域
本发明涉及一种基于蜂巢网络环境的沥青路面过筛修复系统。
背景技术
公路是衡量一个国家经济实力和现代化水平的重要标志，对国民经济和社会发展具有明显的推动作用。随着我国公路事业的快速发展，公路的养护任务日益繁重。而我国公路又以沥青路面为主，沥青路面在道路工程中得到广泛的应用，从乡村道路到城市道路，从三级公路到高速公路，均普遍采用。但由于沥青混凝土材质本身的差异，以及受设计、施工及养护水平和外部环境的影响，沥青路面常常出现开裂和坑槽等缺陷。这些缺陷的出现严重影响了行车速度、行车安全，缩短了沥青路面使用寿命，从而造成路面使用年限的缩短。
目前，沥青路面的修复方式是：人工巡检沥青路面的损坏情况，若确定出现缺陷，则进行修复。人工巡检的方式不但需要专门投入巡检人员，增大人工成本，而且效率较低，且具有一定的延时性。因此，这种修复方式的效率和及时性比较差。
发明内容
本发明的目的在于提供一种基于蜂巢网络环境的沥青路面过筛修复系统，用以解决现有的修复方式的效率和及时性比较差的问题。
为了解决上述问题，本发明采用以下技术方案：
一种基于蜂巢网络环境的沥青路面过筛修复系统，包括：
初始图像获取模块，用于获取沥青路面RGB图像和沥青路面热成像图像，所述沥青路面RGB图像和沥青路面热成像图像为同一双光一体摄像机拍摄到的RGB图像和热成像图像；
初步缺陷识别模块，用于对所述沥青路面RGB图像中的路面缺陷进行识别，初步得到所述沥青路面RGB图像中的缺陷区域；
三通道像素值均值比较模块，用于获取所述沥青路面RGB图像中的缺陷区域的实际三通道像素值均值，比较所述实际三通道像素值均值与预设的沥青路面的标准三通道像素值均值；
热成像图像获取模块，用于若所述实际三通道像素值均值与所述标准三通道像素值均值的误差值大于或者等于预设像素误差阈值，将所述缺陷区域对应在所述沥青路面热成像图像中，获取所述缺陷区域的缺陷区域热成像图像，以及所述沥青路面热成像图像中所述缺陷区域之外的其他区域的背景热成像图像；
温度均值获取模块，用于获取所述缺陷区域热成像图像的温度均值，得到第一温度均值，以及所述背景热成像图像的温度均值，得到第二温度均值；
温度均值比较模块，用于比较所述第一温度均值和所述第二温度均值；
缺陷判定模块，用于若所述第一温度均值和所述第二温度均值的温度误差值大于或者等于预设温度误差阈值，则判定所述沥青路面RGB图像存在缺陷；
判定结果输出模块，用于通过蜂巢网络输出所述沥青路面RGB图像存在缺陷的判定结果。
进一步地，所述初步缺陷识别模块具体用于：
获取沥青路面RGB样本图像，所述沥青路面RGB样本图像包含缺陷；
对所述沥青路面RGB样本图像中的各个像素进行标注，缺陷区域的各个像素标注为1，所述沥青路面RGB样本图像中的其他区域的各个像素标注为0，得到第一标注数据；
将所述沥青路面RGB样本图像输入到第一编码器中进行特征提取，得到特征向量，所述特征向量输入至第一解码器中进行上采样，输出与所述沥青路面RGB样本图像相对应的语义分割图；
将所述语义分割图与所述第一标注数据通过交叉熵损失函数进行运算，优化语义分割模型中的参数；
将所述沥青路面RGB图像输入到所述语义分割模型中进行图像分割，初步得到所述沥青路面RGB图像中的缺陷区域。
进一步地，所述获取所述沥青路面RGB图像中的缺陷区域的实际三通道像素值均值，包括：
获取所述沥青路面RGB图像中的缺陷区域的三个单通道的单通道像素值均值；
求取三个所述单通道像素值均值的均值，得到所述实际三通道像素值均值。
进一步地，所述将所述缺陷区域对应在所述沥青路面热成像图像中，获取所述缺陷区域的缺陷区域热成像图像，以及所述沥青路面热成像图像中所述缺陷区域之外的其他区域的背景热成像图像，包括：
获取所述缺陷区域在所述沥青路面RGB图像中的二维坐标；
根据所述二维坐标，在所述沥青路面热成像图像中形成所述缺陷区域的缺陷区域热成像图像，并获取所述沥青路面热成像图像中所述缺陷区域之外的其他区域的背景热成像图像。
首先，通过同一个双光一体摄像机拍摄到取沥青路面RGB图像和沥青路面热成像图像，这两个图像除了图像类型不同，其他参数均相同，先对沥青路面RGB图像中的路面缺陷进行识别，初步得到沥青路面RGB图像中的缺陷区域，图像识别的方式可能存在误差，比如若路面上存在与缺陷区域相同或相近颜色，或者形状相同或者相近的其他物体时，可能会被错误识别为缺陷。缺陷区域通常会裸露沥青路面的内部物质，颜色与沥青路面的颜色有较大差异，而且，缺陷区域为凹陷的区域，那么，不管是由于阳光遮挡，还是其他的因素，缺陷区域与正常的沥青路面的温度也有较大差异，因此，在初步得到沥青路面RGB图像中的缺陷区域之后，比较缺陷区域的实际三通道像素值均值与预设的沥青路面的标准三通道像素值均值，当两者的误差比较大时，判定缺陷区域与正常的沥青路面的温度有较大差异，然后根据沥青路面RGB图像和沥青路面热成像图像的对应关系，将缺陷区域对应在沥青路面热成像图像中，获取缺陷区域的缺陷区域热成像图像，以及沥青路面热成像图像中缺陷区域之外的其他区域的背景热成像图像，计算这两个区域的热成像图像的温度均值，若这两个温度均值的误差值大于预设温度误差阈值，表示这两个区域的温差较大，则最终判定沥青路面RGB图像存在缺陷，最后将判定结果通过蜂巢网络输出，工作人员就能够根据判定结果对沥青路面进行过筛修复。因此，本发明提供的基于蜂巢网络环境的沥青路面过筛修复系统是一种自动检测系统，通过图像识别，以及后续的颜色比对和温度比对的一系列方式实现自动检测，无需人工巡检，减小人工成本，而且检测没有延时性，可以实时检测，及时性和效率均较高。
附图说明
图1是基于蜂巢网络环境的沥青路面过筛修复系统的结构原理图。
具体实施方式
本实施例提供一种基于蜂巢网络环境的沥青路面过筛修复系统，如图1所示，包括初始图像获取模块、初步缺陷识别模块、三通道像素值均值比较模块、热成像图像获取模块、温度均值获取模块、温度均值比较模块、缺陷判定模块和判定结果输出模块。应当理解，各个模块均可以为硬件模块，也可以为软件模块，本实施例不做限定。若各个模块为软件模块，则该沥青路面过筛修复系统是一个软件系统，该软件系统对应的硬件执行主体可以为计算机设备、服务器设备、智能移动终端等。
该沥青路面过筛修复系统通过蜂巢网络与后台监控中心通信连接，用于通过蜂巢网络进行通信。
初始图像获取模块用于获取沥青路面RGB图像和沥青路面热成像图像。其中，沥青路面RGB图像和沥青路面热成像图像为同一个双光一体摄像机拍摄到的RGB图像和热成像图像，即沥青路面RGB图像和沥青路面热成像图像由同一个双光一体摄像机拍摄得到。双光一体摄像机包括可见光摄像机和热成像摄像机。可见光摄像机用于采集得到RGB图像，热成像摄像机用于采集得到热成像图像。为了可靠检测，默认：沥青路面RGB图像中除了缺陷之外不存在其他的物体，即沥青路面RGB图像中只包括沥青路面和缺陷区域。
应当理解，双光一体摄像机的固定方式不做限定，可以固定在无人机上，通过控制无人机进行巡检沥青路面，以对沥青路面进行拍摄。也可以固定在沥青道路的路边专门设置的检测杆上，检测杆可以每间隔一定距离就设置一个。
初步缺陷识别模块用于对沥青路面RGB图像中的路面缺陷进行识别，初步得到沥青路面RGB图像中的缺陷区域。初步缺陷识别模块通过图像识别的方式识别得到沥青路面RGB图像中的缺陷区域，作为一个具体实施方式，以下给出一种具体识别过程，该识别过程采用神经网络训练的方式得到语义分割模型，根据语义分割模型对图像进行分割，具体如下：
获取沥青路面RGB样本图像，沥青路面RGB样本图像的个数不做限定，个数越多，得到的模型越精确。每一个沥青路面RGB样本图像均包含缺陷。应当理解，每一个沥青路面RGB样本图像只包括沥青路面和缺陷区域。缺陷区域通常会裸露沥青路面的内部物质，在视觉上与沥青路面的颜色有较大差异，因此，对沥青路面RGB样本图像中的各个像素进行标注，可以采用专门的标注工具如labelme等进行标注。其中，缺陷区域的各个像素标注为1，沥青路面RGB样本图像中的其他区域（即沥青路面区域）的各个像素标注为0，得到第一标注数据，即第一标注数据包括标注得到的缺陷区域的各个像素以及沥青路面RGB样本图像中的其他区域的各个像素。以不同的数值表示缺陷区域和其他区域的像素，是为了区别缺陷区域和其他区域。
语义分割模型包括第一编码器和第一解码器。
将沥青路面RGB样本图像输入到第一编码器中进行特征提取，得到特征向量，特征向量输入至第一解码器中进行上采样，输出与沥青路面RGB样本图像相对应的语义分割图。
将语义分割图与第一标注数据通过交叉熵损失函数进行运算（即将语义分割图的各个像素点与第一标注数据中的对应各像素点通过交叉熵损失函数进行运算），优化语义分割模型中的参数。
将沥青路面RGB图像输入到语义分割模型中进行图像分割，初步得到沥青路面RGB图像中的缺陷区域。即通过语义分割，将沥青路面RGB图像中的像素点分为两类，一类是缺陷区域的像素点，另一类是沥青路面的像素点。
作为其他的实施方式，还可以采用其他现有的图像识别方式识别缺陷，或者人工识别。
在初步缺陷识别模块初步得到沥青路面RGB图像中的缺陷区域之后，三通道像素值均值比较模块用于获取沥青路面RGB图像中的缺陷区域的实际三通道像素值均值，以下给出一种计算过程：获取沥青路面RGB图像中的缺陷区域的三个单通道（即R、G、B通道）的单通道像素值均值，具体地：计算缺陷区域的各个像素点的R通道的像素值的均值，计算缺陷区域的各个像素点的G通道的像素值的均值，计算缺陷区域的各个像素点的B通道的像素值的均值，然后，求取这三个单通道像素值均值的均值，得到实际三通道像素值均值。
三通道像素值均值比较模块预设有一个沥青路面的标准三通道像素值均值，该标准三通道像素值均值为沥青路面的标准三通道像素值均值，可以由正常的沥青路面获取得到。三通道像素值均值比较模块比较实际三通道像素值均值与标准三通道像素值均值，根据这两个三通道像素值均值之间的差异做后续判断。预设有一个像素误差阈值，该预设像素误差阈值由实际需要进行设置，那么，若实际三通道像素值均值与标准三通道像素值均值的误差值大于或者等于预设像素误差阈值，则表示缺陷区域的颜色与标准的沥青路面的颜色有较大的差异，相应地，若实际三通道像素值均值与标准三通道像素值均值的误差值小于预设像素误差阈值，则表示缺陷区域的颜色与标准的沥青路面的颜色的差异较小。
热成像图像获取模块用于若实际三通道像素值均值与标准三通道像素值均值的误差值大于或者等于预设像素误差阈值，将缺陷区域对应在沥青路面热成像图像中，获取缺陷区域的缺陷区域热成像图像，以及沥青路面热成像图像中缺陷区域之外的其他区域的背景热成像图像。
由于沥青路面RGB图像和沥青路面热成像图像由同一个双光一体摄像机拍摄得到，因此，沥青路面RGB图像和沥青路面热成像图像对应的拍摄角度、焦距、位置等参数完全相同，沥青路面RGB图像和沥青路面热成像图像是同时拍摄得到的，两者尺寸相同，各个像素一一对应，即若以相同的坐标建立规则在沥青路面RGB图像和沥青路面热成像图像中建立两个坐标，比如以图像的左下角作为坐标原点，以图像的长度方向作为横轴，以图像的宽度方向作为纵轴，建立坐标，那么，沥青路面RGB图像的各个像素点和沥青路面热成像图像的各个像素点一一对应。因此，除了图像类型不同，这两个图像的其他参数完全相同。因此，以下给出一种具体对应过程：
获取缺陷区域在沥青路面RGB图像中的二维坐标，即获取缺陷区域的各个像素点在沥青路面RGB图像中的二维坐标。由于缺陷区域的各个像素点在沥青路面RGB图像中的二维坐标与缺陷区域的对应像素点在沥青路面热成像图像中的各个二维坐标相同，因此，根据缺陷区域的各个像素点的二维坐标，在沥青路面热成像图像中形成缺陷区域的缺陷区域热成像图像，即根据各个像素点的二维坐标在沥青路面热成像图像中形成的区域为缺陷区域热成像图像。得到缺陷区域热成像图像之后，沥青路面热成像图像中除该缺陷区域热成像图像之外的区域为其他区域，即沥青路面区域，那么，获取沥青路面热成像图像中缺陷区域之外的其他区域的热成像图像，记为背景热成像图像。
得到缺陷区域热成像图像和背景热成像图像之后，由于热成像图像为对应像素点的温度值，因此，温度均值获取模块用于获取缺陷区域热成像图像的温度均值，得到第一温度均值，以及背景热成像图像的温度均值，得到第二温度均值。应当理解，第一温度均值为缺陷区域热成像图像中的各个像素点的温度值的平均值，第二温度均值为背景热成像图像中的各个像素点的温度值的平均值。
温度均值比较模块，用于比较第一温度均值和第二温度均值。温度均值比较模块预设有一个温度误差阈值，该预设温度误差阈值由实际需要进行设置。温度均值比较模块具体用于比较第一温度均值和第二温度均值的温度误差值与预设温度误差阈值之间的大小关系。
缺陷判定模块用于若第一温度均值和第二温度均值的温度误差值大于或者等于预设温度误差阈值，表示缺陷区域热成像图像和背景热成像图像的温度差异较大，则最终判定沥青路面RGB图像存在缺陷。
判定结果输出模块用于通过蜂巢网络输出沥青路面RGB图像存在缺陷的判定结果，即判定结果输出模块将沥青路面RGB图像存在缺陷的判定结果通过蜂巢网络输出给后台监控中心。后台监控中心获知沥青路面RGB图像存在缺陷之后，可以安排维护人员对沥青路面进行过筛修复。
Claims (4)
1.一种基于蜂巢网络环境的沥青路面过筛修复系统，其特征在于，包括：
初始图像获取模块，用于获取沥青路面RGB图像和沥青路面热成像图像，所述沥青路面RGB图像和沥青路面热成像图像为同一双光一体摄像机拍摄到的RGB图像和热成像图像；
初步缺陷识别模块，用于对所述沥青路面RGB图像中的路面缺陷进行识别，初步得到所述沥青路面RGB图像中的缺陷区域；
三通道像素值均值比较模块，用于获取所述沥青路面RGB图像中的缺陷区域的实际三通道像素值均值，比较所述实际三通道像素值均值与预设的沥青路面的标准三通道像素值均值；
热成像图像获取模块，用于若所述实际三通道像素值均值与所述标准三通道像素值均值的误差值大于或者等于预设像素误差阈值，将所述缺陷区域对应在所述沥青路面热成像图像中，获取所述缺陷区域的缺陷区域热成像图像，以及所述沥青路面热成像图像中所述缺陷区域之外的其他区域的背景热成像图像；
温度均值获取模块，用于获取所述缺陷区域热成像图像的温度均值，得到第一温度均值，以及所述背景热成像图像的温度均值，得到第二温度均值；
温度均值比较模块，用于比较所述第一温度均值和所述第二温度均值；
缺陷判定模块，用于若所述第一温度均值和所述第二温度均值的温度误差值大于或者等于预设温度误差阈值，则判定所述沥青路面RGB图像存在缺陷；
判定结果输出模块，用于通过蜂巢网络输出所述沥青路面RGB图像存在缺陷的判定结果。
2.根据权利要求1所述的基于蜂巢网络环境的沥青路面过筛修复系统，其特征在于，所述初步缺陷识别模块具体用于：
获取沥青路面RGB样本图像，所述沥青路面RGB样本图像包含缺陷；
对所述沥青路面RGB样本图像中的各个像素进行标注，缺陷区域的各个像素标注为1，所述沥青路面RGB样本图像中的其他区域的各个像素标注为0，得到第一标注数据；
将所述沥青路面RGB样本图像输入到第一编码器中进行特征提取，得到特征向量，所述特征向量输入至第一解码器中进行上采样，输出与所述沥青路面RGB样本图像相对应的语义分割图；
将所述语义分割图与所述第一标注数据通过交叉熵损失函数进行运算，优化语义分割模型中的参数；
将所述沥青路面RGB图像输入到所述语义分割模型中进行图像分割，初步得到所述沥青路面RGB图像中的缺陷区域。
3.根据权利要求1所述的基于蜂巢网络环境的沥青路面过筛修复系统，其特征在于，所述获取所述沥青路面RGB图像中的缺陷区域的实际三通道像素值均值，包括：
获取所述沥青路面RGB图像中的缺陷区域的三个单通道的单通道像素值均值；
求取三个所述单通道像素值均值的均值，得到所述实际三通道像素值均值。
4.根据权利要求1所述的基于蜂巢网络环境的沥青路面过筛修复系统，其特征在于，所述将所述缺陷区域对应在所述沥青路面热成像图像中，获取所述缺陷区域的缺陷区域热成像图像，以及所述沥青路面热成像图像中所述缺陷区域之外的其他区域的背景热成像图像，包括：
获取所述缺陷区域在所述沥青路面RGB图像中的二维坐标；
根据所述二维坐标，在所述沥青路面热成像图像中形成所述缺陷区域的缺陷区域热成像图像，并获取所述沥青路面热成像图像中所述缺陷区域之外的其他区域的背景热成像图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011161867.7A CN112270663B (zh) | 2020-10-27 | 2020-10-27 | 基于蜂巢网络环境的沥青路面过筛修复系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011161867.7A CN112270663B (zh) | 2020-10-27 | 2020-10-27 | 基于蜂巢网络环境的沥青路面过筛修复系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112270663A CN112270663A (zh) | 2021-01-26 |
| CN112270663B true CN112270663B (zh) | 2023-11-24 |
Family
ID=74342153
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011161867.7A Active CN112270663B (zh) | 2020-10-27 | 2020-10-27 | 基于蜂巢网络环境的沥青路面过筛修复系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112270663B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114529545B (zh) * | 2022-04-22 | 2022-07-12 | 天津理工大学 | 一种基于无人机的道路缺陷自动检测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102108666A (zh) * | 2011-01-17 | 2011-06-29 | 长安大学 | 一种沥青路面施工质量实时控制方法 |
| WO2018000731A1 (zh) * | 2016-06-28 | 2018-01-04 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
| CN109804232A (zh) * | 2016-12-30 | 2019-05-24 | 同济大学 | 一种基于红外热像图分析的沥青路面裂缝发育程度检测方法 |
| CN110930352A (zh) * | 2019-02-25 | 2020-03-27 | 研祥智能科技股份有限公司 | 物体色差缺陷检测方法、装置、计算机设备及存储介质 |
-
2020
- 2020-10-27 CN CN202011161867.7A patent/CN112270663B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102108666A (zh) * | 2011-01-17 | 2011-06-29 | 长安大学 | 一种沥青路面施工质量实时控制方法 |
| WO2018000731A1 (zh) * | 2016-06-28 | 2018-01-04 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
| CN109804232A (zh) * | 2016-12-30 | 2019-05-24 | 同济大学 | 一种基于红外热像图分析的沥青路面裂缝发育程度检测方法 |
| CN110930352A (zh) * | 2019-02-25 | 2020-03-27 | 研祥智能科技股份有限公司 | 物体色差缺陷检测方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 基于机器视觉的IC卡印刷缺陷检测;刘建平;朱方文;袁振鹏;;计量与测试技术(第11期);全文 * |
| 红外热成像及图像处理技术在建筑物缺陷检测方面的应用;杨燕萍;齐明;闫鑫;田旭园;汤一平;;新型建筑材料(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112270663A (zh) | 2021-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102121958B1 (ko) | 콘크리트 구조물 결함 분석 서비스 제공 방법, 시스템 및 컴퓨터 프로그램 | |
| Maeda et al. | Road damage detection using deep neural networks with images captured through a smartphone | |
| Park et al. | Patch-based crack detection in black box images using convolutional neural networks | |
| Akagic et al. | Pothole detection: An efficient vision based method using rgb color space image segmentation | |
| CN109782364B (zh) | 基于机器视觉的交通标志牌缺失检测方法 | |
| CN111241994A (zh) | 一种深度学习的遥感影像农村公路砂化路段的提取方法 | |
| CN109993742B (zh) | 基于对角导数算子的桥梁裂缝快速识别方法 | |
| CN117474870B (zh) | 一种基于大数据筛选的公路路面裂缝识别决策方法及系统 | |
| CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
| CN110245583A (zh) | 一种车辆尾气检验报告的智能识别方法 | |
| CN112270663B (zh) | 基于蜂巢网络环境的沥青路面过筛修复系统 | |
| CN116091477A (zh) | 基于深度学习多模态图像融合的建筑外墙缺陷检测方法 | |
| CN111144301A (zh) | 一种基于深度学习的道路路面缺陷快速预警装置 | |
| CN115994901A (zh) | 一种道路病害自动检测方法与系统 | |
| Kargah-Ostadi et al. | Evaluation framework for automated pavement distress identification and quantification applications | |
| CN115082849A (zh) | 基于深度学习的模板支架安全智能监测方法 | |
| CN112329858B (zh) | 一种铁路动车防松铁丝折断故障图像识别方法 | |
| CN113762247A (zh) | 一种基于显著实例分割算法的道路裂缝自动检测方法 | |
| CN117129527A (zh) | 一种城市道路铺设质量检测方法及系统 | |
| CN115049984A (zh) | 一种路面病害检测方法及系统 | |
| CN115690700A (zh) | 公路破损的识别方法、装置及相关设备 | |
| CN115575400A (zh) | 一种天地一体化公路检测系统及方法 | |
| CN111709991B (zh) | 一种铁路工机具的检测方法、系统、装置和存储介质 | |
| CN110070520B (zh) | 基于深度神经网络的路面裂缝检测模型构建及检测方法 | |
| CN112308135A (zh) | 基于深度学习的铁路动车撒砂管松脱故障检测方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231101 Address after: Room ZT342, Science and Technology Building, No. 45 Zhaitang Street, Mentougou District, Beijing, 102300 Applicant after: Beijing Jingneng Dongfang Construction Engineering Co.,Ltd. Address before: 450000 No.11, Changchun Road, high tech Zone, Zhengzhou City, Henan Province Applicant before: Cai Xiaozheng |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |