CN112817006A - 一种车载智能道路病害检测方法及系统 - Google Patents
一种车载智能道路病害检测方法及系统 Download PDFInfo
- Publication number
- CN112817006A CN112817006A CN202011601973.2A CN202011601973A CN112817006A CN 112817006 A CN112817006 A CN 112817006A CN 202011601973 A CN202011601973 A CN 202011601973A CN 112817006 A CN112817006 A CN 112817006A
- Authority
- CN
- China
- Prior art keywords
- road
- disease
- suspected
- data
- information
- 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 129
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 129
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000013135 deep learning Methods 0.000 claims abstract description 33
- 230000003993 interaction Effects 0.000 claims abstract description 7
- 238000007726 management method Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 13
- 230000001360 synchronised effect Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 description 5
- 239000003086 colorant Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Medical Informatics (AREA)
- Radar, Positioning & Navigation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种车载智能道路病害检测方法,包括:开启车载智能道路病害检测系统;摄像头和激光雷达采集道路数据;激光雷达判定是否存在疑似病害道路;将疑似病害道路数据存放至数据缓存区;深度学习算法模块将疑似病害道路相应区域的图像切割出来并确认是否为病害道路;病害道路管理模块识别并确认出病害道路的数据信息,保存并发送至云服务器;系统将病害道路的数据信息在人机交互界面显示并发送给道路管理人员。本发明通过分层级处理道路数据缩小范围,可以有效的兼顾病害道路信息的实时性和有效性,通过设定双阈值的方法减少了对病害问题的误识别和漏识别情况,结合定位与导航模块便于道路管理人员快速找到病害位置。
Description
技术领域
本发明涉及互联网技术领域,具体涉及一种车载智能道路病害检测方法及系统。
背景技术
目前随着人工智能、智慧城市等概念的不断兴起,城市道路的维护工作也越来越趋向于智能化、自动化。对于城市道路各类缺陷病害的检测,传统的人工巡检的方式检测效率低、不便于记录、不易跟踪管理、容易遗漏等缺点。因此,如何高效的进行道路病害的检测和管理,成为一个亟待解决的问题。
目前自动化的道路病害解决方案大多基于线/面阵相机,或者线激光器等感知原件。在实际的使用中,发现此类传感器方案有如下问题:
1.感知能力有限,只能识别较少形式的道路病害;
2.随着传感器的增多导致系统计算量增大,难以完成高检测频率下的实时检测;
3.检测结果中存在大量误触发和病害信息冗余,导致上报的结果一般不能直接使用,需要人工剔除;
4.检测到的病害的信息保存方式没有考虑道路管理人员到实地修复的便利性和可行性。
目前,自动化道路病害检测系统,对以上问题提出相关优化方案的较少。
发明内容
为解决现有技术中的问题,本发明提供一种车载智能道路病害检测方法及系统,通过分层级处理道路数据缩小范围,可以有效的兼顾病害道路信息的实时性和有效性,通过设定双阈值的方法减少了对病害问题的误识别和漏识别情况,结合定位与导航模块便于道路管理人员快速找到病害位置。
本发明的一种车载智能道路病害检测方法包括如下步骤:
步骤1:开启车载智能道路病害检测系统;
步骤2:摄像头和激光雷达采集道路数据,并通过时间戳和定位信息进行数据同步;
步骤3:激光雷达对同步后的道路数据进行初步筛选,判定是否存在疑似病害道路;
步骤4:当激光雷达初步筛选发现存在疑似病害道路时,系统将疑似病害道路数据存放至数据缓存区;
步骤5:深度学习算法模块在数据缓存区找到疑似病害道路图像数据,并将疑似病害道路相应区域的图像切割出来;
步骤6:深度学习算法模块确认切割出的疑似病害道路图像数据是否为病害道路;
步骤7:当深度学习算法模块确认切割出的疑似病害道路图像数据为病害道路时,病害道路管理模块识别并确认出病害道路所在车道位置以及该车道和本车所在车道的关系;
步骤8:病害道路管理模块将病害道路的图像信息、位置信息和定位信息进行保存并发送至云服务器;
步骤9:系统将病害道路的图像信息、位置信息和定位信息在人机交互界面显示出来并发送通知给道路管理人员。
本发明作进一步改进,在所述步骤6中,所述深度学习算法模块确认切割出的疑似病害道路图像数据是否为病害道路的方法包括以下步骤:
步骤601:深度学习算法模块设置两个阈值A1和A2(A1<A2);
步骤602:深度学习算法模块计算切割出的疑似病害道路图像数据连续出现在多张图片中的置信度;
步骤603:深度学习算法模块通过比对疑似病害道路图像数据的置信度与阈值A1和A2的大小来确定切割出的疑似病害道路图像数据是否为病害道路。
本发明作进一步改进,在所述步骤3中,当激光雷达对同步后的数据进行初步筛选,发现不存在疑似病害道路时,返回执行步骤2。
本发明作进一步改进,在所述步骤6中,当深度学习算法模块确认切割出的疑似病害道路图像数据不是病害道路时,返回执行步骤2。
本发明作进一步改进,在所述步骤4中,所述激光雷达首先对原始道路数据进行处理,得到若干的原始道路数据点并拟合为道路的表面轮廓,当有图像中的道路的表面轮廓为病害道路的概率大于系统内设定的阈值A0时,则判定为疑似病害道路。
本发明作进一步改进,在所述步骤4中,所述疑似病害道路数据包括疑似病害道路的图像信息、定位信息和时间戳。
本发明作进一步改进,在所述步骤5中,将疑似病害道路相应区域的图像切割出来时,会在原疑似病害道路区域的长宽各扩充25%。
本发明作进一步改进,所述车载智能道路病害检测系统还能够检测除病害道路以外的道路目标。
本发明还提供一种实现上述的车载智能道路病害检测方法的系统,包括检测车辆和云服务器,其中,所述检测车辆包括:
摄像头模块,用于采集车辆前方的图像信息,并转化为RGB类型数据发送给激光雷达模块;
激光雷达模块,用于采集车辆前方的距离信息,用于通过时间戳和定位信息进行数据同步,还用于筛选是否存在疑似病害道路;
定位与导航模块,用于检测车辆的车速信息、导航信息以及定位信息;
数据缓存区,用于保存疑似病害道路数据;
数据保存区,用于保存病害道路数据;
深度学习算法模块,用于将疑似病害道路相应区域的图像切割出来,也用于确认切割出的疑似病害道路图像数据是否为病害道路;
病害道路管理模块,用于识别并确认出病害道路所在车道位置以及该车道和本车所在车道的关系,还用于将病害道路的图像信息、位置信息和定位信息进行保存并发送至云服务器;
人机交互模块,用于将病害道路的图像信息、位置信息和定位信息显示出来;
通知发送模块,用于将病害道路的图像信息、位置信息和定位信息发送通知给道路管理人员。
本发明作进一步改进,所述云服务器用于接收和保存病害道路的图像信息、位置信息和定位信息。
本发明的有益效果是:通过分层级处理道路数据缩小范围,可以有效的兼顾病害道路信息的实时性和有效性,通过设定双阈值的方法减少了对病害问题的误识别和漏识别情况,结合定位与导航模块便于道路管理人员快速找到病害位置。
附图说明
图1为本发明一种车载智能道路病害检测方法的流程图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明。
请参见图1,本发明的一种车载智能道路病害检测方法包括如下步骤:
步骤1:开启车载智能道路病害检测系统。
步骤2:摄像头和激光雷达采集道路数据,并通过时间戳和定位信息进行数据同步,本实施例中所检测的病害道路主要为道路上的坑槽、肿包、车辙3类病害,本实施例中采用的相机为面阵相机,采用的激光雷达为64线激光雷达,本实施例中,首先在测试车辆的车顶正上方加装广角摄像头,同时安装激光雷达,以支架进行固定,摄像头安装于车顶与挡风玻璃的交界处的中心线上,视野朝正前方,向下倾斜3°,使用棋盘格和标定板来标定摄像头和激光雷达,两传感器均以摄像头所在位置为局部坐标系原点,车辆正前方为X轴方向。
步骤3:激光雷达对同步后的道路数据进行初步筛选,判定是否存在疑似病害道路;如果计算的路面病害概率在一定判定阈值以内,则认为没有道路病害并丢弃当前的道路数据。
步骤4:当激光雷达初步筛选发现存在疑似病害道路时,系统将疑似病害道路数据存放至数据缓存区。
步骤5:深度学习算法模块在数据缓存区找到疑似病害道路图像数据,并将疑似病害道路相应区域的图像切割出来;深度学习算法模块可以输出图像中的相关病害类别,所在区域以及置信度,训练样本来源于预先采集的各类病害图片共计30000余张,图片尺寸统一为1920*1080,模型在训练过程中会自我调整内部参数以适应训练集。
步骤6:深度学习算法模块确认切割出的疑似病害道路图像数据是否为病害道路;本实施例中,可以对设定的病害道路类别进行检测并输出其位置和置信度的模型,输入的图像为基于步骤5切割出来的疑似病害道路相应区域的图像而非整个图像,设定病害道路置信函数对疑似病害道路进行确认,逻辑为:
A=f(Con(xt),Con(xt-1),…,Con(xt-n)),n<t
if Con(xt)>A,则判定为病害,A返回初值
其中Con(xt)为当前图片的置信度,Con(xt-1)为上一时刻图片的置信度,结果A为一个动态阈值,其值的大小与本次以及之前时刻的图片的判定结果有关,函数f的选取,应该使得当连续出现多组较高置信度的结果阈值A的趋势会变小,使得系统更偏向于判定为病害道路,相反的,如果只出现单张的高置信度图片,则更难被判定为病害,由此,即可以减少因为某个单张图片中的杂物干扰导致的误触发,也可以避免因为阈值过大导致对于大面积轻微破损病害的漏触发,本步骤中确认的道路病害,会记录下其在图像中的坐标位置。
步骤7:当深度学习算法模块确认切割出的疑似病害道路图像数据为病害道路时,病害道路管理模块识别并确认出病害道路所在车道位置以及该车道和本车所在车道的关系;本实施例中,通过深度学习算法模块确认的病害道路图像数据,会将对应的时间戳以及确认的病害道路区域的信息(xl,yt)i,(xr,yb)i发送给病害道路管理模块,其中,(xl,yt)i为第i个病害道路框左上角点的坐标,(xr,yb)i为第i个病害道路框右下角点的坐标,病害道路管理模块会首先对图像依次进行颜色增强、灰度图转化、边缘检测、霍夫变换,最终拟合出图像中的每条车道线的中心线方程,将视野内拟合的车道线中心线从左到右依次标记为
Li:Ai·x+Bi·y+Ci=0,i=1,2,…,n
其中,Li表示从左至右第i根车道线中心线方程,x和y表示图像中点的像素点坐标值,所有车道线中,分布于图像最中央的两条方程为本车所在车道的车道线,记为Ll和Lr,将深度学习算法模块确认的病害道路图像区域的上下边界纵坐标yt和yb带入各车道线方程,得出各车道线对应的横坐标为
xti,xbi,i=1,2,…,n
由于各车道线不交叉而且从左到右编号,因此xti,xbi一定为单调递增,对于带入yt或yb之后对应xti或xbi已经超出图像范围的车道线,直接令该值为无穷小(图像左侧)或者无穷大(图像右侧),通过比较深度学习算法模块确认的病害道路图像区域的左右边界纵坐标xl和xr和各车道线的xti,xbi值得出病害所在车道,同时通过和Ll和Lr的对比,可以得出病害道路所在车道和本车所在车道的关系并通过时间戳与图像信息同步。
步骤8:病害道路管理模块将病害道路的图像信息、位置信息和定位信息进行保存并发送至云服务器;本实施例中,激光雷达数据、摄像头图像、病害类别信息、病害所在车道信息、病害经纬度、地图平台下附近目标信息、时间信息均会同步上传至云服务器。
步骤9:系统将病害道路的图像信息、位置信息和定位信息在人机交互界面显示出来并发送通知给道路管理人员,道路管理人员可以通过以上信息,在手机或者移动设备安装相同地图平台的条件下寻找病害并修复。
请参见图1,在所述步骤6中,所述深度学习算法模块确认切割出的疑似病害道路图像数据是否为病害道路的方法包括以下步骤:
步骤601:深度学习算法模块设置两个阈值A1和A2(A1<A2);本实施例中,基于本实施例50kph的工作车速,设置了两个阈值A1和A2(A1<A2),对于置信度低于A1的目标,则直接认为不属于病害道路,对于置信度高于A2的目标,则直接认为属于病害道路,即对于在时间上连续多张图片中出现的置信度介于A1和A2之间的目标,随着连续时间的积累次数N的增加,阈值A2会逐渐减小,公式表达为:
A2=b-w1·N,N=1,2,…,n
其中,b为常数,w1为衰减权重。
使用该方法,即可以减少因为某个单张图片中的杂物干扰导致的误触发,也可以避免因为阈值过大导致对于大面积轻微破损病害的漏触发。其中,w1的取值与车速有关,车速越大,同一病害出现在多张图片的概率越小,w1则应该越大。本步骤中确认的道路病害,会记录下其在图像中的坐标位置。每次视野中检测的病害低于A1时或者时间上有间断时,A2重置为初值。
步骤602:深度学习算法模块计算切割出的疑似病害道路图像数据连续出现在多张图片中的置信度,置信度也称为可靠度,或置信水平、置信系数,即在抽样对总体参数作出估计时,由于样本的随机性,其结论总是不确定的,因此,采用一种概率的陈述方法,也就是数理统计中的区间估计法,即估计值与总体参数在一定允许的误差范围以内,其相应的概率有多大,这个相应的概率称作置信度。
步骤603:深度学习算法模块通过比对疑似病害道路图像数据的置信度与阈值A1和A2的大小来确定切割出的疑似病害道路图像数据是否为病害道路。
请参见图1,在所述步骤3中,当激光雷达对同步后的数据进行初步筛选,发现不存在疑似病害道路时,返回执行步骤2。
请参见图1,在所述步骤6中,当深度学习算法模块确认切割出的疑似病害道路图像数据不是病害道路时,返回执行步骤2。
请参见图1,在所述步骤4中,所述激光雷达首先对原始道路数据进行处理,得到若干的原始道路数据点并拟合为道路的表面轮廓,当有图像中的道路的表面轮廓为病害道路的概率大于系统内设定的阈值A0时,则判定为疑似病害道路。
请参见图1,在所述步骤4中,所述疑似病害道路数据包括疑似病害道路的图像信息、定位信息和时间戳。
请参见图1,在所述步骤5中,将疑似病害道路相应区域的图像切割出来时,会在原疑似病害道路区域的长宽各扩充25%,本实施例中,深度学习算法模块会通过时间戳在数据缓存区找到疑似病害道路的图像数据,并将其相应区域的图像切割出来,为了防止裁剪图片会切到病害道路边缘丢失信息,本实施例中会将裁剪范围的长宽各扩充25%,裁剪后的图片会作为深度学习模型的输入,模型会输出病害的类别及轮廓方框和置信度。
请参见图1,所述车载智能道路病害检测系统还能够检测除病害道路以外的道路目标。
请参见图1,本发明还提供一种实现上述的车载智能道路病害检测方法的系统,包括检测车辆和云服务器,其中,所述检测车辆包括:
摄像头模块,用于采集车辆前方的图像信息,并转化为RGB类型数据发送给激光雷达模块;RGB色彩模式是工业界的一种颜色标准,是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的,RGB即是代表红、绿、蓝三个通道的颜色,这个标准几乎包括了人类视力所能感知的所有颜色,是目前运用最广的颜色系统之一。
激光雷达模块,用于采集车辆前方的距离信息,用于通过时间戳和定位信息进行数据同步,还用于筛选是否存在疑似病害道路;
定位与导航模块,用于检测车辆的车速信息、导航信息以及定位信息;
数据缓存区,用于保存疑似病害道路数据;
数据保存区,用于保存病害道路数据;
深度学习算法模块,用于将疑似病害道路相应区域的图像切割出来,也用于确认切割出的疑似病害道路图像数据是否为病害道路;
病害道路管理模块,用于识别并确认出病害道路所在车道位置以及该车道和本车所在车道的关系,还用于将病害道路的图像信息、位置信息和定位信息进行保存并发送至云服务器;
人机交互模块,用于将病害道路的图像信息、位置信息和定位信息显示出来;
通知发送模块,用于将病害道路的图像信息、位置信息和定位信息发送通知给道路管理人员。
请参见图1,所述云服务器用于接收和保存病害道路的图像信息、位置信息和定位信息。
由上可知,本发明提供的一种车载智能道路病害检测方法及系统,通过分层级处理道路数据缩小范围,可以有效的兼顾病害道路信息的实时性和有效性,通过设定双阈值的方法减少了对病害问题的误识别和漏识别情况,结合定位与导航模块便于道路管理人员快速找到病害位置。
以上所述之具体实施方式为本发明的较佳实施方式,并非以此限定本发明的具体实施范围,本发明的范围包括并不限于本具体实施方式,凡依照本发明所作的等效变化均在本发明的保护范围内。
Claims (10)
1.一种车载智能道路病害检测方法,其特征在于,包括如下步骤:
步骤1:开启车载智能道路病害检测系统;
步骤2:摄像头和激光雷达采集道路数据,并通过时间戳和定位信息进行数据同步;
步骤3:激光雷达对同步后的道路数据进行初步筛选,判定是否存在疑似病害道路;
步骤4:当激光雷达初步筛选发现存在疑似病害道路时,系统将疑似病害道路数据存放至数据缓存区;
步骤5:深度学习算法模块在数据缓存区找到疑似病害道路图像数据,并将疑似病害道路相应区域的图像切割出来;
步骤6:深度学习算法模块确认切割出的疑似病害道路图像数据是否为病害道路;
步骤7:当深度学习算法模块确认切割出的疑似病害道路图像数据为病害道路时,病害道路管理模块识别并确认出病害道路所在车道位置以及该车道和本车所在车道的关系;
步骤8:病害道路管理模块将病害道路的图像信息、位置信息和定位信息进行保存并发送至云服务器;
步骤9:系统将病害道路的图像信息、位置信息和定位信息在人机交互界面显示出来并发送通知给道路管理人员。
2.如权利要求1所述的车载智能道路病害检测方法,其特征在于,在所述步骤6中,所述深度学习算法模块确认切割出的疑似病害道路图像数据是否为病害道路的方法包括以下步骤:
步骤601:深度学习算法模块设置两个阈值A1和A2(A1<A2);
步骤602:深度学习算法模块计算切割出的疑似病害道路图像数据连续出现在多张图片中的置信度;
步骤603:深度学习算法模块通过比对疑似病害道路图像数据的置信度与阈值A1和A2的大小来确定切割出的疑似病害道路图像数据是否为病害道路。
3.如权利要求2所述的车载智能道路病害检测方法,其特征在于,在所述步骤3中,当激光雷达对同步后的数据进行初步筛选,发现不存在疑似病害道路时,返回执行步骤2。
4.如权利要求3所述的车载智能道路病害检测方法,其特征在于,在所述步骤6中,当深度学习算法模块确认切割出的疑似病害道路图像数据不是病害道路时,返回执行步骤2。
5.如权利要求4所述的车载智能道路病害检测方法,其特征在于,在所述步骤4中,所述激光雷达首先对原始道路数据进行处理,得到若干的原始道路数据点并拟合为道路的表面轮廓,当有图像中的道路的表面轮廓为病害道路的概率大于系统内设定的阈值A0时,则判定为疑似病害道路。
6.如权利要求5所述的车载智能道路病害检测方法,其特征在于,在所述步骤4中,所述疑似病害道路数据包括疑似病害道路的图像信息、定位信息和时间戳。
7.如权利要求6所述的车载智能道路病害检测方法,其特征在于,在所述步骤5中,将疑似病害道路相应区域的图像切割出来时,会在原疑似病害道路区域的长宽各扩充25%。
8.如权利要求1-7任一项所述的车载智能道路病害检测方法,其特征在于,所述车载智能道路病害检测系统还能够检测除病害道路以外的道路目标。
9.一种实现权利要求1-7任一项所述的车载智能道路病害检测方法的系统,其特征在于,包括检测车辆和云服务器,其中,所述检测车辆包括:
摄像头模块,用于采集车辆前方的图像信息,并转化为RGB类型数据发送给激光雷达模块;
激光雷达模块,用于采集车辆前方的距离信息,用于通过时间戳和定位信息进行数据同步,还用于筛选是否存在疑似病害道路;
定位与导航模块,用于检测车辆的车速信息、导航信息以及定位信息;
数据缓存区,用于保存疑似病害道路数据;
数据保存区,用于保存病害道路数据;
深度学习算法模块,用于将疑似病害道路相应区域的图像切割出来,也用于确认切割出的疑似病害道路图像数据是否为病害道路;
病害道路管理模块,用于识别并确认出病害道路所在车道位置以及该车道和本车所在车道的关系,还用于将病害道路的图像信息、位置信息和定位信息进行保存并发送至云服务器;
人机交互模块,用于将病害道路的图像信息、位置信息和定位信息显示出来;
通知发送模块,用于将病害道路的图像信息、位置信息和定位信息发送通知给道路管理人员。
10.如权利要求9所述的系统,其特征在于,所述云服务器用于接收和保存病害道路的图像信息、位置信息和定位信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011601973.2A CN112817006B (zh) | 2020-12-29 | 2020-12-29 | 一种车载智能道路病害检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011601973.2A CN112817006B (zh) | 2020-12-29 | 2020-12-29 | 一种车载智能道路病害检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112817006A true CN112817006A (zh) | 2021-05-18 |
CN112817006B CN112817006B (zh) | 2024-02-09 |
Family
ID=75855341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011601973.2A Active CN112817006B (zh) | 2020-12-29 | 2020-12-29 | 一种车载智能道路病害检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112817006B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115115823A (zh) * | 2022-08-25 | 2022-09-27 | 深圳市城市交通规划设计研究中心股份有限公司 | 道路病害定位矫正方法、装置、设备及可读存储介质 |
CN115343685A (zh) * | 2022-08-29 | 2022-11-15 | 北京国电经纬工程技术有限公司 | 应用于病害识别的多维度探地雷达检测方法、装置、设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104792792A (zh) * | 2015-04-27 | 2015-07-22 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
WO2018153304A1 (zh) * | 2017-02-22 | 2018-08-30 | 武汉极目智能技术有限公司 | 基于adas系统的地图道路标记及道路质量采集装置及方法 |
US20180373941A1 (en) * | 2017-06-26 | 2018-12-27 | Here Global B.V. | Method, apparatus, and system for estimating a quality of lane features of a roadway |
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 |
CN111079628A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 地板破损故障图像识别方法 |
CN111523416A (zh) * | 2020-04-13 | 2020-08-11 | 北京巨视科技有限公司 | 一种基于高速公路etc门架的车辆预警方法和装置 |
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 |
-
2020
- 2020-12-29 CN CN202011601973.2A patent/CN112817006B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104792792A (zh) * | 2015-04-27 | 2015-07-22 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
WO2018153304A1 (zh) * | 2017-02-22 | 2018-08-30 | 武汉极目智能技术有限公司 | 基于adas系统的地图道路标记及道路质量采集装置及方法 |
US20180373941A1 (en) * | 2017-06-26 | 2018-12-27 | Here Global B.V. | Method, apparatus, and system for estimating a quality of lane features of a roadway |
CN111079628A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 地板破损故障图像识别方法 |
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 |
CN111523416A (zh) * | 2020-04-13 | 2020-08-11 | 北京巨视科技有限公司 | 一种基于高速公路etc门架的车辆预警方法和装置 |
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 |
Non-Patent Citations (2)
Title |
---|
常莹;蔡蓉宾;: "基于卷积神经网络的多类别路面病害识别研究", 上海电气技术, no. 02 * |
王勇;: "基于车载360°环视影像和深度神经网络的路面坑塘与裂缝检测", 电气自动化, no. 04 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115115823A (zh) * | 2022-08-25 | 2022-09-27 | 深圳市城市交通规划设计研究中心股份有限公司 | 道路病害定位矫正方法、装置、设备及可读存储介质 |
CN115115823B (zh) * | 2022-08-25 | 2023-02-03 | 深圳市城市交通规划设计研究中心股份有限公司 | 道路病害定位矫正方法、装置、设备及可读存储介质 |
CN115343685A (zh) * | 2022-08-29 | 2022-11-15 | 北京国电经纬工程技术有限公司 | 应用于病害识别的多维度探地雷达检测方法、装置、设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112817006B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106919915B (zh) | 基于adas系统的地图道路标记及道路质量采集装置及方法 | |
CN112149550B (zh) | 一种基于多传感器融合的自动驾驶车辆3d目标检测方法 | |
US9154741B2 (en) | Apparatus and method for processing data of heterogeneous sensors in integrated manner to classify objects on road and detect locations of objects | |
JP7358762B2 (ja) | 道路異常検知装置、道路異常検知方法および道路異常検知プログラム | |
CN111461088B (zh) | 一种基于图像处理与目标识别的轨道交通避障系统 | |
CN103176185A (zh) | 用于检测道路障碍物的方法及系统 | |
CN112099040A (zh) | 基于激光雷达网络的全程连续轨迹车辆追踪系统及方法 | |
CN112817006A (zh) | 一种车载智能道路病害检测方法及系统 | |
CN114898296A (zh) | 基于毫米波雷达与视觉融合的公交车道占用检测方法 | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
CN114359181A (zh) | 一种基于图像和点云的智慧交通目标融合检测方法及系统 | |
US11580659B2 (en) | Method for size estimation by image recognition of specific target using given scale | |
CN115965655A (zh) | 一种基于雷视一体的交通目标跟踪方法 | |
CN114419922B (zh) | 车位识别方法及装置 | |
CN115761668A (zh) | 摄像头的污渍识别方法、装置、车辆及存储介质 | |
CN115909240A (zh) | 一种基于车道线和车辆识别的道路拥堵检测方法 | |
CN110969071A (zh) | 一种基于可行驶区域的障碍物检测方法、装置及系统 | |
CN113029185B (zh) | 众包式高精度地图更新中道路标线变化检测方法及系统 | |
CN116699602A (zh) | 一种基于毫米波雷达和相机融合的目标检测系统及方法 | |
CN115984772A (zh) | 一种基于视频监控的道路积水检测方法及终端 | |
WO2022142827A1 (zh) | 占道信息确定方法和装置 | |
CN114152955A (zh) | 一种基于slam技术的障碍物高精度识别系统 | |
CN114565906A (zh) | 障碍物检测方法、装置、电子设备及存储介质 | |
CN109580979B (zh) | 基于视频处理的车速实时测量方法 | |
KR102381527B1 (ko) | 스테레오 영상과 딥러닝을 이용한 교통량 산정 시스템 및 그 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |