CN113033634B - 一种基于机器学习的道路材料微图像处理方法和装置 - Google Patents

一种基于机器学习的道路材料微图像处理方法和装置 Download PDF

Info

Publication number
CN113033634B
CN113033634B CN202110269286.3A CN202110269286A CN113033634B CN 113033634 B CN113033634 B CN 113033634B CN 202110269286 A CN202110269286 A CN 202110269286A CN 113033634 B CN113033634 B CN 113033634B
Authority
CN
China
Prior art keywords
image
data
machine learning
images
traffic flow
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
Application number
CN202110269286.3A
Other languages
English (en)
Other versions
CN113033634A (zh
Inventor
陈玉洁
陈强
王秋云
周琰
胡蓉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Vocational College of Transportation
Original Assignee
Chongqing Vocational College of Transportation
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Vocational College of Transportation filed Critical Chongqing Vocational College of Transportation
Priority to CN202110269286.3A priority Critical patent/CN113033634B/zh
Publication of CN113033634A publication Critical patent/CN113033634A/zh
Application granted granted Critical
Publication of CN113033634B publication Critical patent/CN113033634B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种基于机器学习的道路材料微图像处理方法和装置，该方法包括：获取路面铺设使用的路面材料；获取多张图像；对多张图像放大预定倍数进行保存；依次获取第一张图像到第N张图像对应的车流量；将放大后的每张图像和该张图像对应的车流量作为一组数据进行保存，得到多组数据；建立起路面材料与多组数据的对应关系，并将多组数据作为机器学习模型的训练数据使用。通过本申请解决了现有技术中没有积累或处理道路相关用于机器学习的训练数据的问题，从而积累了可用的训练数据，为机器学习在道路材料损毁判断上的应用打下了基础。

Description

一种基于机器学习的道路材料微图像处理方法和装置
技术领域
本申请涉及到建筑领域领域，具体而言，涉及一种基于机器学习的道路材料微图像处理方法和装置。
背景技术
机器学习是人工智能及模式识别领域的共同研究热点，其理论和方法已被广泛应用于解决工程应用和科学领域的复杂问题。机器学习是研究怎样使用计算机模拟或实现人类学习活动的科学，是人工智能中最具智能特征，最前沿的研究领域之一。近十几年来，机器学习领域的研究工作发展很快，它已成为人工智能的重要课题之一。机器学习不仅在基于知识的系统中得到应用，而且在自然语言理解、非单调推理、机器视觉、模式识别等许多领域也得到了广泛应用。一个系统是否具有学习能力已成为是否具有“智能”的一个标志。现在有一类机器学习的研究是在大数据环境下进行的，该类研究主要是研究如何有效利用信息，注重从巨量数据中获取隐藏的、有效的、可理解的知识。对于这类机器学习是需要训练数据的。
目前，道路损坏程度的判断基本上是基于人工判断。如果希望将人工智能中的机器学习模型引入到道路材料损毁程度的判断上，则需要积累训练数据，这些训练数据的积累和处理目前没有公开相应的方法。
发明内容
本申请实施例提供了一种基于机器学习的道路材料微图像处理方法和装置，以至少解决现有技术中没有积累或处理道路相关用于机器学习的训练数据的问题。
根据本申请的一个方面，提供了一种基于机器学习的道路材料微图像处理方法，包括：获取路面铺设使用的路面材料；获取多张图像，其中，所述多张图像为在多个连续季度对相同地点的所述路面拍摄得到的，所述图像为N张，所述多个连续季度为N季度；对所述多张图像放大预定倍数进行保存；依次获取第一张图像到第N张图像对应的车流量，其中，所述车流量为预定时间范围的车流量，所述预定时间范围的起点时间是第一张图像的拍摄时间，所述预定时间范围的终点时间是第N张图像的拍摄时间，所述车流量是通过设置拍摄地点的车辆计数传感器得到的；将放大后的每张图像和该张图像对应的车流量作为一组数据进行保存，得到多组数据，其中，该张图像对应的车流量作为该张图像的标签保存；建立起所述路面材料与所述多组数据的对应关系，并将所述多组数据作为机器学习模型的训练数据使用。
进一步地，每一种不同的路面材料所对应的多组数据用于训练不同的机器学习模型，每一种路面材料均对应一个机器学习模型。
进一步地，所述多张图像是通过设置在该道路旁边的摄像头进行拍摄得到的。
进一步地，还包括：将所述路面材料和所述多组数据的对应关系，以及所述多组数据发送至云存储进行保存。
根据本申请的另一个方面，还提供了一种基于机器学习的道路材料微图像处理装置，包括：第一获取模块，用于获取路面铺设使用的路面材料；第二获取模块，用于获取多张图像，其中，所述多张图像为在多个连续季度对相同地点的所述路面拍摄得到的，所述图像为N张，所述多个连续季度为N季度；处理模块，用于对所述多张图像放大预定倍数进行保存；第三获取模块，用于依次获取第一张图像到第N张图像对应的车流量，其中，所述车流量为预定时间范围的车流量，所述预定时间范围的起点时间是第一张图像的拍摄时间，所述预定时间范围的终点时间是第N张图像的拍摄时间，所述车流量是通过设置拍摄地点的车辆计数传感器得到的；保存模块，用于将放大后的每张图像和该张图像对应的车流量作为一组数据进行保存，得到多组数据，其中，该张图像对应的车流量作为该张图像的标签保存；建立模块，用于建立起所述路面材料与所述多组数据的对应关系，并将所述多组数据作为机器学习模型的训练数据使用。
进一步地，每一种不同的路面材料所对应的多组数据用于训练不同的机器学习模型，每一种路面材料均对应一个机器学习模型。
进一步地，所述多张图像是通过设置在该道路旁边的摄像头进行拍摄得到的。
进一步地，还包括：发送模块，用于将所述路面材料和所述多组数据的对应关系，以及所述多组数据发送至云存储进行保存。
根据本申请的另一方面，还提供了一种存储器，用于存储软件，其中，所述软件用于执行上述的方法。
根据本申请的另一个方面，还提供了一种处理器，用于执行软件，其中，所述软件用于执行上述的方法。
在本申请实施例中，采用了获取路面铺设使用的路面材料；获取多张图像，其中，所述多张图像为在多个连续季度对相同地点的所述路面拍摄得到的，所述图像为N张，所述多个连续季度为N季度；对所述多张图像放大预定倍数进行保存；依次获取第一张图像到第N张图像对应的车流量，其中，所述车流量为预定时间范围的车流量，所述预定时间范围的起点时间是第一张图像的拍摄时间，所述预定时间范围的终点时间是第N张图像的拍摄时间，所述车流量是通过设置拍摄地点的车辆计数传感器得到的；将放大后的每张图像和该张图像对应的车流量作为一组数据进行保存，得到多组数据，其中，该张图像对应的车流量作为该张图像的标签保存；建立起所述路面材料与所述多组数据的对应关系，并将所述多组数据作为机器学习模型的训练数据使用。通过本申请解决了现有技术中没有积累或处理道路相关用于机器学习的训练数据的问题，从而积累了可用的训练数据，为机器学习在道路材料损毁判断上的应用打下了基础。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的基于机器学习的道路材料微图像处理方法的流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种基于机器学习的道路材料微图像处理方法，图1是根据本申请实施例的基于机器学习的道路材料微图像处理方法的流程图，如图1所示，该流程包括如下步骤：
步骤S102，获取路面的材料；
步骤S104，获取多张图像，其中，所述多张图像为在多个连续季度对相同地点的所述路面拍摄得到的，所述图像为N张，所述多个连续季度为N季度；
作为一个可选的可以增加的实施方式，为了控制拍摄图像的一致性，拍摄图像可以通过设置在该道路旁边的摄像头进行拍摄，该摄像头每次拍摄的角度和曝光时间都是相同的。在拍摄第一张图像之后，所述摄像头记录拍摄时间并获取拍摄所使用的曝光时间和阳光光照情况，在拍摄第二张照片时，首先获取阳光光照情况，在光照情况和拍摄第一张照片相同时使用与第一拍摄相同的拍摄角度和曝光时间对同一道路进行拍摄。如果光照情况不同，则取消当天拍摄任务推迟到下一天再进行拍摄。依次类推，拍摄第2张到第N张照片都使用相同的方式进行拍摄。
步骤S106，对所述多张图像放大预定倍数进行保存；
作为一个可以增加的实施方式，对图像的放大倍数可以根据路面的材料来确定，这是在本实施例中需要看出路面的破损程度，不同的路面的材料在放大不同倍数之后显示的效果不同。例如，水泥路面可以采用5倍放大系数，又例如，柏油路面可以采用2倍放大系数。
对于放大后的图像，增加对比度，增加对比度的作用是可以将图像中的道路损害的部分颜色加深。然后将增加对比度的照片进行二值化处理得到黑白照片，这些黑白照片中的黑色部分就是损坏的部分。
作为另一个可选的实施方式，对图片的放大以及增加对比度以及二值化的处理可以由人工来进行，也可以由程序来进行。通过人工得到的处理后的照片的数量达到一定程度之后，即可以训练一个机器学习模型，该机器学习模型被称作第一机器学习模型，第一机器学习模型使用多组训练数据进行训练，每组训练数据均包括输入数据和输出数据，其中，输入数据是拍摄得到的图像，输出数据经过人工进行放大、增加对比度以及二值化处理后得到的图像。训练好的模型就可以使用了，将拍摄得到的图像输入所述第一机器学习模型中，第一机器学习模型就会输出处理好的图像。
步骤S108，依次获取第一张图像到第N张图像对应的车流量，其中，所述车流量为预定时间范围的车流量，所述预定时间范围的起点时间是第一张图像的拍摄时间，所述预定时间范围的终点时间是第N张图像的拍摄时间，所述车流量是通过设置拍摄地点的车辆计数传感器得到的；
步骤S110，将放大后的每张图像和该张图像对应的车流量作为一组数据进行保存，得到多组数据，其中，该张图像对应的车流量作为该张图像的标签保存；
步骤S112，建立起所述路面材料与所述多组数据的对应关系，并将所述多组数据作为机器学习模型的训练数据使用。
作为一个可选的可以增加的实施方式，步骤S112中的机器学习模型可以称为第二机器学习模型，该学习模型是使用所述多组数据进行训练得到的，该机器学习模型在进行训练之前将二值化后的图像中的黑色部分进行汇总，获取该黑色部分在整个图像的像素中所占的比例之。所述第二机器学习模型训练使用的数据为该比例值和该比例值对应的车流量。训练出的第二机器学习模型所建立的关系是该比例值与车流量的对应关系。当然，也可以训练第三机器学习模型，该第三机器学习模型训练使用的数据为车流量和该车流量对应的比例值。第二机器学习模型和第三机器学习模型之间的关系就如同是中文到英文的翻译和英文到中文的翻译。
在训练好第三机器学习模型之后，可以将另一条相同材料的道路的车流量输入到该模型中，从而可以获取到一个比例值，该比例值用于指示该道路的损毁程度。可以预先设置一个比例值，如果获取的比例值超过获取的比例值，则发送报警信息，该报警信息用于指示该道路需要进行维护。
在训练好第二机器学习模型之后，可以将另一条相同材料的道路照片通过第一机器学习模型处理得到黑白照片，将黑白照片中的黑色像素的占比计算出来，将计算得到的占比输入到第二机器学习模型，第二机器学习模型输出车流量。该车流量可以用于高速道路车辆收费数据的初步核对。
在上面第二机器学习模型和第三机械学习模型分别对应与相同的材料。对于不同材料的路面需要训练不同的模型。获取路面的材料，然后根据路面材料调用相应的模型。
通过上述步骤，解决了现有技术中没有积累或处理道路相关用于机器学习的训练数据的问题，从而积累了可用的训练数据，为机器学习在道路材料损毁判断上的应用打下了基础。
优选地，每一种不同的路面材料所对应的多组数据用于训练不同的机器学习模型，每一种路面材料均对应一个机器学习模型。
优选地，所述多张图像是通过设置在该道路旁边的摄像头进行拍摄得到的。
优选地，还包括：将所述路面材料和所述多组数据的对应关系，以及所述多组数据发送至云存储进行保存。
在本实施例中，提供一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行以上实施例中的方法。
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。
在本实施例中还提供了一种基于机器学习的道路材料微图像处理装置，包括：第一获取模块，用于获取路面铺设使用的路面材料；第二获取模块，用于获取多张图像，其中，所述多张图像为在多个连续季度对相同地点的所述路面拍摄得到的，所述图像为N张，所述多个连续季度为N季度；处理模块，用于对所述多张图像放大预定倍数进行保存；第三获取模块，用于依次获取第一张图像到第N张图像对应的车流量，其中，所述车流量为预定时间范围的车流量，所述预定时间范围的起点时间是第一张图像的拍摄时间，所述预定时间范围的终点时间是第N张图像的拍摄时间，所述车流量是通过设置拍摄地点的车辆计数传感器得到的；保存模块，用于将放大后的每张图像和该张图像对应的车流量作为一组数据进行保存，得到多组数据，其中，该张图像对应的车流量作为该张图像的标签保存；建立模块，用于建立起所述路面材料与所述多组数据的对应关系，并将所述多组数据作为机器学习模型的训练数据使用。
优选地，每一种不同的路面材料所对应的多组数据用于训练不同的机器学习模型，每一种路面材料均对应一个机器学习模型。
优选地，所述多张图像是通过设置在该道路旁边的摄像头进行拍摄得到的。
优选地，还包括：发送模块，用于将所述路面材料和所述多组数据的对应关系，以及所述多组数据发送至云存储进行保存。
本实施例中还提供了一种存储器，用于存储软件，其中，所述软件用于执行上述的方法。
本实施例中还提供了一种处理器，用于执行软件，其中，所述软件用于执行上述的方法。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种基于机器学习的道路材料微图像处理方法，其特征在于，包括：
获取路面铺设使用的路面材料；
获取多张图像，其中，所述多张图像为在多个连续季度对相同地点的所述路面拍摄得到的，所述图像为N张，所述多个连续季度为N季度；
对所述多张图像放大预定倍数进行保存；
依次获取第一张图像到第N张图像对应的车流量，其中，所述车流量为预定时间范围的车流量，所述预定时间范围的起点时间是第一张图像的拍摄时间，所述预定时间范围的终点时间是第N张图像的拍摄时间，所述车流量是通过设置拍摄地点的车辆计数传感器得到的；
将放大后的每张图像和该张图像对应的车流量作为一组数据进行保存，得到多组数据，其中，该张图像对应的车流量作为该张图像的标签保存；
建立起所述路面材料与所述多组数据的对应关系，并将所述多组数据作为机器学习模型的训练数据使用。
2.根据权利要求1所述的方法，其特征在于，每一种不同的路面材料所对应的多组数据用于训练不同的机器学习模型，每一种路面材料均对应一个机器学习模型。
3.根据权利要求2所述的方法，其特征在于，所述多张图像是通过设置在该道路旁边的摄像头进行拍摄得到的。
4.根据权利要求1至3中任一项所述的方法，其特征在于，还包括：
将所述路面材料和所述多组数据的对应关系，以及所述多组数据发送至云存储进行保存。
5.一种基于机器学习的道路材料微图像处理装置，其特征在于，包括：
第一获取模块，用于获取路面铺设使用的路面材料；
第二获取模块，用于获取多张图像，其中，所述多张图像为在多个连续季度对相同地点的所述路面拍摄得到的，所述图像为N张，所述多个连续季度为N季度；
处理模块，用于对所述多张图像放大预定倍数进行保存；
第三获取模块，用于依次获取第一张图像到第N张图像对应的车流量，其中，所述车流量为预定时间范围的车流量，所述预定时间范围的起点时间是第一张图像的拍摄时间，所述预定时间范围的终点时间是第N张图像的拍摄时间，所述车流量是通过设置拍摄地点的车辆计数传感器得到的；
保存模块，用于将放大后的每张图像和该张图像对应的车流量作为一组数据进行保存，得到多组数据，其中，该张图像对应的车流量作为该张图像的标签保存；
建立模块，用于建立起所述路面材料与所述多组数据的对应关系，并将所述多组数据作为机器学习模型的训练数据使用。
6.根据权利要求5所述的装置，其特征在于，每一种不同的路面材料所对应的多组数据用于训练不同的机器学习模型，每一种路面材料均对应一个机器学习模型。
7.根据权利要求6所述的装置，其特征在于，所述多张图像是通过设置在该道路旁边的摄像头进行拍摄得到的。
8.根据权利要求5至7中任一项所述的装置，其特征在于，还包括：
发送模块，用于将所述路面材料和所述多组数据的对应关系，以及所述多组数据发送至云存储进行保存。
9.一种存储器，其特征在于，用于存储软件，其中，所述软件用于执行权利要求1至4中任一项所述的方法。
10.一种处理器，其特征在于，用于执行软件，其中，所述软件用于执行权利要求1至4中任一项所述的方法。
CN202110269286.3A 2021-03-12 2021-03-12 一种基于机器学习的道路材料微图像处理方法和装置 Active CN113033634B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110269286.3A CN113033634B (zh) 2021-03-12 2021-03-12 一种基于机器学习的道路材料微图像处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110269286.3A CN113033634B (zh) 2021-03-12 2021-03-12 一种基于机器学习的道路材料微图像处理方法和装置

Publications (2)

Publication Number Publication Date
CN113033634A CN113033634A (zh) 2021-06-25
CN113033634B true CN113033634B (zh) 2022-11-22

Family

ID=76469997

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110269286.3A Active CN113033634B (zh) 2021-03-12 2021-03-12 一种基于机器学习的道路材料微图像处理方法和装置

Country Status (1)

Country Link
CN (1) CN113033634B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101710448A (zh) * 2009-12-29 2010-05-19 浙江工业大学 基于全方位计算机视觉的道路交通状态检测装置
CN108010362A (zh) * 2017-12-29 2018-05-08 百度在线网络技术（北京）有限公司 行车路况信息推送的方法、装置、存储介质及终端设备
CN108803312A (zh) * 2018-04-19 2018-11-13 彭楷文 一种新型道路损坏检测系统
CN109610281A (zh) * 2018-12-19 2019-04-12 山东交通学院 一种道路安全路面修补信息系统与方法
TWM600416U (zh) * 2020-05-04 2020-08-21 覺華工程科技股份有限公司 人工智慧道路巡查檢測系統

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10480939B2 (en) * 2016-01-15 2019-11-19 Fugro Roadware Inc. High speed stereoscopic pavement surface scanning system and method
CN110197203B (zh) * 2019-05-08 2022-06-10 湖北民族大学 基于宽度学习神经网络的桥梁路面裂缝分类识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101710448A (zh) * 2009-12-29 2010-05-19 浙江工业大学 基于全方位计算机视觉的道路交通状态检测装置
CN108010362A (zh) * 2017-12-29 2018-05-08 百度在线网络技术（北京）有限公司 行车路况信息推送的方法、装置、存储介质及终端设备
CN108803312A (zh) * 2018-04-19 2018-11-13 彭楷文 一种新型道路损坏检测系统
CN109610281A (zh) * 2018-12-19 2019-04-12 山东交通学院 一种道路安全路面修补信息系统与方法
TWM600416U (zh) * 2020-05-04 2020-08-21 覺華工程科技股份有限公司 人工智慧道路巡查檢測系統

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"无损检测技术在城市旧路改造中的应用";吕耀志等;《中国市政工程》;20170430;21-27 *

Also Published As

Publication number Publication date
CN113033634A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
KR102391840B1 (ko) 불법 주차를 검출하는 방법과 장치, 전자 기기, 컴퓨터 판독가능 매체
Akagic et al. Pothole detection: An efficient vision based method using rgb color space image segmentation
CN108986465B (zh) 一种车流量检测的方法、系统及终端设备
CN102867418B (zh) 一种判断车牌识别准确性的方法和装置
CN108921089A (zh) 车道线检测方法、装置和系统及存储介质
CN106778659A (zh) 一种车牌识别方法及装置
CN111627215A (zh) 基于人工智能的视频图像识别方法及相关设备
CN112966665A (zh) 路面病害检测模型训练方法、装置和计算机设备
CN104504744A (zh) 一种合成车牌图像的拟真方法及装置
JP2019045922A (ja) 変状箇所検出装置、変状箇所検出プログラムおよび変状箇所検出方法
CN111798124B (zh) 基于图像识别的任务管理方法、装置、电子设备及介质
CN111582255A (zh) 车辆超限检测方法、装置、计算机设备和存储介质
Bu et al. A UAV photography–based detection method for defective road marking
CN116597270A (zh) 基于注意力机制集成学习网络的道路损毁目标检测方法
CN109712197B (zh) 一种机场跑道网格化标定方法及系统
CN107480683A (zh) 一种图像处理方法及装置
CN113033634B (zh) 一种基于机器学习的道路材料微图像处理方法和装置
CN114036603A (zh) 一种用于公路运维期的三维bim模型优化方法
CN104809438B (zh) 一种检测电子眼的方法和设备
CN104899854A (zh) 堆粮高度线的检测方法和装置
CN115984574B (zh) 一种基于循环Transformer的图像信息提取模型、方法及其应用
CN114266775B (zh) 一种运动物体检测的路灯照明控制方法和系统
CN104835132A (zh) 道路路况图像快速点检方法与设备
CN115456973A (zh) 渗漏水病害检测与识别模型的建立方法、装置及设备
CN114022434A (zh) 一种护栏上下边线自动化提取方法及提取系统

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