CN113313689A - 一种路面构造深度测量方法、系统、设备及存储介质 - Google Patents
一种路面构造深度测量方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113313689A CN113313689A CN202110595393.5A CN202110595393A CN113313689A CN 113313689 A CN113313689 A CN 113313689A CN 202110595393 A CN202110595393 A CN 202110595393A CN 113313689 A CN113313689 A CN 113313689A
- Authority
- CN
- China
- Prior art keywords
- area
- foreground
- road surface
- image
- depth
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000004576 sand Substances 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 238000003709 image segmentation Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Road Repair (AREA)
Abstract
本发明公开了一种路面构造深度测量方法、系统、设备及存储介质,S1,对测定路面的铺砂区域进行图像获取;S2,将路面作为背景,将铺砂区域作为前景,提取背景的样本点和前景的样本点作为训练样本;S3,采用一次多项式核函数建立向量机并进行图像分割,将背景和前景设为不同标签,对训练样本进行训练和预测,将前景分割出来;S4,对前景面积和整体面积进行像素点计算,得到铺砂区域的面积;S5,根据铺砂区域的面积计算得到铺砂区域的路面构造深度。避免了人为测量的误差,提高了构造深度的测量精度。
Description
技术领域
本发明属于道路工程中测量领域,涉及一种路面构造深度测量方法、系统、设备及存储介质。
背景技术
路面抗滑性能直接关系着道路行车安全性。在影响路表抗滑性能的因素中,路面的构造深度作为抗滑性能的重要指标,则非常重要。而随着交通强国建设步伐的加快,智能交通与养护则成为重点课题。大数据与数字图像处理技术也将用于道路检测中,其中数字图像处理是一门交叉前沿学科,其应用领域博大精深,十分广泛,是未来技术向智能化发展的最富有前景,也最富有挑战的一门技术。其在军事、遥感、气象、生物医学,通信工程等大型应用中有着广泛的应用,但在道路检测、养护乃至其他道路工程应用较少。
在现阶段,路面构造深度的检测方法和装置很多,常用的方法人工铺沙法,作为目前在公路交通道路检测领域中对路面构造深度的检测计算最基本的方法,从理论上讲它为最客观、最合理、最正确的方式,但是在实际的操作过程中,其极易受到施工人员水平的影响,影响测试的精确度。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供一种路面构造深度测量方法、系统、设备及存储介质,避免了人为测量的误差,提高了构造深度的测量精度。
为达到上述目的,本发明采用以下技术方案予以实现:
一种路面构造深度测量方法,包括:
S1,对测定路面的铺砂区域进行图像获取;
S2,将路面作为背景,将铺砂区域作为前景,提取背景的样本点和前景的样本点作为训练样本;
S3,采用一次多项式核函数建立向量机并进行图像分割,将背景和前景设为不同标签,对训练样本进行训练和预测,将前景分割出来;
S4,对前景面积和整体面积进行像素点计算,得到铺砂区域的面积;
S5,根据铺砂区域的面积计算得到铺砂区域的路面构造深度。
优选的,采用人工铺砂法进行铺砂,图像获取的范围为350mm×350mm。
优选的,利用ginput函数提取前景和背景样本点。
优选的,S3中,核函数为:
K(x,xi)=(γxTxi+r)p,γ>0
式中:x为输入空间抽取的向量,xi为输入的第i个训练样本点。
优选的,S3中将前景分割出来后,对于分割出的彩色图转换为灰度图,对图像进行中值滤波区噪声,调节图像自由度,并取其边缘二值图像;分别对边缘二值图像掩膜进行膨胀、填充空洞、清除边缘二值图像。
优选的,铺砂面积S的公式为:
优选的,路面构造深度计算的公式为:
式中:TD1为表面构造深度,V为砂的体积。
一种路面构造深度测量系统,包括:
图像获取模块,用于对测定路面的铺砂区域进行图像获取;
训练样本提取模块,用于将路面作为背景,将铺砂区域作为前景,提取背景的样本点和前景的样本点作为训练样本;
前景分割模块,用于采用一次多项式核函数建立向量机并进行图像分割,将背景和前景设为不同标签,对训练样本进行训练和预测,将前景分割出来;
铺砂区域的=面积计算模块,用于对前景面积和整体面积进行像素点计算,得到铺砂区域的面积;
路面构造深度计算模块,用于根据铺砂区域的面积计算得到铺砂区域的路面构造深度。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述路面构造深度测量方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述任意一项所述路面构造深度测量方法的步骤。
与现有技术相比,本发明具有以下有益效果:
本发明选取背景的样本点和前景的样本点作为训练样本进行训练和预测,建立支持向量机进行图像分割,测量精度高。本发明操作简单、测量准确、精度高,解决了传统铺砂不易摊铺成规则圆形,造成测量结果误差较大,进而造成构造深度过大或过小的问题,而且相比于传统量尺测量直径能有效降低的测量误差,提高了测量精度。
附图说明
图1是本发明的路面构造深度测量方法的流程示意图;
图2是本发明实例中的手工铺砂法得到的铺砂图;
图3是本发明实例中的背景(路面)的样本点和前景(铺砂区域)的样本点的选取图;
图4是本发明实例中的前景(铺砂区域)分割图像;
图5是本发明实例中的灰度图像;
图6是本发明实例中的边缘梯度二值掩膜图像;
图7是本发明实例中的膨胀梯度掩膜图像;
图8是本发明实例中的填充空洞后的二值图像;
图9是本发明实例中的清除边缘二值图像;
图10是本发明实例中的传统人工铺砂法用量尺测量所构成圆的其中一个方向的直径图像;
图11是本发明实例中的传统人工铺砂法用量尺测量所构成圆的另一个方向的直径图像。
具体实施方式
下面结合附图对本发明做进一步详细描述:
如图1所示,为本发明所述的路面构造深度测量方法,包括如下步骤:
步骤1,对测定路面的铺砂区域进行图像获取,读取获取图像数据。
步骤2,选取背景(路面)的样本点和前景(铺砂区域)的样本点作为训练样本。
步骤3,采用一次多项式核函数建立向量机并进行图像分割,利用上面选取的样本点作为训练样本,将背景(路面)的标签设为0,前景(铺砂区域)的标签设为1,对训练样本进行训练和预测,将前景(铺砂区域)完整分割出来。
步骤4,对于分割出的彩色图转换为灰度图,对图像进行中值滤波区噪声,调节图像自由度。
步骤5,分别对边缘二值掩膜进行膨胀、填充空洞、清除边缘二值图像。
步骤6,分割面积与整体面积像素点的计算,得到该铺砂区域的面积S。
步骤7,计算该测量区域的路面构造深度值。
步骤8,将计算结果与传统人工铺砂法测量结果进行比较。
具体实施过程为:
步骤1,按照《公路路基路面现场测试规程》(JTG 3450-2019)中手工铺砂法测试构造深度方法进行铺砂。对测定路面的铺砂区域进行图像获取,如图2所示,读取获取图像数据;
其中,所获取的图像范围为350mm×350mm。
步骤2,选取背景(路面)的样本点和前景(铺砂区域)的样本点作为训练样本,如图3所示;
其中在Matlab中具体函数为:
TrainData_background=zeros(20,3,′double′);
TrainData_foreground=zeros(20,3,′double′);
步骤3,采用一次多项式核函数建立向量机并进行图像分割,利用上面选取的样本点作为训练样本,将背景(路面)的标签设为0,前景(铺砂区域)的标签设为1,进行训练和预测,将前景(铺砂区域)完整分割出来,如图4所示。
其中,多项式核函数为:K(x,xi)=(γxTxi+r)p,γ>0
式中:x为输入空间抽取的向量,xi为输入的第i练样本点。
其中具体函数为:
TrainLabel=[zeros(length(TrainData_background),1);
ones(length(TrainData_foreground),1)];
TrainData=[TrainData_background;TrainData_foreground];
model=svmtrain(TrainLabel,TrainData,'-t 1-d 1');
PreTrainLabel=svmpredict(TrainLabel,TrainData,model);
TestData=double(reshape(pic,m*n,k));
步骤4,对分割出的彩色图转换为灰度图,如图5所示,对图像进行中值滤波区噪声,调节图像自由度;
步骤5,对图像进行边缘梯度二值掩膜,如图6所示;
其中具体函数为:
BWs=edge(I2,'sobel',threshold*fudgeFactor);
进一步的,进行膨胀梯队掩膜、如图7所示,
其中具体函数为:
BWsdil=imdilate(BWs,[se90 se0]);
进一步的,填充空洞,如图8所示
其中具体函数为:
BWdfill=imfill(BWsdil,'holes');
进一步的,清除边缘二值图像,如图9所示;
其中具体函数为:
BWnobord=imclearborder(BWdfill,4);
步骤6,分割面积与整体面积像素点的计算,根据公式1得到该铺砂区域的面积S。)
步骤7,通过公式2计算该测量区域的路面构造深度值。
所述的公式2中:TD1表示计算的表面构造深度V表示砂的体积(25cm3);
步骤8,将计算结果与传统人工铺砂法根据公式3测量的结果(如图10和图11所示)进行比较。
所述的公式3中:TD2表示测量表面构造深度,V表示砂的体积(25cm3),D表示摊平砂的平均直径(mm);
具体实施例:
步骤1,按照《公路路基路面现场测试规程》(JTG 3450-2019)中手工铺砂法测试构造深度方法进行铺砂。对测定路面的铺砂区域进行图像获取,读取获取图像数据;
步骤2,选取背景(路面)的样本点和前景(铺砂区域)的样本点作为训练样本;
步骤3,采用一次多项式核函数建立向量机并进行图像分割,利用步骤2选取的样本点作为训练样本,将背景(路面)的标签设为0,前景(铺砂区域)的标签设为1,进行训练和预测,将前景(铺砂区域)完整分割出来;
步骤4,对于分割出的彩色图转换为灰度图,对图像进行中值滤波区噪声,调节图像自由度,并取其边缘二值图像;
步骤5,分别对边缘二值掩膜进行膨胀、填充空洞、清除边缘二值图像;
步骤6,分割面积与整体面积像素点的计算,得到该铺砂区域的面积S;
步骤7,计算该测量区域的路面构造深度值;
步骤8,传统人工铺砂法计算的结果D=242mm;
与TD1作比较,发现传统的人工铺砂法通过测量构成的圆直径计算所得的路面构造深度与基于机器学习图像处理计算的构造深度有较大差异,传统的人工铺砂得到的构造深度偏大,测量误差较大。使用基于机器学习图像处理计算的构造深度计算结果更为精确,更为有效降低的测量误差。作为测试路面的构造深度值更为合理。
本发明所述的路面构造深度测量系统,包括:
图像获取模块,用于对测定路面的铺砂区域进行图像获取。
训练样本提取模块,用于将路面作为背景,将铺砂区域作为前景,提取背景的样本点和前景的样本点作为训练样本。
前景分割模块,用于采用一次多项式核函数建立向量机并进行图像分割,将背景和前景设为不同标签,对训练样本进行训练和预测,将前景分割出来。
铺砂区域的=面积计算模块,用于对前景面积和整体面积进行像素点计算,得到铺砂区域的面积。
路面构造深度计算模块,用于根据铺砂区域的面积计算得到铺砂区域的路面构造深度。
本发明所述的计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述路面构造深度测量方法的步骤。
本发明所述的计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述任意一项所述路面构造深度测量方法的步骤。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种路面构造深度测量方法,其特征在于,包括:
S1,对测定路面的铺砂区域进行图像获取;
S2,将路面作为背景,将铺砂区域作为前景,提取背景的样本点和前景的样本点作为训练样本;
S3,采用一次多项式核函数建立向量机并进行图像分割,将背景和前景设为不同标签,对训练样本进行训练和预测,将前景分割出来;
S4,对前景面积和整体面积进行像素点计算,得到铺砂区域的面积;
S5,根据铺砂区域的面积计算得到铺砂区域的路面构造深度。
2.根据权利要求1所述的路面构造深度测量方法,其特征在于,采用人工铺砂法进行铺砂,图像获取的范围为350mm×350mm。
3.根据权利要求1所述的路面构造深度测量方法,其特征在于,利用ginput函数提取前景和背景样本点。
4.根据权利要求1所述的路面构造深度测量方法,其特征在于,S3中,核函数为:
K(x,xi)=(γxTxi+r)p,γ>0
式中:x为输入空间抽取的向量,xi为输入的第i个训练样本点。
5.根据权利要求1所述的路面构造深度测量方法,其特征在于,S3中将前景分割出来后,对于分割出的彩色图转换为灰度图,对图像进行中值滤波区噪声,调节图像自由度,并取其边缘二值图像;分别对边缘二值图像掩膜进行膨胀、填充空洞、清除边缘二值图像。
8.一种路面构造深度测量系统,其特征在于,包括:
图像获取模块,用于对测定路面的铺砂区域进行图像获取;
训练样本提取模块,用于将路面作为背景,将铺砂区域作为前景,提取背景的样本点和前景的样本点作为训练样本;
前景分割模块,用于采用一次多项式核函数建立向量机并进行图像分割,将背景和前景设为不同标签,对训练样本进行训练和预测,将前景分割出来;
铺砂区域的=面积计算模块,用于对前景面积和整体面积进行像素点计算,得到铺砂区域的面积;
路面构造深度计算模块,用于根据铺砂区域的面积计算得到铺砂区域的路面构造深度。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述路面构造深度测量方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述路面构造深度测量方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110595393.5A CN113313689A (zh) | 2021-05-28 | 2021-05-28 | 一种路面构造深度测量方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110595393.5A CN113313689A (zh) | 2021-05-28 | 2021-05-28 | 一种路面构造深度测量方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113313689A true CN113313689A (zh) | 2021-08-27 |
Family
ID=77376234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110595393.5A Pending CN113313689A (zh) | 2021-05-28 | 2021-05-28 | 一种路面构造深度测量方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313689A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419461A (zh) * | 2022-01-19 | 2022-04-29 | 周琦 | 利用卫星通信的状态解析平台及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389636A (zh) * | 2018-10-11 | 2019-02-26 | 南京航空航天大学 | 基于ct扫描图像的排水路面构造深度修正方法 |
CN109584286A (zh) * | 2019-01-22 | 2019-04-05 | 东南大学 | 一种基于广义回归神经网络的沥青路面构造深度计算方法 |
CN109991400A (zh) * | 2019-04-11 | 2019-07-09 | 东南大学 | 一种沥青路面激光构造深度仪测值与铺砂法测值相关关系的评价方法 |
WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
-
2021
- 2021-05-28 CN CN202110595393.5A patent/CN113313689A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
CN109389636A (zh) * | 2018-10-11 | 2019-02-26 | 南京航空航天大学 | 基于ct扫描图像的排水路面构造深度修正方法 |
CN109584286A (zh) * | 2019-01-22 | 2019-04-05 | 东南大学 | 一种基于广义回归神经网络的沥青路面构造深度计算方法 |
CN109991400A (zh) * | 2019-04-11 | 2019-07-09 | 东南大学 | 一种沥青路面激光构造深度仪测值与铺砂法测值相关关系的评价方法 |
Non-Patent Citations (4)
Title |
---|
刘琬辰;黄晓明;: "基于图像处理的沥青路面构造深度评价方法的优化研究", 北方交通, no. 03 * |
娄月新;陈圣迪;陆键;郎洪;: "基于改进卡尔曼滤波算法的路面构造深度计算方法", 东南大学学报(自然科学版), no. 01 * |
王见;周勤;尹爱军;: "改进Otsu算法与ELM融合的自然场景棉桃自适应分割方法", 农业工程学报, no. 14 * |
黄志福;翟晓静;梁乃兴;: "基于数字图像处理技术的沥青路面构造深度评价方法研究", 合肥工业大学学报(自然科学版), no. 10 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419461A (zh) * | 2022-01-19 | 2022-04-29 | 周琦 | 利用卫星通信的状态解析平台及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116758059B (zh) | 一种用于路基路面的视觉无损检测方法 | |
Gao et al. | Detection and segmentation of cement concrete pavement pothole based on image processing technology | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
CN107247927B (zh) | 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统 | |
CN106529593B (zh) | 路面病害检测方法和系统 | |
CN104992429A (zh) | 一种基于图像局部增强的山体裂缝检测方法 | |
CN113009447B (zh) | 基于深度学习和探地雷达的道路地下空洞检测预警方法 | |
CN111738945B (zh) | 一种基于矿山的点云数据预处理方法 | |
CN111079734B (zh) | 铁路货车三角孔异物检测方法 | |
CN112070756B (zh) | 一种基于无人机倾斜摄影的路面立体病害测量方法 | |
CN111767874B (zh) | 一种基于深度学习的路面病害检测方法 | |
Kumar et al. | An automated road roughness detection from mobile laser scanning data | |
CN115980745A (zh) | 地下开采沉陷区智能识别方法、装置、电子设备及存储介质 | |
CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
Li et al. | Pixel-level detection and measurement of concrete crack using faster region-based convolutional neural network and morphological feature extraction | |
CN113313689A (zh) | 一种路面构造深度测量方法、系统、设备及存储介质 | |
CN115755193A (zh) | 路面结构内部病害识别方法 | |
CN112085725B (zh) | 基于启发式迭代算法的残膜残留量检测方法及预警系统 | |
CN117197661A (zh) | 一种利用激光雷达点云数据识别黄土落水洞的方法 | |
CN115984687A (zh) | 河工动床模型试验水边界测量方法、装置、设备及介质 | |
CN116242774A (zh) | 适用于农村公路的轻量化三维检测方法及装置 | |
CN115456973A (zh) | 渗漏水病害检测与识别模型的建立方法、装置及设备 | |
CN114494240A (zh) | 基于多尺度协作深度学习的无砟轨道板裂缝测量方法 | |
CN114529815A (zh) | 一种基于深度学习的流量检测方法、装置、介质及终端 | |
CN115171031A (zh) | 一种基于车辆参照物的路面积水检测方法、装置及应用 |
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 |