CN113592784A - 一种基于轻量级卷积神经网络检测路面病害的方法及装置 - Google Patents
一种基于轻量级卷积神经网络检测路面病害的方法及装置 Download PDFInfo
- Publication number
- CN113592784A CN113592784A CN202110773918.XA CN202110773918A CN113592784A CN 113592784 A CN113592784 A CN 113592784A CN 202110773918 A CN202110773918 A CN 202110773918A CN 113592784 A CN113592784 A CN 113592784A
- Authority
- CN
- China
- Prior art keywords
- neural network
- module
- road
- detecting
- road surface
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 90
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 90
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000003860 storage Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 239000011093 chipboard Substances 0.000 claims description 13
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000009434 installation Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000036626 alertness Effects 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004804 winding 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
- 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
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明属于交通安全技术领域,具体涉及一种基于轻量级卷积神经网络检测路面病害的方法及装置,包括底座、摄像头模块、MCU模块、SD卡储存模块、语音播报模块,MCU模块用于搭建改进YOLOv3算法,改进YOLOv3算法包括Darknet‑53特征提取网络、预测网络,预测网络包括四个不同尺度的特征层13*13、26*26、52*52、104*104进行预测,104*104特征层用于将浅层信息提取出来。本发明的一种基于轻量级卷积神经网络检测路面病害的方法及装置,对YOLO算法进行了改进,并将轻量级卷积神经网络应用在嵌入式上,实现嵌入式设备对山路路面病害的检测,辅助汽车在行驶过程中,提醒司机前方是否有路面病害的发生,对于较小目标的检测也具有良好的效果,具有性价比高、实用性强和便携性的优点,易于量产及使用。
Description
技术领域
本发明属于交通安全技术领域,具体涉及一种基于轻量级卷积神经网络检测路面病害的方法及装置。
背景技术
我国因为地形的特殊,存在很多盘山公路,由于泥石流等山体滑坡的现象,会使得山路经常存在损坏问题。此外,无论是水泥还是沥青路面,在通车使用一段时间之后,都会陆续出现各种损坏、变形及其它缺陷,这些统称为路面病害。常见的病害有:裂缝、坑槽、车辙、松散、沉陷、桥头涵顶跳车、表面破损等,道路病害在行车中经常会因为注意力不集中,而没有及时发现避让,是造成交通事故的因素之一,对于道路病害的检测,现有技术已具有各种不同的检测方法和不同的测试设备,如采用激光雷达的装置采集识别道路,但这样的装置造价高昂,不适合广大司机群体去推广应用,还有基于深度学习的路面病害检测的方法虽然识别率高,但是其复杂的神经网络结构使得算力要求极高,需要搭载高配置的计算机,这显然是不切实际的。
针对以上技术问题,故需对其进行改进。
发明内容
基于现有技术中存在的上述不足,本发明提供一种基于轻量级卷积神经网络检测路面病害的方法及装置。
为了达到上述发明目的,本发明采用以下技术方案:
一种基于轻量级卷积神经网络检测路面病害的方法,包括步骤:
S1.获取训练的神经网络中的参数值,包括:采集同一视角角度下的道路病害的图像数据集,将采集的图像数据集输入搭建了改进YOLOv3算法的计算机进行训练数据集,保存训练后的神经网络中的参数值,并将神经网络中的参数值写入SD卡中;
所述改进YOLOv3算法包括Darknet-53特征提取网络、预测网络,所述预测网络包括四个不同尺度的特征层13*13、26*26、52*52、104*104进行预测,所述104*104特征层用于将浅层信息提取出来;
S2.安装并启动检测路面病害的装置,包括:将检测路面病害的装置安装于汽车上,所述检测路面病害的装置包括底座、摄像头模块、MCU模块、SD卡储存模块、语音播报模块,安装时,调整底座或摄像头模块,以使摄像头模块获取道路路面图像的视角角度与采集图像数据集的视角角度相同,安装后,将步骤S1中写入神经网络中的参数值的SD卡插入SD卡储存模块中,启动检测路面病害的装置;
S3.对汽车行驶过程进行路面病害检测并提醒,包括:检测路面病害的装置启动后,SD卡储存模块读取SD卡内神经网络中的参数值,并将神经网络中的参数值赋值给MCU模块内搭建的改进YOLOv3算法中,MCU模块检测摄像头模块获取的道路路面图像,判断是否存在路面病害,若存在,则驱动语音播报模块进行语音播报提醒。
作为优选方案,所述步骤S3中,是否存在路面病害的判断包括:MCU模块检测并计算道路病害面积,通过预设阀值与检测计算出的道路病害面积进行比较,若大于预设阀值,则判断为存在,若小于预设阀值,则判断为忽略。
作为优选方案,所述步骤S3中,MCU模块检测摄像头模块获取的道路路面图像还包括道路病害所处方向的检测,所述语音播报提醒包括道路病害所处方向的提醒。
作为优选方案,所述步骤S1中,所述采集的图像数据集输入搭建了改进YOLOv3算法的计算机进行训练数据集前,对采集的图像数据进行图像预处理。
作为优选方案,所述步骤S3中,MCU模块检测摄像头模块获取的道路路面图像前,对摄像头模块获取的道路路面图像进行图像预处理。
一种基于轻量级卷积神经网络检测路面病害的装置,包括底座、摄像头模块、MCU模块、SD卡储存模块、语音播报模块,所述摄像头模块用于获取道路路面图像,所述SD卡储存模块用于读取SD卡内的神经网络中的参数值,所述语音播报模块用于语音播报提醒,所述MCU模块用于搭建改进YOLOv3算法,所述改进YOLOv3算法包括Darknet-53特征提取网络、预测网络,所述预测网络包括四个不同尺度的特征层13*13、26*26、52*52、104*104进行预测,所述104*104特征层用于将浅层信息提取出来。
作为优选方案,所述底座包括两块平行的安装板,所述摄像头模块包括摄像头及摄像头接口,所述MCU模块包括芯片板,所述SD卡储存模块包括SD卡接口,所述语音播报模块包括扩音器和/或语音输出接口,所述SD卡接口、扩音器和/或语音输出接口、摄像头接口布置于芯片板表面的侧端,所述芯片板固定于两块平行的安装板之间,所述摄像头固定于安装板的顶面。
作为优选方案,所述芯片板选用英伟达Jetson Nano A02芯片板。
作为优选方案,所示摄像头为红外摄像头。
本发明与现有技术相比,有益效果是:本发明的一种基于轻量级卷积神经网络检测路面病害的方法及装置,对YOLO算法进行了改进,并将轻量级卷积神经网络应用在嵌入式上,实现嵌入式设备对山路路面病害的检测,辅助汽车在行驶过程中,提醒司机前方是否有路面病害的发生,对于较小目标的检测也具有良好的效果,具有性价比高、实用性强和便携性的优点,易于量产及使用。
附图说明
图1是本发明实施例一的基于轻量级卷积神经网络检测路面病害的方法的流程示意图;
图2是本发明实施例一的基于轻量级卷积神经网络检测路面病害的方法的改进YOLOv3算法的网络结构示意图;
图3是本发明实施例一的基于轻量级卷积神经网络检测路面病害的装置的模块连接关系示意图;
图4是本发明实施例一的基于轻量级卷积神经网络检测路面病害的装置的结构示意图;
其中:1.安装板;2.摄像头;21.摄像头接口;3.芯片板;4.SD卡接口;5.语音输出接口。
具体实施方式
为了更清楚地说明本发明实施例,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
实施例一:
如图1-4所示,本实施例的基于轻量级卷积神经网络检测路面病害的方法及装置,通过对传统YOLO算法进行了改进,并将轻量级卷积神经网络应用在嵌入式上,实现嵌入式设备对山路路面病害的检测,辅助汽车在行驶过程中,提醒司机前方是否有路面病害的发生,减小发生车祸的概率。
具体的,基于轻量级卷积神经网络检测路面病害的方法包括步骤:
S1.获取训练的神经网络中的参数值;
采集同一视角角度下的道路病害的图像数据集,将采集的图像数据集输入搭建了改进YOLOv3算法的计算机进行训练数据集,通过训练数据集的方式提高算法正确率,保存训练后的神经网络中的参数值,并将神经网络中的参数值写入SD卡中;
YOLOv3算法是一种仅仅使用一个CNN卷积神经网络直接预测不同目标的类别与位置的目标检测算法,其全称是You Only Look Once:Unified,Real-Time ObjectDetection翻译为统一的实时目标检测,V3指V3版本,Unified指的是这是一个统一的框架,提供end-to-end即端到端的预测,Real-Time实时,表述是YOLO算法速度快;YOLOv3主要由Darknet-53特征提取网络及预测网络两部分组成,Darknet-53的结构为全卷积网络,其中包含众多1*1卷积层和3*3卷积层,共包含53个卷积层,在预测网络方面,原有的主干网络上有三个不同尺度的特征层基础13*13、26*26、52*52。采用YOLOv3算法的优势是其网络结构简洁,由于YOLO算法每次扫描只检测一个目标的特性,相比其他高性能的目标检测网络,YOLO网络在精度方面略有下降,但是在速度和运行量方面远胜于其他目标检测网络,并且对于较小目标的检测也具有良好的效果,具有更高的可实现性。
本实施例的改进YOLOv3算法,是在原有的主干网络上三个不同尺度的特征图基础上,新增一个104*104特征层进行预测,用于将浅层信息提取出来,将104*104的特征层与其他三个特征层进行融合,形成新的特征提取网络,使得浅层的特征具有较强的位置信息,深层的特征具有较强的语义信息,在降低小目标的漏检率的同时还增强定位的精度。浅层特征是指经过越少的操作,得到越浅层的特征,深层特征是指经过越多的操作,特征越深,所以说具有较强的语义信息。而深和浅的区别在于通过卷积等操作有多少,通过Res-n的越多,得到的特征越深。
具体的,改进YOLOv3算法的网络结构如图2所示,其中,INPUT为输入,OUTPUT为输出,DBL指代码中的Darknetconv2d_BN_Leaky,是YOLOv3算法的基本组件,其中Darknetconv2d指进行2d卷积操作的网络;conv指卷积;BN指batch normalization批量标准化,就是在深度神经网络训练过程中使得每一层神经网络的输入保持相同分布;Leaky指Leaky relu,是一种激活函数其中ai是固定常数;res-n:n代表数字,有res-1、res-2、res-4、res-8等等,表示这个res_block残差模块里含有多少个res_unit,res_unit指卷积后生成的特征图与输入add叠加起来;UpSampling指上采样;Concatenate指联合操,用于将特征联合,多个卷积特征提取框架提取的特征融合或者是将输出层的信息进行融合;OUTPUT下标指,特征层每种规模可以预测3个目标边框,对于一张图片,初始将其划分为K*K的网格,如果一个物体的中心落在某个单元格上,那么这个单元格就负责检测这个物体,最终特征图输出的张量大小为K*K*(3*(4+1+C)),其中,3是指预瞄框数量,(4+1+C)包括了确定一个目标边框中所需要的4个中心点坐标、置信度得分以及物体类别C,本实施例中C=1,因为只需要判断是否是道路病害即可,然后将置信度得分小于阈值的边框得分置为0,最后采用NMS非极大值抑制算法去除重复的边界框,保留得分最大的边界框为最后的预测框。改进YOLOv3算法通过进行多次卷积操作,将尺寸为13×13的特征层经过上采样扩张成26×26的大小,同时与26×26的特征层进行融合,将融合的结果输入到下一特征层,直到4个特征层检测尺度相融合,4个特征层检测尺度能够同时利用浅层高分辨率及深层高语义信息,且在并没有显式的增加网络复杂度的情况下,增强了网络结构的表征能力,改进YOLOv3算法网络结构能够更好适应小目标物体的检测,同时,YOLOv3算法及现有各种改进算法一般都无法同时兼顾精度与速度,改进YOLOV3算法能够兼具高检测精度和速度。
S2.安装并启动检测路面病害的装置;
检测路面病害的装置指本实施的基于轻量级卷积神经网络检测路面病害的装置,包括底座、摄像头模块、MCU模块、SD卡储存模块、语音播报模块,其中,摄像头模块用于获取道路路面图像,SD卡储存模块用于读取SD卡内的神经网络中的参数值,语音播报模块用于语音播报提醒,MCU模块用于搭建改进YOLOv3算法。
将检测路面病害的装置安装于汽车上,检测路面病害的装置,安装时,调整底座或摄像头模块,以使摄像头模块获取道路路面图像的视角角度与采集图像数据集的视角角度相同,安装后,将步骤S1中写入神经网络中的参数值的SD卡插入SD卡储存模块中,启动检测路面病害的装置。
S3.对汽车行驶过程进行路面病害检测并提醒;
检测路面病害的装置启动后,SD卡储存模块读取SD卡内神经网络中的参数值,并将神经网络中的参数值赋值给MCU模块内搭建的改进YOLOv3算法中,MCU模块检测摄像头模块获取的道路路面图像,判断是否存在路面病害,若存在,则驱动语音播报模块进行语音播报提醒。
优选的,是否存在路面病害的判断包括:在MCU模块检测并计算道路病害面积,通过预设阀值与检测计算出的道路病害面积进行比较,若大于预设阀值,则判断为存在,若小于预设阀值,则判断为忽略。预设阀值可根据使用地域的路况或驾驶习惯进行合适的设置,预设阀值通过面积大小能够筛选出不影响行车的路面病害,当小于预设阀值时判断为忽略,同时不影响安全行车的同时,减少语音提醒频率,避免警觉疲乏。
进一步的,MCU模块检测摄像头模块获取的道路路面图像还包括道路病害所处方向的检测,语音播报提醒包括道路病害所处方向的提醒,例如,在汽车行驶过程中,一旦算法检测得到的道路病害面积大于预设阀值时,根据检测区域在汽车左前方还是右前方,驱动语音模块,提醒司机“左前方道路有危险,请小心驾驶”或“右前方道路有危险,请小心驾驶”,通过加入方向提示,能够减少司机对于驾驶时遇到路面病害突现时的反应判断时间,进而方便进行及时的避让。
优选的,在采集的图像数据集输入搭建了改进YOLOv3算法的计算机进行训练数据集前,及MCU模块检测摄像头模块获取的道路路面图像前,对采集的图像数据或摄像头模块获取的道路路面图像,进行图像预处理,比如灰度、对比度处理等,图像预处理对算力要求低,可以利用空闲算力提高后续改进YOLOv3算法检测的速度和精度。
本实施例的基于轻量级卷积神经网络检测路面病害的装置,底座包括两块平行的安装板1,摄像头2模块包括摄像头2及摄像头接口21,MCU模块包括芯片板3作为嵌入式设备,可低成本集成功能模块,SD卡储存模块包括SD卡接口,语音播报模块包括扩音器和/或语音输出接口5,SD卡接口、扩音器和/或语音输出接口5、摄像头接口21布置于芯片板3表面的侧端,芯片板3固定于两块平行的安装板1之间,摄像头2固定于安装板1的顶面,结构设计简易,易于低成本的制造和使用,同时体积较小易于在汽车空间安装,比如行车记录仪的位置或车载雷达影像或中控台面等位置均可,适用性、便携性强。优选的,本实施例的芯片板3选用英伟达Jetson Nano A02芯片板,作为嵌入式设备,其采用四核64位ARM CPU和128核集成NVIDIA GPU,可提供472GFLOPS的计算性能,算力支持运行改进YOLOv3算法进行检测识别;摄像头2优选为红外摄像头,因无需图像呈现需求,选用红外摄像头相对普通摄像头相当于进行了图像预处理,可进一步增强改进YOLOv3算法对图像识别的速度和精度,进一步的摄像头2底部安装有云台,便于调节摄像头角度对应训练数据集时的图像角度进行适配调节。
本实施例的基于轻量级卷积神经网络检测路面病害的方法及装置,对YOLO算法进行了改进,并将轻量级的神经网络应用在嵌入式上,实现嵌入式设备对山路路面病害的检测,辅助汽车在行驶过程中,提醒司机前方是否有路面病害的发生,对于较小目标的检测也具有良好的效果,具有性价比高、实用性强和便携性的优点,易于量产及使用。
应当说明的是,上述实施例均可根据需要自由组合。以上所述仅是对本发明的优选实施例及原理进行了详细说明,对本领域的普通技术人员而言,依据本发明提供的思想,在具体实施方式上会有改变之处,而这些改变也应视为本发明的保护范围。
Claims (9)
1.一种基于轻量级卷积神经网络检测路面病害的方法,其特征在于,包括步骤:
S1.获取训练的神经网络中的参数值,包括:采集同一视角角度下的道路病害的图像数据集,将采集的图像数据集输入搭建了改进YOLOv3算法的计算机进行训练数据集,保存训练后的神经网络中的参数值,并将神经网络中的参数值写入SD卡中;
所述改进YOLOv3算法包括Darknet-53特征提取网络、预测网络,所述预测网络包括四个不同尺度的特征层13*13、26*26、52*52、104*104进行预测,所述104*104特征层用于将浅层信息提取出来;
S2.安装并启动检测路面病害的装置,包括:将检测路面病害的装置安装于汽车上,所述检测路面病害的装置包括底座、摄像头模块、MCU模块、SD卡储存模块、语音播报模块,安装时,调整底座或摄像头模块,以使摄像头模块获取道路路面图像的视角角度与采集图像数据集的视角角度相同,安装后,将步骤S1中写入神经网络中的参数值的SD卡插入SD卡储存模块中,启动检测路面病害的装置;
S3.对汽车行驶过程进行路面病害检测并提醒,包括:检测路面病害的装置启动后,SD卡储存模块读取SD卡内神经网络中的参数值,并将神经网络中的参数值赋值给MCU模块内搭建的改进YOLOv3算法中,MCU模块检测摄像头模块获取的道路路面图像,判断是否存在路面病害,若存在,则驱动语音播报模块进行语音播报提醒。
2.如权利要求1所述的一种基于轻量级卷积神经网络检测路面病害的方法,其特征在于,所述步骤S3中,是否存在路面病害的判断包括:MCU模块检测并计算道路病害面积,通过预设阀值与检测计算出的道路病害面积进行比较,若大于预设阀值,则判断为存在,若小于预设阀值,则判断为忽略。
3.如权利要求2所述的一种基于轻量级卷积神经网络检测路面病害的方法,其特征在于,所述步骤S3中,MCU模块检测摄像头模块获取的道路路面图像还包括道路病害所处方向的检测,所述语音播报提醒包括道路病害所处方向的提醒。
4.如权利要求3所述的一种基于轻量级卷积神经网络检测路面病害的方法,其特征在于,所述步骤S1中,所述采集的图像数据集输入搭建了改进YOLOv3算法的计算机进行训练数据集前,对采集的图像数据进行图像预处理。
5.如权利要求4所述的一种基于轻量级卷积神经网络检测路面病害的方法,其特征在于,所述步骤S3中,MCU模块检测摄像头模块获取的道路路面图像前,对摄像头模块获取的道路路面图像进行图像预处理。
6.一种基于轻量级卷积神经网络检测路面病害的装置,其特征在于,包括底座、摄像头模块、MCU模块、SD卡储存模块、语音播报模块,所述摄像头模块用于获取道路路面图像,所述SD卡储存模块用于读取SD卡内的神经网络中的参数值,所述语音播报模块用于语音播报提醒,所述MCU模块用于搭建改进YOLOv3算法,所述改进YOLOv3算法包括Darknet-53特征提取网络、预测网络,所述预测网络包括四个不同尺度的特征层13*13、26*26、52*52、104*104进行预测,所述104*104特征层用于将浅层信息提取出来。
7.如权利要求6所述的一种基于轻量级卷积神经网络检测路面病害的装置,其特征在于,所述底座包括两块平行的安装板,所述摄像头模块包括摄像头及摄像头接口,所述MCU模块包括芯片板,所述SD卡储存模块包括SD卡接口,所述语音播报模块包括扩音器和/或语音输出接口,所述SD卡接口、扩音器和/或语音输出接口、摄像头接口布置于芯片板表面的侧端,所述芯片板固定于两块平行的安装板之间,所述摄像头固定于安装板的顶面。
8.如权利要求7所述的一种基于轻量级卷积神经网络检测路面病害的装置,其特征在于,所述芯片板选用英伟达Jetson Nano A02芯片板。
9.如权利要求8所述的一种基于轻量级卷积神经网络检测路面病害的装置,其特征在于,所示摄像头为红外摄像头。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110773918.XA CN113592784A (zh) | 2021-07-08 | 2021-07-08 | 一种基于轻量级卷积神经网络检测路面病害的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110773918.XA CN113592784A (zh) | 2021-07-08 | 2021-07-08 | 一种基于轻量级卷积神经网络检测路面病害的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113592784A true CN113592784A (zh) | 2021-11-02 |
Family
ID=78246483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110773918.XA Pending CN113592784A (zh) | 2021-07-08 | 2021-07-08 | 一种基于轻量级卷积神经网络检测路面病害的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592784A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114592411A (zh) * | 2022-03-29 | 2022-06-07 | 中国矿业大学 | 一种载体寄生式公路损坏智能巡查方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109870456A (zh) * | 2019-02-01 | 2019-06-11 | 上海智能交通有限公司 | 一种路面健康状况快速检测系统及方法 |
CN110766098A (zh) * | 2019-11-07 | 2020-02-07 | 中国石油大学(华东) | 基于改进YOLOv3的交通场景小目标检测方法 |
CN111401148A (zh) * | 2020-02-27 | 2020-07-10 | 江苏大学 | 一种基于改进的多级YOLOv3的道路多目标检测方法 |
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 |
CN112215203A (zh) * | 2020-11-02 | 2021-01-12 | 坝道工程医院(平舆) | 一种基于深度学习的路面病害检测方法和装置 |
CN112380921A (zh) * | 2020-10-23 | 2021-02-19 | 西安科锐盛创新科技有限公司 | 一种基于车联网的道路检测方法 |
CN112932910A (zh) * | 2021-01-25 | 2021-06-11 | 杭州易享优智能科技有限公司 | 一种穿戴式智能感知导盲系统 |
-
2021
- 2021-07-08 CN CN202110773918.XA patent/CN113592784A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109870456A (zh) * | 2019-02-01 | 2019-06-11 | 上海智能交通有限公司 | 一种路面健康状况快速检测系统及方法 |
CN110766098A (zh) * | 2019-11-07 | 2020-02-07 | 中国石油大学(华东) | 基于改进YOLOv3的交通场景小目标检测方法 |
CN111401148A (zh) * | 2020-02-27 | 2020-07-10 | 江苏大学 | 一种基于改进的多级YOLOv3的道路多目标检测方法 |
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 |
CN112380921A (zh) * | 2020-10-23 | 2021-02-19 | 西安科锐盛创新科技有限公司 | 一种基于车联网的道路检测方法 |
CN112215203A (zh) * | 2020-11-02 | 2021-01-12 | 坝道工程医院(平舆) | 一种基于深度学习的路面病害检测方法和装置 |
CN112932910A (zh) * | 2021-01-25 | 2021-06-11 | 杭州易享优智能科技有限公司 | 一种穿戴式智能感知导盲系统 |
Non-Patent Citations (2)
Title |
---|
YD-阿三: "YOLOv3原理详解(绝对通俗易懂)", 《HTTPS://BLOG.CSDN.NET/QQ_43581224/ARTICLE/DETAILS/118382593》, pages 1 - 6 * |
青年夏日科技: "YOLOv3改进方法增加特征尺度和训练层数", 《HTTPS://BLOG.CSDN.NET/SINAT_28371057/ARTICLE/DETAILS/112385166》, pages 1 - 6 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114592411A (zh) * | 2022-03-29 | 2022-06-07 | 中国矿业大学 | 一种载体寄生式公路损坏智能巡查方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018153304A1 (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 | |
CN106373430B (zh) | 一种基于计算机视觉的交叉路口通行预警方法 | |
CN110619279B (zh) | 一种基于跟踪的路面交通标志实例分割方法 | |
KR102015947B1 (ko) | 자율주행을 위한 학습대상 이미지 추출 장치 및 방법 | |
CN102509291B (zh) | 基于无线网络视频传感器的公路路面病害检测及识别方法 | |
CN105160309A (zh) | 基于图像形态学分割及区域生长的三车道检测方法 | |
CN108399403B (zh) | 一种基于车牌尺寸计算的车距检测方法 | |
CN101334836A (zh) | 一种融合色彩、尺寸和纹理特征的车牌定位方法 | |
CN109637151A (zh) | 一种高速公路应急车道违章行驶的识别方法 | |
JP6615065B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
CN101964145A (zh) | 一种自动车牌识别方法及其系统 | |
CN103465857A (zh) | 一种基于手机的汽车主动安全的预警方法 | |
CN110298300B (zh) | 一种检测车辆违章压线的方法 | |
CN114998852A (zh) | 一种基于深度学习的公路路面病害智能检测方法 | |
JP6700373B2 (ja) | ビデオ動画の人工知能のための学習対象イメージパッケージング装置及び方法 | |
CN107909012B (zh) | 一种基于视差图的实时车辆跟踪检测方法与装置 | |
CN107705577B (zh) | 一种基于车道线标定车辆违章变道的实时检测方法及系统 | |
JP2018022220A (ja) | 挙動データ解析システム及び挙動データ解析装置及び挙動データ解析方法 | |
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 | |
CN110610153A (zh) | 一种用于自动驾驶的车道识别方法及系统 | |
JP2018501543A (ja) | 現在存在する走行状況を特定するための方法及び装置 | |
KR101014125B1 (ko) | 지능형 자동차를 위한 교통 표지판 검출 방법 및 상기 방법을 실행하는 시스템 | |
CN104881661A (zh) | 基于结构相似度的车辆检测方法 | |
CN104599291A (zh) | 基于结构相似度和显著性分析的红外运动目标检测方法 | |
CN113592784A (zh) | 一种基于轻量级卷积神经网络检测路面病害的方法及装置 |
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 |