CN113592798B - 一种道路病害智能辨识方法、系统、终端及介质 - Google Patents

一种道路病害智能辨识方法、系统、终端及介质 Download PDF

Info

Publication number
CN113592798B
CN113592798B CN202110826997.6A CN202110826997A CN113592798B CN 113592798 B CN113592798 B CN 113592798B CN 202110826997 A CN202110826997 A CN 202110826997A CN 113592798 B CN113592798 B CN 113592798B
Authority
CN
China
Prior art keywords
view
abnormal
angle
road
image
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
CN202110826997.6A
Other languages
English (en)
Other versions
CN113592798A (zh
Inventor
陈建达
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.)
Shandong University of Technology
Original Assignee
Shandong University of Technology
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 Shandong University of Technology filed Critical Shandong University of Technology
Priority to CN202110826997.6A priority Critical patent/CN113592798B/zh
Publication of CN113592798A publication Critical patent/CN113592798A/zh
Application granted granted Critical
Publication of CN113592798B publication Critical patent/CN113592798B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/10016—Video; Image sequence

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种道路病害智能辨识方法、系统、终端及介质，涉及道路监测技术领域，其技术方案要点是：获取第一视角图像和第二视角图像；对第一视角图像、第二视角图像进行分割处理；通过卷积神经网络分别提取第一视角分割图集、第二视角分割图集中的异常特征；分别计算第一异常特征、第二异常特征中各个像素点的光亮强度累积值，并结合第一视角分割图集、第二视角分割图集对比分析得到光亮强度基础值；计算得到第一异常累积值的第一视角因子、第二异常累积值的第二视角因子，并依据第一视角因子、第二视角因子匹配得到异常特征所表征的道路病害类型。本发明能够准确识别不同环境条件下的道路病害类型。

Description

一种道路病害智能辨识方法、系统、终端及介质
技术领域
本发明涉及道路监测技术领域，更具体地说，它涉及一种道路病害智能辨识方法、系统、终端及介质。
背景技术
随着我国居民生活水平的不断提高，汽车现存量不断提升，人们对道路质量要求不断提升，良好的道路情况不仅能够为驾驶人员和乘客提供较好的乘车舒适感，同时能够降低车辆使用过程的损耗率，所以对道路病害情况进行检测非要有必要，能够防止道路情况进一步恶化。
目前，对于道路病害情况的识别主要是通过神经网络模型对待识别的道路图像进行模型训练后提取异常特征，而其神经网络模型建立过程中主要是依据正常道路图像和异常图像进行训练的。现有的道路病害识别技术能够识别大部分的道路病害类型，例如线路裂缝、补绽等道路病害，但是对于凹凸、反射裂缝、坑洞、块状裂缝等情况的识别正确率不高；尤其是在外部环境变化较大的情况下，例如道路潮湿，在路面存在少量积水时严重影响了道路病害情况的正确识别；此外，现有技术中的道路病害识别技术大部分针对单一的类型进行识别，为了识别多种道路病害情况需要对采集的图像进行不同技术思路进行处理，增大道路病害识别的数据处理量，影响了识别效率。
因此，如何研究设计一种道路病害智能辨识方法、系统、终端及介质是我们目前急需解决的问题。
发明内容
为解决现有技术中的不足，本发明的目的是提供一种道路病害智能辨识方法、系统、终端及介质，本发明能够准确识别不同环境条件下的道路病害类型，不仅适用范围广，且识别效率高。
本发明的上述技术目的是通过以下技术方案得以实现的：
第一方面，提供了一种道路病害智能辨识方法，包括以下步骤：
获取不同视角下同一目标区域的第一视角图像和第二视角图像；
通过Yolact实例分割模型分别对第一视角图像、第二视角图像进行分割处理，得到相应的第一视角分割图集、第二视角分割图集；
通过卷积神经网络分别提取第一视角分割图集、第二视角分割图集中的异常特征，得到相应的第一异常特征、第二异常特征；
通过积分算法分别计算第一异常特征、第二异常特征中各个像素点的光亮强度累积值，得到相应的第一异常累积值、第二异常累积值，并结合第一视角分割图集、第二视角分割图集对比分析得到光亮强度基础值；
根据第一异常累积值、第二异常累积值和光亮强度基础值计算得到第一异常累积值的第一视角因子、第二异常累积值的第二视角因子，并依据第一视角因子、第二视角因子匹配得到异常特征所表征的道路病害类型。
进一步的，所述第一视角图像、第二视角图像的获取过程具体为：
通过两个俯角度数不同的图像采集设备实时采集道路图像；
俯角度数小的图像采集设备在第n+1次采集的道路区域与俯角度数大的图像采集设备在第n次采集的道路区域相同；
以俯角度数大的图像采集设备在第n次采集的图像为第一视角图像，以俯角度数小的图像采集设备在第n+1次采集的图像为第二视角图像。
进一步的，所述第一视角图像、第二视角图像的获取过程具体为：
以俯角范围为[a,b]的图像采集设备连续采集道路图像；
根据预设划分俯角值m将俯角范围[a,b]分为低角范围[a,m)、高角范围[m,b]，a<m<b；
以高角范围[m,b]在第i次采集所覆盖的图像为第一视图，以低角范围[a,m)在第i+k次采集所覆盖的图像为第二视图，k为正整数。
进一步的，所述光亮强度基础值的计算公式具体为：
其中，G0表示光亮强度基础值；表示第一视角分割图集中正常像素点的光亮强度平均值；/>表示第二视角分割图集中正常像素点的光亮强度平均值；h1表示相应环境条件中第一视角下设定的视角系数；h2表示相应环境条件中第二视角下设定的视角系数。
进一步的，所述第一视角因子、第二视角因子的计算公式具体为：
其中，y1表示第一视角因子；y2表示第二视角因子；L1表示第一异常累积值；L2表示第二异常累积值；G0表示光亮强度基础值；S表示像素点和值。
进一步的，该方法可辨识路面干燥和/或路面潮湿情况下的道路病害类型。
进一步的，该方法可辨识的道路病害类型包括线性裂缝、反射裂缝、块状裂缝、坑洞、龟裂、坑洞、补绽、鳄鱼状裂縫、纵横向裂纹、人手孔和凹凸。
第二方面，提供了一种道路病害智能辨识系统，包括：
图像获取模块，用于获取不同视角下同一目标区域的第一视角图像和第二视角图像；
图像处理模块，用于通过Yolact实例分割模型分别对第一视角图像、第二视角图像进行分割处理，得到相应的第一视角分割图集、第二视角分割图集；
特征提取模块，用于通过卷积神经网络分别提取第一视角分割图集、第二视角分割图集中的异常特征，得到相应的第一异常特征、第二异常特征；
数据计算模块，用于通过积分算法分别计算第一异常特征、第二异常特征中各个像素点的光亮强度累积值，得到相应的第一异常累积值、第二异常累积值，并结合第一视角分割图集、第二视角分割图集对比分析得到光亮强度基础值；
类型分析模块，用于根据第一异常累积值、第二异常累积值和光亮强度基础值计算得到第一异常累积值的第一视角因子、第二异常累积值的第二视角因子，并依据第一视角因子、第二视角因子匹配得到异常特征所表征的道路病害类型。
第三方面，提供了一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面中任意一项所述的一种道路病害智能辨识方法。
第四方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行可实现如第一方面中任意一项所述的一种道路病害智能辨识方法。
与现有技术相比，本发明具有以下有益效果：
1、本发明通过对不同视角下采集的第一视角图像和第二视角图像进行光强度反射的差异性进行分析，依据道路病害类型以及路面潮湿、路面干燥、光线强度、可视度等环境条件对不同视角所采集的图像异常特征影响进行分析，并根据计算出的第一视角因子、第二视角因子能够准确识别不同环境条件下的道路病害类型；
2、本发明通过对光亮强度基础值进行精确计算，使得第一视角因子、第二视角因子匹配相应的道路病害类型精准度更高；
3、本发明既可以可辨识路面干燥情况下的道路病害类型，又可以辨识路面潮湿情况下的道路病害类型，识别范围广；
4、本发明能够辨识线性裂缝、反射裂缝、块状裂缝、坑洞、龟裂、坑洞、补绽、鳄鱼状裂縫、纵横向裂纹、人手孔、凹凸等多种类型，有效提供了道路病害辨识的效率。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1是本发明实施例中的流程图；
图2是本发明实施例中的系统框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1：一种道路病害智能辨识方法，如图1所示，包括以下步骤：
S1：获取不同视角下同一目标区域的第一视角图像和第二视角图像；
S2：通过Yolact实例分割模型分别对第一视角图像、第二视角图像进行分割处理，得到相应的第一视角分割图集、第二视角分割图集；
S3：通过卷积神经网络分别提取第一视角分割图集、第二视角分割图集中的异常特征，得到相应的第一异常特征、第二异常特征；
S4：通过积分算法分别计算第一异常特征、第二异常特征中各个像素点的光亮强度累积值，得到相应的第一异常累积值、第二异常累积值，并结合第一视角分割图集、第二视角分割图集对比分析得到光亮强度基础值；
S5：根据第一异常累积值、第二异常累积值和光亮强度基础值计算得到第一异常累积值的第一视角因子、第二异常累积值的第二视角因子，并依据第一视角因子、第二视角因子匹配得到异常特征所表征的道路病害类型。
作为优选的一种实施方式，在步骤S1中，第一视角图像、第二视角图像的获取过程可以为：
S101：通过两个俯角度数不同的图像采集设备实时采集道路图像；
S102：俯角度数小的图像采集设备在第n次采集的道路区域与俯角度数大的图像采集设备在第n+1次采集的道路区域相同；
S103：以俯角度数大的图像采集设备在第n+1次采集的图像为第一视角图像，以俯角度数小的图像采集设备在第n次采集的图像为第二视角图像。
作为优选的另一种实施方式，在步骤S1中，第一视角图像、第二视角图像的获取过程可以为：
S104：以俯角范围为[a,b]的图像采集设备连续采集道路图像；
S105：根据预设划分俯角值m将俯角范围[a,b]分为低角范围[a,m)、高角范围[m,b]，a<m<b；
S106：以高角范围[m,b]在第i次采集所覆盖的图像为第一视图，以低角范围[a,m)在第i+k次采集所覆盖的图像为第二视图，k为正整数。
光亮强度基础值的计算公式具体为：
其中，G0表示光亮强度基础值；表示第一视角分割图集中正常像素点的光亮强度平均值；/>表示第二视角分割图集中正常像素点的光亮强度平均值；h1表示相应环境条件中第一视角下设定的视角系数；h2表示相应环境条件中第二视角下设定的视角系数。本发明通过对光亮强度基础值进行精确计算，使得第一视角因子、第二视角因子匹配相应的道路病害类型精准度更高。
第一视角因子、第二视角因子的计算公式具体为：
其中，y1表示第一视角因子；y2表示第二视角因子；L1表示第一异常累积值；L2表示第二异常累积值；G0表示光亮强度基础值；S表示像素点和值。
本发明可单独辨识路面干燥或路面潮湿情况下的道路病害类型，又可同时辨识路面干燥和路面潮湿情况下的道路病害类型。
本发明可辨识的道路病害类型包括线性裂缝、反射裂缝、块状裂缝、坑洞、龟裂、坑洞、补绽、鳄鱼状裂縫、纵横向裂纹、人手孔和凹凸。
实施例2：一种道路病害智能辨识系统，如图2所示，包括图像获取模块、图像处理模块、特征提取模块、数据计算模块、类型分析模块。
其中，图像获取模块，用于获取不同视角下同一目标区域的第一视角图像和第二视角图像。图像处理模块，用于通过Yolact实例分割模型分别对第一视角图像、第二视角图像进行分割处理，得到相应的第一视角分割图集、第二视角分割图集。特征提取模块，用于通过卷积神经网络分别提取第一视角分割图集、第二视角分割图集中的异常特征，得到相应的第一异常特征、第二异常特征。数据计算模块，用于通过积分算法分别计算第一异常特征、第二异常特征中各个像素点的光亮强度累积值，得到相应的第一异常累积值、第二异常累积值，并结合第一视角分割图集、第二视角分割图集对比分析得到光亮强度基础值。类型分析模块，用于根据第一异常累积值、第二异常累积值和光亮强度基础值计算得到第一异常累积值的第一视角因子、第二异常累积值的第二视角因子，并依据第一视角因子、第二视角因子匹配得到异常特征所表征的道路病害类型。
工作原理：本发明通过对不同视角下采集的第一视角图像和第二视角图像进行光强度反射的差异性进行分析，依据道路病害类型以及路面潮湿、路面干燥、光线强度、可视度等环境条件对不同视角所采集的图像异常特征影响进行分析，并根据计算出的第一视角因子、第二视角因子能够准确识别不同环境条件下的道路病害类型。
本领域内的技术人员应明白，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。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生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装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。
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。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种道路病害智能辨识方法，其特征是，包括以下步骤：
获取不同视角下同一目标区域的第一视角图像和第二视角图像；
通过Yolact实例分割模型分别对第一视角图像、第二视角图像进行分割处理，得到相应的第一视角分割图集、第二视角分割图集；
通过卷积神经网络分别提取第一视角分割图集、第二视角分割图集中的异常特征，得到相应的第一异常特征、第二异常特征；
通过积分算法分别计算第一异常特征、第二异常特征中各个像素点的光亮强度累积值，得到相应的第一异常累积值、第二异常累积值，并结合第一视角分割图集、第二视角分割图集对比分析得到光亮强度基础值；
根据第一异常累积值、第二异常累积值和光亮强度基础值计算得到第一异常累积值的第一视角因子、第二异常累积值的第二视角因子，并依据第一视角因子、第二视角因子匹配得到异常特征所表征的道路病害类型；
所述光亮强度基础值的计算公式具体为：
其中，G0表示光亮强度基础值；表示第一视角分割图集中正常像素点的光亮强度平均值；/>表示第二视角分割图集中正常像素点的光亮强度平均值；h1表示相应环境条件中第一视角下设定的视角系数；h2表示相应环境条件中第二视角下设定的视角系数。
2.根据权利要求1所述的一种道路病害智能辨识方法，其特征是，所述第一视角图像、第二视角图像的获取过程具体为：
通过两个俯角度数不同的图像采集设备实时采集道路图像；
俯角度数小的图像采集设备在第n+1次采集的道路区域与俯角度数大的图像采集设备在第n次采集的道路区域相同；
以俯角度数大的图像采集设备在第n次采集的图像为第一视角图像，以俯角度数小的图像采集设备在第n+1次采集的图像为第二视角图像。
3.根据权利要求1所述的一种道路病害智能辨识方法，其特征是，所述第一视角图像、第二视角图像的获取过程具体为：
以俯角范围为[a,b]的图像采集设备连续采集道路图像；
根据预设划分俯角值m将俯角范围[a,b]分为低角范围[a,m)、高角范围[m,b]，a<m<b；
以高角范围[m,b]在第i次采集所覆盖的图像为第一视图，以低角范围[a,m)在第i+k次采集所覆盖的图像为第二视图，k为正整数。
4.根据权利要求1-3任意一项所述的一种道路病害智能辨识方法，其特征是，所述第一视角因子、第二视角因子的计算公式具体为：
其中，y1表示第一视角因子；y2表示第二视角因子；L1表示第一异常累积值；L2表示第二异常累积值；G0表示光亮强度基础值；S表示像素点和值。
5.根据权利要求1-3任意一项所述的一种道路病害智能辨识方法，其特征是，该方法可辨识路面干燥和/或路面潮湿情况下的道路病害类型。
6.根据权利要求1-3任意一项所述的一种道路病害智能辨识方法，其特征是，该方法可辨识的道路病害类型包括线性裂缝、反射裂缝、块状裂缝、坑洞、龟裂、坑洞、补绽、鳄鱼状裂縫、纵横向裂纹、人手孔和凹凸。
7.一种道路病害智能辨识系统，其特征是，包括：
图像获取模块，用于获取不同视角下同一目标区域的第一视角图像和第二视角图像；
图像处理模块，用于通过Yolact实例分割模型分别对第一视角图像、第二视角图像进行分割处理，得到相应的第一视角分割图集、第二视角分割图集；
特征提取模块，用于通过卷积神经网络分别提取第一视角分割图集、第二视角分割图集中的异常特征，得到相应的第一异常特征、第二异常特征；
数据计算模块，用于通过积分算法分别计算第一异常特征、第二异常特征中各个像素点的光亮强度累积值，得到相应的第一异常累积值、第二异常累积值，并结合第一视角分割图集、第二视角分割图集对比分析得到光亮强度基础值；
类型分析模块，用于根据第一异常累积值、第二异常累积值和光亮强度基础值计算得到第一异常累积值的第一视角因子、第二异常累积值的第二视角因子，并依据第一视角因子、第二视角因子匹配得到异常特征所表征的道路病害类型；
所述光亮强度基础值的计算公式具体为：
其中，G0表示光亮强度基础值；表示第一视角分割图集中正常像素点的光亮强度平均值；/>表示第二视角分割图集中正常像素点的光亮强度平均值；h1表示相应环境条件中第一视角下设定的视角系数；h2表示相应环境条件中第二视角下设定的视角系数。
8.一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-6中任意一项所述的一种道路病害智能辨识方法。
9.一种计算机可读介质，其上存储有计算机程序，其特征是，所述计算机程序被处理器执行可实现如权利要求1-6中任意一项所述的一种道路病害智能辨识方法。
CN202110826997.6A 2021-07-21 2021-07-21 一种道路病害智能辨识方法、系统、终端及介质 Active CN113592798B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110826997.6A CN113592798B (zh) 2021-07-21 2021-07-21 一种道路病害智能辨识方法、系统、终端及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110826997.6A CN113592798B (zh) 2021-07-21 2021-07-21 一种道路病害智能辨识方法、系统、终端及介质

Publications (2)

Publication Number Publication Date
CN113592798A CN113592798A (zh) 2021-11-02
CN113592798B true CN113592798B (zh) 2023-08-15

Family

ID=78248923

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110826997.6A Active CN113592798B (zh) 2021-07-21 2021-07-21 一种道路病害智能辨识方法、系统、终端及介质

Country Status (1)

Country Link
CN (1) CN113592798B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5554983A (en) * 1992-04-24 1996-09-10 Hitachi, Ltd. Object recognition system and abnormality detection system using image processing
CN103116746A (zh) * 2013-03-08 2013-05-22 中国科学技术大学 一种基于多特征融合技术的视频火焰探测方法
WO2017046796A1 (en) * 2015-09-14 2017-03-23 Real Imaging Ltd. Image data correction based on different viewpoints
CN108898085A (zh) * 2018-06-20 2018-11-27 安徽大学 一种基于手机视频的道路病害智能检测方法
CN109060281A (zh) * 2018-09-18 2018-12-21 山东理工大学 基于无人机的一体化桥梁检测系统
CN109325956A (zh) * 2018-08-15 2019-02-12 国网河南省电力公司电力科学研究院 一种基于图像处理的输电导线覆冰截面特征提取方法
CN109716108A (zh) * 2016-12-30 2019-05-03 同济大学 一种基于双目图像分析的沥青路面病害检测系统
CN112686120A (zh) * 2020-12-25 2021-04-20 国家电网有限公司 一种基于无人机航拍图像的输电线异常检测方法
CN112734692A (zh) * 2020-12-17 2021-04-30 安徽继远软件有限公司 一种变电设备缺陷识别方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
MY137246A (en) * 2002-04-30 2009-01-30 Jfe Steel Corp Method and instrument for measuring bead cutting shape of electric welded tube

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5554983A (en) * 1992-04-24 1996-09-10 Hitachi, Ltd. Object recognition system and abnormality detection system using image processing
CN103116746A (zh) * 2013-03-08 2013-05-22 中国科学技术大学 一种基于多特征融合技术的视频火焰探测方法
WO2017046796A1 (en) * 2015-09-14 2017-03-23 Real Imaging Ltd. Image data correction based on different viewpoints
CN109716108A (zh) * 2016-12-30 2019-05-03 同济大学 一种基于双目图像分析的沥青路面病害检测系统
CN108898085A (zh) * 2018-06-20 2018-11-27 安徽大学 一种基于手机视频的道路病害智能检测方法
CN109325956A (zh) * 2018-08-15 2019-02-12 国网河南省电力公司电力科学研究院 一种基于图像处理的输电导线覆冰截面特征提取方法
CN109060281A (zh) * 2018-09-18 2018-12-21 山东理工大学 基于无人机的一体化桥梁检测系统
CN112734692A (zh) * 2020-12-17 2021-04-30 安徽继远软件有限公司 一种变电设备缺陷识别方法及装置
CN112686120A (zh) * 2020-12-25 2021-04-20 国家电网有限公司 一种基于无人机航拍图像的输电线异常检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"高速路桥梁底部表面缺陷自动检测应用技术研究";叶琰;《中国优秀硕士学位论文全文数据库 (中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑))》;第C034-430卷(第2018/04期);全文 *

Also Published As

Publication number Publication date
CN113592798A (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
CN107230202B (zh) 路面病害图像的自动识别方法和系统
CN108921013B (zh) 一种基于深度神经网络的视觉场景识别系统及方法
CN110210350A (zh) 一种基于深度学习的快速停车位检测方法
CN110458157B (zh) 一种电力电缆生产过程智能监控系统
CN107367241B (zh) 一种基于机器视觉的汽车轮胎花纹识别方法
CN111553214B (zh) 一种驾驶员吸烟行为检测方法及系统
CN102073852A (zh) 基于最优阈值和随机标号法的多车辆分割方法
CN107798293A (zh) 一种道路裂缝检测装置
CN110427979B (zh) 基于K-Means聚类算法的道路水坑识别方法
CN103679146A (zh) 基于高通滤波器和Hough变换的安全带智能检测方法
CN110346699A (zh) 基于紫外图像处理技术的绝缘子放电信息提取方法及装置
CN111091110A (zh) 一种基于人工智能的反光背心穿戴识别方法
CN111144301A (zh) 一种基于深度学习的道路路面缺陷快速预警装置
CN104915642A (zh) 前方车辆测距方法及装置
CN103886609B (zh) 基于粒子滤波和lbp特征的车辆跟踪方法
CN113591973B (zh) 一种轨道板外观状态变化智能比对方法
CN113592798B (zh) 一种道路病害智能辨识方法、系统、终端及介质
JP2004086417A (ja) 横断歩道等における歩行者検出方法及び同装置
CN111597992B (zh) 一种基于视频监控的场景物体异常的识别方法
CN113179389A (zh) 一种输电线路危险车辆吊车扬臂识别系统及识别方法
CN112001336A (zh) 行人越界报警方法、装置、设备及系统
CN110853058A (zh) 基于视觉显著性检测的高分辨率遥感影像道路提取方法
Danilescu et al. Road anomalies detection using basic morphological algorithms
CN115861220A (zh) 基于改进的ssd算法的冷轧带钢表面缺陷检测方法和系统
CN116071692A (zh) 一种基于形态学图像处理的水尺水位识别方法及系统

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