CN113780178A - 道路检测方法、装置、电子设备和存储介质 - Google Patents
道路检测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113780178A CN113780178A CN202111065830.9A CN202111065830A CN113780178A CN 113780178 A CN113780178 A CN 113780178A CN 202111065830 A CN202111065830 A CN 202111065830A CN 113780178 A CN113780178 A CN 113780178A
- Authority
- CN
- China
- Prior art keywords
- road
- image
- determining
- target image
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000005856 abnormality Effects 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims description 47
- 238000004590 computer program Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种道路检测方法,涉及人工智能领域,尤其涉及计算机视觉和图像处理领域。具体实现方案为:获取检测设备在行驶过程中采集的道路视频数据;根据检测设备在行驶过程中的行驶速度,从道路视频数据中抽取多个图像;针对多个图像中每个图像,识别图像中的道路异常信息;确定多个图像中被识别为包含道路异常信息的至少一个图像作为目标图像;根据目标图像确定道路检测结果。本公开还提供了一种道路检测装置、电子设备和存储介质。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及计算机视觉和图像处理技术。更具体地,本公开提供了一种道路检测方法、装置、电子设备和存储介质。
背景技术
作为城市经济发展的载体,城市道路的养护不仅是延长道路使用寿命的关键手段,更是道路行车安全的重要保障。精准发现道路异常并及时上报异常信息是道路养护工作的核心。
发明内容
本公开提供了一种道路检测方法、装置、设备以及存储介质。
根据第一方面,提供了一种道路检测方法,该方法包括:获取检测设备在行驶过程中采集的道路视频数据;根据检测设备在行驶过程中的行驶速度,从道路视频数据中抽取多个图像;针对多个图像中每个图像,识别图像中的道路异常信息;确定多个图像中被识别为包含道路异常信息的至少一个图像作为目标图像;根据目标图像确定道路检测结果。
根据第二方面,提供了一种道路检测装置,该装置包括:获取模块,用于获取检测设备在行驶过程中采集的道路视频数据;抽取模块,用于根据检测设备在行驶过程中的行驶速度,从道路视频数据中抽取多个图像;识别模块,用于针对多个图像中每个图像,识别图像中的道路异常信息;第一确定模块,用于确定多个图像中被识别为包含道路异常信息的至少一个图像作为目标图像;第二确定模块,用于根据目标图像确定道路检测结果。
根据第三方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行根据本公开提供的方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行根据本公开提供的方法。
根据第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据本公开提供的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1A~1B是根据本公开的一个实施例的可以应用道路检测方法和装置的示例性系统架构示意图;
图2是根据本公开的一个实施例的道路检测方法的流程图;
图3是根据本公开的另一个实施例的道路检测方法的流程图;
图4是根据本公开的一个实施例的识别图像中的道路异常信息的方法的示意图;
图5是根据本公开的一个实施例的道路检测装置的框图;
图6是根据本公开的一个实施例的道路检测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
传统的道路检测方法一般是道路检测员定期进行路面巡视,发现道路异常(如出现损坏、裂纹等)拍照并上传中心服务端。或者是通过检测车、机器人、无人机等作为自动化载体进行路面图像采集,采集到的图像上传中心服务器并由检测员识别病害。上述传统方法在道路病害识别阶段依赖检测员的个人认知,很难保证识别标准的统一性,同时也受限于人工识别效率。另外,在数据收集阶段,由于采集端没有过滤能力,将采集的全量数据传输给中心服务器,在给中心服务器带来巨大接收压力的同时,也产生了高昂的流量传输成本。并且机器人、无人机等受续航的影响,无法提供持续巡视能力。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
图1A~1B是根据本公开一个实施例的可以应用道路检测方法和装置的示例性系统架构示意图。需要注意的是,图1A~1B所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1A所示,根据该实施例的系统架构100可以包括检测端10、网络20、中心端30和云端40。网络20用以在检测端10和中心端30 之间提供通信链路的介质。网络20可以包括各种连接类型,例如有线和/或无线通信链路等等。
检测端10包括多个检测设备110,检测设备110可以是检测车、机器人或无人机等。检测设备110用于在被检测道路上行驶的过程中采集道路图像,对采集的道路图像进行识别,得到道路出现异常(如损坏) 的图像,将包含道路异常信息的图像通过网络20发送给中心端30。
中心端30包括中心服务器310和显示设备320。中心服务器310 接收来自检测端10发送的包含道路异常信息的图像,对接收到的图像进行整理、筛选或过滤,得到规范化的图像发送给显示设备320。显示设备320可以是监控屏幕,显示设备320可以将接收到的规范化图像作为监控图像进行展示,以便道路检修人员及时对出现异常的道路进行养护。
中心服务器310还可以将接收到的图像发送给云端40,云端40包括云端服务器。可以理解,相比于中心服务器310,云端服务器具有更强的算力,可以对接收到的来自中心服务器310发送的图像做进一步分析,例如分析图像中道路的损坏等级,路面损坏潜在风险等。
可以理解,中心端30可以获取来自检测端10的道路数据,保证道路数据的私有性。同时可以在有需求的情况下,向云端40获取强算力服务支持。
如图1B所示,为检测端10中的检测设备110的示意图。检测设备110包括采集装置111、定位装置112、计算装置113和通信装置114。
采集装置111例如可以是摄像头,用于在检测设备110在被检测道路上行驶的过程中,采集道路视频或图像数据,并发送给计算装置113。定位装置112可以是GPS定位装置或北斗定位装置,用于获取检测设备 110在被检测道路上行驶的过程的实时位置信息,并发送给计算装置113。计算装置113可以是具有计算能力的服务器,用于对采集装置111发送过来的道路视频或图像数据进行识别,得到包含道路异常信息的图像,将包含道路异常信息的图像与定位装置1l2发送过来的位置信息进行关联,并将包含道路异常信息的图像以及与该图像关联的检测设备110的位置信息进行整合,得到整合数据。
计算装置113可以通过通信装置114将整合数据发送给中心端30,以便中心端30对包含道路异常信息的图像进行展示,并根据整合数据中的位置信息确定发生异常的道路的实际位置等。通信装置114可以是 4G/5G通信装置或者无线通信装置。
可以理解,相关技术中检测端10中的采集装置111将采集到的全量数据传输给中心端30,由中心端30中的中心服务器310进行图像识别,全量数据的持续传输会带来高昂的流量成本,而其中大部分数据是不包含路面异常信息的健康道路图片,造成传输浪费。因此,本公开实施例使用检测端10中的计算装置113来进行图像识别,使计算靠近数据,减少数据传输,缓解中心端压力,控制数据传输成本。
本公开实施例所提供的道路检测方法一般可以由计算装置113执行。相应地,本公开实施例所提供的道路检测装置一般可以设置于计算装置113中。本公开实施例所提供的道路检测方法也可以由不同干计算装置113且能够与计算装置113通信的服务器或服务器集群执行。相应地,本公开实施例所提供的道路检测装置也可以设置于不同于计算装置113且能够与计算装置113通信的服务器或服务器集群中。
图2是根据本公开的一个实施例的道路检测方法的流程图。
如图2所示,该道路检测方法200可以包括操作S210~操作S250。
在操作S210,获取检测设备在行驶过程中采集的道路视频数据。
例如,检测设备可以是检测车、机器人或无人机,检测设备包括采集装置,例如摄像头等。在检测设备在被检测道路上行驶的过程中,使用采集装置对道路进行拍摄,获取道路视频信息。
在操作S220,根据检测设备在行驶过程中的行驶速度,从道路视频数据中抽取多个图像。
例如,从采集到的道路视频数据中抽取图像进行识别,能够避免对全量视频数据进行识别造成的计算压力。为了保证抽取的图像能不间断的覆盖行驶路面,可以根据检测设备在行驶过程中的行驶速度确定帧抽取率,即每秒抽取的图像的数量,根据帧抽取率从道路视频数据中抽取图像,并对抽取出的图像进行识别。
帧抽取率如果按照最高行驶速度进行设置,能够保证抽取的图像覆盖道路最全面,但是持续的高帧抽取率会造成数据积压。因此,可以根据实时行驶速度确定帧抽取率,能够在保证道路异常检出质量的前提下,降低漏检率,并提高检出效率。
在操作S230,针对多个图像中每个图像,识别图像中的道路异常信息。
例如,针对抽取出的每个图像,可以使用经训练的目标检测模型对该图像进行识别,确定该图像中是否包含道路异常信息,并针对包含异常信息的图像,识别出该图像中的道路异常信息。
例如,目标检测模型可以是YOLO(You Only Look Once,指只需要浏览一次就能识别出图像中的物体的类别和位置)系列的模型。
例如,道路异常信息包括道路损坏类别、道路损坏区域的坐标、面积、等级等。道路损坏类别可以包括横向裂纹、纵向裂纹、坑槽、网裂和破损等。
在操作S240,确定多个图像中被识别为包含道路异常信息的至少一个图像作为目标图像。
在操作S250,根据目标图像确定道路检测结果。
例如,可以将被识别出包含道路异常信息的图像作为目标图像,目标图像以及目标图像中的异常信息可以发送给中心端,以便中心端对目标图像进行展示、分析道路检测结果等。道路检测结果可以包括道路损坏的路段位置信息、道路损坏等级、道路损坏潜在的风险等等。
本公开的实施例根据行驶速度从道路视频数据中抽取图像,对抽取出的图像进行识别,将识别出的包含道路异常信息的图像作为目标图像,能够节约算力,并提高检测效率。
图3是根据本公开的另一个实施例的道路检测方法的流程图。
如图3所示,该道路检测方法300可以包括操作S301~操作S306。
在操作S301,获取检测设备在行驶过程中采集的道路视频数据。
在操作S302,根据行驶速度,从道路视频数据中抽取多个图像。
例如,行驶速度是检测设备在被检测道路上行驶的实时车速。本公开实施例将帧抽取率与行驶速度关联,通过获取当前行驶速度动态计算下一时刻的帧抽取率,从而确定下一次抽帧的时机,能够在保证道路异常检出质量的前提下,提高检出效率。
当前时刻(例如T时刻)的行驶速度与下一时刻(T+1时刻)的帧抽取率的关系可以用如下等式(1)表示。
fr=max(v/L,frmin) (1)
fr(fram rate,帧抽取率,单位是fps)为下一时刻的帧抽取率,表示单位时间内(如1s)从视频道路中抽取的图像的数量。v为检测设备当前时刻的行驶速度,L为与当前时刻的图像对应的实际道路长度, frmin为预设的最小帧抽取率。
例如,当前时刻的图像是道路视频数据中的T时刻的图像,该T 时刻的图像中可以包含道路、天空、高楼等,可以截取出仅包含道路的画面,根据画面中沿检测设备行驶方向的路面长度,计算实际路面长度。该实际路面长度即为与当前时刻的图像对应的实际道路长度。为节约算力,可以根据实际经验将与每个图像对应的实际道路长度设置为固定值,如5m。
为防止检测设备的行驶速度降到较低程度(例如检测设备受城市限速规定、红绿灯、路况等因素影响,速度降到0附近)时,长时间不执行抽帧,造成道路漏检,可以设置一个帧抽取率的下限值,即预设的最小帧抽取率,例如,最小帧抽取率可以设置为0.5(fps)。
需要说明的是,本公开实施例的帧抽取率的计算方式不限于上述等式(1)。例如,帧抽取率可以与光线强度和/或检测设备的摄像头拍摄角度满足预设条件。这是由于申请人发现,光线强度、摄像头拍摄角度等都可能会对图像中的道路长度造成影响,为了提高计算精度,可以引入光线强度、摄像头拍摄角度等参数来确定帧抽取率。
在操作S303,识别出包含道路异常信息的图像作为目标图像。
例如,针对抽取出的多个图像中的每一个图像,可以将该图像输入到目标检测模型(例如YOLO模型),确定该图像中是否包含道路异常信息,针对包含异常信息的图像,可以识别出该目标图像中的道路异常信息。将被识别为包含道路异常信息的图像作为目标图像。
例如,道路异常信息包括道路损坏类别、道路损坏区域的坐标、面积等。道路损坏类别可以包括横向裂纹、纵向裂纹、坑槽、网裂和破损等。
在操作S304,获取检测设备在行驶过程中的位置信息。
例如,可以根据定位装置获取检测设备在被检测道路上的实时位置信息。
需要说明的是,操作S301~操作S303与操作S304可以是并行执行的,均是在检测设备在被检测道路上行驶的过程中实时执行的。
在操作S305,将目标图像与位置信息进行关联。
例如,根据目标图像在道路视频数据中的采集时刻,确定在该目标图像的采集时刻,检测设备在被检测道路上的位置信息,作为与该目标图像关联的位置信息。
在操作S306,发送目标图像以及与目标图像关联的位置信息。
例如,将目标图像和与该目标图像关联的位置信息整合在一起,发送给中心端,以便中心端获取被检测道路上发生道路异常的实际位置信息。
图4是根据本公开的一个实施例的识别图像中的道路异常信息的方法的示意图。
如图4所示,图像401为从道路视频数据中抽取出的图像,图像 401输入到目标识别模型410(例如YOLO模型),目标识别模型410 输出图像中的道路异常信息,道路异常信息包括道路损坏类别402和道路损坏区域坐标403。
目标识别模型410包括提取模块411、融合模块412、过滤模块413 以及分类和定位模块414。
提取模块411,用于对输入的图像401进行特征提取,可以提取两方面的特征:一方面提取图像401的细节特征(如图像401的轮廓、边界、图像401中的像素点等),另一方面提取图像401的语义特征(例如图像401中不同对象的类别,不同对象包括道路、天空、高楼等),可以将天空、高楼等对象的特征剔除,仅保留道路特征。
例如,提取模块411可以包括多个卷积模块,每个卷积模块包括多个卷积层。每个卷积层用于对输入图像进行特征抽取和映射,得到输入图像的特征表征。图像401经多个卷积模块(多个卷积层)的处理,得到图像401的特征表征,图像401的特征表征包括表征图像401的轮廓或边界的细节特征以及表征图像401中不同对象类别的语义特征。
融合模块412,用于对提取出的各方面的特征进行融合。
例如,融合模块412可以包括多个卷积模块和上采样模块,卷积模块用于对图像401的细节特征和语义特征进一步进行抽取和高级映射,得到图像401在细节方面的高级特征表征和在语义方面的高级特征表征。上采样模块分别对图像401在细节方面的高级特征表征和在语义方面的高级特征表征进行采样,得到图像401的高级细节特征和高级语义特征。将图像401的高级特征表征和高级语义特征进行拼接,得到图像401的融合特征。过滤模块413,用于对融合后的特征进行过滤、降维等处理,得到目标特征。
例如,过滤模块413可以包括多个卷积模块,用于对图像401的融合特征进行特征维度的转换,如将高维的融合特征转换为低维的目标特征。
分类和定位模块414,用于对目标特征进行分类和坐标标记,得到图像中的道路损坏类别以及道路损坏区域坐标,还可以根据路损坏区域坐标计算道路损坏面积,评估道路损坏等级等。
图5是根据本公开的一个实施例的道路检测装置的框图。
如图5所示,该道路检测装置500包括获取模块501、抽取模块502、识别模块503、第一确定模块504和第二确定模块505。
获取模块501用于获取检测设备在行驶过程中采集的道路视频数据。
抽取模块502用于根据检测设备在行驶过程中的行驶速度,从道路视频数据中抽取多个图像。
识别模块503用于针对多个图像中每个图像,识别图像中的道路异常信息。
第一确定模块504用于确定多个图像中被识别为包含道路异常信息的至少一个图像作为目标图像。
第二确定模块505用于根据目标图像确定道路检测结果。
根据本公开的实施例,道路检测装置500还包括第三确定模块和关联模块。
第三确定模块用于确定至少一个目标图像中的每个目标图像的采集时刻。
关联模块用于针对每个目标图像,确定在该目标图像的采集时刻检测设备在被检测道路上的位置信息,作为与该目标图像相关联的检测设备的位置信息。
根据本公开的实施例,道路检测装置500还包括发送模块。
发送模块用于发送目标图像中的道路异常信息以及与目标图像相关联的检测设备的位置信息。
根据本公开的实施例,抽取模块502包括确定单元和抽取单元。
确定单元用于根据检测设备的行驶速度,确定帧抽取率。
抽取单元用于根据帧抽取率,从道路视频数据中抽取多个图像。
根据本公开的实施例,确定单元包括第一确定子单元、第二确定子单元、第三确定子单元和第四确定子单元。
第一确定子单元用于确定检测设备在当前时刻的行驶速度。
第二确定子单元用于确定道路视频数据中当前时刻的图像。
第三确定子单元用于根据当前时刻的图像中的道路长度,确定与当前时刻的图像对应的实际道路长度。
第四确定子单元用于根据当前时刻的行驶速度、与当前时刻的图像对应的实际道路长度以及预设的最小帧抽取率,确定下一时刻的帧抽取率。
根据本公开的实施例,第四确定子单元用于根据以下等式确定下一时刻的帧抽取率:
fr=max(v/L,frmin)
其中,fr为下一时刻的帧抽取率,v为当前时刻的行驶速度,L为与当前时刻的图像对应的实际道路长度,frmin为预设的最小帧抽取率。
根据本公开的实施例,识别模块503用于将图像输入到目标检测模型,得到图像中的道路异常信息。
根据本公开的实施例,目标图像中的道路异常信息包括:目标图像中道路的损坏类别、损坏区域的坐标以及损坏区域的面积中的至少之一。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出 (I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如道路检测方法。例如,在一些实施例中,道路检测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的道路检测方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行道路检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN) 和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (19)
1.一种道路检测方法,包括:
获取检测设备在行驶过程中采集的道路视频数据;
根据所述检测设备在所述行驶过程中的行驶速度,从所述道路视频数据中抽取多个图像;
针对所述多个图像中每个图像,识别所述图像中的道路异常信息;
确定所述多个图像中被识别为包含道路异常信息的至少一个图像作为目标图像;以及
根据所述目标图像确定道路检测结果。
2.根据权利要求1所述的方法,还包括:
确定所述至少一个目标图像中的每个目标图像的采集时刻;
针对每个目标图像,确定在该目标图像的采集时刻所述检测设备在被检测道路上的位置信息,作为与该目标图像相关联的所述检测设备的位置信息。
3.根据权利要求2所述的方法,还包括:
发送所述目标图像中的道路异常信息以及与所述目标图像相关联的所述检测设备的位置信息。
4.根据权利要求1所述的方法,其中,所述根据所述检测设备在所述行驶过程中的行驶速度,从所述道路视频数据中抽取多个图像包括:
根据所述检测设备的行驶速度,确定帧抽取率;以及
根据所述帧抽取率,从所述道路视频数据中抽取多个图像。
5.根据权利要求4所述的方法,其中,所述根据所述检测设备的行驶速度,确定帧抽取率包括:
确定所述检测设备在当前时刻的行驶速度;
确定所述道路视频数据中当前时刻的图像;
根据所述当前时刻的图像中的道路长度,确定与所述当前时刻的图像对应的实际道路长度;以及
根据所述当前时刻的行驶速度、与所述当前时刻的图像对应的实际道路长度以及预设的最小帧抽取率,确定下一时刻的帧抽取率。
6.根据权利要求5所述的方法,其中,所述确定下一时刻的帧抽取率包括:
根据以下等式确定下一时刻的帧抽取率:
fr=max(v/L,frmin)
其中,fr为所述下一时刻的帧抽取率,v为所述当前时刻的行驶速度,L为与所述当前时刻的图像对应的实际道路长度,frmin为所述预设的最小帧抽取率。
7.根据权利要求1所述的方法,其中,所述识别所述图像中的道路异常信息包括:
将所述图像输入到目标检测模型,得到所述图像中的道路异常信息。
8.根据权利要求1至7中任一项所述的方法,其中,所述目标图像中的道路异常信息包括:所述目标图像中道路的损坏类别、损坏区域的坐标以及损坏区域的面积中的至少之一。
9.一种道路检测装置,包括:
获取模块,用于获取检测设备在行驶过程中采集的道路视频数据;
抽取模块,用于根据所述检测设备在所述行驶过程中的行驶速度,从所述道路视频数据中抽取多个图像;
识别模块,用于针对所述多个图像中每个图像,识别所述图像中的道路异常信息;
第一确定模块,用于确定所述多个图像中被识别为包含道路异常信息的至少一个图像作为目标图像;以及
第二确定模块,用于根据所述目标图像确定道路检测结果。
10.根据权利要求9所述的装置,还包括:
第三确定模块,用于确定所述至少一个目标图像中的每个目标图像的采集时刻;
关联模块,用于针对每个目标图像,确定在该目标图像的采集时刻所述检测设备在被检测道路上的位置信息,作为与该目标图像相关联的所述检测设备的位置信息。
11.根据权利要求10所述的装置,还包括:
发送模块,用于发送所述目标图像中的道路异常信息以及与所述目标图像相关联的所述检测设备的位置信息。
12.根据权利要求9所述的装置,其中,所述抽取模块包括:
确定单元,用于根据所述检测设备的行驶速度,确定帧抽取率;以及
抽取单元,用于根据所述帧抽取率,从所述道路视频数据中抽取多个图像。
13.根据权利要求12所述的装置,其中,所述确定单元包括:
第一确定子单元,用于确定所述检测设备在当前时刻的行驶速度;
第二确定子单元,用于确定所述道路视频数据中当前时刻的图像;
第三确定子单元,用于根据所述当前时刻的图像中的道路长度,确定与所述当前时刻的图像对应的实际道路长度;以及
第四确定子单元,用于根据所述当前时刻的行驶速度、与所述当前时刻的图像对应的实际道路长度以及预设的最小帧抽取率,确定下一时刻的帧抽取率。
14.根据权利要求13所述的装置,其中,所述第四确定子单元用于根据以下等式确定下一时刻的帧抽取率:
fr=max(V/L,frmin)
其中,fr为所述下一时刻的帧抽取率,v为所述当前时刻的行驶速度,L为与所述当前时刻的图像对应的实际道路长度,frmin为所述预设的最小帧抽取率。
15.根据权利要求9所述的装置,其中,所述识别模块用于将所述图像输入到目标检测模型,得到所述图像中的道路异常信息。
16.根据权利要求9至15所述的装置,其中,其中,所述目标图像中的道路异常信息包括:所述目标图像中道路的损坏类别、损坏区域的坐标以及损坏区域的面积中的至少之一。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1至8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111065830.9A CN113780178A (zh) | 2021-09-10 | 2021-09-10 | 道路检测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111065830.9A CN113780178A (zh) | 2021-09-10 | 2021-09-10 | 道路检测方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780178A true CN113780178A (zh) | 2021-12-10 |
Family
ID=78842906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111065830.9A Pending CN113780178A (zh) | 2021-09-10 | 2021-09-10 | 道路检测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780178A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116913077A (zh) * | 2023-06-06 | 2023-10-20 | 速度科技股份有限公司 | 一种基于数据采集的高速公路应急管理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101550673A (zh) * | 2009-04-30 | 2009-10-07 | 武汉理工大学 | 分布式路面破损图像车载采集系统 |
CN102518030A (zh) * | 2011-12-23 | 2012-06-27 | 同济大学 | 改进的沥青路面损坏综合智能检测车 |
CN106682255A (zh) * | 2016-10-18 | 2017-05-17 | 武汉理工大学 | 一种沥青路面结构设计应力响应的跨尺度分析方法 |
CN109255288A (zh) * | 2018-07-23 | 2019-01-22 | 深圳市科思创动科技有限公司 | 一种路面破损检测方法、装置及终端设备 |
-
2021
- 2021-09-10 CN CN202111065830.9A patent/CN113780178A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101550673A (zh) * | 2009-04-30 | 2009-10-07 | 武汉理工大学 | 分布式路面破损图像车载采集系统 |
CN102518030A (zh) * | 2011-12-23 | 2012-06-27 | 同济大学 | 改进的沥青路面损坏综合智能检测车 |
CN106682255A (zh) * | 2016-10-18 | 2017-05-17 | 武汉理工大学 | 一种沥青路面结构设计应力响应的跨尺度分析方法 |
CN109255288A (zh) * | 2018-07-23 | 2019-01-22 | 深圳市科思创动科技有限公司 | 一种路面破损检测方法、装置及终端设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116913077A (zh) * | 2023-06-06 | 2023-10-20 | 速度科技股份有限公司 | 一种基于数据采集的高速公路应急管理系统 |
CN116913077B (zh) * | 2023-06-06 | 2024-03-29 | 速度科技股份有限公司 | 一种基于数据采集的高速公路应急管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113240909A (zh) | 车辆监测方法、设备、云控平台和车路协同系统 | |
CN112863187B (zh) | 感知模型的检测方法、电子设备、路侧设备和云控平台 | |
CN113221878A (zh) | 应用于信号灯检测的检测框调整方法、装置及路侧设备 | |
CN113989777A (zh) | 高精地图限速标牌与车道位置的识别方法、装置和设备 | |
CN113361420A (zh) | 基于机器人的矿井火灾监测方法、装置、设备及存储介质 | |
CN113467875A (zh) | 训练方法、预测方法、装置、电子设备以及自动驾驶车辆 | |
CN115359471A (zh) | 图像处理及联合检测模型训练方法、装置、设备和存储介质 | |
CN115346171A (zh) | 一种输电线路监控方法、装置、设备及存储介质 | |
CN115082813A (zh) | 检测方法、无人机、检测系统及介质 | |
CN113780178A (zh) | 道路检测方法、装置、电子设备和存储介质 | |
CN114445398A (zh) | 采煤机液压支架护帮板状态监测方法及装置 | |
CN114120086A (zh) | 路面病害识别、图像处理模型训练方法、装置及电子设备 | |
CN113052047A (zh) | 交通事件的检测方法、路侧设备、云控平台及系统 | |
CN112784797A (zh) | 目标图像识别方法和装置 | |
CN115953405B (zh) | 一种面向增强现实设备的桥梁裂缝识别方法及装置 | |
CN115908816A (zh) | 基于人工智能的积水识别方法、装置、设备及存储介质 | |
EP4080479A2 (en) | Method for identifying traffic light, device, cloud control platform and vehicle-road coordination system | |
CN114708498A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN115761698A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN112861701A (zh) | 违章停车识别方法、装置、电子设备以及计算机可读介质 | |
CN114677848A (zh) | 感知预警系统、方法、装置及计算机程序产品 | |
CN113807209A (zh) | 车位检测方法、装置、电子设备及存储介质 | |
CN114495049A (zh) | 识别车道线的方法和装置 | |
CN113989300A (zh) | 车道线分割的方法、装置、电子设备和存储介质 | |
CN113838037A (zh) | 一种高空输电线异物检测方法及系统 |
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 |