CN114049294B - 基于三维轮廓的路面技术状况检测方法及设备 - Google Patents

基于三维轮廓的路面技术状况检测方法及设备 Download PDF

Info

Publication number
CN114049294B
CN114049294B CN202111129138.8A CN202111129138A CN114049294B CN 114049294 B CN114049294 B CN 114049294B CN 202111129138 A CN202111129138 A CN 202111129138A CN 114049294 B CN114049294 B CN 114049294B
Authority
CN
China
Prior art keywords
section
data
cross
dimensional
pavement
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
CN202111129138.8A
Other languages
English (en)
Other versions
CN114049294A (zh
Inventor
曹民
林红
王新林
曲旋
王育强
高超
陈琪
邢旭凯
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.)
Wuhan Optical Valley Excellence Technology Co ltd
Original Assignee
Wuhan Optical Valley Excellence Technology Co ltd
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 Wuhan Optical Valley Excellence Technology Co ltd filed Critical Wuhan Optical Valley Excellence Technology Co ltd
Priority to CN202111129138.8A priority Critical patent/CN114049294B/zh
Publication of CN114049294A publication Critical patent/CN114049294A/zh
Priority to CA3228100A priority patent/CA3228100A1/en
Priority to AU2022349296A priority patent/AU2022349296A1/en
Priority to PCT/CN2022/085612 priority patent/WO2023045299A1/zh
Application granted granted Critical
Publication of CN114049294B publication Critical patent/CN114049294B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06T7/12—Edge-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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/10012—Stereo images
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明提供一种基于三维轮廓的路面技术状况检测方法及设备，该方法包括：基于线扫描三维测量传感器获取路面的三维轮廓数据和灰度数据；对所述三维轮廓数据和灰度数据进行预处理；其中，所述预处理包括根据所述三维轮廓数据进行三维建模获取三维建模数据和对所述灰度数据进行校正；提取所述三维建模数据中每个横断面的关键轮廓，根据三维建模数据、所述关键轮廓和校正后的所述灰度数据，对所述路面进行路面技术状况指标检测获取所述路面的技术状况指标。本发明检测出的路面技术状况指标更全面、更精确；同时只用获取路面的线扫描三维数据即可检测出多种指标，降低路面技术状况检测成本，同时便于维护。

Description

基于三维轮廓的路面技术状况检测方法及设备
技术领域
本发明涉及线扫描三维数据处理技术领域，尤其涉及一种基于三维轮廓的路面技术状况检测方法及设备。
背景技术
现有交通基础设施的裂缝及变形类病害主流检测方法均采用二维图像识别技术。传统的基于二维图像的病害检测技术，检测结果依赖于人的主观性。同时，当人工作时间较长时，人眼易出现疲劳，此时误检、漏检率极高，且依赖于人眼检测的方式无法有效的检测物体表面变形，同时浪费了大量的劳动资源。
另外，目前出现了基于二维机器视觉的自动化表面缺陷自动检测技术。该技术通过物体反射回的亮度信息，得到物体表面缺陷的二维轮廓信息，从而实现物体表面的缺陷检测。但此种检测方法无法获取物体缺陷的深度信息。同时，在很多情况下，当无法采用特殊光源获取显著的二维缺陷特征时，缺陷识别变得非常困难、识别结果与人眼识别效果差距巨大，还需要进一步研究以满足生产检查的要求。另外，现有路面技术状况方法，对不同的检测指标采用不同的传感器进行数据采集，导致路面技术状况检测装备成本高、系统维护困难等问题。
发明内容
本发明提供一种基于三维轮廓的路面技术状况检测方法及设备，用以解决现有技术中路面技术状况检测结果不精确、不全面，检测成本高，维护困难的缺陷，实现使用精密的三维轮廓对路面技术状况的多种指标进行精确检测，降低检测成本，便于维护。
本发明提供一种基于三维轮廓的路面技术状况检测方法，包括：
基于线扫描三维测量传感器获取路面的三维轮廓数据和灰度数据；
对所述三维轮廓数据和灰度数据进行预处理；其中，所述预处理包括根据所述三维轮廓数据进行三维建模获取三维建模数据和对所述灰度数据进行校正；
提取所述三维建模数据中每个横断面的关键轮廓，根据所述三维建模数据、所述关键轮廓和校正后的所述灰度数据，对所述路面进行路面技术状况指标检测获取所述路面的技术状况指标；
其中，所述路面技术状况指标检测包括所述路面的微观变形类病害目标检测、宏观变形类病害目标检测、纹理类指标检测、基于深度与灰度信息融合的目标检测，以及平整度检测。
根据本发明提供的一种基于三维轮廓的路面技术状况检测设备，包括数据采集平台、供电单元、控制单元、指标测量单元、数据采集单元、数据处理单元和异常预警单元；
其中，所述数据采集单元为ARM模块，用于基于线扫描三维测量传感器获取路面的三维轮廓数据和灰度数据；
所述数据处理单元为FPGA模块，用于对所述三维轮廓数据和灰度数据进行预处理；其中，所述预处理包括根据所述三维轮廓数据进行三维建模获取三维建模数据和对所述灰度数据进行校正；提取所述三维建模数据中每个横断面的关键轮廓；
所述数据采集平台包括车辆和线扫描三维测量传感器，所述线扫描三维测量传感器安装在所述车辆的车身外部；
所述指标测量单元用于根据所述三维建模数据、关键轮廓和校正后的所述灰度数据，对所述路面进行路面技术状况指标检测获取所述路面的技术状况指标；其中，所述路面技术状况指标检测包括所述路面的微观变形类病害目标检测、宏观变形类病害目标检测、纹理类指标检测、基于深度与灰度信息融合的目标检测，以及平整度检测；
所述供电单元用于为所述线扫描三维测量传感器和所述指标测量单元进行供电；
所述控制单元用于对所述线扫描三维测量传感器、所述指标测量单元和所述供电单元进行控制。
本发明提供的基于三维轮廓的路面技术状况检测方法及设备，通过根据路面的线扫描三维数据获取路面的关键轮廓，即主轮廓和标准轮廓，再基于关键轮廓、三维建模数据，通过路面技术状况指标检测方法，实现路面技术状况指标检测，检测出的路面技术状况指标更全面、更精确；同时只用获取路面的线扫描三维数据即可检测出多种指标，降低路面技术状况检测成本，同时便于维护。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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。
图1是本发明提供的基于三维轮廓的路面技术状况检测方法的流程示意图；
图2是本发明提供的基于三维轮廓的路面技术状况检测方法中基于深度与灰度信息融合的目标检测结果示意图；
图3是本发明提供的基于三维轮廓的路面技术状况检测方法中路面微小变形类病害目标检测结果示意图；
图4是本发明提供的基于三维轮廓的路面技术状况检测方法中宏观变形类病害目标检测结果示意图。
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，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1描述本发明的一种基于三维轮廓的路面技术状况检测方法，包括：步骤101，基于线扫描三维测量传感器获取路面的三维轮廓数据和灰度数据；
可选地，使用线扫描三维测量传感器获取路面的三维轮廓数据和灰度数据。线扫描三维测量传感器包括三维相机、激光器、控制器和IMU(Inertial Measurement Unit，惯性测量单元)姿态测量传感器组成。
其中，三维相机利用三角测量原理，获取激光线所对应道路表面的高程，激光器沿道路幅宽方向投射激光线。线扫描三维测量传感器单次测量可获取道路的横断面高程数据。
线扫描三维测量传感器在横断面方向的采样间距为1mm，在行车方向的采样间距为3mm，在高程方向的测量量程大于300mm，测量幅宽为3800mm。
使用多套线扫描三维测量传感器获取路面的线扫描三维数据，如两套。
步骤102，对所述三维轮廓数据和灰度数据进行预处理；其中，所述预处理包括根据所述三维轮廓数据进行三维建模获取三维建模数据和对所述灰度数据进行校正；
本实施例中的路面技术状况指标检测方法包括路面精细化三维建模、断面关键轮廓获取和路面技术状况指标检测三部分。本实施例不限于预处理的具体步骤。
步骤103，提取所述三维建模数据中每个横断面的关键轮廓，根据所述三维建模数据、所述关键轮廓和校正后的所述灰度数据，对所述路面进行路面技术状况指标检测获取所述路面的技术状况指标；
其中，所述路面技术状况指标检测包括所述路面的微观变形类病害目标检测、宏观变形类病害目标检测、纹理类指标检测、基于深度与灰度信息融合的目标检测，以及平整度检测。
横断面的关键轮廓获取包括通过信号分离技术获取每个横断面的主轮廓和标准轮廓。其中，横断面的主轮廓包括除去路面纹理后的路表轮廓，它反映了路面轮廓的主要趋势，同时包含了较大的局部变形区域，如路面车辙、坑槽、拥包和沉陷的轮廓走势。
横断面的标准轮廓包括除去路表纹理和病害情况下的路面轮廓，它反映了无病害情况下路表轮廓的主要趋势。
根据获取的三维建模数据、路面横断面的关键轮廓和校正后的灰度数据，基于路面技术状况指标检测方法，获取路面技术状况指标，如路面磨耗率、破损率、国际平整度指数。
本实施例通过对三维轮廓数据和灰度数据进行预处理获取三维建模数据和校正后的灰度数据，根据路面的三维建模数据获取路面的关键轮廓，再基于三维建模数据、关键轮廓，以及灰度数据，通过路面技术状况指标检测方法，实现路面技术状况指标检测，检测出的路面技术状况指标更全面、更精确；同时只用获取路面的线扫描三维数据即可检测出多种指标，降低路面技术状况检测成本，同时便于维护。
在上述实施例的基础上，本实施例中所述关键轮廓包括主轮廓和标准轮廓；相应地，所述提取所述三维建模数据中每个横断面的关键轮廓，包括：对每个横断面的高程数据进行滤波，获取每个横断面的参考断面轮廓；
横断面的主轮廓获取步骤包括参考断面轮廓获取、异常点处理和主轮廓获取。
其中，参考断面轮廓获取包括利用中值滤波、低通滤波或傅里叶变换，初步获取横断面中去除局部缺陷和较大深度纹理的参考断面轮廓。
根据每个横断面与每个横断面的参考断面轮廓之间对应测点的高程数据之间的绝对距离，获取每个横断面中的异常点；
异常点处理包括计算横断面上的每个点与参考断面轮廓上对应测点的高层数据的绝对距离，并根据该绝对距离判别异常点。
可选地，按照绝对距离从小到大的顺序对横断面上的各点进行排序，选取横断面上按预设比例的点作为横断面的主轮廓上的点，将未选取的点作为异常点。预设比例位于60％至99％之间。
对每个横断面中各异常点的高程数据使用每个横断面的参考断面轮廓中对应测点的高程数据进行替换，对替换后的每个横断面的高程数据进行滤波，获取每个横断面的主轮廓；
使用异常点对应参考断面轮廓上点的高程数据替换异常点的高程数据。
主轮廓获取包括对异常点处理后的高程数据进行均值滤波，进而得到每个横断面的主轮廓。
基于PCA(Principal Component Analysis，主成分分析)算法对每个横断面的高程数据进行抽稀，基于角点检测法从抽稀后的每个横断面中提取关键点；
标准轮廓的获取步骤包括断面轮廓抽象表达、断面自适应分段、断面模型匹配和标准轮廓提取。
其中，断面轮廓抽象表达包括先采用PCA算法对每个横断面的高程数据进行抽稀，再利用角点检测法提取抽稀后的横断面上高程数据的曲率大于阈值的点作为关键点。
根据每个横断面中的关键点将每个横断面划分成多个子段，计算每个横断面的各子段与每个横断面中除各子段以外的其他子段之间特征的相似度；
断面自适应分段包括以每个横断面中的关键点为分割点，对每个横断面进行自适应分段。
可选地，子段的特征包括方向、高程、纹理和位置中的一种或多种。
根据每个横断面的各子段对应的相似度，从每个横断面的子段中选择所述相似度大于预设阈值的子段进行拟合，获取每个横断面的标准轮廓。
断面模型匹配包括计算每个横断面的各子段与其他子段的特征之间的相似度。将每个子段对于每种特征的相似度乘以相应的权重后相加，获取每个子段对应的最终权重。其中，对方向特征对应的权重赋予较高的权重。
标准轮廓提取包括从每个横断面中选择最终相似度大于预设阈值的子段作为可靠子段。根据选择的可靠子段中的点作为标准轮廓中的点，对横断面中的非可靠子段可通过对可靠子段进行拟合得到，将拟合得到的非可靠子段的点作为标准轮廓中的点。
在上述实施例的基础上，本实施例中所述纹理类指标检测包括：将每个横断面与每个横断面的主轮廓之间对应测点的高程数据作差，获取每个横断上测点的偏差值；
路面纹理类指标检测的步骤包括测点偏差获取、计算单元划分和路面纹理类指标计算。
其中，测点偏差获取包括将每个横断面的高程数据与每个横断面的主轮廓的高程数据作差，得到横断面上每个测点的偏差值。
沿着所述线扫描三维测量传感器所在车辆的行车方向，将所述三维建模数据按预设长度范围划分多个纹理计算单元；将每个纹理计算单元按照预设宽度范围划分为所述车辆的左轮迹带、右轮迹带和车道的中线位置分别对应的纵断面集合；根据每个纵断面集合中各纵断面的SMTD值或MPD值，计算每个纵断面集合的SMTD平均值或MPD平均值；
计算单元划分包括沿车辆的行车方向将三维建模数据划分成多个纹理计算单元；将每个纹理计算单元按照预设宽度范围划分为左轮迹带、右车轮迹带和车道；选取左轮迹带、右车轮迹带和车道的中线位置分别对应的纵断面集合；按SMTD(Sensor MeasuredTexture Depth，传感器测量构造深度)或MPD(Mean Profile Depth)(平均断面深度)计算每个纵断面集合的SMTD平均值或MPD平均值。
根据每个纵断面集合的SMTD平均值或MPD平均值，计算每个纵断面集合的路面磨耗率；将每个纵断面集合的SMTD平均值或MPD平均值，以及路面磨耗率作为所述路面的纹理类指标。
对于路面纹理类指标进行计算，路面纹理类指标包含SMTD、MPD和路面磨耗中的一种或多种。对各计算单元先依据SMTD或MPD的定义，计算左轮迹带的SMTDL、右车轮迹带的SMTDR和车道的SMTDC，或者左轮迹带的MPDL、右车轮迹带的MPDR和车道的MPDC；再根据左轮迹带的SMTDL、右车轮迹带的SMTDR和车道的SMTDC，或者左轮迹带的MPDL、右车轮迹带的MPDR和车道的MPDC，计算路面磨耗率WR。
在上述实施例的基础上，本实施例中通过以下公式根据每个纵断面集合的SMTD平均值或MPD平均值，计算每个纵断面集合的路面磨耗率：
Figure BDA0003279850970000081
Figure BDA0003279850970000082
其中，WR1和WR2为每个纵断面集合的路面磨耗率，SMTDC为所述车道的中线位置对应的纵断面集合的SMTD平均值，SMTDL为所述左轮迹带的中心位置对应的纵断面集合的SMTD平均值，SMTDR为所述右轮迹带的中心位置对应的纵断面集合的SMTD平均值，MPDC为所述车道的中线位置对应的纵断面集合的MPD平均值，MPDL为所述左轮迹带的中线位置对应的纵断面集合的MPD平均值，MPDR为所述右轮迹带的中线位置对应的纵断面集合的MPD平均值。
在上述实施例的基础上，本实施例中所述基于深度与灰度信息融合的目标检测包括：根据校正后的所述灰度数据，确定所述路面中的目标初定位区域；其中，所述目标初定位区域包括路面标线、路面减速带、路面伸缩缝和路面修补目标的初定位区域；
基于深度与灰度信息融合的目标检测，以路面标线、路面减速带、路面伸缩缝和路面修补为典型代表。基于深度与灰度信息融合的目标检测过程包含目标区域初定位、目标区域确认、目标几何尺寸测量、目标区域分类、目标磨损检测。
其中，目标区域初定位包括利用目标的灰度通常低于或高于路面背景灰度，采用路面的线扫描三维数据中包含各点的高程和灰度信息；基于灰度信息实现路面标线、路面减速带、路面伸缩缝和路面修补目标的初定位。
根据所述目标初定位区域中所有点的高程数据的纹理分布和边缘特征，确定所述目标初定位区域中的目标区域；
目标区域确认包括利用目标初定位区域的高程纹理分布和高程边缘特征，确认目标区域。
基于形态学对所述目标区域进行处理，获取处理后的所述目标区域的几何尺寸；
目标几何尺寸测量包括先利用形态学处理对整个目标区域进行平滑和填充等操作，获取较为完整的目标位置信息；然后结合目标区域内的高程分布信息，获取目标的长度、宽度和高程信息。
根据所述目标区域的灰度数据、高程数据的纹理分布和几何尺寸，对所述目标区域进行分类，获取所述目标区域的类型；
目标区域分类包括利用目标区域的灰度分布、纹理分布，以及几何尺寸信息，对目标区域进行分类，获取目标类型。
根据所述目标区域的高程数据，基于所述目标区域的类型对应的计算模型计算所述目标区域的磨损程度。
目标磨损检测包括结合目标类型的标准模型与目标区域内的高程分布信息，计算目标的磨损程度。
如图2所示，图2(a)为路面的灰度图像，图2(b)为路面中的标线检测结果，图2(c)为路面中的修补检测结果。
在上述各实施例的基础上，本实施例中所述根据所述三维轮廓数据进行三维建模获取三维建模数据，包括：将所述三维轮廓数据从像方高程数据转换为物方高程数据；对所述物方高程数据进行测量姿态校正；对测量姿态校正后的所述物方高程数据中的异常测点进行处理；将异常测点处理后的物方高程数据中的横断面数据沿着所述线扫描三维测量传感器所在车辆的行车方向进行拼接，获取所述三维建模数据。
路面精细化三维建模包括像方转物方、测量姿态补偿、异常数据处理和断面拼接。
其中，像方转物方包括使用标定文件将线扫描三维数据从像方高程转换到物方高程的转换。
测量姿态补偿包括根据线扫描三维测量传感器的安装参数和姿态信息对物方高程数据进行矫正。
异常数据处理包括对处姿态矫正后的物方高程数据中的异常测点和局部突变点进行处理。
断面拼接包括将异常数据处理后的横断面数据沿行车方向拼接为三维路面建模数据。另外，当使用多套线扫描三维测量传感器对路面进行数据采集时，在沿行车方向拼接前，还包括横向断面数据的拼接。
在上述各实施例的基础上，本实施例中所述微观变形类病害目标检测包括：将每个横断面与每个横断面的主轮廓之间对应测点的高程数据的差值作为局部差异值；
路面微观变形类病害目标以路面裂缝为典型代表。路面微观变形类病害目标检测包括局部差异获取、断面纹理分布获取、疑似目标点分割、疑似目标分块、基于子块的疑似目标分类、疑似目标子块生长和目标生长还原。
其中，局部差异获取包括通过将精细化三维建模后获取的横断面上点的高程数据与对应主轮廓上点的高程数据作差得到局部差异值。
计算以每个横断面中各点为中心的预设范围内的平均局部差异值，根据各点对应的平均局部差异值，获取各点对应的阈值；
断面纹理分布获取包括以横断面上的各点为中心，计算预设范围即长度L范围内各点对应的平均局部差异值
Figure BDA0003279850970000111
可选地，各点对应的阈值Ti为
Figure BDA0003279850970000112
若各点对应的局部差异值大于各点对应的阈值，则将各点作为疑似目标点；
疑似目标点分割包括利用疑似目标点相对主轮廓为局部突变异常点的特征，并结合断面纹理分布，将局部差值大于阈值Ti的点标记为疑似目标点，得到疑似目标二值图。
根据所述线扫描三维数据的所有横断面中的疑似目标点构建疑似目标二值图，并对所述疑似目标二值图进行分块，获取多个疑似目标子块；
疑似目标分块包括将疑似目标二值图划分为m*n大小的疑似目标子块。
基于深度学习模型对每个疑似目标子块进行分类，获取包含目标的疑似目标子块，并对每个包含目标的疑似目标子块进行生长，获取裂缝形态子块；
基于子块的疑似目标分类包括采用深度学习模型将疑似目标子块分为含目标的子块和不含目标的子块。
疑似目标子块生长包括引入置信准则评估每个含目标的子块的可靠性，并对其进行生长，得到裂缝形态子块集。
根据所有裂缝形态子块，获取所述路面中的微观变形类病害目标。
可选地，对所有裂缝形态子块进行融合，得到路面中的微小变形类目标裂缝。根据裂缝的几何特征得到路面的技术状况指标。图3(a)为三维路面建模深度数据转换的灰度图，图3(b)为裂缝检测结果。
在上述各实施例的基础上，本实施例中所述宏观变形类病害目标检测包括：计算每个横断面的标准轮廓和主轮廓之间对应测点的高程数据的差值，若各点对应的高程数据的差值的绝对值大于各点对应的所述阈值，则将各点作为变形特征点；
宏观变形类病害目标以路面坑槽、拥包、沉陷、车辙为典型代表，检测步骤包括，宏观差异获取、变形特征点获取、核心变形区域检测、变形区域边界确认、变形区域几何参数获取、变形区域分类。
其中，宏观差异获取包括通过将标准轮廓与主轮廓作差得到宏观差异值。变形特征点获取包括将横断面上宏观差异值的绝对值大于相应阈值的点标记为变形特征点。
对所述线扫描三维数据的所有横断面中的变形特征点构建的变形特征图像，以构成连通区域的变形特征点为基本单元进行生长和去燥，获取所述变形特征图像中的变形区域；
核心变形区域检测包括以组成连通域的变形特征点为基本单元，利用变形区域的聚集性、连续性和几何尺寸特征，进行区域的生长与去噪，得到核心变形区域。
根据所述变形区域中各点对应的高程数据的差值或所述高程数据的差值的边缘特征，确定所述变形区域的边界，根据所述边界确认变形区域。
变形区域边界确认包括对具备明显边缘特征的变形区域，利用宏观差异值数据中的边缘特征确定变形区域边界；对不具备明显边缘特征的缓慢变形区域，利用宏观差异值的大小确定变形区域边界。
变形区域几何参数获取包括以变形区域边界确认后的连通区域为基本单位，计算连通区域的宽度、长度、面积、平均偏离程度、几何形态等参数。
其中，平均偏离程度包括当前连通区域中疑似病害点偏离标准轮廓的平均偏离程度。几何形态包括方向和形状。
变形区域分类包括通过目标模型匹配方法或深度学习方法，对变形区域进行分类。其中，分类的类别标签包括路面坑槽、拥包、沉陷、车辙和复杂变形。图4(a)为三维路面建模深度数据转换的灰度图，图4(b)为坑槽检测结果。
在上述各实施例的基础上，本实施例还包括：根据三维建模数据中的纵截面，基于国际平整度指数计算公式计算所述路面的平整度。
平整度检测包括基于三维路面建模数据，结合计算平整度需要的纵向轮廓位置，提取用于平整度计算的纵向轮廓；再根据国际平整度指数(Internationnal RoughnessIndex，IRI)计算公式计算平整度指标。
下面对本发明提供的基于三维轮廓的路面技术状况检测设备进行描述，下文描述的基于三维轮廓的路面技术状况检测设备与上文描述的基于三维轮廓的路面技术状况检测方法可相互对应参照。
该设备包括数据采集平台、供电单元、控制单元、指标测量单元、数据采集单元、数据处理单元和异常预警单元；
其中，所述数据采集单元为ARM(Advanced RISC Machines，精简指令集计算机)模块，用于基于线扫描三维测量传感器获取路面的三维轮廓数据和灰度数据；
所述数据处理单元为FPGA模块，用于对所述三维轮廓数据和灰度数据进行预处理；其中，所述预处理包括根据所述三维轮廓数据进行三维建模获取三维建模数据和对所述灰度数据进行校正；提取所述三维建模数据中每个横断面的关键轮廓；
所述数据采集平台包括车辆和线扫描三维测量传感器，所述线扫描三维测量传感器安装在所述车辆的车身外部；
可选地，采用中小型客车、中小型货车或运动型多用途汽车(Sport UtilityVehicle，SUV)为数据采集平台。测量传感器通过结构件安装在车身外部的不同位置。
当有多套测量传感器时，在车轮上安装光电编码器提供运行里程信息，与GNSS(Global Navigation Satellite System，全球导航卫星系统)的定位数据融合输入同步控制器产生时间和空间基准，为多套测量传感器的测量数据提供数据融合条件。
所述指标测量单元用于三维建模数据、关键轮廓和校正后的所述灰度数据，对所述路面进行路面技术状况指标检测获取所述路面的技术状况指标；其中，所述路面技术状况指标检测包括所述路面的微观变形类病害目标检测、宏观变形类病害目标检测、纹理类指标检测、基于深度与灰度信息融合的目标检测，以及平整度检测；
指标测量单元通过线扫描三维测量传感器实现高精度道面三维轮廓数据获取，利用姿态测量传感器获取载车测量姿态，基于三维路面轮廓数据和测量姿态实现路面三维建模，基于路面三维模型，实现路面技术状况指标集成检测。
所述供电单元用于为所述线扫描三维测量传感器和所述指标测量单元进行供电；
供电单元采用综合电源为整个检测设备提供可靠稳定的电能。综合电源接受市电供电、发电机供电和电池供电中的一种或多种。综合电源的输出分为直流部分和交流部分，分别输出到对应的分线盒给不同设备供电。
综合电源监测整个电力系统的运行状况，将相关参数发送给控制器，在供电单元出现异常时切断供电线路并报警，同时完成电能的选择、转化和分配。
所述控制单元用于对所述线扫描三维测量传感器、所述指标测量单元和所述供电单元进行控制。
控制单元主要包括设备控制、供电控制和采集控制三部分。设备控制和供电控制为硬件级控制，由同步控制器进行统一控制。采集控制为软件控制，设备启动后，所有设备都处于采集状态，只需要控制命令控制采集的数据是否保存。
所有控制设备都安装在车内工作台，硬件级的控制采用按钮方式实现，软件级的控制使用计算机安装的主控软件收发控制指令。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于三维轮廓的路面技术状况检测方法，其特征在于，包括：
基于线扫描三维测量传感器获取路面的三维轮廓数据和灰度数据；
对所述三维轮廓数据和灰度数据进行预处理；其中，所述预处理包括根据所述三维轮廓数据进行三维建模获取三维建模数据和对所述灰度数据进行校正；所述根据所述三维轮廓数据进行三维建模获取三维建模数据包括：将所述三维轮廓数据从像方高程数据转换为物方高程数据；对所述物方高程数据进行测量姿态校正；对测量姿态校正后的所述物方高程数据中的异常测点进行处理；将异常测点处理后的物方高程数据中的横断面数据沿着所述线扫描三维测量传感器所在车辆的行车方向进行拼接，获取所述三维建模数据；
提取所述三维建模数据中每个横断面的关键轮廓；其中，所述关键轮廓包括主轮廓和标准轮廓；所述提取所述三维建模数据中每个横断面的关键轮廓包括：对每个横断面的高程数据进行滤波，获取每个横断面的参考断面轮廓；根据每个横断面与每个横断面的参考断面轮廓之间对应测点的高程数据之间的绝对距离，获取每个横断面中的异常点；对每个横断面中各异常点的高程数据使用每个横断面的参考断面轮廓中对应测点的高程数据进行替换，对替换后的每个横断面的高程数据进行滤波，获取每个横断面的主轮廓；基于PCA算法对每个横断面的高程数据进行抽稀，基于角点检测法从抽稀后的每个横断面中提取关键点；根据每个横断面中的关键点将每个横断面划分成多个子段，计算每个横断面的各子段与每个横断面中除各子段以外的其他子段之间特征的相似度；根据每个横断面的各子段对应的相似度，从每个横断面的子段中选择所述相似度大于预设阈值的子段进行拟合，获取每个横断面的标准轮廓；
根据所述三维建模数据、所述关键轮廓和校正后的所述灰度数据，对所述路面进行路面技术状况指标检测获取所述路面的技术状况指标；其中，所述路面技术状况指标检测包括所述路面的微观变形类病害目标检测、宏观变形类病害目标检测、纹理类指标检测、基于深度与灰度信息融合的目标检测，以及平整度检测；
路面技术状况指标检测方法包括路面精细化三维建模、断面关键轮廓获取和路面技术状况指标检测三部分；其中，所述断面关键轮廓获取包括通过信号分离技术获取每个横断面的主轮廓和标准轮廓。
2.根据权利要求1所述的基于三维轮廓的路面技术状况检测方法，其特征在于，所述纹理类指标检测包括：
将每个横断面与每个横断面的主轮廓之间对应测点的高程数据作差，获取每个横断上测点的偏差值；
沿着所述线扫描三维测量传感器所在车辆的行车方向，将所述三维建模数据按预设长度范围划分多个纹理计算单元；
将每个纹理计算单元按照预设宽度范围划分为所述车辆的左轮迹带、右轮迹带和车道的中线位置分别对应的纵断面集合；
根据每个纵断面集合中各纵断面的SMTD值或MPD值，计算每个纵断面集合的SMTD平均值或MPD平均值；
根据每个纵断面集合的SMTD平均值或MPD平均值，计算每个纵断面集合的路面磨耗率；
将每个纵断面集合的SMTD平均值或MPD平均值，以及路面磨耗率作为所述路面的纹理类指标。
3.根据权利要求2所述的基于三维轮廓的路面技术状况检测方法，其特征在于，通过以下公式根据每个纵断面集合的SMTD平均值或MPD平均值，计算每个纵断面集合的路面磨耗率：
Figure FDA0004010489190000031
Figure FDA0004010489190000032
其中，WR1和WR2为每个纵断面集合的路面磨耗率，SMTDC为所述车道的中线位置对应的纵断面集合的SMTD平均值，SMTDL为所述左轮迹带的中心位置对应的纵断面集合的SMTD平均值，SMTDR为所述右轮迹带的中心位置对应的纵断面集合的SMTD平均值，MPDC为所述车道的中线位置对应的纵断面集合的MPD平均值，MPDL为所述左轮迹带的中线位置对应的纵断面集合的MPD平均值，MPDR为所述右轮迹带的中线位置对应的纵断面集合的MPD平均值。
4.根据权利要求1所述的基于三维轮廓的路面技术状况检测方法，其特征在于，所述基于深度与灰度信息融合的目标检测包括：
根据校正后的所述灰度数据，确定所述路面中的目标初定位区域；其中，所述目标初定位区域包括路面标线、路面减速带、路面伸缩缝和路面修补目标的初定位区域；
根据所述目标初定位区域中所有点的高程数据的纹理分布和边缘特征，确定所述目标初定位区域中的目标区域；
基于形态学对所述目标区域进行处理，获取处理后的所述目标区域的几何尺寸；
根据所述目标区域的灰度数据、高程数据的纹理分布和几何尺寸，对所述目标区域进行分类，获取所述目标区域的类型；
根据所述目标区域的高程数据，基于所述目标区域的类型对应的计算模型计算所述目标区域的磨损程度。
5.根据权利要求1-4任一所述的基于三维轮廓的路面技术状况检测方法，其特征在于，所述微观变形类病害目标检测包括：
将每个横断面与每个横断面的主轮廓之间对应测点的高程数据的差值作为局部差异值；
计算以每个横断面中各点为中心的预设范围内的平均局部差异值，根据各点对应的平均局部差异值，获取各点对应的阈值；
若各点对应的局部差异值大于各点对应的阈值，则将各点作为疑似目标点；
根据所述三维建模数据的所有横断面中的疑似目标点构建疑似目标二值图，并对所述疑似目标二值图进行分块，获取多个疑似目标子块；
基于深度学习模型对每个疑似目标子块进行分类，获取包含目标的疑似目标子块，并对每个包含目标的疑似目标子块进行生长，获取裂缝形态子块；
根据所有裂缝形态子块，获取所述路面中的微观变形类病害目标。
6.根据权利要求5所述的基于三维轮廓的路面技术状况检测方法，其特征在于，所述宏观变形类病害目标检测包括：
计算每个横断面的标准轮廓和主轮廓之间对应测点的高程数据的差值，若各点对应的高程数据的差值的绝对值大于各点对应的所述阈值，则将各点作为变形特征点；
对所述三维建模数据的所有横断面中的变形特征点构建的变形特征图像，以构成连通区域的变形特征点为基本单元进行生长和去燥，获取所述变形特征图像中的变形区域；
根据所述变形区域中各点对应的高程数据的差值或所述高程数据的差值的边缘特征，确定所述变形区域的边界，将所述边界确认后的变形区域作为所述路面的宏观变形类病害目标。
7.根据权利要求1-4任一所述的基于三维轮廓的路面技术状况检测方法，其特征在于，还包括：
根据所述三维建模数据中的纵截面，基于国际平整度指数计算公式计算所述路面的平整度。
8.一种基于三维轮廓的路面技术状况检测设备，其特征在于，包括数据采集平台、供电单元、控制单元、指标测量单元、数据采集单元、数据处理单元和异常预警单元；
其中，所述数据采集单元为ARM模块，用于基于线扫描三维测量传感器获取路面的三维轮廓数据和灰度数据；
所述数据处理单元为FPGA模块，用于对所述三维轮廓数据和灰度数据进行预处理；其中，所述预处理包括根据所述三维轮廓数据进行三维建模获取三维建模数据和对所述灰度数据进行校正；所述根据所述三维轮廓数据进行三维建模获取三维建模数据包括：将所述三维轮廓数据从像方高程数据转换为物方高程数据；对所述物方高程数据进行测量姿态校正；对测量姿态校正后的所述物方高程数据中的异常测点进行处理；将异常测点处理后的物方高程数据中的横断面数据沿着所述线扫描三维测量传感器所在车辆的行车方向进行拼接，获取所述三维建模数据；
提取所述三维建模数据中每个横断面的关键轮廓；其中，所述关键轮廓包括主轮廓和标准轮廓；所述提取所述三维建模数据中每个横断面的关键轮廓包括：对每个横断面的高程数据进行滤波，获取每个横断面的参考断面轮廓；根据每个横断面与每个横断面的参考断面轮廓之间对应测点的高程数据之间的绝对距离，获取每个横断面中的异常点；对每个横断面中各异常点的高程数据使用每个横断面的参考断面轮廓中对应测点的高程数据进行替换，对替换后的每个横断面的高程数据进行滤波，获取每个横断面的主轮廓；基于PCA算法对每个横断面的高程数据进行抽稀，基于角点检测法从抽稀后的每个横断面中提取关键点；根据每个横断面中的关键点将每个横断面划分成多个子段，计算每个横断面的各子段与每个横断面中除各子段以外的其他子段之间特征的相似度；根据每个横断面的各子段对应的相似度，从每个横断面的子段中选择所述相似度大于预设阈值的子段进行拟合，获取每个横断面的标准轮廓；
所述数据采集平台包括车辆和线扫描三维测量传感器，所述线扫描三维测量传感器安装在所述车辆的车身外部；
所述指标测量单元用于根据所述三维建模数据、关键轮廓和校正后的所述灰度数据，对所述路面进行路面技术状况指标检测获取所述路面的技术状况指标；其中，所述路面技术状况指标检测包括所述路面的微观变形类病害目标检测、宏观变形类病害目标检测、纹理类指标检测、基于深度与灰度信息融合的目标检测，以及平整度检测；
路面技术状况指标检测方法包括路面精细化三维建模、断面关键轮廓获取和路面技术状况指标检测三部分；其中，所述断面关键轮廓获取包括通过信号分离技术获取每个横断面的主轮廓和标准轮廓；
所述供电单元用于为所述线扫描三维测量传感器和所述指标测量单元进行供电；
所述控制单元用于对所述线扫描三维测量传感器、所述指标测量单元和所述供电单元进行控制。
CN202111129138.8A 2021-09-26 2021-09-26 基于三维轮廓的路面技术状况检测方法及设备 Active CN114049294B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202111129138.8A CN114049294B (zh) 2021-09-26 2021-09-26 基于三维轮廓的路面技术状况检测方法及设备
CA3228100A CA3228100A1 (en) 2021-09-26 2022-04-07 Road surface technical condition detection method and device based on three-dimensional contour
AU2022349296A AU2022349296A1 (en) 2021-09-26 2022-04-07 Road surface technical condition detection method and device based on three-dimensional contour
PCT/CN2022/085612 WO2023045299A1 (zh) 2021-09-26 2022-04-07 基于三维轮廓的路面技术状况检测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111129138.8A CN114049294B (zh) 2021-09-26 2021-09-26 基于三维轮廓的路面技术状况检测方法及设备

Publications (2)

Publication Number Publication Date
CN114049294A CN114049294A (zh) 2022-02-15
CN114049294B true CN114049294B (zh) 2023-04-25

Family

ID=80204832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111129138.8A Active CN114049294B (zh) 2021-09-26 2021-09-26 基于三维轮廓的路面技术状况检测方法及设备

Country Status (4)

Country Link
CN (1) CN114049294B (zh)
AU (1) AU2022349296A1 (zh)
CA (1) CA3228100A1 (zh)
WO (1) WO2023045299A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114049294B (zh) * 2021-09-26 2023-04-25 武汉光谷卓越科技股份有限公司 基于三维轮廓的路面技术状况检测方法及设备
KR20230057000A (ko) * 2021-10-21 2023-04-28 현대모비스 주식회사 노면 정보 추정 장치 및 그 방법
CN114910046B (zh) * 2022-04-26 2023-09-26 同济大学 一种基于双向线结构光的路面三维检测系统及其方法
CN115217018B (zh) * 2022-07-11 2024-07-12 武汉光谷卓越科技股份有限公司 基于滚动载荷作用下变形速度的弯沉盆检测方法及装置
CN116052105A (zh) * 2023-02-09 2023-05-02 中咨数据有限公司 路面裂缝识别分类及面积计算方法、系统、设备及终端
CN116958222A (zh) * 2023-06-01 2023-10-27 重庆交通大学 路面纹理表征方法、装置、存储介质和程序产品
CN117152187B (zh) * 2023-10-30 2024-01-26 山东中科冶金矿山机械有限公司 一种地质测绘中裂缝轮廓提取方法
CN117237368B (zh) * 2023-11-16 2024-01-26 临沂市公路事业发展中心兰陵县中心 一种桥梁裂缝检测方法及系统
CN117758581B (zh) * 2023-12-29 2024-08-06 中铁北京工程局集团有限公司 一种基于高程测量的装配式道面板的高程控制方法
CN117787918B (zh) * 2024-01-08 2024-06-04 济宁雷润信息科技发展有限公司 一种基于物联网的建筑工程施工安全管理平台
CN117593294B (zh) * 2024-01-18 2024-04-09 中化学西部新材料有限公司 基于图像特征分析的离心风机风叶裂纹视觉检测方法
CN117824505B (zh) * 2024-03-05 2024-05-07 四川京炜交通工程技术有限公司 一种公路护栏梁板中心离地高度快速检测装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111968079A (zh) * 2020-07-28 2020-11-20 武汉武大卓越科技有限责任公司 基于断面局部极值及分段稀疏的三维路面裂缝提取方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017053415A1 (en) * 2015-09-24 2017-03-30 Quovard Management Llc Systems and methods for surface monitoring
US10755132B2 (en) * 2016-01-15 2020-08-25 Wuhan Wuda Zoyon Science And Technology Co., Ltd Methods for extracting surface deformation feature of object based on linear scanning three-dimensional point cloud
CN105809668B (zh) * 2016-01-15 2018-10-02 武汉武大卓越科技有限责任公司 基于线扫描三维点云的物体表面变形特征提取方法
CN106373134B (zh) * 2016-09-18 2018-12-07 武汉武大卓越科技有限责任公司 一种基于线结构光三维测量的公路标线检测方法
CN107633516B (zh) * 2017-09-21 2020-04-07 武汉武大卓越科技有限责任公司 一种识别路面变形类病害的方法和装置
CN107462204B (zh) * 2017-09-21 2019-05-31 武汉武大卓越科技有限责任公司 一种三维路面标准轮廓提取方法及系统
CN110473187B (zh) * 2019-08-08 2022-03-22 武汉光谷卓越科技股份有限公司 一种面向对象的线扫描三维路面裂缝提取方法
CN114049294B (zh) * 2021-09-26 2023-04-25 武汉光谷卓越科技股份有限公司 基于三维轮廓的路面技术状况检测方法及设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111968079A (zh) * 2020-07-28 2020-11-20 武汉武大卓越科技有限责任公司 基于断面局部极值及分段稀疏的三维路面裂缝提取方法

Also Published As

Publication number Publication date
AU2022349296A1 (en) 2023-10-05
CA3228100A1 (en) 2023-03-30
CN114049294A (zh) 2022-02-15
WO2023045299A1 (zh) 2023-03-30

Similar Documents

Publication Publication Date Title
CN114049294B (zh) 基于三维轮廓的路面技术状况检测方法及设备
CA3023641C (en) Object surface deformation feature extraction method based on line scanning three-dimensional point cloud
CN111784657A (zh) 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
CN103090790B (zh) 轮毂自动识别方法
US20090167844A1 (en) Mobile peripheral monitor
CN105955259A (zh) 基于多窗口实时测距的单目视觉agv的精确定位方法及系统
JP2015207281A (ja) 立体物検出装置、立体物検出方法、立体物検出プログラム、及び移動体機器制御システム
KR20140109990A (ko) 3d 카메라를 사용한 차량 주변의 높이 윤곽 확인
Li et al. An automatic and accurate method for tool wear inspection using grayscale image probability algorithm based on bayesian inference
CN113808133B (zh) 一种基于三维点云的地铁闸瓦故障检测方法
CN111694011A (zh) 一种摄像机和三维激光雷达数据融合的路沿检测方法
Massaro et al. Inline image vision technique for tires industry 4.0: Quality and defect monitoring in tires assembly
CN112674646A (zh) 基于多算法融合的自适应贴边作业方法及机器人
CN116128834A (zh) 基于三维激光扫描的轨道交通站台限界快速检测方法
CN111795970B (zh) 一种不规则轮廓缺陷检测方法
CN109815836A (zh) 一种城市道路路面导向箭头检测识别方法
Wang et al. The two-step method of pavement pothole and raveling detection and segmentation based on deep learning
CN116934832B (zh) 基于现场参照物的三维点云的实时标定方法
CN117369460A (zh) 一种车辆螺栓松动故障的智能巡检方法及系统
CN109993741B (zh) 一种基于k均值聚类的钢轨焊缝轮廓自动定位方法
CN114426039B (zh) 一种基于城轨列车车轮踏面的点云数据处理方法
CN112801975B (zh) 一种基于双目视觉的轨道道砟检验系统及其工作方法
CN115755888A (zh) 多传感器数据融合的agv障碍物检测系统及避障方法
CN116242774A (zh) 适用于农村公路的轻量化三维检测方法及装置
CN106845493A (zh) 铁路轨道近景影像钢轨边缘的识别与匹配方法

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