CN114113103B - 道路破损检测方法及装置 - Google Patents
道路破损检测方法及装置 Download PDFInfo
- Publication number
- CN114113103B CN114113103B CN202111294352.9A CN202111294352A CN114113103B CN 114113103 B CN114113103 B CN 114113103B CN 202111294352 A CN202111294352 A CN 202111294352A CN 114113103 B CN114113103 B CN 114113103B
- Authority
- CN
- China
- Prior art keywords
- image
- frame
- road surface
- point
- damaged
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000005507 spraying Methods 0.000 claims abstract description 22
- 239000007921 spray Substances 0.000 claims abstract description 14
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 230000001502 supplementing effect Effects 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 239000003795 chemical substances by application Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract description 3
- 230000001678 irradiating effect Effects 0.000 abstract description 2
- 238000005286 illumination Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000002270 dispersing agent Substances 0.000 description 3
- 239000000843 powder Substances 0.000 description 3
- 239000010453 quartz Substances 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 229910000389 calcium phosphate Inorganic materials 0.000 description 2
- 239000001506 calcium phosphate Substances 0.000 description 2
- 235000011010 calcium phosphates Nutrition 0.000 description 2
- QORWJWZARLRLPR-UHFFFAOYSA-H tricalcium bis(phosphate) Chemical compound [Ca+2].[Ca+2].[Ca+2].[O-]P([O-])([O-])=O.[O-]P([O-])([O-])=O QORWJWZARLRLPR-UHFFFAOYSA-H 0.000 description 2
- WNROFYMDJYEPJX-UHFFFAOYSA-K aluminium hydroxide Chemical compound [OH-].[OH-].[OH-].[Al+3] WNROFYMDJYEPJX-UHFFFAOYSA-K 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
-
- 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]
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Signal Processing (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Road Repair (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本公开涉及道路破损检测方法及装置，该方法包括：控制一移动载具沿待检测道路行驶；控制所述移动载具上的喷水机构向待检测道路的路面喷水；在频闪灯光照射下对喷水后的所述路面进行图像采集；针对采集的路面的图像信息进行分析，判断路面是否存在破损；如是，根据移动载具搭载的RTK测量仪获取路面破损点的瞬时坐标，记录破损点瞬时坐标和破损点图像信息。本发明提供的道路破损检测方法及装置，可在喷水条件下，通过交替闪烁的不同波长短的补光灯，对路面进行照射。由于路面的破损点，较正常路面，必然存在异常的积水，因此可取得更准确的检测效果。另外，本发明中，在针对破损点的定位时，可采用准确度更高的GNSS‑RTK定位方式，方便后续维修定位。
Description
技术领域
本发明涉及一种图像检测方法，特别是一种基于图像识别的道路破损检测方法。本发明还涉及应用该方法的道路破损检测装置。
背景技术
路面破损总体上可以分两类：结构性破损和功能性破损。结构性破损导致路面结构承载力下降，以各种结构裂缝的形式表现出来。功能性破损则会影响行车质量和行车安全，表现为路面服务能力下降、平整度和抗滑性能降低。目前常见的道路破损检测方法，是通过在巡查车辆安装GPS定位装置和摄像机。巡查车辆在待检路段行驶过程中，摄像机持续采集路面图像。路面图像信息后续可通过图像识别算法进行破损识别。常见的图像识别算法，可包括基于神经网络算法模型的破损识别，以及基于正常路面图像和待检测路面图像帧的RGB通道的图像比较。对于目前这两种实现方式来说，基于RGB通道的图像比较，与路面破损程度及光照条件正相关，实际应用反映出来准确率欠佳，尤其是针对破损程度较低的路面损坏，常出现误报。而基于神经网络算法模型的准确率虽然相对于前者有一定的提升，但是在不良光照条件，仍然有不少的误报。并且，目前采用GPS定位的方式，误差较大，并不能准确地反映出路面破损地点的准确坐标，难于指导后续道路维修。
发明内容
鉴于现有技术存在的上述问题，本发明的一方面目的在于提供一种可以准确识别道路破损并能准确定位破损位置的道路破损检测方法。本发明的另一方面的目的在于提供一种实施该道路破损检测方法的道路破损检测装置。
为了实现上述目的，本发明一方面提供的道路破损检测方法，该方法包括：
控制一移动载具沿待检测道路行驶；
控制所述移动载具上的喷水机构向待检测道路的路面喷水；
在频闪灯光照射下对喷水后的所述路面进行图像采集；
针对采集的路面的图像信息进行分析，判断路面是否存在破损；
如是，根据移动载具搭载的RTK测量仪获取路面破损点的瞬时坐标，记录破损点瞬时坐标和破损点图像信息。
作为优选，在对喷水后的所述路面进行图像采集时，包括：
控制红色光源和紫色光源依序按照预设频率闪烁以向路面提供照射光线；
在所述移动载具行驶过程中，以垂直于路面方向录制视频流，所述视频流至少包括红色光源下的第一图像帧和紫色光源下的第二图像帧；
分别提取包含有破损点图像信息的第一图像帧和第二图像帧。
作为优选，在针对采集的路面的图像信息进行分析时，包括：
针对所述第一图像帧进行二值化处理，获得第一预处理帧；
针对所述第二图像帧进行二值化处理，获得第二预处理帧；
将所述第一预处理帧和第二预处理帧进行基于OpenCV的帧叠加，获得待分析图像中间帧；
针对所述待分析图像中间帧进行边缘检测，标记可能的破损区域；
依据标记的破损区域，基于预设镜头参数，估算破损区域大小。
作为优选，估算破损区域大小时，包括：
获取镜头距离地面的预设距离；
获取镜头的预设焦距；
将标记的破损区域至于标准坐标系，估算破损区域在所述待分析图像中间帧中的尺寸；
基于相机镜头、预设焦距和破损区域在所述待分析图像中间帧中的尺寸，估算破损区域的实际大小。
作为优选，记录破损点瞬时坐标时，基于车载GPS的GPS信息，选择距离最近的RTK基准定位站，所述RTK基准定位站配置为对一GNSS卫星进行持续观测，并将其观测数据实时发送至移动载具搭载的RTK测量仪，所述RTK基准定位站根据实时的GPS信息及所述RTK基准定位站的观测数据，实时解算出破损点瞬时坐标；其中，该破损点瞬时坐标基于WGS84坐标系。
作为优选，判断路面是否存在破损时，包括：
基于常见路面破损图像的预设图像数据集，构建训练集；
构建卷积神经网络算法模型；
基于所述训练集，对所述卷积神经网络算法模型进行训练；
生成分类器，所述分类器配置为筛选出包含有破损区域的路面的多个图像帧；
其中，提取包含有破损点图像信息的第一图像帧和第二图像帧，包括提取时序上相邻的第一图像帧和第二图像帧。
作为优选，记录破损点瞬时坐标和破损点图像信息，包括：
将破损点瞬时坐标和破损点图像信息存储于一存储单元；和/或，
将破损点瞬时坐标和破损点图像信息上传至远程监测中心。
为了实现本发明的另一方面目的，本发明提供的道路破损检测装置，其配置为执行上述方法，包括：
移动载具，其构造为一行走车辆，配置为沿待测道路行驶；
喷水机构，其至少包括设置于车辆头部的多个喷头，所述喷头构造为使液态水剂以扇形形态喷洒；
图像采集单元，其设置于车辆底部大致居中位置，且具有垂直于地面向下设置的镜头；
补光灯，并列设置于所述图像采集单元的所述镜头的一侧，至少包括交替发光的第一发光单元和第二发光单元，所述第一发光单元发出的光线的波长与所述第二发光单元发出的光线的波长不同；
控制部，其配置控制所述第一发光单元和所述第二发光单元以预设频率交替闪烁，判断路面是否存在破损，如是，根据移动载具搭载的RTK测量仪获取路面破损点的瞬时坐标；
存储单元，其配置为记录破损点瞬时坐标和破损点图像信息。
作为优选，所述第一发光单元为红色光源，所述第二发光单元为紫色光源，所述图像采集单元配置为以垂直于路面方向录制视频流，所述视频流至少包括红色光源下的第一图像帧和紫色光源下的第二图像帧；所述控制部还配置为提取包含有破损点图像信息的第一图像帧和第二图像帧，针对所述第一图像帧进行二值化处理，获得第一预处理帧；针对所述第二图像帧进行二值化处理，获得第二预处理帧；将所述第一预处理帧和第二预处理帧进行基于OpenCV的帧叠加，获得待分析图像中间帧；针对所述待分析图像中间帧进行边缘检测，标记可能的破损区域；依据标记的破损区域，基于预设镜头参数，估算破损区域大小。
作为优选，所述存储单元在记录破损点瞬时坐标时，所述控制部基于车载GPS的GPS信息，选择距离最近的RTK基准定位站，所述RTK基准定位站配置为对一GNSS卫星进行持续观测，并将其观测数据实时发送至移动载具搭载的RTK测量仪，所述RTK基准定位站根据实时的GPS信息及所述RTK基准定位站的观测数据，实时解算出破损点瞬时坐标；其中，该破损点瞬时坐标基于WGS84坐标系。
本发明提供的道路破损检测方法及装置，可在喷水条件下，通过交替闪烁的不同波长短的补光灯，对路面进行照射。由于路面的破损点，较正常路面，必然存在异常的积水，而不同波长的照射光线，由于其在积水中的折射率不同，因此会在图像采集装置中体现出不同的镜面反光效果。而在后续识别过程中，可通过相对需要较小算力的二值化处理，即可分别获得不同光照条件下的破损点的二值化图像，再将两帧图像进行叠加，即可准确确定破损点的经二值化的图像中间帧。该中间帧为合成帧，相对于单一波长光线照射，可更大程度表现出破损点轮廓。当然，为了标注该破损点，可进一步通过现有算法中的边缘检测算法，实现破损点的标注。另外，本发明中，在针对破损点的定位时，可采用准确度更高的GNSS-RTK定位方式，对破损点进行定位，方便后续维修定位。
附图说明
图1为本发明的道路破损检测方法的检测原理示意图。
图2为本发明的道路破损检测方法中经处理后的待分析图像中间帧的示例性图样。
图3为本发明的道路破损检测方法的检测原理的另一示意图。
图4为本发明的道路破损检测方法的流程示意图。
图5为本发明的道路破损检测装置的结构框图。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案，下面结合附图和具体实施方式对本发明作详细说明。
此处参考附图描述本发明的各种方案以及特征。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本发明的这些和其它特性将会变得显而易见。
还应当理解，尽管已经参照一些具体实例对本发明进行了描述，但本领域技术人员能够确定地实现本发明的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时，鉴于以下详细说明，本发明的上述和其他方面、特征和优势将变得更为显而易见。
如图1至图4所示，本发明的道路破损检测方法，该方法包括：
控制一移动载具沿待检测道路行驶；控制所述移动载具上的喷水机构向待检测道路的路面喷水；在频闪灯光照射下对喷水后的所述路面进行图像采集；针对采集的路面的图像信息进行分析，判断路面是否存在破损；如是，根据移动载具搭载的RTK测量仪获取路面破损点的瞬时坐标，记录破损点瞬时坐标和破损点图像信息。在本发明中，喷水机构可采用常见的道路喷水机构实现，例如类似洒水车的喷洒机构，其设置目的在于向移动载具，例如行走车辆的车头位置向路面喷洒水源，由于道路破损处会产生明显的异常积水，该异常积水在光照条件下会相对于喷水条件下的正常路面，会产生更为明显的反光，该反光会被图像采集单元采集，并实现更准确的识别效果。同时，在两者波长不同的补光灯的交替照射下，图像采集单元采集的图像帧将出现可检测的偏移。该偏移在经后续的图像处理中，将更容易被准确呈现。
在进一步的改进方案中，作为优选，在对喷水后的所述路面进行图像采集时，包括：控制红色光源和紫色光源依序按照预设频率闪烁以向路面提供照射光线；据一般常识来说，紫光光源的波长介于400～435nm，而红光光源的波长介于605nm～650nm。而在所述移动载具行驶过程中，以垂直于路面方向录制视频流，所述视频流至少包括红色光源下的第一图像帧和紫色光源下的第二图像帧；在进一步处理中，可分别提取包含有破损点图像信息的第一图像帧和第二图像帧。另外，为了强化反光效果，本发明的方案中，可通过在水源中添加反光反光材料，例如300目至350目的石英粉，石英粉与水的添加比例以重量份计1-10:1000。同时，为了防止石英粉沉淀，最好加入分散剂，配置为悬浮液，分散剂可例如为氢氧化铝或磷酸钙，考虑到分散剂对环境的影响，优选选择磷酸钙作为分散剂，添加比例以重量份计，介于0.5-0.8:1000。
在本发明的方法中，作为优选，在针对采集的路面的图像信息进行分析时，具体可包括：针对所述第一图像帧进行二值化处理，获得第一预处理帧；针对所述第二图像帧进行二值化处理，获得第二预处理帧；将所述第一预处理帧和第二预处理帧进行基于OpenCV的帧叠加，获得待分析图像中间帧；针对所述待分析图像中间帧进行边缘检测，标记可能的破损区域；依据标记的破损区域，基于预设镜头参数，估算破损区域大小。其中，本发明中所涉及的二值化处理及边缘检测算法，均为现有技术中图像处理的常见算法，本发明不做赘述。
而在估算破损区域大小时，本发明方法优选包括：获取镜头距离地面的预设距离；获取镜头的预设焦距；将标记的破损区域至于标准坐标系，估算破损区域在所述待分析图像中间帧中的尺寸；基于相机镜头、预设焦距和破损区域在所述待分析图像中间帧中的尺寸，估算破损区域的实际大小。
另外，在记录破损点瞬时坐标时，基于车载GPS的GPS信息，选择距离最近的RTK基准定位站，所述RTK基准定位站配置为对一GNSS卫星进行持续观测，并将其观测数据实时发送至移动载具搭载的RTK测量仪，所述RTK基准定位站根据实时的GPS信息及所述RTK基准定位站的观测数据，实时解算出破损点瞬时坐标；其中，该破损点瞬时坐标基于WGS84坐标系。
作为优选，判断路面是否存在破损时，包括：基于常见路面破损图像的预设图像数据集，构建训练集；构建卷积神经网络算法模型；基于所述训练集，对所述卷积神经网络算法模型进行训练；生成分类器，所述分类器配置为筛选出包含有破损区域的路面的多个图像帧；其中，提取包含有破损点图像信息的第一图像帧和第二图像帧，包括提取时序上相邻的第一图像帧和第二图像帧。再者，如图3和图4所示，记录破损点瞬时坐标和破损点图像信息，包括：将破损点瞬时坐标和破损点图像信息存储于一存储单元；和/或，将破损点瞬时坐标和破损点图像信息上传至远程监测中心。
图5示出了本发明提供的道路破损检测装置的结构框图，其配置为执行上述方法，包括：移动载具，其构造为一行走车辆，配置为沿待测道路行驶；喷水机构，其至少包括设置于车辆头部的多个喷头，所述喷头构造为使液态水剂以扇形形态喷洒；图像采集单元，其设置于车辆底部大致居中位置，且具有垂直于地面向下设置的镜头；补光灯，并列设置于所述图像采集单元的所述镜头的一侧，至少包括交替发光的第一发光单元和第二发光单元，所述第一发光单元发出的光线的波长与所述第二发光单元发出的光线的波长不同；控制部，其配置控制所述第一发光单元和所述第二发光单元以预设频率交替闪烁，判断路面是否存在破损，如是，根据移动载具搭载的RTK测量仪获取路面破损点的瞬时坐标；存储单元，其配置为记录破损点瞬时坐标和破损点图像信息。优选地，所述第一发光单元为红色光源，所述第二发光单元为紫色光源，所述图像采集单元配置为以垂直于路面方向录制视频流，所述视频流至少包括红色光源下的第一图像帧和紫色光源下的第二图像帧；所述控制部还配置为提取包含有破损点图像信息的第一图像帧和第二图像帧，针对所述第一图像帧进行二值化处理，获得第一预处理帧；针对所述第二图像帧进行二值化处理，获得第二预处理帧；将所述第一预处理帧和第二预处理帧进行基于OpenCV的帧叠加，获得待分析图像中间帧；针对所述待分析图像中间帧进行边缘检测，标记可能的破损区域；依据标记的破损区域，基于预设镜头参数，估算破损区域大小。进一步优选地，所述存储单元在记录破损点瞬时坐标时，所述控制部基于车载GPS的GPS信息，选择距离最近的RTK基准定位站，所述RTK基准定位站配置为对一GNSS卫星进行持续观测，并将其观测数据实时发送至移动载具搭载的RTK测量仪，所述RTK基准定位站根据实时的GPS信息及所述RTK基准定位站的观测数据，实时解算出破损点瞬时坐标；其中，该破损点瞬时坐标基于WGS84坐标系。
以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (10)
1.道路破损检测方法，该方法包括：
控制一移动载具沿待检测道路行驶；
控制所述移动载具上的喷水机构向待检测道路的路面喷水；
在频闪灯光照射下对喷水后的所述路面的反光进行图像采集；
针对采集的路面的反光的图像信息进行分析，判断路面是否存在异常反光，以此判断路面是否存在破损；
如是，根据移动载具搭载的RTK测量仪获取路面破损点的瞬时坐标，记录破损点瞬时坐标和破损点图像信息。
2.如权利要求1所述的方法，在对喷水后的所述路面进行图像采集时，包括：
控制红色光源和紫色光源依序按照预设频率闪烁以向路面提供照射光线；
在所述移动载具行驶过程中，以垂直于路面方向录制视频流，所述视频流至少包括红色光源下的第一图像帧和紫色光源下的第二图像帧；
分别提取包含有破损点图像信息的第一图像帧和第二图像帧。
3.如权利要求2所述的方法，在针对采集的路面的图像信息进行分析时，包括：
针对所述第一图像帧进行二值化处理，获得第一预处理帧；
针对所述第二图像帧进行二值化处理，获得第二预处理帧；
将所述第一预处理帧和第二预处理帧进行基于OpenCV的帧叠加，获得待分析图像中间帧；
针对所述待分析图像中间帧进行边缘检测，标记可能的破损区域；
依据标记的破损区域，基于预设镜头参数，估算破损区域大小。
4.如权利要求3的所述方法，估算破损区域大小时，包括：
获取镜头距离地面的预设距离；
获取镜头的预设焦距；
将标记的破损区域至于标准坐标系，估算破损区域在所述待分析图像中间帧中的尺寸；
基于相机镜头、预设焦距和破损区域在所述待分析图像中间帧中的尺寸，估算破损区域的实际大小。
5.如权利要求1的所述方法，记录破损点瞬时坐标时，基于车载GPS的GPS信息，选择距离最近的RTK基准定位站，所述RTK基准定位站配置为对一GNSS卫星进行持续观测，并将其观测数据实时发送至移动载具搭载的RTK测量仪，所述RTK基准定位站根据实时的GPS信息及所述RTK基准定位站的观测数据，实时解算出破损点瞬时坐标；其中，该破损点瞬时坐标基于WGS84坐标系。
6.如权利要求2的所述方法，判断路面是否存在破损时，包括：
基于常见路面破损图像的预设图像数据集，构建训练集；
构建卷积神经网络算法模型；
基于所述训练集，对所述卷积神经网络算法模型进行训练；
生成分类器，所述分类器配置为筛选出包含有破损区域的路面的多个图像帧；
其中，提取包含有破损点图像信息的第一图像帧和第二图像帧，包括提取时序上相邻的第一图像帧和第二图像帧。
7.如权利要求1所述的方法，记录破损点瞬时坐标和破损点图像信息，包括：
将破损点瞬时坐标和破损点图像信息存储于一存储单元；和/或，
将破损点瞬时坐标和破损点图像信息上传至远程监测中心。
8.道路破损检测装置，其配置为执行权利要求1至7任一项所述的方法，包括：
移动载具，其构造为一行走车辆，配置为沿待测道路行驶；
喷水机构，其至少包括设置于车辆头部的多个喷头，所述喷头构造为使液态水剂以扇形形态喷洒；
图像采集单元，其设置于车辆底部大致居中位置，且具有垂直于地面向下设置的镜头；
补光灯，并列设置于所述图像采集单元的所述镜头的一侧，至少包括交替发光的第一发光单元和第二发光单元，所述第一发光单元发出的光线的波长与所述第二发光单元发出的光线的波长不同；
控制部，其配置控制所述第一发光单元和所述第二发光单元以预设频率交替闪烁，判断路面是否存在破损，如是，根据移动载具搭载的RTK测量仪获取路面破损点的瞬时坐标；
存储单元，其配置为记录破损点瞬时坐标和破损点图像信息。
9.如权利要求8所述装置，所述第一发光单元为红色光源，所述第二发光单元为紫色光源，所述图像采集单元配置为以垂直于路面方向录制视频流，所述视频流至少包括红色光源下的第一图像帧和紫色光源下的第二图像帧；所述控制部还配置为提取包含有破损点图像信息的第一图像帧和第二图像帧，针对所述第一图像帧进行二值化处理，获得第一预处理帧；针对所述第二图像帧进行二值化处理，获得第二预处理帧；将所述第一预处理帧和第二预处理帧进行基于OpenCV的帧叠加，获得待分析图像中间帧；针对所述待分析图像中间帧进行边缘检测，标记可能的破损区域；依据标记的破损区域，基于预设镜头参数，估算破损区域大小。
10.如权利要求8所述的装置，所述存储单元在记录破损点瞬时坐标时，所述控制部基于车载GPS的GPS信息，选择距离最近的RTK基准定位站，所述RTK基准定位站配置为对一GNSS卫星进行持续观测，并将其观测数据实时发送至移动载具搭载的RTK测量仪，所述RTK基准定位站根据实时的GPS信息及所述RTK基准定位站的观测数据，实时解算出破损点瞬时坐标；其中，该破损点瞬时坐标基于WGS84坐标系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111294352.9A CN114113103B (zh) | 2021-11-03 | 2021-11-03 | 道路破损检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111294352.9A CN114113103B (zh) | 2021-11-03 | 2021-11-03 | 道路破损检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114113103A CN114113103A (zh) | 2022-03-01 |
| CN114113103B true CN114113103B (zh) | 2024-06-07 |
Family
ID=80380772
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111294352.9A Active CN114113103B (zh) | 2021-11-03 | 2021-11-03 | 道路破损检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114113103B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE4008280A1 (de) * | 1990-03-15 | 1991-09-19 | Tzn Forschung & Entwicklung | Verfahren zur ermittlung des fahrbahnoberflaechenzustandes |
| KR20050039655A (ko) * | 2003-10-23 | 2005-04-29 | (주)극동네트워크 | 철도궤도 결함 자동 검측 및 관리 시스템, 자동 검측 및관리 방법 |
| JP2015025727A (ja) * | 2013-07-26 | 2015-02-05 | 三菱電機株式会社 | 路面撮像装置 |
| WO2015183001A1 (ko) * | 2014-05-28 | 2015-12-03 | 하상우 | 도로포장 손상 조사 및 분석 시스템, 그리고 도로포장 손상 조사 및 분석 방법 |
| CN111737524A (zh) * | 2019-03-19 | 2020-10-02 | 上海大学 | 道路异常监控系统内部的信息整合方法 |
| CN112183554A (zh) * | 2020-09-01 | 2021-01-05 | 国交空间信息技术（北京）有限公司 | 一种自动化道路边界轮廓提取方法 |
| CN112285118A (zh) * | 2020-10-22 | 2021-01-29 | 苏州佳智彩光电科技有限公司 | 一种amoled屏体外观视觉检测方法及装置 |
| TW202136752A (zh) * | 2020-03-17 | 2021-10-01 | 日陞空間資訊股份有限公司 | 用於檢測道路破損之檢測系統與方法 |
| CN214584961U (zh) * | 2021-01-27 | 2021-11-02 | 湖北建设监理有限公司 | 一种道路裂缝检测设备 |
-
2021
- 2021-11-03 CN CN202111294352.9A patent/CN114113103B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE4008280A1 (de) * | 1990-03-15 | 1991-09-19 | Tzn Forschung & Entwicklung | Verfahren zur ermittlung des fahrbahnoberflaechenzustandes |
| KR20050039655A (ko) * | 2003-10-23 | 2005-04-29 | (주)극동네트워크 | 철도궤도 결함 자동 검측 및 관리 시스템, 자동 검측 및관리 방법 |
| JP2015025727A (ja) * | 2013-07-26 | 2015-02-05 | 三菱電機株式会社 | 路面撮像装置 |
| WO2015183001A1 (ko) * | 2014-05-28 | 2015-12-03 | 하상우 | 도로포장 손상 조사 및 분석 시스템, 그리고 도로포장 손상 조사 및 분석 방법 |
| CN111737524A (zh) * | 2019-03-19 | 2020-10-02 | 上海大学 | 道路异常监控系统内部的信息整合方法 |
| TW202136752A (zh) * | 2020-03-17 | 2021-10-01 | 日陞空間資訊股份有限公司 | 用於檢測道路破損之檢測系統與方法 |
| CN112183554A (zh) * | 2020-09-01 | 2021-01-05 | 国交空间信息技术（北京）有限公司 | 一种自动化道路边界轮廓提取方法 |
| CN112285118A (zh) * | 2020-10-22 | 2021-01-29 | 苏州佳智彩光电科技有限公司 | 一种amoled屏体外观视觉检测方法及装置 |
| CN214584961U (zh) * | 2021-01-27 | 2021-11-02 | 湖北建设监理有限公司 | 一种道路裂缝检测设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114113103A (zh) | 2022-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11142230B2 (en) | Broken wheel detection system | |
| US20150371094A1 (en) | A road marking analyser and a method of analysis of road markings and an apparatus and method for detecting vehicle weave | |
| US10859468B2 (en) | Method and device for tyre condition analysis | |
| JP6765728B2 (ja) | タイヤ状態解析 | |
| US8655540B2 (en) | Rail vehicle identification and processing | |
| US9335255B2 (en) | System and assessment of reflective objects along a roadway | |
| US20140232852A1 (en) | Optical device and method for inspecting tires | |
| JP4230395B2 (ja) | 監視移動体 | |
| US11320371B2 (en) | Optical wheel evaluation | |
| US20220410949A1 (en) | Method for in-situ and real-time collection and processing of geometric parameters of railway lines | |
| CN110455214A (zh) | 一种受电弓滑板磨耗状态监测系统及方法 | |
| CN114113103B (zh) | 道路破损检测方法及装置 | |
| CN116519703A (zh) | 基于线扫3d图像的集电靴碳滑板图像检测系统及方法 | |
| KR102346438B1 (ko) | 영상정보 기반 철도 콘크리트 도상 균열 검측 장치 및 이를 이용한 철도 콘크리트 도상 균열 검측 방법 | |
| EP4286242A1 (en) | System and method for detecting railway track anomalies | |
| KR20240031447A (ko) | 철도차량 차체 하부장치용 영상빅데이터를 활용한 상태기반 유지보수 예측 시스템 | |
| KR20230104333A (ko) | 라이다 및 영상 분석을 통한 도로정보변화 감지 시스템 및 방법 | |
| CN117601921A (zh) | 一种可用于公铁两用车上的轨道状态巡视系统及方法 | |
| CN114973206A (zh) | 一种路面病害自动识别管理方法 | |
| CN111781208A (zh) | 一种道路裂缝检测装置 |
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 | ||
| GR01 | Patent grant |