CN114118241A - 一种基于车载雷达的道路信息检测系统 - Google Patents
一种基于车载雷达的道路信息检测系统 Download PDFInfo
- Publication number
- CN114118241A CN114118241A CN202111360112.4A CN202111360112A CN114118241A CN 114118241 A CN114118241 A CN 114118241A CN 202111360112 A CN202111360112 A CN 202111360112A CN 114118241 A CN114118241 A CN 114118241A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- module
- acquiring
- identification model
- detection system
- 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
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24317—Piecewise classification, i.e. whereby each classification requires several discriminant rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
Abstract
本发明涉及一种基于车载雷达的道路信息检测系统,道路信息检测系统设置在测试车辆上,道路信息检测系统包括以下模块:第一模块,用于获取工业相机拍摄的图像,根据路面病害识别模型获取路面病害分布;第二模块,用于获取云台相机拍摄的图像,根据附属设施识别模型识别附属设施,并判断附属设施完整性;第三模块,用于获取加速度传感器数据,根据功率谱密度法检测路面平整度;第四模块,用于获取探地雷达数据,根据深层病害识别模型获取深层病害信息;第五模块,用于获取RTK定位设备中的测试车辆实时定位信息。与现有技术相比,本发明具有测试效率高、精度高等优点。
Description
技术领域
本发明涉及一种道路智能快速巡检领域,尤其是涉及一种基于车载雷达的道路信息检测系统。
背景技术
道路运输以其快捷、方便、门对门直达的优势位于公路、铁路、航空、管道、水运等五大运输方式之首,在国家经济发展中占有极其重要的地位。截止2019年底,我国已经有通车公路总里程超过501万公里,在新建道路的同时,必须对原有道路进行养护与维修作业,以确保行车安全并降低运营成本。
但是传统道路信息检测系统存在诸多弊端,如手推式断面仪法等人工作业系统存在耗时费力、操作麻烦的问题,而激光检测车等专业检测设备又价格昂贵、易受环境影响,故均难以大范围高频率的推广使用。每一环节的数据交互存在流程复杂、阻隔明显等问题,导致众多检测工作重复进行,浪费了大量的人力物力投入。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于车载雷达的道路信息检测系统。
本发明的目的可以通过以下技术方案来实现:
一种基于车载雷达的道路信息检测系统,所述道路信息检测系统设置在测试车辆上,所述道路信息检测系统包括以下模块:
第一模块:获取工业相机拍摄的图像,根据路面病害识别模型获取路面病害分布;
第二模块:获取云台相机拍摄的图像,根据附属设施识别模型识别附属设施,并判断附属设施完整性;
第三模块:获取加速度传感器数据,根据功率谱密度法检测路面平整度;
第四模块:获取探地雷达数据,根据深层病害识别模型获取深层病害信息,所述深层病害识别模型的建立过程如下:
建立带有深层病害信息标签的探地雷达数据库;提取反射波的能量、方差、峰度和对数功率谱作为特征值;通过极限梯度提升XGBoost算法根据特征值训练探地雷达数据库中的数据,得到深层病害识别模型;
第五模块:获取RTK定位设备中的测试车辆实时定位信息。
进一步地,所述第三模块工作流程包括:
利用四分之一车模型简化系统响应变化,结合路面波理论,通过功率谱密度的方法将加速度传感器数据分配到不同频率的波段中,利用加速度均方根值获取路面平整度信息。
进一步地,所述工业相机和云台相机在使用前需进行标定,标定方法具体包括:
制作一个棋盘格边缘清晰可分辨的正方形棋盘格,棋盘格的行列数均不应低于5;
分别将棋盘格放置在相机视角范围内的不同位置并拍摄照片作为标定数据图像,应保障标定数据图像中至少包含棋盘格位于相机视角左上角、右上角、正中间、左下角、右下角的图像各一张,标定数据图像不少于10张;
利用算法工具检测所有标定数据图像中的棋盘格的角点,根据已知的棋盘格数据计算相机内参数、外参数和畸变系数;并使用极大似然估计优化,获取最优内参数、外参数和畸变参数矩阵。
进一步地,所述加速度传感器在使用前需进行标定,标定方法具体包括:
选取多段已知路面平整度的路段作为测试路段,国际平整度指标分布满足1-5之间均匀分布;
将加速度传感器设备固定至标定车辆上;启动标定车辆,以相同规定速度在同一测试路段,沿同一方向行驶两次,计算功率谱密度曲线积分;
若两次的功率谱密度曲线积分相差超过10%,则重复进行测试,直至相邻两次的测试结果相差低于10%,选取两次功率谱密度曲线积分的均值作为拟合积分;
获取所有测试路段的拟合积分,将每个测试路段的拟合积分和国际平整度指标分布进行模型拟合,获得拟合参数。
进一步地,所有信息获取完成后通过地图API使所有信息在电子地图上显示。
进一步地,所述附属设施识别模型的建立方法如下:
通过图像语义分割算法,训练具有附属设施信息标签的附属设施图像,获取附属设施识别模型。
进一步地,所述第二模块通过霍夫变换检测附属设施的外观线形以判断附属设施完整性。
进一步地,所述附属设施完整性信息包含:护栏的缺失、护栏的破损或弯折、防眩板的缺失和路侧灯柱的弯折。
进一步地,所述路面病害识别模型的建立方法如下:
通过图像目标检测算法,训练具有路面病害信息标签的路面图像,获取路面病害识别模型;所述路面病害信息包括但不限于裂缝、坑槽和网裂。
进一步地,所述工业相机通过吸盘设置在测试车辆的车尾,所述云台相机设置在测试车辆的车载前置,所述工业相机和云台相机的视野至少覆盖一条车道,所述加速度传感器设置在测试车辆的车载后轴靠近轮胎处,所述探地雷达和RTK定位设备设置在测试车辆的车身前置,探地雷达的GPR传感器安装高度距地面1~2厘米,RTK定位设备安装时需保证上方不存在物体遮挡。
与现有技术相比,本发明具有以下优点:
1、本发明分别设置了第一模块、第二模块、第三模块、第四模块和第五模块,并在测试车辆上设置了对应的工业相机、云台相机、加速度传感器、探地雷达和RTK定位设备等装置,通过车载测量的方式实现道路信息的检测,测量速度快、效率高,同时节约了成本,适用道路范围广,且在第四模块的深层病害识别模型建立时结合了大量探地雷达数据,通过提取特征并使用极限梯度提升XGBoost算法进行训练,进一步提高了精确度。
2、本发明在使用工业相机和云台相机前进行了标定,使获取的拍摄图像的位置关系更符合现实情况,提高了准确度。
3、本发明通过API将信息转化为可视化的地图信息,使得检测结果更直观可见。
4、本发明通过霍夫变换判断附属设施完整性,精确度高。
5、本发明分别通过图像语义分割算法和图像目标检测算法训练附属设施识别模型和路面病害识别模型,这两种算法训练效果较好,继而使获取的结果更准确。
附图说明
图1为本发明的系统示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本实施例提供了一种基于车载雷达的道路信息检测系统,如图1所示,具体包括第一模块、第二模块、第三模块、第四模块、第五模块和数据传输模块,道路信息检测系统设置在测试车辆上,该系统的具体工作流程如下:
首先启动测试车辆,测试车辆上包括设置于车尾后置的高清工业相机、设置于车载前置的360°云台相机、设置于车载后轴上方的加速度传感器、设置于车身前置的双通道探地雷达、高精度RTK定位设备和车载边缘计算智能装置。确保系统正常工作后,按照道路检测计划令测试车辆在目标路段上行驶。
其中,车载边缘计算智能装置放置于车辆内部,应保障车辆行驶过程中智能装置不会发生大范围移动且接线不会脱落或折断;高清工业相机通过吸盘装置安置于车身尾部,其安装位置不宜过低,保障视野应至少覆盖一条车道,并调整好光圈和相机焦距;车载双通道探地雷达通过固定支架连接于车辆前方,探地雷达系统的GPR传感器的安装高度应距地面1-2厘米为宜;将云台相机安装于车顶前端,需保障视角范围至少应覆盖一条车道,并调整好光圈和相机焦距;对加速度传感器安置于车辆后轴上方,应保障一对加速度传感器分别靠近两个轮胎附近,且应利用螺栓或胶带等工具固定其安装位置;高精度RTK定位设备放置于车辆顶部,需保障其上方不被他物遮挡以免影响定位精度;上述设备安装完毕后,需连接各设备与车载边缘计算智能装置间的信号传输线,并检验数据流是否通畅及设备是否可正常运转。
第一模块获取工业相机拍摄的图像,工业相机需要先进行标定,从而使获取的拍摄图像的位置关系更符合现实情况。标定步骤如下:
首先制作一个棋盘格平面板,需要保障棋盘格的大小不小于10cm*10cm,形状应为标准正方形且每个棋盘格边缘清晰可分辨,棋盘格的行列数均不应低于5;分别将棋盘格放置在相机视角范围内的不同位置并拍摄照片作为标定数据,应保障标定数据中至少包含棋盘格位于图像左上角、右上角、正中间、左下角、右下角的照片各一张,标定数据总数不少于10张;利用算法工具检测所有标定数据中的特征点,即每个棋盘格的角点,再利用已知的棋盘格数据求解理想无畸变情况下的摄像机内参数、外参数和畸变系数;结合多张图片的相机的内参数、外参数和畸变系数,使用极大似然估计优化结果,得出相机的最优内参数、外参数和畸变参数矩阵,完成相机的标定。
第一模块获取拍摄图像后,根据路面病害识别模型获取路面病害分布,其中路面病害识别模型的建立方法如下:
通过图像目标检测算法,训练具有路面病害信息标签的路面图像,获取路面病害识别模型;路面病害信息包括裂缝、坑槽、网裂、修补、井盖高框差、伸缩缝损坏等。
第二模块获取云台相机拍摄图像,云台相机需要先进行标定,标定步骤与工业相机标定步骤相同,并将获取的图像输入附属设施识别模型识别附属设施,基于该模型分离出图像中的附属设施,并利用霍夫变换检测其外观线形来判断附属设施完整性,附属设施识别模型的建立方法如下:
通过图像语义分割算法,训练具有附属设施信息标签的附属设施图像,获取附属设施识别模型。
第三模块获取加速度传感器数据,根据功率谱密度法检测路面平整度。加速度传感器在使用前也需进行标定,以满足实际测量平整度的使用需求,标定步骤如下:
选取已知路面平整度的路段5-10段,国际平整度指标(IRI)分布尽量满足1-5之间均匀分布;将加速度传感器设备固定至标定车辆后备箱内左右后轴轮正上方;连接车载边缘计算智能装置,开启设备,记录路段起终点时间,用于截取标定数据;以相同规定速度(30-80km/h)在同一测试路段,沿同一方向测试两次,计算功率谱密度曲线积分,若两次测量结果相差超过10%,继续进行功率谱密度曲线积分测试,直至满足精度要求;
分别测量既定5-10段IRI均匀分布的测试路段,计算两次功率谱密度曲线积分均值;通过已知IRI与谱密度积分制进行模型拟合,获得拟合参数,完成加速度传感器标定。为保证测试结果精确性,尽量以相同测试速度,。系统默认计算距离为500米,即每相距500米进行一次平整度计算。
完成加速度传感器标定后,第三模块利用四分之一车模型简化机动车簧载和非簧载质量的系统响应变化,并结合路面波理论,通过功率谱密度法将加速度变化分配到不同频率的波段中,利用加速度均方根值获取路面平整度指标。
第四模块获取探地雷达数据,输入深层病害识别模型获取包括脱空、疏松、裂缝或断层类病害等深层病害信息。深层病害识别模型建立过程如下:
首先通过实地数据采集、钻芯取样技术,结合数据预处理和专家解释过程,建立大量具有公路深层病害类别标签的探地雷达数据库,并提取反射波的能量、方差、峰度和对数功率谱作为特征值,通过极限梯度提升XGBoost算法根据特征值训练探地雷达数据库中的数据,得到深层病害识别模型。
第五模块获取RTK定位设备中的测试车辆实时定位信息。
在获取了上述五个模块的信息后,通过数据传输模块中的车载边缘计算智能装置将数据传输至后端数据库中,调用百度网页API,将获取的车辆行驶轨迹、平整度、病害指标计算结果显示于前台百度地图上,并利用oracle数据库进行存储,最后结合历史数据,得出路段维护意见。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于车载雷达的道路信息检测系统,其特征在于,所述道路信息检测系统设置在测试车辆上,所述道路信息检测系统包括以下模块:
第一模块:获取工业相机拍摄的图像,根据路面病害识别模型获取路面病害分布;
第二模块:获取云台相机拍摄的图像,根据附属设施识别模型识别附属设施,并判断附属设施完整性;
第三模块:获取加速度传感器数据,根据功率谱密度法检测路面平整度;
第四模块:获取探地雷达数据,根据深层病害识别模型获取深层病害信息,所述深层病害识别模型的建立过程如下:
建立带有深层病害信息标签的探地雷达数据库;提取反射波的能量、方差、峰度和对数功率谱作为特征值;通过极限梯度提升XGBoost算法根据特征值训练探地雷达数据库中的数据,得到深层病害识别模型;
第五模块:获取RTK定位设备中的测试车辆实时定位信息。
2.根据权利要求1所述的一种基于车载雷达的道路信息检测系统,其特征在于,所述第三模块工作流程包括:
利用四分之一车模型简化系统响应变化,结合路面波理论,通过功率谱密度的方法将加速度传感器数据分配到不同频率的波段中,利用加速度均方根值获取路面平整度信息。
3.根据权利要求1所述的一种基于车载雷达的道路信息检测系统,其特征在于,所述工业相机和云台相机在使用前需进行标定,标定方法具体包括:
制作一个棋盘格边缘清晰可分辨的正方形棋盘格,棋盘格的行列数均不应低于5;
分别将棋盘格放置在相机视角范围内的不同位置并拍摄照片作为标定数据图像,应保障标定数据图像中至少包含棋盘格位于相机视角左上角、右上角、正中间、左下角、右下角的图像各一张,标定数据图像不少于10张;
利用算法工具检测所有标定数据图像中的棋盘格的角点,根据已知的棋盘格数据计算相机内参数、外参数和畸变系数;并使用极大似然估计优化,获取最优内参数、外参数和畸变参数矩阵。
4.根据权利要求1所述的一种基于车载雷达的道路信息检测系统,其特征在于,所述加速度传感器在使用前需进行标定,标定方法具体包括:
选取多段已知路面平整度的路段作为测试路段,国际平整度指标分布满足1-5之间均匀分布;
将加速度传感器设备固定至标定车辆上;启动标定车辆,以相同规定速度在同一测试路段,沿同一方向行驶两次,计算功率谱密度曲线积分;
若两次的功率谱密度曲线积分相差超过10%,则重复进行测试,直至相邻两次的测试结果相差低于10%,选取两次功率谱密度曲线积分的均值作为拟合积分;
获取所有测试路段的拟合积分,将每个测试路段的拟合积分和国际平整度指标分布进行模型拟合,获得拟合参数。
5.根据权利要求1所述的一种基于车载雷达的道路信息检测系统,其特征在于,所有信息获取完成后通过地图API使所有信息在电子地图上显示。
6.根据权利要求1所述的一种基于车载雷达的道路信息检测系统,其特征在于,所述附属设施识别模型的建立方法如下:
通过图像语义分割算法,训练具有附属设施信息标签的附属设施图像,获取附属设施识别模型。
7.根据权利要求1所述的一种基于车载雷达的道路信息检测系统,其特征在于,所述第二模块通过霍夫变换检测附属设施的外观线形以判断附属设施完整性。
8.根据权利要求7所述的一种基于车载雷达的道路信息检测系统,其特征在于,所述附属设施完整性信息包含:护栏的缺失、护栏的破损或弯折、防眩板的缺失和路侧灯柱的弯折。
9.根据权利要求1所述的一种基于车载雷达的道路信息检测系统,其特征在于,所述路面病害识别模型的建立方法如下:
通过图像目标检测算法,训练具有路面病害信息标签的路面图像,获取路面病害识别模型;所述路面病害信息包括但不限于裂缝、坑槽和网裂。
10.根据权利要求1所述的一种基于车载雷达的道路信息检测系统,其特征在于,所述工业相机通过吸盘设置在测试车辆的车尾,所述云台相机设置在测试车辆的车载前置,所述工业相机和云台相机的视野至少覆盖一条车道,所述加速度传感器设置在测试车辆的车载后轴靠近轮胎处,所述探地雷达和RTK定位设备设置在测试车辆的车身前置,探地雷达的GPR传感器安装高度距地面1~2厘米,RTK定位设备安装时需保证上方不存在物体遮挡。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111360112.4A CN114118241A (zh) | 2021-11-17 | 2021-11-17 | 一种基于车载雷达的道路信息检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111360112.4A CN114118241A (zh) | 2021-11-17 | 2021-11-17 | 一种基于车载雷达的道路信息检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118241A true CN114118241A (zh) | 2022-03-01 |
Family
ID=80396211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111360112.4A Pending CN114118241A (zh) | 2021-11-17 | 2021-11-17 | 一种基于车载雷达的道路信息检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118241A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272930A (zh) * | 2022-07-28 | 2022-11-01 | 广西北投交通养护科技集团有限公司 | 一种基于探地雷达的路面状态评估方法 |
CN116448016A (zh) * | 2023-04-26 | 2023-07-18 | 成都智达万应科技有限公司 | 一种智能快速检测系统及具有该系统的检测车 |
-
2021
- 2021-11-17 CN CN202111360112.4A patent/CN114118241A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272930A (zh) * | 2022-07-28 | 2022-11-01 | 广西北投交通养护科技集团有限公司 | 一种基于探地雷达的路面状态评估方法 |
CN116448016A (zh) * | 2023-04-26 | 2023-07-18 | 成都智达万应科技有限公司 | 一种智能快速检测系统及具有该系统的检测车 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103778681B (zh) | 一种车载高速公路巡检系统及数据获取和处理方法 | |
CN112985311B (zh) | 一种车载便携轻量化智能巡检方法与系统 | |
CN114118241A (zh) | 一种基于车载雷达的道路信息检测系统 | |
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 | |
WO2019080380A1 (zh) | 轮迹横向分布测量系统及测量方法 | |
CN110826412B (zh) | 高速公路能见度检测系统和方法 | |
CN112965077A (zh) | 一种基于车载激光雷达的道路巡检系统与方法 | |
CN112726351B (zh) | 一种车载便携轻量化智能巡检方法与系统 | |
CN103149603B (zh) | 一种基于视频的道路气象检测方法 | |
CN112556760A (zh) | 一种桥梁裂缝监测系统 | |
CN103528531A (zh) | 小型车车辆参数的物联网图像智能检测系统 | |
CN107677365B (zh) | 一种公路隧道照明亮度快速检测装置及方法 | |
CN113638294A (zh) | 道路养护病害智慧检测系统技术 | |
CN116631187B (zh) | 一种案件现场勘查信息智能采集分析系统 | |
CN113343782A (zh) | 一种基于无人机遥感的高速公路标志标牌检测方法 | |
CN113012427B (zh) | 一种改进的车载轻量化巡检系统及方法 | |
CN117198057A (zh) | 一种面向路侧感知轨迹数据质量检评的实验方法及系统 | |
CN115994901A (zh) | 一种道路病害自动检测方法与系统 | |
CN115389516A (zh) | 一种基于高精度定位及深度神经网络的路面病害去重方法 | |
CN112729366B (zh) | 自动驾驶场地测试的天气模拟设备测试评价方法及装置 | |
CN113191239A (zh) | 一种基于计算机视觉的车辆外廓尺寸动态检测系统 | |
CN116635739A (zh) | 一种基于车载定位装置的路侧毫米波雷达校准方法 | |
CN105629333A (zh) | 一种基于视频的道路气象检测方法 | |
CN111539279A (zh) | 道路限高高度检测方法、装置、设备及存储介质 | |
CN114164736A (zh) | 一种公路表观与内部病害一体化智能检测系统 |
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 |