CN114240903A - 一种机场道面病害检测方法和系统 - Google Patents

一种机场道面病害检测方法和系统 Download PDF

Info

Publication number
CN114240903A
CN114240903A CN202111566589.8A CN202111566589A CN114240903A CN 114240903 A CN114240903 A CN 114240903A CN 202111566589 A CN202111566589 A CN 202111566589A CN 114240903 A CN114240903 A CN 114240903A
Authority
CN
China
Prior art keywords
image
model
detection result
detection
disease
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
Application number
CN202111566589.8A
Other languages
English (en)
Inventor
张平
张力波
邵黎明
甄军平
代稳
李佳明
曹铁
任军
张轩
陈徐林
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.)
Civil Aviation Electronic Technology Co ltd
Second Research Institute of CAAC
Original Assignee
Civil Aviation Electronic Technology Co ltd
Second Research Institute of CAAC
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 Civil Aviation Electronic Technology Co ltd, Second Research Institute of CAAC filed Critical Civil Aviation Electronic Technology Co ltd
Priority to CN202111566589.8A priority Critical patent/CN114240903A/zh
Publication of CN114240903A publication Critical patent/CN114240903A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
    • G06N3/04—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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete

Landscapes

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

Abstract

本发明提供了一种机场道面病害检测方法，包括：得到训练好的YOLOv5目标检测模型和DDRNet语义分割模型；基于推理优化器对训练好的YOLOv5和DDRNet进行优化；将优化后的YOLOv5和DDRNet以及图像加速解码器部署在可移动巡检本体上；控制可移动巡检本体按照预设行驶路径行驶，并控制图像采集装置采集图像；图像加速解码器实时获取采集的图像并进行解码；优化后的YOLOv5对解码后的图像进行检测，得到第一检测结果；优化后的DDRNet基于第一检测结果对存在病害的图像区域进行轮廓信息提取，得到第二检测结果。本发明还提供了一种机场道面病害检测系统。本发明能够在巡检过程中实时得到检测结果。

Description

一种机场道面病害检测方法和系统
技术领域
本申请涉及机场道面病害检测技术领域，具体涉及一种机场道面病害检测方法和系统。
背景技术
机场道面是机场的重要设施，在气候的影响下，机场道面会逐渐产生裂缝、标识线不完整等病害，机场需要时刻关注上述信息的动态变化，以消除安全隐患，保障机场安全运行。
随着航空交通量的快速增长，机场道面检测已由最初的人工巡检方式转变为自动化巡检方式。当前雷达探测技术和深度学习技术是主流的自动检测技术，但是激光雷达的价格比较昂贵，且探测精度难以达到道面小尺寸裂缝的探测要求；在深度学习方面使用目标检测算法和语义分割算法处理机场道面图像，但是目标检测算法不能提取裂缝的轮廓信息，故不能判断机场道面裂缝的严重程度；使用语义分割算法可以提取轮廓信息，但是检测实时性差，如专利文献CN113111704A公开的基于深度学习的机场道面病害异物检测方法及系统。
发明内容
针对上述技术问题，本申请采用的技术方案为：
本发明实施例提供一种机场道面病害检测方法，包括以下步骤：
S100，分别优化和搭建YOLOv5卷积神经网络模型和DDRNet卷积神经网络模型并训练，得到训练好的YOLOv5目标检测模型和DDRNet语义分割模型；
S200，基于预设的推理优化器对训练好的YOLOv5目标检测模型和DDRNet语义分割模型进行优化，以提高模型的推理速度；
S300，将优化后的YOLOv5目标检测模型和DDRNet语义分割模型以及图像加速解码器部署在可移动巡检本体的图像检测装置上；所述可移动巡检本体上还设置有图像采集装置；
S400，控制可移动巡检本体按照预设行驶路径行驶，并控制图像采集装置采集机场道面图像；
S500，图像加速解码器实时获取采集的机场道面图像并进行解码，并将解码后的图像发送给优化后的YOLOv5目标检测模型；
S600，利用优化后的YOLOv5目标检测模型对解码后的图像进行检测，得到第一检测结果，所述第一检测结果包括病害类型和病害位置；
S700，利用优化后的DDRNet语义分割模型基于第一检测结果对存在病害的图像区域进行轮廓信息提取，得到第二检测结果，第二检测结果包括病害轮廓信息。
本发明另一实施例提供一种机场道面病害检测系统，包括：通信连接的可移动巡检本体和远程控制端，所述可移动巡检本体上设置有图像采集装置和图像检测装置；
其中，所述图像检测装置包括图像加速解码器、通过预设的推理优化器优化后的YOLOv5目标检测模型和DDRNet语义分割模型；
其中，所述可移动巡检本体用于基于远程控制端发送的控制指令按照预设的行驶路径进行巡检；
所述图像采集装置用于在可移动巡检本体的巡检过程中采集机场道面图像，并发送给所述图像检测装置；
所述图像检测装置用于：
通过图像加速解码器实时获取采集的机场道面图像并进行解码，并将解码后的图像发送给优化后的YOLOv5目标检测模型；
通过优化后的YOLOv5目标检测模型对解码后的图像进行检测，得到第一检测结果，所述第一检测结果包括病害的类型和病害在图像中的位置；
通过优化后的DDRNet语义分割模型基于第一检测结果对存在病害的图像区域进行病害轮廓信息提取，得到第二检测结果，第二检测结果包括病害的轮廓信息；以及将所述第一检测结果和所述第二检测结果发送给所述远程控制端。
本发明实施例提供的机场道面病害检测方法和系统，由于采用了推力优化器对YOLOv5目标检测模型和DDRNet语义分割模型进行了优化，并且采用了图像加速解码器对采集的机场道面图像进行了快速解码，因此，能够在巡检过程中实时得到包含病害类型、病害位置和病害轮廓信息的检测结果，能够及时发现病害。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请实施例提供的一种机场道面病害检测方法的流程示意图；
图2为本申请实施例提供的一种机场道面病害检测系统的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1为本申请实施例提供的一种机场道面病害检测方法的流程示意图。如图1所示，本申请实施例提供一种机场道面病害检测方法，包括以下步骤：
S100，分别优化和搭建YOLOv5卷积神经网络模型和DDRNet卷积神经网络模型并训练，得到训练好的YOLOv5目标检测模型和DDRNet语义分割模型。
在本发明实施例中，训练样本集可通过如下方式获取：从多个机场以及第三方机构获得机场及城市道路的道面病害图像并进行标注，并采用Mosaic和MixUp数据增强技术对数据作图像增强，得到8万张训练数据和2万张测试数据。在本发明实施例中，选用tensorflow2.5作为深度学习框架，构建YOLOv5和DDRNet卷积神经网络模型。在本发明实施例中，道面病害可包括对接缝破碎、板角剥落、裂纹、补丁、坑洞等。
在本发明实施例中，YOLOv5目标检测模型采用k-means聚类算法对于病害数据集图片中的目标检测框进行聚类分析，得到新的适用于机场道面病害检测的Anchor数量与尺寸，依据k-means聚类算法得到的参数修改YOLOv5网络配置文件中Anchor数量与尺寸；为了提高模型对裂纹、坑洞等小尺寸病害的检测能力，DDRNet语义分割模型采用OhemCELoss损失函数进行训练。YOLOv5和DDRNet卷积神经网络的构建、训练以及测试均在配置4条NVIDIATesla V100(32GB显存)的训练服务器上进行。
S200，基于预设的推理优化器对训练好的YOLOv5目标检测模型和DDRNet语义分割模型进行优化，以提高卷积神经网络模型的推理速度。
在本发明实施例中，推理优化器可采用Nvidia公司推出的TensorRT。TensorRT对卷积神经网络模型的优化主要包括减少模型推理计算量和对模型进行重构，具体包括：
将卷积神经网络模型中数据类型为FP32的参数通过映射操作降为FP16或INT8的数据类型，以减少模型推理计算量；以及
通过层间融合和张量融合对卷积神经网络模型中的网络层进行简化，以简化模型结构。具体地，可通过层间融合将卷积神经网络模型中的常见块结构合并成一个网络层，通过张量融合将多个结构相同的网络层合并成一个网络层，以及自动删除连接层等模型简化方法，简化模型结构。通过对模型重构减少模型对GPU的CUDA核心占用量以及调用频率，使得整个模型结构会更小，更快，更高效。
S300，将优化后的YOLOv5目标检测模型和DDRNet语义分割模型以及图像加速解码器部署在可移动巡检本体的图像检测装置上；所述可移动巡检本体上还设置有图像采集装置。
在本发明一示意性实施例中，所述图像加速解码器可为DeepStream。DeepStream是Nvidia公司推出的旨加速流视频分析的SDK，通过该SDK可实现在GPU上快速完成从视频流捕获到输出深度学习算法识别结果。通过DeepStream搭建流处理管道，摄像机视频流输入该管道；快速解码模块通过GPU对视频流进行快速解码并获取序列帧图片；图像预处理模块通过GPU对图片进行颜色通道转换、尺寸缩放以及归一化处理，使得图片满足YOLOv5算法的输入要求。
在本发明实施例中，可移动巡检本体可为能够自动移动的巡检车辆。图像采集装置可由3个工业摄像头组成，其中，一个摄像头观测巡检车辆的前下方，另外两个摄像头观测巡检车辆的侧下方。
在一具体实施例中，优化后的YOLOv5目标检测模型和DDRNet语义分割模型以及图像加速解码器可部署在图像检测装置的AI边缘运算平台上。在一个示意性实施例中，可采用Jetson AGX Xavier开发套件作为本发明的AI边缘运算平台；在AI边缘运算平台上，安装TensorRT和DeepStream；用TensorRT对训练好后的YOLOv5和DDRNet模型文件(.PB)进行优化，生成.engine文件；通过DeepStream加载优化后YOLOv5和DDRNet模型，完成对模型的部署。
S400，控制可移动巡检本体按照预设行驶路径行驶，并控制图像采集装置采集机场道面图像。
预设行驶路径可基于巡检任务确定，可由远程控制端生成。
S500，图像加速解码器实时获取采集的机场道面图像并进行解码，并将解码后的图像发送给优化后的YOLOv5目标检测模型。
S600，利用优化后的YOLOv5目标检测模型对解码后的图像进行检测，得到第一检测结果，所述第一检测结果包括病害类型和病害位置。
利用优化后的YOLOv5目标检测模型对解码后的图像进行检测，得到第一检测结果可为现有技术。优化后的YOLOv5目标检测模型在检测到病害时，会在图像上对病害进行标识，例如会图像上标记出病害的外接矩形框。
S700，利用优化后的DDRNet语义分割模型基于第一检测结果对存在病害的图像区域进行轮廓信息提取，得到第二检测结果，第二检测结果包括病害轮廓信息。
利用优化后的DDRNet语义分割模型基于第一检测结果对存在病害的图像区域进行轮廓信息提取，得到第二检测结果可为现有技术。
进一步地，还包括：
S800，将所述第一检测结果和所述第二检测结果发送给远程控制端。
在本发明实施例中，远程控制端在接收到第一检测结果和第二检测结果后，会在显示终端进行可视化呈现，在进行可视化呈现时，对于病害类型和病害位置可以方框和标签的形式进行呈现。
图2为本申请实施例提供的一种机场道面病害检测系统的结构框图。如图2所示，本发明另一实施例提供一种机场道面病害检测系统，包括：远程控制端1以及与远程控制端1通信连接的可移动巡检本体2和显示终端3，所述可移动巡检本体2上设置有图像采集装置4和图像检测装置5。
在本发明实施例中，可移动巡检本体2用于基于远程控制端发送的控制指令按照预设的行驶路径进行巡检。可移动巡检本体2可为能够自动移动的巡检车辆，其具有能够使其自动移动的自动驾驶系统。
在可巡检本体2上还设置有定位装置6、车载控制装置7和通信装置8。定位装置6可由北斗天线和惯导装置组成，用于对巡检车辆进行定位，并将定位信息发送给远程控制端1。车载控制装置7用于执行远程控制端1对巡检车辆的巡检控制指令，控制巡检本体按照设定的行驶路径进行行驶。通信装置8用于巡检车辆与远程控制端1的实时通信，例如可采用5G进行实时通信。
远程控制端1上部署有巡检本体控制系统，包括车辆路径规划模块和遥控模块，用于向车载控制装置7下发巡检控制指令，以自动控制或远程临时控制巡检车辆的运动路线即行驶路径。在具体实施时，远程控制端2搭建有机场道面智能巡检系统网页端程序，主要有两个功能，其一是用于接收和保存道面巡检图像以及道面病害检测结果，将道面巡检图像以及病害信息传输给显示终端3，其二是将车辆控制系统的指令通过5G网络发送给巡检车辆上的车载控制模块，控制巡检车辆的运动。
进一步地，在本发明实施例中，图像采集装置4用于在巡检车辆巡检过程中采集机场道面图像，并将图像信息通过5G网络传送至远程控制端1，同时通过数据线传送至图像检测装置5。图像采集装置可由3个工业摄像头组成，其中，一个摄像头观测巡检车辆的前下方，另外两个摄像头观测巡检车辆的侧下方。
进一步地，在本发明实施例中，图像检测装置5可包括AI边缘运算平台以及部署在AI边缘运算平台上的通过预设的推理优化器优化后的YOLOv5目标检测模型和DDRNet语义分割模型、图像加速解码器，用于检测道面病害的类型、位置以及轮廓信息，并将检测结果通过通信系统发送至远程控制端1。其中，推理优化器可为TensorRT，图像加速解码器可为DeepStream。YOLOv5目标检测模型和DDRNet语义分割模型的具体优化过程以及优化后的YOLOv5目标检测模型和DDRNet语义分割模型、图像加速解码器的具体部署可参见前述实施例。
具体地，所述图像检测装置5用于：
通过图像加速解码器实时获取采集的机场道面图像并进行解码，并将解码后的图像发送给优化后的YOLOv5目标检测模型；
通过优化后的YOLOv5目标检测模型对解码后的图像进行检测，得到第一检测结果，所述第一检测结果包括病害类型和病害位置；
通过优化后的DDRNet语义分割模型基于第一检测结果对存在病害的图像区域进行轮廓信息提取，得到第二检测结果，第二检测结果包括病害轮廓信息；以及
将所述第一检测结果和所述第二检测结果发送给所述远程控制端1。
第一检测结果和第二检测结果的获取可参见前述实施例，为避免赘述，本实施例省略对其的具体介绍。
在本发明实施例中，显示终端3用于显示所述第一检测结果和所述第二检测结果。在具体实施时，显示终端3用于展示在远程控制端1上搭建的机场道面智能巡检系统网页端程序，其主页面内容为道面实时画面、右侧病害记录栏以及下方的车辆控制模块栏。
在具体应用时，使用本发明实施例提供的机场道面病害检测系统对道面病害进行自动巡检时，可包括以下步骤：
步骤一，在机场道面智能巡检系统网页端车辆控制模块栏，选择一种巡检任务，确定巡检车辆的巡检路径。巡检车辆上的导航装置将定位信息通过5G网络发送给远程控制端，远程控制端根据巡检车辆位置信息和规划的巡检路径得出相应的巡检控制指令，并将巡检控制指令通过5G网络发送给巡检车辆上的车载控制装置，车载控制装置控制巡检车辆运动从而进行自动巡检。
步骤二，车辆巡检过程中，图像采集装置采集道面图像，将图像通过5G网络传送至远程控制端，同时通过数据线将图像传送至图像检测装置。图像检测装置对道面图像进行病害检测，并将检测得到的病害类型、位置以及轮廓信息通过5G网络传送至远程控制端。
步骤三，远程控制端接收并存储道面图像和病害检测信息，道面巡检图像存储为视频，道面病害检测结果以及巡检车辆的位置信息通过数据库保存；同时，远程控制端将道面巡检图像实时在机场道面智能巡检系统网页端程序上显示，并通过方框和标签的形式实时标出检测到的病害类型和位置，在病害记录栏内，及时展示带轮廓标记的病害图片。
步骤四，当作业人员在显示终端发现系统检测到病害时，可在机场道面智能巡检系统网页端的车辆控制模块栏，通过遥控模块上的控制按钮人工遥控巡检车辆的运动，实现对道面病害的进一步确认。
步骤五，病害确认完成后，作业人员在机场道面智能巡检系统网页端车辆控制模块栏，选择按巡检路径继续巡检。当巡检车辆到达巡检路径终点时整个道面巡检作业完成。
虽然已经通过示例对本申请的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本申请的范围。本领域的技术人员还应理解，可以对实施例进行多种修改而不脱离本申请的范围和精神。本申请开的范围由所附权利要求来限定。

Claims (10)

1.一种机场道面病害检测方法，其特征在于，包括以下步骤：
S100，分别搭建YOLOv5卷积神经网络模型和DDRNet卷积神经网络模型并设置超参数训练，得到训练好的YOLOv5目标检测模型和DDRNet语义分割模型；
S200，基于预设的推理优化器对训练好的YOLOv5目标检测模型和DDRNet语义分割模型进行优化，以提高模型的推理速度；
S300，将优化后的YOLOv5目标检测模型和DDRNet语义分割模型以及图像加速解码器部署在可移动巡检本体的图像检测装置上；所述可移动巡检本体上还设置有图像采集装置；
S400，控制可移动巡检本体按照预设行驶路径行驶，并控制图像采集装置采集机场道面图像；
S500，图像加速解码器实时获取采集的机场道面图像并进行解码，并将解码后的图像发送给优化后的YOLOv5目标检测模型；
S600，利用优化后的YOLOv5目标检测模型对解码后的图像进行检测，得到第一检测结果，所述第一检测结果包括病害类型和病害位置；
S700，利用优化后的DDRNet语义分割模型基于第一检测结果对存在病害的图像区域进行轮廓信息提取，得到第二检测结果，第二检测结果包括病害轮廓信息。
2.根据权利要求1所述的机场道面病害检测方法，其特征在于，所述推理优化器为TensorRT。
3.根据权利要求2所述的机场道面病害检测方法，其特征在于，所述TensorRT用于：
将卷积神经网络模型中数据类型为FP32的参数通过映射操作降为FP16或INT8的数据类型，以减少模型推理计算量；以及
通过层间融合和张量融合对卷积神经网络模型中的网络层进行简化，以简化模型结构。
4.根据权利要求1所述的机场道面病害检测方法，其特征在于，所述图像加速解码器为DeepStream。
5.根据权利要求1所述的机场道面病害检测方法，其特征在于，还包括：
S800，将所述第一检测结果和所述第二检测结果发送给远程控制端。
6.一种机场道面病害检测系统，其特征在于，包括：通信连接的可移动巡检本体和远程控制端，所述可移动巡检本体上设置有图像采集装置和图像检测装置；
其中，所述图像检测装置包括图像加速解码器、通过预设的推理优化器优化后的YOLOv5目标检测模型和DDRNet语义分割模型；
其中，所述可移动巡检本体用于基于远程控制端发送的控制指令按照预设的行驶路径进行巡检；
所述图像采集装置用于在可移动巡检本体的巡检过程中采集机场道面图像，并发送给所述图像检测装置；
所述图像检测装置用于：
通过图像加速解码器实时获取采集的机场道面图像并进行解码，并将解码后的图像发送给优化后的YOLOv5目标检测模型；
通过优化后的YOLOv5目标检测模型对解码后的图像进行检测，得到第一检测结果，所述第一检测结果包括病害类型和病害位置；
通过优化后的DDRNet语义分割模型基于第一检测结果对存在病害的图像区域进行轮廓信息提取，得到第二检测结果，第二检测结果包括病害轮廓信息；以及
将所述第一检测结果和所述第二检测结果发送给所述远程控制端。
7.根据权利要求6所述的机场道面病害检测系统，其特征在于，所述可移动巡检本体上还设置有定位装置。
8.根据权利要求6所述的机场道面病害检测系统，其特征在于，还包括显示终端，用于显示所述第一检测结果和所述第二检测结果。
9.根据权利要求6所述的机场道面病害检测系统，其特征在于，所述推理优化器为TensorRT。
10.根据权利要求6所述的机场道面病害检测系统，其特征在于，所述图像加速解码器为DeepStream。
CN202111566589.8A 2021-12-20 2021-12-20 一种机场道面病害检测方法和系统 Pending CN114240903A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111566589.8A CN114240903A (zh) 2021-12-20 2021-12-20 一种机场道面病害检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111566589.8A CN114240903A (zh) 2021-12-20 2021-12-20 一种机场道面病害检测方法和系统

Publications (1)

Publication Number Publication Date
CN114240903A true CN114240903A (zh) 2022-03-25

Family

ID=80759798

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111566589.8A Pending CN114240903A (zh) 2021-12-20 2021-12-20 一种机场道面病害检测方法和系统

Country Status (1)

Country Link
CN (1) CN114240903A (zh)

Similar Documents

Publication Publication Date Title
CN112668696A (zh) 一种基于嵌入式深度学习的无人机电网巡检方法和系统
CN110598637B (zh) 一种基于视觉及深度学习的无人驾驶系统及方法
CN115223130B (zh) 基于改进YOLOv5的多任务全景驾驶感知方法与系统
CN112686833B (zh) 一种基于卷积神经网络的工业产品表面缺陷检测和分类装置
CN109657614B (zh) 航拍道路交通事故现场勘查中道路自动识别方法
CN112446852B (zh) 一种隧道成像平面展示方法及缺陷智能识别系统
CN111462140B (zh) 一种基于区块拼接的实时图像实例分割方法
CN116823800A (zh) 一种基于深度学习的复杂背景下桥梁混凝土裂缝检测方法
CN114815881A (zh) 基于边缘计算与无人机巡检协同的智能巡检方法
CN114612872A (zh) 目标检测方法、装置、电子设备及计算机可读存储介质
CN114612741A (zh) 缺陷识别模型的训练方法、装置、电子设备及存储介质
CN113788051A (zh) 列车在站运行状态监测分析系统
CN112508911A (zh) 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法
Iparraguirre et al. Road marking damage detection based on deep learning for infrastructure evaluation in emerging autonomous driving
CN118348015A (zh) 一种自移动式地铁隧道结构表观病害检测装备及方法
CN117095316B (zh) 路面巡检方法、装置、设备及可读存储介质
CN114219073A (zh) 属性信息的确定方法、装置、存储介质及电子装置
CN114240901A (zh) 一种机场道面异常状态实时检测方法和系统
CN115965926B (zh) 一种车载式道路标志标线巡检系统
CN114240903A (zh) 一种机场道面病害检测方法和系统
CN112509321A (zh) 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质
CN111523543A (zh) 一种基于学习的隧道表面缺陷定位方法
CN113657261A (zh) 基于机场远程塔台全景视频的实时目标检测方法及装置
CN114549432A (zh) 无人机图像智能识别方法
CN113723248A (zh) 一种基于视觉的智能网联公交客流检测方法及系统

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