CN114355339A - 一种路面脱空病害雷达图谱识别方法及系统 - Google Patents
一种路面脱空病害雷达图谱识别方法及系统 Download PDFInfo
- Publication number
- CN114355339A CN114355339A CN202210030151.6A CN202210030151A CN114355339A CN 114355339 A CN114355339 A CN 114355339A CN 202210030151 A CN202210030151 A CN 202210030151A CN 114355339 A CN114355339 A CN 114355339A
- Authority
- CN
- China
- Prior art keywords
- void
- road surface
- radar
- spatial
- polymerization degree
- 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.)
- Granted
Links
- 239000011800 void material Substances 0.000 title claims abstract description 194
- 201000010099 disease Diseases 0.000 title claims abstract description 42
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001228 spectrum Methods 0.000 title claims abstract description 29
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 69
- 230000000149 penetrating effect Effects 0.000 claims abstract description 23
- 230000004931 aggregating effect Effects 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 9
- 230000001629 suppression Effects 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005553 drilling Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000010426 asphalt Substances 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种路面脱空病害雷达图谱识别方法及系统,方法包括:利用探地雷达对路面进行扫描,得到雷达图像;对所述雷达图像利用神经网络进行识别,得到目标脱空对象;对所述目标脱空对象进行聚合,得到多个脱空簇;所述脱空簇为多个所述目标脱空对象形成的簇;根据每个所述脱空簇确定空间聚合度;根据所述空间聚合度和设定空间聚合度阈值确定每个脱空簇的脱空结果;所述脱空结果为未发生脱空和发生脱空。本发明能够提高路面脱空病害的识别精度。
Description
技术领域
本发明涉及路面脱空病害检测领域,特别是涉及一种路面脱空病害雷达图谱识别方法及系统。
背景技术
近年来,国内外一些研究机构和单位尝试采用探地雷达技术进行路面内部脱空病害检测,其主要是通过分析电磁波在探测物内部的传播情况进而获取探测物相关信息,在旧路内部病害检测方面,类似于“CT检查人体”的方式针对道路健康状态进行可视化诊断,实现快速检验道路结构质量,无需进行大量的钻芯工作;相比传统检测技术具有无损,检测效率高等技术优势。然而,由于道路是一个复杂介质组合体,电磁波工作环境复杂,路面结构内部层间多次反射波、地下无用的非探测目标的反射信号等,会产生严重的杂波干扰,造成不必要的虚警。目前无成熟的目标识别算法进行脱空病害识别,主要依据人的经验判断,受工程经验和人为主观因素影响较大,无法实现对地下目标的有效识别。因此,有必要研发一种雷达图谱识别算法进行路面脱空病害识别,改变以往人工识谱的落后数据处理方式,快速获取不同通道间雷达图谱相似性特征,提高机器识别能力和准确率。
发明内容
本发明的目的是提供一种路面脱空病害雷达图谱识别方法及系统,以提高路面脱空病害的识别精度。
为实现上述目的,本发明提供了如下方案:
一种路面脱空病害雷达图谱识别方法,包括:
利用探地雷达对路面进行扫描,得到雷达图像;
对所述雷达图像利用神经网络进行识别,得到目标脱空对象;
对所述目标脱空对象进行聚合,得到多个脱空簇;所述脱空簇为多个所述目标脱空对象形成的簇;
根据每个所述脱空簇确定空间聚合度;
根据所述空间聚合度和设定空间聚合度阈值确定每个脱空簇的脱空结果;所述脱空结果为未发生脱空和发生脱空。
可选地,在所述利用探地雷达对路面进行扫描,得到雷达图像之后,还包括:
对所述雷达图像进行预处理;所述预处理包括噪声抑制、增益和背景去除处理。
可选地,在所述对所述目标脱空对象进行聚合,得到多个脱空簇之前,还包括:
按照路面位置将所有所述探地雷达的天线通道上的目标脱空对象投影到同一平面。
可选地,所述对所述目标脱空对象进行聚合,得到多个脱空簇,具体包括:
根据同一所述路面位置的目标脱空对象确定比例矩阵;
将所述比例矩阵的上三角阵中大于设定比例的目标脱空对象进行聚合,得到多个脱空簇。
可选地,所述比例矩阵的表达式为:
其中,ratio为比例矩阵,IA(A,B)为矩形A、B的相交面积,MIN(A,B)为矩形A的面积与矩形B的面积中的较小值。
可选地,所述空间聚合度的表达式为:
P=W1*IA1+...+WT-1*IAT-1
其中,P为空间聚合度,W1为步长为1时的权重,WT-1为步长为T-1时的权重,IA1为步长为1的条件下计算出的条件空间聚合度,IAT-1为步长为T-1的条件下计算出的条件空间聚合度。
可选地,所述根据所述空间聚合度和设定空间聚合度阈值确定每个脱空簇的脱空结果,具体包括:
判断所述空间聚合度是否小于设定空间聚合度阈值;
若是,则确定所述空间聚合度对应的脱空簇未发生脱空;
若否,则确定所述空间聚合度对应的脱空簇发生脱空。
一种路面脱空病害雷达图谱识别系统,包括:
扫描模块,用于利用探地雷达对路面进行扫描,得到雷达图像;
识别模块,用于对所述雷达图像利用神经网络进行识别,得到目标脱空对象;
聚合模块,用于对所述目标脱空对象进行聚合,得到多个脱空簇;所述脱空簇为多个所述目标脱空对象形成的簇;
空间聚合度确定模块,用于根据每个所述脱空簇确定空间聚合度;
脱空结果确定模块,用于根据所述空间聚合度和设定空间聚合度阈值确定每个脱空簇的脱空结果;所述脱空结果为未发生脱空和发生脱空。
可选地,所述路面脱空病害雷达图谱识别系统,还包括:
预处理模块,用于对所述雷达图像进行预处理;所述预处理包括噪声抑制、增益和背景去除处理。
可选地,所述路面脱空病害雷达图谱识别系统,还包括:
投影模块,用于按照路面位置将所有所述探地雷达的天线通道上的目标脱空对象投影到同一平面。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明利用探地雷达对路面进行扫描,得到雷达图像;对雷达图像利用神经网络进行识别,得到目标脱空对象;对目标脱空对象进行聚合,得到多个脱空簇;脱空簇为多个目标脱空对象形成的簇;根据每个脱空簇确定空间聚合度;根据空间聚合度和设定空间聚合度阈值确定每个脱空簇的脱空结果;脱空结果为未发生脱空和发生脱空。本发明能够提高路面脱空病害的识别精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的路面脱空病害雷达图谱识别方法流程图;
图2为本发明提供的路面脱空病害雷达图谱识别方法示意图;
图3为疑似脱空投影图;
图4为聚合示意图;
图5为疑似脱空簇闭包示意图;
图6为邻接步长示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
探地雷达技术可以快速、无损采集路面结构内部信息,检测精度可达厘米级(远高于钻芯取样、光纤维技术、声波和超声波探伤技术),且无需进行钻芯,相比传统检测技术具有无损,检测效率高等技术优势。但是由于电磁波在复杂介质中传播,易产生很多电磁杂波,目前无成熟有效识别算法进行脱空病害自动识别,脱空病害普遍依靠肉眼寻找,效率低,误报率高,需要大量的人力投入,且对技术人员要求高,无法实现大规模精准识别,难以形成有效生产力,大大限制了探地雷达技术在路面结构损伤探测中的应用。雷达数据处理过程中,需要对图谱采用噪声抑制、自动增益、背景去除等方式进行图谱处理,不同路面结构类型涉及病害,雷达信号反射波差异性大,增加脱空病害的识别难度。脱空病害是一个三维空间体,采用二维剖面难以有效确定三维空间体,易造成较大的误报。
如图1所示,本发明提供的一种路面脱空病害雷达图谱识别方法,包括:
步骤101:利用探地雷达对路面进行扫描,得到雷达图像。
步骤102:对所述雷达图像利用神经网络进行识别,得到目标脱空对象。其中,目标脱空对象为疑似脱空对象。
步骤103:对所述目标脱空对象进行聚合,得到多个脱空簇;所述脱空簇为多个所述目标脱空对象形成的簇。步骤103,具体包括:
根据同一所述路面位置的目标脱空对象确定比例矩阵。所述比例矩阵的表达式为:
其中,ratio为比例矩阵,IA(A,B)为矩形A、B的相交面积,MIN(A,B)为矩形A的面积与矩形B的面积中的较小值。
将所述比例矩阵的上三角阵中大于设定比例的目标脱空对象进行聚合,得到多个脱空簇。
步骤104:根据每个所述脱空簇确定空间聚合度。所述空间聚合度的表达式为:
P=W1*IA1+...+WT-1*IAT-1
其中,P为空间聚合度,W1为步长为1时的权重,WT-1为步长为T-1时的权重,IA1为步长为1的条件下计算出的条件空间聚合度,IAT-1为步长为T-1的条件下计算出的条件空间聚合度。空间聚合度是在基于业务规则和实际情况建立数学模型时提出的量化指标,其目的是衡量该脱空簇经验证后确实是一个脱空的可能性。空间聚合度并不是严格意义上的概率。
步骤105:根据所述空间聚合度和设定空间聚合度阈值确定每个脱空簇的脱空结果;所述脱空结果为未发生脱空和发生脱空。步骤105,具体包括:
判断所述空间聚合度是否小于设定空间聚合度阈值;若是,则确定所述空间聚合度对应的脱空簇未发生脱空;若否,则确定所述空间聚合度对应的脱空簇发生脱空。
在实际应用中,在所述利用探地雷达对路面进行扫描,得到雷达图像之后,还包括:对所述雷达图像进行预处理;所述预处理包括噪声抑制、增益和背景去除处理。
在实际应用中,在所述对所述目标脱空对象进行聚合,得到多个脱空簇之前,还包括:
按照路面位置将所有所述探地雷达的天线通道上的目标脱空对象投影到同一平面。
如图2所示,本发明还提供一种路面脱空病害雷达图谱识别方法在实际应用中的具体步骤。
本实例应用的数据集为广花一路CHG106路段盲测数据集,图片数量为95360张,其中图片大小为312*312像素的有51020张;图片大小为466*466的有44340张,通道数量为20。用于检测这个数据集的神经网络是Faster-RCNN。
1.雷达图像的采集及预处理
(1)采用三维探地雷达进行路面脱空病害扫描,具体检测参数为:天线通道数为21通道,天线频率范围为200-3000MHz,通道间距为7.5cm,有效采样宽度为1.5m,数据采用触发模式采用距离模式。
(2)采用噪声抑制、自动增益、背景去除等方式对图谱进行预处理,数据处理参数:纵向采样间距7cm,时窗50ns,驻波时间1ms。
2.病害特征算法搭建
步骤一:
为了方便之后计算一个位置切段的疑似脱空簇个数,要把所有通道上的AI识别疑似脱空(检测框)投影到一个同等大小的纵断面上。具体操作是将同个位置切段下的所有txt文件中的内容汇总到一个txt文件内,并以位置切段的编号命名该txt文件。其中,位置切段指的是依据AI识别器输入图像尺寸约束及其他约束,需要对扫描路段进行小段切割,每一小段称为位置切段;AI识别疑似脱空指的是神经网络在单张图片识别出来的疑似为脱空的对象。
具体为,对于4768个位置切段中的每一个切段,把所有通道上的AI识别疑似脱空(检测框)投影到同一平面上。将同个位置切段下的所有txt文件中的内容汇总到一个txt文件内,并以位置切段的编号命名该txt文件。其中,图3(a)为疑似脱空投影方式说明图,图3(b)为疑似脱空投影图。图3(b)中的外框为输入图片的外轮廓,因为神经网络检测时的输入图片的大小是有限定的。
步骤二:
对上述疑似脱空(检测框)进行聚合,得到若干个簇,一个簇表示一个潜在脱空。具体操作是计算同个位置切段内所有疑似脱空两两之间的比值,得到比例矩阵。
选出比例矩阵的上三角阵中大于0.5的元素及其对应的疑似脱空,将两个疑似脱空归为一簇。
其中,如图4所示聚合指的是对疑似脱空进行分类;分类规则是:聚合内一个脱空,与聚合内至少一个脱空相交;如果重叠区域面积与两个纵向切面识别矩形框中较小的一个面积比值大于事先设定的阈值(50%),则认为两个疑似脱空重叠,否则,则认为不重叠。簇指的是重叠的一组疑似脱空。统计结果如表1所示。
表1统计结果表
步骤三,计算每个簇计算空间聚合度。空间聚合度越大,越有可能是脱空,对于每一个疑似脱空簇,其空间聚合度的计算方式如下:
P=W1*IA1+...+WT-1*IAT-1
其中,IAd为步长为d的条件下计算得到的条件空间聚合度,如图6所示,d为邻接步长,其取值范围为1到T-1之间的整数;图6(a)为邻接步长为1示意图,图6(b)为邻接步长为2示意图。IA(T[i],T[j])为检测框i和j的相交面积;CA为空间聚合的矩形闭包的面积;I为IA不为0的个数;疑似脱空簇闭包如图5所示。对于该数据集,统计结果如表2所示:
表2空间聚合度计算统计结果
步骤四,确定阈值Pa,当空间聚合度<Pa时,认为该簇不是一处脱空;当空间聚合度>Pa时,认为该簇是一处脱空。该阈值通过调参确定,认为当空间聚合度小于0.18时,有较大把握认为该簇不是一簇脱空,应当排除;空间聚合度大于0.18时,不应排除;空间聚合度大于0.29时,有较大把握认为该簇是一处脱空。针对目前常用的密级配、开级配、半开级配型沥青路面类型,经超1000Km路面工程检测及开挖验证确定,阈值Pa大于0.18时,本发明对于脱空的识别率超过95%。如表3所示,经本发明筛选后,在4768个道路切段中正确识别出8个脱空,降低至少70%的工作量。
表3实例项目病害识别结果统计表
指标 | 数量 |
算法消除的脱空簇总数 | 467 |
联合判别后AI识别无脱空切段总数 | 4591 |
联合判别后AI识别脱空总数 | 182 |
联合判别后AI识别脱空切段总数 | 177 |
业务脱空数 | 10 |
业务脱空中AI正确识别数 | 8 |
业务脱空中AI漏报数 | 2 |
降低工作量 | 约70% |
表4与传统方法对比统计表
经测试可知,本发明对于脱空病害识别,在识别率、误报率、经济性、效率上相对人工识别、传统算法均有较大的优势。
本发明还提供一种路面脱空病害雷达图谱识别系统,包括:
扫描模块,用于利用探地雷达对路面进行扫描,得到雷达图像。
识别模块,用于对所述雷达图像利用神经网络进行识别,得到目标脱空对象。
聚合模块,用于对所述目标脱空对象进行聚合,得到多个脱空簇;所述脱空簇为多个所述目标脱空对象形成的簇。
空间聚合度确定模块,用于根据每个所述脱空簇确定空间聚合度。
脱空结果确定模块,用于根据所述空间聚合度和设定空间聚合度阈值确定每个脱空簇的脱空结果;所述脱空结果为未发生脱空和发生脱空。
在实际应用中,所述路面脱空病害雷达图谱识别系统,还包括:
预处理模块,用于对所述雷达图像进行预处理;所述预处理包括噪声抑制、增益和背景去除处理。
在实际应用中,所述路面脱空病害雷达图谱识别系统,还包括:
投影模块,用于按照路面位置将所有所述探地雷达的天线通道上的目标脱空对象投影到同一平面。
本发明为脱空病害的有效识别提供了一个快速、适用性强的新方法。相较传统方法,效率高、投入少、经济性好,识别率和误报率均优于传统方式,能够形成有效生产力,使探地雷达技术大面积运用于道路内部损伤检测成为可能,也为路面结构维修养护方案确定、道路安全预警提供必要的基础数据支撑。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种路面脱空病害雷达图谱识别方法,其特征在于,包括:
利用探地雷达对路面进行扫描,得到雷达图像;
对所述雷达图像利用神经网络进行识别,得到目标脱空对象;
对所述目标脱空对象进行聚合,得到多个脱空簇;所述脱空簇为多个所述目标脱空对象形成的簇;
根据每个所述脱空簇确定空间聚合度;
根据所述空间聚合度和设定空间聚合度阈值确定每个脱空簇的脱空结果;所述脱空结果为未发生脱空和发生脱空。
2.根据权利要求1所述的路面脱空病害雷达图谱识别方法,其特征在于,在所述利用探地雷达对路面进行扫描,得到雷达图像之后,还包括:
对所述雷达图像进行预处理;所述预处理包括噪声抑制、增益和背景去除处理。
3.根据权利要求1所述的路面脱空病害雷达图谱识别方法,其特征在于,在所述对所述目标脱空对象进行聚合,得到多个脱空簇之前,还包括:
按照路面位置将所有所述探地雷达的天线通道上的目标脱空对象投影到同一平面。
4.根据权利要求3所述的路面脱空病害雷达图谱识别方法,其特征在于,所述对所述目标脱空对象进行聚合,得到多个脱空簇,具体包括:
根据同一所述路面位置的目标脱空对象确定比例矩阵;
将所述比例矩阵的上三角阵中大于设定比例的目标脱空对象进行聚合,得到多个脱空簇。
6.根据权利要求1所述的路面脱空病害雷达图谱识别方法,其特征在于,所述空间聚合度的表达式为:
P=W1*IA1+...+WT-1*IAT-1
其中,P为空间聚合度,W1为步长为1时的权重,WT-1为步长为T-1时的权重,IA1为步长为1的条件下计算出的条件空间聚合度,IAT-1为步长为T-1的条件下计算出的条件空间聚合度。
7.根据权利要求1所述的路面脱空病害雷达图谱识别方法,其特征在于,所述根据所述空间聚合度和设定空间聚合度阈值确定每个脱空簇的脱空结果,具体包括:
判断所述空间聚合度是否小于设定空间聚合度阈值;
若是,则确定所述空间聚合度对应的脱空簇未发生脱空;
若否,则确定所述空间聚合度对应的脱空簇发生脱空。
8.一种路面脱空病害雷达图谱识别系统,其特征在于,包括:
扫描模块,用于利用探地雷达对路面进行扫描,得到雷达图像;
识别模块,用于对所述雷达图像利用神经网络进行识别,得到目标脱空对象;
聚合模块,用于对所述目标脱空对象进行聚合,得到多个脱空簇;所述脱空簇为多个所述目标脱空对象形成的簇;
空间聚合度确定模块,用于根据每个所述脱空簇确定空间聚合度;
脱空结果确定模块,用于根据所述空间聚合度和设定空间聚合度阈值确定每个脱空簇的脱空结果;所述脱空结果为未发生脱空和发生脱空。
9.根据权利要求8所述的路面脱空病害雷达图谱识别系统,其特征在于,所述路面脱空病害雷达图谱识别系统,还包括:
预处理模块,用于对所述雷达图像进行预处理;所述预处理包括噪声抑制、增益和背景去除处理。
10.根据权利要求8所述的路面脱空病害雷达图谱识别系统,其特征在于,所述路面脱空病害雷达图谱识别系统,还包括:
投影模块,用于按照路面位置将所有所述探地雷达的天线通道上的目标脱空对象投影到同一平面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210030151.6A CN114355339B (zh) | 2022-01-12 | 2022-01-12 | 一种路面脱空病害雷达图谱识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210030151.6A CN114355339B (zh) | 2022-01-12 | 2022-01-12 | 一种路面脱空病害雷达图谱识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114355339A true CN114355339A (zh) | 2022-04-15 |
CN114355339B CN114355339B (zh) | 2024-08-06 |
Family
ID=81109148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210030151.6A Active CN114355339B (zh) | 2022-01-12 | 2022-01-12 | 一种路面脱空病害雷达图谱识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114355339B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115097445A (zh) * | 2022-06-20 | 2022-09-23 | 中国铁建港航局集团有限公司 | 道路路基病害三维探地雷达探测方法、系统、设备及终端 |
CN117078235A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 全面评估的路网养护维修方法、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106638243A (zh) * | 2016-11-09 | 2017-05-10 | 华南理工大学 | 水泥混凝土路面板底脱空识别机器人及其连续识别方法 |
CN109444911A (zh) * | 2018-10-18 | 2019-03-08 | 哈尔滨工程大学 | 一种单目相机和激光雷达信息融合的无人艇水面目标检测识别与定位方法 |
US20190108413A1 (en) * | 2017-10-05 | 2019-04-11 | The Climate Corporation | Disease recognition from images having a large field of view |
CN109903306A (zh) * | 2019-02-21 | 2019-06-18 | 东南大学 | 一种基于探地雷达图像的层间脱空识别方法 |
US20220350015A1 (en) * | 2019-11-01 | 2022-11-03 | Chang'an University | Method for detecting moisture damage on asphalt pavement based on adaptive selection of gpr image grayscale |
-
2022
- 2022-01-12 CN CN202210030151.6A patent/CN114355339B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106638243A (zh) * | 2016-11-09 | 2017-05-10 | 华南理工大学 | 水泥混凝土路面板底脱空识别机器人及其连续识别方法 |
US20190108413A1 (en) * | 2017-10-05 | 2019-04-11 | The Climate Corporation | Disease recognition from images having a large field of view |
CN109444911A (zh) * | 2018-10-18 | 2019-03-08 | 哈尔滨工程大学 | 一种单目相机和激光雷达信息融合的无人艇水面目标检测识别与定位方法 |
CN109903306A (zh) * | 2019-02-21 | 2019-06-18 | 东南大学 | 一种基于探地雷达图像的层间脱空识别方法 |
US20220350015A1 (en) * | 2019-11-01 | 2022-11-03 | Chang'an University | Method for detecting moisture damage on asphalt pavement based on adaptive selection of gpr image grayscale |
Non-Patent Citations (1)
Title |
---|
陈晓清;马君国;赵宏钟;付强;: "激光成像雷达自动目标识别技术综述", 现代防御技术, no. 06, 15 December 2009 (2009-12-15) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115097445A (zh) * | 2022-06-20 | 2022-09-23 | 中国铁建港航局集团有限公司 | 道路路基病害三维探地雷达探测方法、系统、设备及终端 |
CN117078235A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 全面评估的路网养护维修方法、电子设备及存储介质 |
CN117078235B (zh) * | 2023-10-17 | 2024-03-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 全面评估的路网养护维修方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114355339B (zh) | 2024-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Integrated processing of image and GPR data for automated pothole detection | |
CN114355339A (zh) | 一种路面脱空病害雷达图谱识别方法及系统 | |
CN101201329B (zh) | 基于射线衰减能量场的无损检测缺陷提取、识别方法 | |
CN107507417B (zh) | 一种基于微波雷达回波信号的智能车道划分方法及装置 | |
CN109870459A (zh) | 无砟轨道的轨道板裂缝检测方法 | |
CN104851086A (zh) | 一种针对缆索表面缺陷的图像检测方法 | |
CN108921076A (zh) | 基于图像的道面裂缝病害自适应恒虚警检测方法 | |
CN103400137A (zh) | 一种sar图像的建筑物几何参数提取方法 | |
CN110261857A (zh) | 一种天气雷达空间插值方法 | |
CN106952242A (zh) | 一种基于体素的渐进不规则三角网点云滤波方法 | |
CN114581764A (zh) | 基于深度学习算法的地下结构裂纹病害判别方法 | |
CN102110366A (zh) | 一种基于块累积的高速公路车辆停车事件检测方法 | |
CN114187516A (zh) | 一种基于bp神经网络的探地雷达地下空洞目标识别方法 | |
Ravi et al. | Highway and airport runway pavement inspection using mobile lidar | |
CN112327265A (zh) | 一种基于语义分割网络的分治检测方法 | |
CN113720914B (zh) | 超声波探伤系统及超声波探伤方法 | |
CN114782728A (zh) | 一种探地雷达的数据可视化方法 | |
CN110672632A (zh) | 一种隧道病害识别方法 | |
CN114019503A (zh) | 基于fod检测系统的机场跑道异物检测方法、设备、存储介质 | |
Mustaffar et al. | Automated pavement imaging program (APIP) for pavement cracks classification and quantification-a photogrammetric approach | |
CN112215137A (zh) | 基于区域约束的低虚警目标检测方法 | |
CN113960575A (zh) | 一种基于超声波雷达区分地面和障碍物的系统及方法 | |
CN115641448A (zh) | 一种基于无人机遥感快速识别电力线下树障高度的方法 | |
Miah et al. | Design of multidimensional sensor fusion system for road pavement inspection | |
Sulistyaningrum et al. | Pavement Distress Classification Using Deep Learning Method Based on Digital Image |
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 |