CN114359147A - 裂缝检测方法、装置、服务器及存储介质 - Google Patents
裂缝检测方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN114359147A CN114359147A CN202111470375.0A CN202111470375A CN114359147A CN 114359147 A CN114359147 A CN 114359147A CN 202111470375 A CN202111470375 A CN 202111470375A CN 114359147 A CN114359147 A CN 114359147A
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- road surface
- target
- detection result
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 257
- 238000013507 mapping Methods 0.000 claims abstract description 35
- 238000004590 computer program Methods 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 9
- 238000000034 method Methods 0.000 abstract description 13
- 230000000007 visual effect Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于计算机技术领域,提供了一种裂缝检测方法、装置、服务器及存储介质,该方法包括:采集目标位置的路面图像,得到路面图像集;提取各路面图像的特征点,从路面图像集中选取基准图像,基于其它图像中的、与基准图像的特征点相似的特征点,建立基准图像与相应其它图像的映射关系;根据基准图像分别与各其它图像之间的映射关系,对路面图像集中各路面图像进行图像拼接,得到目标路面图像;对目标路面图像进行裂缝检测,得到检测结果信息,根据目标路面图像和检测结果信息生成检测结果图像,以及输出检测结果图像。本申请可以实现自动对路面裂缝进行有效检测,有助于提高裂缝检测效率。
Description
技术领域
本申请属于计算机技术领域,尤其涉及一种裂缝检测方法、装置、服务器及存储介质。
背景技术
在经济快速发展的过程中,基础设施,如,道路、桥梁等,发挥着不可替代的作用。由于建设、使用不当,或者随着使用年限增加的原因,在这些基础设施的路面,往往会出现裂缝,若未能及时对裂缝进行检测和处理,将对交通运输以及人们的正常通行造成影响。
相关技术中,对道路裂缝的检测通常都是依靠人工,通过肉眼或者使用辅助工具对路面进行巡查。该检测方法依赖检测人员的工作经验,对于经验不足的检测人员,无法保证检测的质量,同时人工检测难以发现一些比较小的裂缝,检测效果不佳。
发明内容
本申请实施例提供了一种裂缝检测方法、装置、服务器及存储介质,可以解决相关技术中,依靠人工,通过肉眼或者使用辅助工具对路面进行巡查,检测结果过于依赖检测人员的工作经验,对于经验不足的检测人员,无法保证检测的质量,同时人工检测难以发现一些比较小的裂缝,检测效果不佳的问题。
本申请实施例的第一方面提供了一种裂缝检测方法,包括:
采集目标位置的路面图像,得到路面图像集,其中,路面图像集中的路面图像由途经目标位置的车辆采集得到;
提取各路面图像的特征点,从路面图像集中选取路面图像作为基准图像,针对路面图像集中的各其它图像,基于相应其它图像中的、与基准图像的特征点相似的特征点,建立基准图像与相应其它图像的映射关系,其中,其它图像为路面图像集中的除基准图像外的路面图像;
根据基准图像分别与各其它图像之间的映射关系,对路面图像集中各路面图像进行图像拼接,得到目标路面图像;
对目标路面图像进行裂缝检测,得到检测结果信息,根据目标路面图像和检测结果信息生成检测结果图像,以及输出检测结果图像,其中,检测结果信息用于指示目标路面图像中是否具有裂缝。
进一步地,根据目标路面图像和检测结果信息生成检测结果图像,包括:
若检测结果信息指示具有裂缝,则生成带有检测框以及检测框坐标的检测结果图像,其中,检测框用于标注目标路面图像中的裂缝;
若检测结果信息指示不具有裂缝,则将目标路面图像作为检测结果图像。
进一步地,根据基准图像分别与各其它图像之间的映射关系,对路面图像集中各路面图像进行图像拼接,得到目标路面图像,包括:
针对各其它图像,根据相应其它图像与基准图像之间的映射关系,确定相应其它图像与基准图像之间的相似区域,以相似区域作为相应其它图像与基准图像的拼接重叠区域,将相应其它图像拼接于基准图像下方,得到初始拼接图像;
对初始拼接图像中的各拼接重叠区域分别进行像素平滑处理,得到目标路面图像。
进一步地,对目标路面图像进行裂缝检测,得到检测结果信息,包括:
提取目标路面图像中的背景图像,根据背景图像和目标路面图像,生成针对目标路面图像的初始差分图像,将初始差分图像中的各像素的灰度值变换至预设灰度值区间,得到目标差分图像;
将目标差分图像输入预先训练的裂缝检测模型,得到检测结果信息,其中,裂缝检测模型用于表征输入图像与用于指示输入图像中是否具有裂缝的检测结果信息之间的对应关系。
进一步地,方法还包括:
根据检测结果图像中的检测框坐标,从检测结果图像中提取检测框区域图像,记作裂缝图像;
将裂缝图像输入预先训练的二值分割模型,得到裂缝图像对应的二值图;
根据二值图,确定裂缝图像的裂缝信息,其中,裂缝信息包括裂缝长度、裂缝宽度和裂缝面积。
进一步地,根据二值图,确定裂缝图像的裂缝信息,包括:
根据二值图像中的用于指示裂缝的像素点的个数,确定裂缝对应的图像尺寸,以及根据图像尺寸与实际尺寸之间的对应关系,确定裂缝信息。
进一步地,方法还包括:
加载原始地图,在原始地图中的、与目标位置对应的地图位置,写入路面裂缝信息,得到目标地图;
其中,路面裂缝信息包括以下至少一项:
目标路面图像、检测结果图像、目标路面图像中的裂缝的位置信息。
本申请实施例的第二方面提供了一种裂缝检测的装置,包括:
图像采集单元,用于采集目标位置的路面图像,得到路面图像集,其中,路面图像集中的路面图像由途经目标位置的车辆采集得到;
特征映射单元,用于提取各路面图像的特征点,从路面图像集中选取路面图像作为基准图像,针对路面图像集中的各其它图像,基于相应其它图像中的、与基准图像的特征点相似的特征点,建立基准图像与相应其它图像的映射关系;
图像拼接单元,用于根据基准图像与各其它图像之间的映射关系,对路面图像集中各路面图像进行图像拼接,得到目标路面图像;
裂缝检测单元,用于对目标路面图像进行裂缝检测,得到检测结果信息,根据目标路面图像和检测结果信息生成检测结果图像,以及输出检测结果图像,其中,检测结果信息用于指示目标路面图像中是否具有裂缝。
本申请实施例的第三方面提供了一种服务器,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现第一方面提供的裂缝检测方法的各步骤。
本申请实施例的第四方面提供了一种存储介质,存储介质存储有计算机程序,计算机程序被处理器执行时实现第一方面提供的裂缝检测方法的各步骤。
实施本申请实施例提供的裂缝检测方法、装置、服务器及存储介质具有以下有益效果:在对目标位置的道路进行裂缝检测时,通过途经目标位置的各车辆上的图像采集设备采集目标位置的路面图像,得到路面图像集,接着,提取各路面图像的特征点,从路面图像集中选取基准图像,然后,根据其它图像中的与基准图像的特征点相似的特征点,建立基准图像与各其它图像的映射关系,根据基准图像分别与各其它图像之间的映射关系,对路面图像集中的各路面图像进行拼接,得到目标路面图像,之后,对目标路面图像进行裂缝检测,得到检测结果信息,最后,根据检测结果信息和目标路面图像,生成检测结果图像,以及输出检测结果图像。通过将途经目标位置的各车辆采集到的路面图像进行拼接得到目标位置的目标路面图像,从而对目标位置的目标路面图像进行裂缝检测,以确定目标位置处的裂缝情况,可以实现自动对路面裂缝进行有效检测,有助于提高裂缝检测效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或相关技术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它的附图。
图1是本申请一实施例提供的裂缝检测方法的实现流程图;
图2是本申请一实施例提供的获取路面图像集的实现流程图;
图3是本申请一实施例提供的确定裂缝图像的裂缝信息的实现流程图;
图4是本申请一实施例提供的确定裂缝区域对应图像的可视图的实现流程图;
图5是本申请一实施例提供的确定裂缝信息对应的可视图的实现流程图;
图6是本申请一实施例提供的裂缝检测装置的结构框图;
图7是本申请一实施例提供的服务器的结构框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
为了说明本申请的技术方案,下面通过以下实施例来进行说明。
请参阅图1,图1示出了本申请实施例提供的裂缝检测方法的实现流程图,包括:
步骤101,采集目标位置的路面图像,得到路面图像集。
其中,路面图像集中的路面图像由途经目标位置的车辆采集得到。
在本实施例中,上述裂缝检测方法的执行主体通常是服务器。需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
这里,上述执行主体可以通过途经目标位置的车辆采集目标位置处的路面图像。
实践中,车辆上可以安装有视觉传感器、卫星导航系统接收器、惯性导航系统接收器,途经目标位置的各车辆可以通过所安装的视觉传感器结合卫星导航系统以及惯性导航系统采集目标位置的路面图像。
其中,视觉传感器可以是由高清数字摄影机、线阵摄影机或面阵摄影机等结合光投射器组成,用于拍摄路面图像。
其中,卫星导航系统可以是差分全球定位系统(Differential Global PositionSystem,DGPS)、北斗卫星导航系统(BeiDou Navigation Satellite System,BDS)中的一种或者多种,用于结合惯性导航系统为车辆提供定位。
图2为本申请实施例提供的获取路面图像集的实现流程图。如图2所示地,对于车辆1,……,车辆2中的每辆车辆上可以安装有卫星导航系统、惯性导航系统以及视觉传感器,车辆可以通过所安装的视觉传感器采集路面的视频数据,同时车辆通过所安装的卫星导航系统和惯性导航系统进行定位,给采集到的视频数据添加一个位置标签。车辆可以通过通信连接,将采集到的路面的视频数据发送到服务器,服务器对路面的视频数据进行读取,以及逐帧导出路面图像,结合视频数据中的位置标签,得到目标位置对应的路面图像集。
步骤102,提取各路面图像的特征点,从路面图像集中选取路面图像作为基准图像,针对路面图像集中的各其它图像,基于相应其它图像中的、与基准图像的特征点相似的特征点,建立基准图像与相应其它图像的映射关系。
其中,其它图像为路面图像集中的除基准图像外的路面图像。
实践中,上述执行主体可以通过图像特征点提取算法提取各路面图像的特征点。作为示例,上述图像特征点提取算法可以为尺度不变特征变换算法(Scale-invariantfeature transform,SIFT),也可以为加速稳健特征算法(Speeded Up Robust Features,SURF)等。实际应用中,由于不同车辆所采集的路面图像的尺度、角度存在差异,故通常选用对旋转、尺度缩放、亮度变化不敏感的图像特征点提取算法提取各路面图像的特征点。
这里,上述执行主体可以从路面图像集中选取路面图像作为基准图像,如,可以是从目标位置对应的路面图像集中,选取图像分辨率最高的路面图像作为基准图像,也可以是随机选取一个路面图像作为基准图像。
在提取各路面图像的特征点之后,针对基准图像中的每个特征点,上述执行主体可以通过预设相似度度量算法,从每个其它图像中找到与该特征点最为相似的特征点,以及可以将该基准图像中的该特征点与其它图像中的相似的特征点之间进行一一对应,这样,可以建立基准图像与每个其它图像之间的映射关系。实践中,上述预设相似度度量算法可以是欧式距离算法,也可以是余弦相似度算法,还可以是其它算法。需要指出的是,针对基准图像中的每个特征点,若在某一其它图像中找到的最为相似的特征点对应的相似程度不高,则通常舍弃该最为相似的特征点,此时,该特征点在该其它图像中不具有相对应的特征点。
举例来说,上述执行主体可以采用欧氏距离算法从一个其他图像中查找与基准图像中的特征点P1最为相似的特征点,首先,根据特征点对应的描述子的向量,计算特征点P1与该其他图像中的所有特征点之间的欧氏距离,然后,将与特征点P1的欧氏距离最近的特征点P2作为该其他图像中与特征点P1最为相似的特征点,建立特征点P1与特征点P2的映射关系。另外,还可以计算该其它图像中的特征点P2与基准图像中的所有特征点之间的欧氏距离,若基准图中与特征点P2的欧氏距离最近的特征点也为特征点P1,则将该其它图像中的特征点P2作为基准图像中的特征点P1的最为相似的特征点。若基准图中与特征点P2的欧氏距离最近的特征点为特征点P3,则对于基准图像中的特征点P1,在该其它图像中不具有相对应的特征点。
步骤103,根据基准图像分别与各其它图像之间的映射关系,对路面图像集中各路面图像进行图像拼接,得到目标路面图像。
这里,针对每个其它图像,上述执行主体可以先根据该其它图像与基准图像中的相对应的特征点的坐标,确定从该其它图像转换至基准图像的坐标转换关系,以及基于所确定的坐标转换关系,将该其它图像转换至基准图像所在坐标系,然后,将处于同一坐标系下的基准图像和该其它图像进行拼接。作为一个示例,上述执行主体可以通过如下方式将处于同一坐标系下的基准图像和该其它图像进行拼接:首先,裁减出该其它图像中与基准图像的特征点相似的特征点对应的图像区域,然后,将剩余的图像区域与基准图像进行拼接。作为一个示例,上述执行主体可以通过如下方式将处于同一坐标系下的基准图像和该其它图像进行拼接:将基准图像和该其它图像输入图像拼接模型,由图像拼接模型对基准图像和该其它图像进行拼接。
步骤104,对目标路面图像进行裂缝检测,得到检测结果信息,根据目标路面图像和检测结果信息生成检测结果图像,以及输出检测结果图像。
其中,检测结果信息用于指示目标路面图像中是否具有裂缝。检测结果信息的具体形式可以是数值也可以是符号,还可以是字符串,本实施例不做具体限定。如,检测结果信息可以是“0”,用于指示目标路面图像中不具有裂缝,也可以是“Y”用于指示目标路面图像中具有裂缝。
其中,上述对目标路面图像进行裂缝检,得到检测结果信息,可以是预先建立一个裂缝图像对应的特征点集合,根据目标路面图像中的特征点与特征点集合中的特征点的相似程度值与预设的相似程度阈值进行比较,判断目标路面图像中是否具有裂缝,生成对应的检测结果信息。其中,相似程度阈值通常是预先设定的数值,相似程度阈值的取值通常大于0且小于1。举例来说,若预设相似程度阈值为0.75,目标路面图像中的特征点与特征点集合中的特征点的相似程度值为0.3,则判断目标路面图像中不具有裂缝,生成用于指示不具有裂缝对应的检测结果信息。
实践中,上述执行主体可以将得到的检测结果信息标注在目标路面图像中,将标注有检测结果信息的目标路面图像作为检测结果图像,以及将检测结果图像输出到用户端。例如,在具有裂缝的目标路面图像上,标注指示目标路面图像中具有裂缝的检测结果信息对应的数值“1”,然后将标注有数值“1”的目标路面图像作为检测结果图像输出到用户端。
本实施例提供的裂缝检测方法,在对目标位置的道路进行裂缝检测时,通过途经目标位置的各车辆上的图像采集设备采集目标位置的路面图像,得到路面图像集,接着,提取各路面图像的特征点,从路面图像集中选取基准图像,然后,根据其它图像中的与基准图像的特征点相似的特征点,建立基准图像与各其它图像的映射关系,根据基准图像分别与各其它图像之间的映射关系,对路面图像集中的各路面图像进行拼接,得到目标路面图像,之后,对目标路面图像进行裂缝检测,得到检测结果信息,最后,根据检测结果信息和目标路面图像,生成检测结果图像,以及输出检测结果图像。通过将途经目标位置的各车辆采集到的路面图像进行拼接得到目标位置的目标路面图像,从而对目标位置的目标路面图像进行裂缝检测,以确定目标位置处的裂缝情况,可以实现自动对路面裂缝进行有效检测,有助于提高裂缝检测效率。
在本实施例的一些可选的实现方式中,根据目标路面图像和检测结果信息生成检测结果图像,包括:
若检测结果信息指示具有裂缝,则生成带有检测框以及检测框坐标的检测结果图像;若检测结果信息指示不具有裂缝,则将目标路面图像作为检测结果图像。
其中,检测框用于标注目标路面图像中的裂缝。
实践中,通常是将目标路面图像中的裂缝对应的最小外接矩形作为检测框。
本实施例提供的裂缝检测方法,对于具有裂缝的目标路面图像,设置检测框标注出目标路面图像中的裂缝,对于不具有裂缝的目标路面图像,直接将路面图像作为检测结果图像输出,有助于提高裂缝检测的效率。
在本实施例的一些可选的实现方式中,根据基准图像分别与各其它图像之间的映射关系,对路面图像集中各路面图像进行图像拼接,得到目标路面图像,可以包括如下步骤一至步骤二。
步骤一,针对各其它图像,根据相应其它图像与基准图像之间的映射关系,确定相应其它图像与基准图像之间的相似区域,以相似区域作为相应其它图像与基准图像的拼接重叠区域,将相应其它图像拼接于基准图像下方,得到初始拼接图像。
其中,上述相应其它图像与基准图像之间的相似区域,通常是基准图像中与相应其它图像中的相对应的特征点对应的图像区域。
这里,上述执行主体可以针对每个其它图像,采用该其它图像与基准图像之间的映射关系,确定基准图像中与该其它图像中的相对应的特征点对应的图像区域,进而确定该其它图像与基准图像之间的相似区域。在将该其它图像与基准图像进行拼接时,上述执行主体可以将基准图像作为拼接的基础图像,以及将该其它图像放置在基准图像下方,对该其它图像的角度或位置进行调整,使得该其它图像与基准图像的相似区域对应的图像重叠。之后,将每个其它图像拼接与基准图像拼接完之后,可以得到由基准图像和所有其它图像拼接得到的初始拼接图像。
步骤二,对初始拼接图像中的各拼接重叠区域分别进行像素平滑处理,得到目标路面图像。
实践中,上述执行主体可以采用以下至少一种方法对拼接重叠区域分别进行像素平滑处理:加权平均、金字塔变换、小波变换、泊松融合等。上述执行主体可以对初始拼接图像中的各拼接重叠区域分别进行像素级的图像融合,得到各拼接重叠区域与其它区域平滑过渡的目标路面图像。
本实施例提供的裂缝检测方法,在对目标路面图像进行裂缝检测前,对拼接的路面图像进行重叠区域像素平滑处理,有助于提高目标路面图像的图像质量,方便后续的裂缝检测操作,提高裂缝检测的准确度检测效率。
在本实施例的一些可选的实现方式中,对目标路面图像进行裂缝检测,得到检测结果信息,可以包括如下第一步至第二步。
第一步,提取目标路面图像中的背景图像,根据背景图像和目标路面图像,生成针对目标路面图像的初始差分图像,将初始差分图像中的各像素的灰度值变换至预设灰度值区间,得到目标差分图像。
实践中,上述执行主体可以通过如下方式提取目标路面图像中的背景图像:首先,将目标路面图像变换到频率域,然后,经过低通滤波去除高频信息,最终得到反映目标路面图像亮度变化的背景图像。上述执行主体还可以通过如下方式提取目标路面图像中的背景图像:直接在空间域中对图像进行空间滤波,去除目标路面图像中的高频信息,得到背景图像。
实践中,上述执行主体在提取目标路面图像中的背景图像后,可以将目标路面图像和背景图像进行差分操作,得到初始差分图像。
其中,上述将初始差分图像中的各像素的灰度值变换至预设灰度值区间,得到目标差分图像,可以是将初始差分图像中的各像素的灰度值加上一个背景图像对应的灰度值的均值,得到亮度均值与目标路面图像的亮度均值保持一致的目标差分图像,也可以是对初始差分图像进行灰度线性拉伸处理,得到亮度分布均匀的目标差分图像。
第二步,将目标差分图像输入预先训练的裂缝检测模型,得到检测结果信息。
其中,裂缝检测模型用于表征输入图像与用于指示输入图像中是否具有裂缝的检测结果信息之间的对应关系。实践中,裂缝检测模型可以是基于训练样本,利用机器学习方法,对初始模型(例如YOLO实时目标检测网络、区域卷积神经网络(Region-ConvolutionalNeural Network,R-CNN)等)进行训练后得到的模型。
其中,上述裂缝检测模型可以通过如下步骤生成:
首先,获取样本信息集合,样本信息集合中的样本信息包括样本图像和样本图像对应的检测结果信息。
这里,上述执行主体可以从本地或者是从通信连接的其它电子设备,获取样本信息集合。
然后,将样本信息集合中的样本图像作为输入,将与输入的样本图像对应的检测结果信息作为期望输出,训练得到裂缝检测模型。
这里,上述执行主体可以将样本信息集合中的每个样本信息所包括的样本图像输入初始裂缝检测模型,得到所输入的各样本图像对应的实际输出,然后,将各样本图像对应的实际输出,与相应样本图像对应的期望输出进行一致性比对,若二者一致,则认为分类准确,否则,认为分类不准确。这样,上述执行主体可以得到对初始裂缝检测模型进行训练的准确率,若准确率大于预设的准确率阈值,则将初始裂缝检测模型作为上述裂缝检测模型。其中,准确率阈值通常是预先设定的数值,准确率阈值的取值通常大于0且小于1。
本实施例提供的裂缝检测方法,在对目标路面图像进行裂缝检测前,对图像的亮度进行调整,增强图像特征的对比度,有助于提高裂缝检测的效果和效率。
请参阅图3,图3示出了本申请实施例提供的确定裂缝图像的裂缝信息的实现流程图,包括:
步骤301,根据检测结果图像中的检测框坐标,从检测结果图像中提取检测框区域图像,记作裂缝图像。
其中,检测框用于标注目标路面图像中的裂缝,裂缝区域位于检测框区域内,上述执行主体可以通过检测框坐标确定目标路面图像中的裂缝区域的位置,从而提取出检测框区域图像。
实践中,针对有裂缝的目标路面图像,上述执行主体在提取出检测框区域图像后,可以将检测框区域图像、检测框坐标、目标路面图像对应的位置信息中的至少一项写入预设的信息呈现模板,得到裂缝区域对应图像的可视图,以及将可视图传输给服务器。
图4示出了本申请实施例提供的确定裂缝区域对应图像的可视图的实现流程图。如图4所示地,上述执行主体可以通过执行如下步骤得到裂缝区域对应图像的可视图:
步骤401,路面图像特征点提取与匹配。
步骤401的实现方式与步骤102中的提取各路面图像的特征点部分的操作基本相同,在此不再赘述。
步骤402,路面图像拼接。
步骤402的实现方式与步骤103中的图像拼接部分的操作基本相同,在此不再赘述。
步骤403,拼接重叠区域平滑处理。
步骤403与上述实施例中的拼接重叠区域平滑处理部分的操作基本相同,在此不再赘述。
步骤404,拼接后的图像亮度调整。
步骤404与上述实施例中的拼接重叠区域平滑处理部分的操作基本相同,在此不再赘述。
步骤405,图像裂缝检测。
步骤405的实现方式与步骤104中的裂缝检测部分的操作基本相同,在此不再赘述。
步骤406,提取检测框区域图像及相关属性信息。
其中,相关属性信息包括检测框坐标、目标路面图像对应的位置信息。
步骤404与上述实施例中的提取检测框区域图像及相关属性信息部分的操作基本相同,在此不再赘述。
步骤407,可视图显示。
这里,将检测框区域图像、检测框坐标、目标路面图像对应的位置信息写入预设的信息呈现模板,得到生成的裂缝区域对应图像的可视图。
步骤302,将裂缝图像输入预先训练的二值分割模型,得到裂缝图像对应的二值图。
其中,二值分割模型用于根据输入的裂缝图像生成对应的二值图。实际应用中,在二值图中,裂缝图像中的裂缝通常用白色表示,裂缝图像中的背景通常用黑色表示。
其中,上述二值分割模型可以通过如下步骤生成:
首先,获取样本信息集合,样本信息集合中的样本信息包括样本裂缝图像和样本裂缝图像对应的二值图。然后,将样本信息集合中的样本裂缝图像作为输入,将与输入的样本图像对应的二值图作为期望输出,训练得到上述二值分割模型。
步骤303,根据二值图,确定裂缝图像的裂缝信息。
其中,裂缝信息包括裂缝长度、裂缝宽度和裂缝面积。
实践中,可以根据二值图中构成裂缝的点之间的最大距离以及图像尺寸与实际尺寸之间的对应关系,确定裂缝长度;将二值图分割成N份,每条分割线与裂缝的轮廓的两个交点之间的距离作为裂缝对应于二值图中的宽度,根据图像尺寸与实际尺寸之间的对应关系,确定裂缝宽度,这里,裂缝宽度可以包括裂缝最大宽度,裂缝最小宽度,以及裂缝平均宽度;根据裂缝长度与裂缝宽度,得到裂缝面积,其中,N是大于1的正整数。
本实施例提供的裂缝检测方法,通过二值图表征出目标路面图像中的裂缝图像,以及确定裂缝信息,有助于完善目标路面中的裂缝信息,为后续路面的维修保养提供完善的数据。
在本实施例的一些可选的实现方式中,根据二值图,确定裂缝图像的裂缝信息,包括:
根据二值图像中的用于指示裂缝的像素点的个数,确定裂缝对应的图像尺寸,以及根据图像尺寸与实际尺寸之间的对应关系,确定裂缝信息。
其中,图像尺寸与实际尺寸之间的对应关系可以是通过相机内参数和相机外参数将图像中的像素点转换成实际尺寸。
实践中,可以分别通过二值图中的裂缝在长度方向和宽度方向对应的像素点的个数,以及整个裂缝所对应的像素点的个数,再结合图像尺寸与实际尺寸之间的对应关系,得到裂缝长度、裂缝宽度以及裂缝面积,其中,长度方向是裂缝延伸的方向,宽度方向是与裂缝延伸的方向垂直的方向。
本实施例提供的裂缝检测方法,根据二值图中裂缝对应的像素点的个数以及图像尺寸与实际尺寸之间的对应关系确定裂缝信息,有助于提高裂缝信息中的数据的准确度。
在本实施例的一些可选的实现方式中,在获取裂缝信息之后,可以将裂缝信息以及上述实施例获取的检测框区域图像及相关属性信息写入预设的裂缝信息显示模板,得到裂缝信息对应的可视图,以及将可视图传输给服务器。
图5示出了本申请实施例提供的确定裂缝信息对应的可视图的实现流程图。如图5所示地,上述执行主体可以通过执行如下步骤得到裂缝信息对应图像的可视图:
步骤501,检测框区域图像输入二值分割模型,得到裂缝对应的二值图。
步骤501的实现方式与步骤302的操作基本相同,在此不再赘述。
步骤502,根据二值图,确定裂缝信息。
步骤502的实现方式与步骤303的操作基本相同,在此不再赘述。
步骤503,将检测框区域图像及相关属性信息、裂缝信息写入裂缝信息呈现模板,得到裂缝信息对应的可视图。
其中,裂缝信息呈现模板用于显示写入的检测框区域图像及相关属性信息、裂缝信息。
在本实施例的一些可选的实现方式中,上述裂缝检测方法还可以包括:
加载原始地图,在原始地图中的、与目标位置对应的地图位置,写入路面裂缝信息,得到目标地图。
其中,路面裂缝信息包括以下至少一项:目标路面图像、检测结果图像、目标路面图像中的裂缝的位置信息。
这里,上述执行主体可以将原始地图和路面裂缝信息输入到预设的信息呈现模型,以得到目标地图。
其中,信息呈现模型用于在原始地图中的、与目标位置对应的地图位置,写入路面裂缝信息,以及输出写入了路面裂缝信息的目标地图。
实践中,原始地图可以是包括目标位置的路网,在路网中对应的有裂缝的位置,写入路面裂缝信息。这里,还可以在路网对应的目标位置点设置一个用于控制路面裂缝信息显示的按键,若上述执行主体检测到用户点击了按键,则展示该目标位置的路面裂缝信息。另外,路面裂缝信息还可以包括:裂缝信息,即裂缝长度、裂缝宽度、裂缝面积。
本实施例提供的裂缝检测方法,将路面裂缝信息写入原始地图得到目标地图,以及将目标地图可视化呈现,有助于提高路面裂缝信息的视觉效果,也有利于用户获取路面裂缝信息。
请参阅图6,图6是本申请实施例提供的裂缝检测装置的结构框图,包括:
图像采集单元601,用于采集目标位置的路面图像,得到路面图像集,其中,路面图像集中的路面图像由途经目标位置的车辆采集得到。
特征映射单元602,用于提取各路面图像的特征点,从路面图像集中选取路面图像作为基准图像,针对路面图像集中的各其它图像,基于相应其它图像中的、与基准图像的特征点相似的特征点,建立基准图像与相应其它图像的映射关系。
图像拼接单元603,用于根据基准图像与各其它图像之间的映射关系,对路面图像集中各路面图像进行图像拼接,得到目标路面图像。
裂缝检测单元604,用于对目标路面图像进行裂缝检测,得到检测结果信息,根据目标路面图像和检测结果信息生成检测结果图像,以及输出检测结果图像,其中,检测结果信息用于指示目标路面图像中是否具有裂缝。
作为本申请一实施例,装置还包括裂缝标注单元(图中未示出)。其中,裂缝标注单元,用于:
若检测结果信息指示具有裂缝,则生成带有检测框以及检测框坐标的检测结果图像,其中,检测框用于标注目标路面图像中的裂缝;
若检测结果信息指示不具有裂缝,则将目标路面图像作为检测结果图像。
作为本申请一实施例,图像拼接单元603中,根据基准图像分别与各其它图像之间的映射关系,对路面图像集中各路面图像进行图像拼接,得到目标路面图像,包括:
针对各其它图像,根据相应其它图像与基准图像之间的映射关系,确定相应其它图像与基准图像之间的相似区域,以相似区域作为相应其它图像与基准图像的拼接重叠区域,将相应其它图像拼接于基准图像下方,得到初始拼接图像;
对初始拼接图像中的各拼接重叠区域分别进行像素平滑处理,得到目标路面图像。
作为本申请一实施例,裂缝检测单元604中,对目标路面图像进行裂缝检测,得到检测结果信息,包括:
提取目标路面图像中的背景图像,根据背景图像和目标路面图像,生成针对目标路面图像的初始差分图像,将初始差分图像中的各像素的灰度值变换至预设灰度值区间,得到目标差分图像;
将目标差分图像输入预先训练的裂缝检测模型,得到检测结果信息,其中,裂缝检测模型用于表征输入图像与用于指示输入图像中是否具有裂缝的检测结果信息之间的对应关系。
作为本申请一实施例,装置还包括二值分割单元(图中未示出)。其中,二值分割单元,用于:
根据检测结果图像中的检测框坐标,从检测结果图像中提取检测框区域图像,记作裂缝图像;
将裂缝图像输入预先训练的二值分割模型,得到裂缝图像对应的二值图;
根据二值图,确定裂缝图像的裂缝信息,其中,裂缝信息包括裂缝长度、裂缝宽度和裂缝面积。
作为本申请一实施例,二值分割单元(图中未示出)中,根据二值图,确定裂缝图像的裂缝信息,包括:
根据二值图像中的用于指示裂缝的像素点的个数,确定裂缝对应的图像尺寸,以及根据图像尺寸与实际尺寸之间的对应关系,确定裂缝信息。
作为本申请一实施例,装置还包括地图显示单元(图中未示出)。其中,地图显示单元,用于:
加载原始地图,在原始地图中的、与目标位置对应的地图位置,写入路面裂缝信息,得到目标地图;
其中,路面裂缝信息包括以下至少一项:
目标路面图像、检测结果图像、目标路面图像中的裂缝的位置信息。
本实施例提供的装置,在对目标位置的道路进行裂缝检测时,通过途经目标位置的各车辆上的图像采集设备采集目标位置的路面图像,得到路面图像集,接着,提取各路面图像的特征点,从路面图像集中选取基准图像,然后,根据其它图像中的与基准图像的特征点相似的特征点,建立基准图像与各其它图像的映射关系,根据基准图像分别与各其它图像之间的映射关系,对路面图像集中的各路面图像进行拼接,得到目标路面图像,之后,对目标路面图像进行裂缝检测,得到检测结果信息,最后,根据检测结果信息和目标路面图像,生成检测结果图像,以及输出检测结果图像。通过将途经目标位置的各车辆采集到的路面图像进行拼接得到目标位置的目标路面图像,从而对目标位置的目标路面图像进行裂缝检测,以确定目标位置处的裂缝情况,可以实现自动对路面裂缝进行有效检测,有助于提高裂缝检测效率。
应当理解的是,图6示出的裂缝检测装置的结构框图中,各单元用于执行图1、图3对应的实施例中的各步骤,而对于图1、图3对应的实施例中的各步骤已在上述实施例中进行详细解释,具体请参阅图1、图3以及图1、图3所对应的实施例中的相关描述,此处不再赘述。
请参阅图7,图7是本申请一实施例提供的服务器的结构框图,该实施例的服务器700包括:处理器701、存储器702以及存储在存储器702中并可在处理器701上运行的计算机程序703,例如裂缝检测的程序。处理器701执行计算机程序703时实现上述各个裂缝检测各实施例中的步骤,例如图1所示的步骤101至步骤104,或者图3所示的301至303。或者,处理器701执行计算机程序703时实现上述图6对应的实施例中各单元的功能,例如,图6所示的单元601至604的功能,具体请参阅图6对应的实施例中的相关描述,此处不赘述。
示例性的,计算机程序703可以被分割成一个或多个单元,一个或者多个单元被存储在存储器702中,并由处理器701执行,以完成本申请。一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序703在服务器700中的执行过程。例如,计算机程序703可以被分割成图像采集单元,特征映射单元,图像拼接单元,裂缝检测单元,各单元具体功能如上。
服务器可包括,但不仅限于,处理器701、存储器702。本领域技术人员可以理解,图6仅仅是服务器700的示例,并不构成对服务器700的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如转台设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器701可以是中央处理单元(Central Processing Unit,CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器702可以是服务器700的内部存储单元,例如服务器700的硬盘或内存。存储器702也可以是服务器700的外部存储设备,例如服务器700上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器702还可以既包括服务器700的内部存储单元也包括外部存储设备。存储器702用于存储计算机程序以及转台设备所需的其它程序和数据。存储器702还可以用于暂时地存储已经输出或者将要输出的数据。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种裂缝检测方法,其特征在于,包括:
采集目标位置的路面图像,得到路面图像集,其中,所述路面图像集中的路面图像由途经所述目标位置的车辆采集得到;
提取各所述路面图像的特征点,从所述路面图像集中选取路面图像作为基准图像,针对所述路面图像集中的各其它图像,基于相应其它图像中的、与所述基准图像的特征点相似的特征点,建立所述基准图像与相应其它图像的映射关系,其中,所述其它图像为所述路面图像集中的除所述基准图像外的路面图像;
根据所述基准图像分别与各其它图像之间的映射关系,对所述路面图像集中各路面图像进行图像拼接,得到目标路面图像;
对所述目标路面图像进行裂缝检测,得到检测结果信息,根据所述目标路面图像和所述检测结果信息生成检测结果图像,以及输出所述检测结果图像,其中,所述检测结果信息用于指示所述目标路面图像中是否具有裂缝。
2.根据权利要求1所述的裂缝检测方法,其特征在于,所述根据所述目标路面图像和所述检测结果信息生成检测结果图像,包括:
若所述检测结果信息指示具有裂缝,则生成带有检测框以及检测框坐标的检测结果图像,其中,所述检测框用于标注所述目标路面图像中的裂缝;
若所述检测结果信息指示不具有裂缝,则将所述目标路面图像作为所述检测结果图像。
3.根据权利要求1所述的裂缝检测方法,其特征在于,所述根据所述基准图像分别与各其它图像之间的映射关系,对所述路面图像集中各路面图像进行图像拼接,得到目标路面图像,包括:
针对各其它图像,根据相应其它图像与所述基准图像之间的映射关系,确定相应其它图像与所述基准图像之间的相似区域,以所述相似区域作为相应其它图像与所述基准图像的拼接重叠区域,将相应其它图像拼接于所述基准图像下方,得到初始拼接图像;
对所述初始拼接图像中的各拼接重叠区域分别进行像素平滑处理,得到所述目标路面图像。
4.根据权利要求1的所述裂缝检测方法,其特征在于,所述对所述目标路面图像进行裂缝检测,得到检测结果信息,包括:
提取所述目标路面图像中的背景图像,根据所述背景图像和所述目标路面图像,生成针对所述目标路面图像的初始差分图像,将所述初始差分图像中的各像素的灰度值变换至预设灰度值区间,得到目标差分图像;
将所述目标差分图像输入预先训练的裂缝检测模型,得到所述检测结果信息,其中,所述裂缝检测模型用于表征输入图像与用于指示输入图像中是否具有裂缝的检测结果信息之间的对应关系。
5.根据权利要求2的所述裂缝检测方法,其特征在于,所述方法还包括:
根据所述检测结果图像中的所述检测框坐标,从所述检测结果图像中提取所述检测框区域图像,记作裂缝图像;
将所述裂缝图像输入预先训练的二值分割模型,得到所述裂缝图像对应的二值图;
根据所述二值图,确定所述裂缝图像的裂缝信息,其中,所述裂缝信息包括裂缝长度、裂缝宽度和裂缝面积。
6.根据权利要求5所述的裂缝检测方法,其特征在于,所述根据所述二值图,确定所述裂缝图像的裂缝信息,包括:
根据所述二值图像中的用于指示裂缝的像素点的个数,确定裂缝对应的图像尺寸,以及根据图像尺寸与实际尺寸之间的对应关系,确定所述裂缝信息。
7.根据权利要求1-6中任一项所述的裂缝检测方法,其特征在于,所述方法还包括:
加载原始地图,在所述原始地图中的、与所述目标位置对应的地图位置,写入路面裂缝信息,得到目标地图;
其中,所述路面裂缝信息包括以下至少一项:
所述目标路面图像、所述检测结果图像、所述目标路面图像中的裂缝的位置信息。
8.一种裂缝检测装置,其特征在于,包括:
图像采集单元,用于采集目标位置的路面图像,得到路面图像集,其中,所述路面图像集中的路面图像由途经所述目标位置的车辆采集得到;
特征映射单元,用于提取各所述路面图像的特征点,从所述路面图像集中选取路面图像作为基准图像,针对所述路面图像集中的各其它图像,基于相应其它图像中的、与所述基准图像的特征点相似的特征点,建立所述基准图像与相应其它图像的映射关系;
图像拼接单元,用于根据所述基准图像与各其它图像之间的映射关系,对所述路面图像集中各路面图像进行图像拼接,得到目标路面图像;
裂缝检测单元,用于对所述目标路面图像进行裂缝检测,得到检测结果信息,根据所述目标路面图像和所述检测结果信息生成检测结果图像,以及输出所述检测结果图像,其中,所述检测结果信息用于指示所述目标路面图像中是否具有裂缝。
9.一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的裂缝检测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的裂缝检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111470375.0A CN114359147A (zh) | 2021-12-03 | 2021-12-03 | 裂缝检测方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111470375.0A CN114359147A (zh) | 2021-12-03 | 2021-12-03 | 裂缝检测方法、装置、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114359147A true CN114359147A (zh) | 2022-04-15 |
Family
ID=81097594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111470375.0A Pending CN114359147A (zh) | 2021-12-03 | 2021-12-03 | 裂缝检测方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114359147A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830007A (zh) * | 2023-02-06 | 2023-03-21 | 山东省滨州公路工程有限公司 | 一种基于图像识别的路面脱空检测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107154040A (zh) * | 2017-05-08 | 2017-09-12 | 重庆邮电大学 | 一种隧道衬砌表面图像裂缝检测方法 |
CN109632822A (zh) * | 2018-12-25 | 2019-04-16 | 东南大学 | 一种准静态高精度路面破损智能识别装置及其方法 |
CN109767423A (zh) * | 2018-12-11 | 2019-05-17 | 西南交通大学 | 一种沥青路面图像的裂缝检测方法 |
CN109816626A (zh) * | 2018-12-13 | 2019-05-28 | 深圳高速工程检测有限公司 | 路面裂缝检测方法、装置、计算机设备和存储介质 |
CN110197157A (zh) * | 2019-05-31 | 2019-09-03 | 武汉理工大学 | 一种基于历史裂纹数据的路面裂纹生长检测方法 |
CN110321815A (zh) * | 2019-06-18 | 2019-10-11 | 中国计量大学 | 一种基于深度学习的道路裂缝识别方法 |
CN111310558A (zh) * | 2019-12-28 | 2020-06-19 | 北京工业大学 | 一种基于深度学习和图像处理法的路面病害智能提取方法 |
-
2021
- 2021-12-03 CN CN202111470375.0A patent/CN114359147A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107154040A (zh) * | 2017-05-08 | 2017-09-12 | 重庆邮电大学 | 一种隧道衬砌表面图像裂缝检测方法 |
CN109767423A (zh) * | 2018-12-11 | 2019-05-17 | 西南交通大学 | 一种沥青路面图像的裂缝检测方法 |
CN109816626A (zh) * | 2018-12-13 | 2019-05-28 | 深圳高速工程检测有限公司 | 路面裂缝检测方法、装置、计算机设备和存储介质 |
CN109632822A (zh) * | 2018-12-25 | 2019-04-16 | 东南大学 | 一种准静态高精度路面破损智能识别装置及其方法 |
CN110197157A (zh) * | 2019-05-31 | 2019-09-03 | 武汉理工大学 | 一种基于历史裂纹数据的路面裂纹生长检测方法 |
CN110321815A (zh) * | 2019-06-18 | 2019-10-11 | 中国计量大学 | 一种基于深度学习的道路裂缝识别方法 |
CN111310558A (zh) * | 2019-12-28 | 2020-06-19 | 北京工业大学 | 一种基于深度学习和图像处理法的路面病害智能提取方法 |
Non-Patent Citations (1)
Title |
---|
吕岩 等: ""基于SIFT的路面裂缝配准及拼接算法"", 《公路交通科技》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830007A (zh) * | 2023-02-06 | 2023-03-21 | 山东省滨州公路工程有限公司 | 一种基于图像识别的路面脱空检测方法及系统 |
CN115830007B (zh) * | 2023-02-06 | 2023-06-09 | 山东省滨州公路工程有限公司 | 一种基于图像识别的路面脱空检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | CCTSDB 2021: a more comprehensive traffic sign detection benchmark | |
CN107506760B (zh) | 基于gps定位与视觉图像处理的交通信号检测方法及系统 | |
WO2018153304A1 (zh) | 基于adas系统的地图道路标记及道路质量采集装置及方法 | |
CN111179152B (zh) | 一种道路标识识别方法及装置、介质、终端 | |
Alefs et al. | Road sign detection from edge orientation histograms | |
CN113989450B (zh) | 图像处理方法、装置、电子设备和介质 | |
US20090110286A1 (en) | Detection method | |
CN111460967A (zh) | 一种违法建筑识别方法、装置、设备及存储介质 | |
Ronggui et al. | Extracting roads based on Retinex and improved Canny operator with shape criteria in vague and unevenly illuminated aerial images | |
CN112149649B (zh) | 一种道路抛洒物检测方法、计算机设备及存储介质 | |
KR20160128930A (ko) | 도로 표지판 인식 시스템에서 막대형 신호를 검출하는 장치 및 방법 | |
CN112101108A (zh) | 一种基于图形极点位置特征的左右转交通标志识别方法 | |
Liu et al. | Image-translation-based road marking extraction from mobile laser point clouds | |
CN114240816A (zh) | 道路环境感知方法、装置、存储介质、电子设备及车辆 | |
CN114359147A (zh) | 裂缝检测方法、装置、服务器及存储介质 | |
Gao et al. | Vehicle detection based on color and edge information | |
EP4287137A1 (en) | Method, device, equipment, storage media and system for detecting drivable space of road | |
CN113763438A (zh) | 一种点云配准方法、装置、设备及存储介质 | |
JP6831396B2 (ja) | 映像監視装置 | |
CN115546762A (zh) | 图像聚类方法、装置、存储介质及服务器 | |
CN113361371B (zh) | 道路提取方法、装置、设备以及存储介质 | |
CN114495044A (zh) | 标牌识别方法、装置、计算机设备以及存储介质 | |
JP2004110543A (ja) | 顔画像処理装置及びプログラム | |
Hu et al. | Generalized sign recognition based on the Gaussian statistical color model for intelligent road sign inventory | |
CN116052135B (zh) | 一种基于纹理特征的雾天交通标志识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220415 |
|
RJ01 | Rejection of invention patent application after publication |