CN114895302A - 城市道路路基病害快速探测的方法及装置 - Google Patents
城市道路路基病害快速探测的方法及装置 Download PDFInfo
- Publication number
- CN114895302A CN114895302A CN202210363004.0A CN202210363004A CN114895302A CN 114895302 A CN114895302 A CN 114895302A CN 202210363004 A CN202210363004 A CN 202210363004A CN 114895302 A CN114895302 A CN 114895302A
- Authority
- CN
- China
- Prior art keywords
- information
- roadbed
- image
- 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
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 130
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000001514 detection method Methods 0.000 claims abstract description 123
- 238000012549 training Methods 0.000 claims description 65
- 238000010586 diagram Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 230000002146 bilateral effect Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 239000002689 soil Substances 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 2
- 238000012031 short term test Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 239000011800 void material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/06—Systems determining position data of a target
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Electromagnetism (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明实施例涉及路基检测技术领域，公开了一种城市道路路基病害快速探测的方法，包括：接收摄像头模块采集到的地表图像信息以及位置获取模块采集到的位置信息；当检测到的有标记信息时，获取与地表图像信息关联的位置信息；对获取到的所有的地表图像信息进行图像识别；将与标记位置信息不关联的雷达探测图像输入至路基病害模型中进行图像识别；对与标记位置信息关联的雷达探测信息输入至屏蔽检测模型中进行检测；根据上述状态进行综合判断以确定相应道路区段的病害结果。本发明实施例中方法通过检测地表标记信息来确定相应的屏蔽位置信息，在后续进行雷达图像检测的时候采用不同的检测模型来对其进行检测，进而提高路基病害检测的精度和速度。
Description
技术领域
本发明涉及路基检测技术领域，具体涉及一种城市道路路基病害快速探测的方法及装置。
背景技术
目前，处于运营期的公路工程由于受到设计理念或施工技术等方面的限制，再遭遇降雨温度的变化等自然环境的影响可能存在滑坡坍塌等风险。为了保证公路工程的正常运营，故而对路基可能出现的病害进行方便快速的检测成为本领域技术人员亟待解决的技术问题。
发明内容
针对所述缺陷，本发明实施例公开了一种城市道路路基病害快速探测的方法，其能够实现更快速准确地进行路基病害检测的能力。
本发明实施例第一方面公开了城市道路路基病害快速探测的方法，包括：
接收摄像头模块以预设频率采集到的地表图像信息以及位置获取模块以预设频率采集到的位置信息；
对所述地表图像信息进行图像识别以确定所述地表图像信息中是否存在相应的标记信息，当检测到的有标记信息时，获取与所述地表图像信息关联的标记位置信息；
对获取到的所有的地表图像信息进行图像识别以确定地表表面状况；
获取通过雷达探测模块检测到的雷达探测图像；
将与所述标记位置信息不关联的雷达探测图像输入至预先构建完成的路基病害模型中进行图像识别以确定所述雷达探测图像中的路基病害状况；
对与所述标记位置信息关联的雷达探测信息输入至屏蔽检测模型中进行检测以确定相应图像中的屏蔽状态；
根据所述地表表面状态、路基病害状态以及屏蔽状态进行综合判断以确定相应道路区段的病害结果。
作为一种可选的实施方式，在本发明实施例第一方面中，所述路基病害模型通过如下步骤构建完成：
获取标记完成的雷达训练图像并构建训练集，所述标记完成的雷达训练图像包括病害区域位置以及病害分类；
基于卷积神经网络和所述训练集，以雷达训练图像为输入、病害分类结果为输出进行识别训练以建立路基病害模型。
作为一种可选的实施方式，在本发明实施例第一方面中，以雷达训练图像为输入、病害分类结果为输出进行识别训练以建立路基病害模型，包括：
通过卷积层对所述雷达训练图像转换为相应的输入特征图；所述输入特征图为全零填充特征图；
采用三种预选框来分别进行32倍卷积下采样、16倍卷积下采样和8倍卷积下采样以将所述输入特征图划分为三种预测尺度的特征图，将各个预测尺度的相应特征图均划分为相同大小网格的输出特征图；
根据标签结果以及输出特征图进行输入至构建路基病害模型进行不断训练直至达到训练要求，在训练构建过程中采用多标签分类的方式来进行不断模型训练。
作为一种可选的实施方式，在本发明实施例第一方面中，所述预选框通过如下步骤进行重新选取：
提取训练集中所有无区别的边界框；
将边界框的坐标转换为框的宽高值；
将全部的边界框中随机生成K个聚类中心作为锚框的初始值；
根据距离参数来确定锚框与真实框之间的交集面积，并将与锚框相近类的边界框的高宽作为锚框的新的尺寸，并不断重复上述步骤直至聚类完成。
作为一种可选的实施方式，在本发明实施例第一方面中，所述方法还包括：
接收用户上传的道路信息；
对所述道路信息进行识别分析以确定道路类型信息；
根据所述道路类型信息确定相应预先构建完成的路基病害模型。
作为一种可选的实施方式，在本发明实施例第一方面中，所述雷达探测模块被配置为采用160Mhz的天线进行地陷探测、探测深度被配置为5m、时间增益被配置为自动、电磁波在土壤中的传播速度被配置为120m/us。
作为一种可选的实施方式，在本发明实施例第一方面中，在所述获取通过雷达探测模块检测到的雷达探测图像之后，还包括：
采用双边滤波法来对所述雷达探测图像进行滤波处理。
本发明实施例第二方面公开一种城市道路路基病害快速探测的装置，包括：
接收模块：用于接收摄像头模块以预设频率采集到的地表图像信息以及位置获取模块以预设频率采集到的位置信息；
标记确定模块：对所述地表图像信息进行图像识别以确定所述地表图像信息中是否存在相应的标记信息，当检测到的有标记信息时，获取与所述地表图像信息关联的标记位置信息；
第一识别模块：用于对获取到的所有的地表图像信息进行图像识别以确定地表表面状况；
获取模块：用于获取通过雷达探测模块检测到的雷达探测图像；
第二识别模块：用于将与所述标记位置信息不关联的雷达探测图像输入至预先构建完成的路基病害模型中进行图像识别以确定所述雷达探测图像中的路基病害状况；
第三识别模块：用于对与所述标记位置信息关联的雷达探测信息输入至屏蔽检测模型中进行检测以确定相应图像中的屏蔽状态；
结果判断模块：用于根据所述地表表面状态、路基病害状态以及屏蔽状态进行综合判断以确定相应道路区段的病害结果。
本发明实施例第三方面公开一种电子设备，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行本发明实施例第一方面公开的城市道路路基病害快速探测的方法。
本发明实施例第四方面公开一种计算机可读存储介质，其存储计算机程序，其中，所述计算机程序使得计算机执行本发明实施例第一方面公开的城市道路路基病害快速探测的方法。
与现有技术相比，本发明实施例具有以下有益效果：
本发明实施例中的城市道路路基病害快速探测的方法通过检测地表标记信息来确定相应的屏蔽位置信息，在后续进行雷达图像检测的时候采用不同的检测模型来对其进行检测，进而提高路基病害检测的精度和速度；并综合地表状态、病害状态以及屏蔽状态进行综合判断，进而得到更加准确的路基病害结果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的城市道路路基病害快速探测的方法的流程示意图；
图2是本发明实施例公开的路基病害模型构建的流程示意图；
图3是本发明实施例公开的路径病害模型的具体构建流程示意图；
图4是本发明实施例公开的预选框选取的流程示意图；
图5是本发明实施例公开的不密实的雷达探测图像的示意图；
图6是本发明实施例公开的具有孔洞的雷达探测图像的示意图；
图7是本发明实施例公开的具有脱空的雷达探测图像的示意图；
图8是本发明实施例公开的高含水的雷达探测图像的示意图；
图9是本发明实施例公开的具有裂缝的雷达探测图像的示意图；
图10是本发明实施例公开的具有空洞的雷达探测图像的示意图；
图11是本发明实施例公开的具有井盖屏蔽的雷达探测图像的示意图；
图12是本发明实施例公开的具有管线的雷达探测图像的示意图；
图13是本发明实施例提供的一种城市道路路基病害快速探测的装置的结构示意图；
图14是本发明实施例提供的一种电子设备的结构示意图。
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。
需要说明的是，本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象，而不是用于描述特定顺序。本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，示例性地，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
目前，处于运营期的公路工程由于受到设计理念或施工技术等方面的限制，再遭遇降雨温度的变化等自然环境的影响可能存在滑坡坍塌等风险。基于此，本发明实施例公开了城市道路路基病害快速探测的方法、装置、电子设备及存储介质，本发明实施例中的城市道路路基病害快速探测的方法通过检测地表标记信息来确定相应的屏蔽位置信息，在后续进行雷达图像检测的时候采用不同的检测模型来对其进行检测，进而提高路基病害检测的精度和速度；并综合地表状态、病害状态以及屏蔽状态进行综合判断，进而得到更加准确的路基病害结果。
实施例一
请参阅图1，图1是本发明实施例公开的城市道路路基病害快速探测的方法的流程示意图。其中，本发明实施例所描述的方法的执行主体为由软件或/和硬件组成的执行主体，该执行主体可以通过有线或/和无线方式接收相关信息，并可以发送一定的指令。当然，其还可以具有一定的处理功能和存储功能。该执行主体可以控制多个设备，例如远程的物理服务器或云服务器以及相关软件，也可以是对某处安置的设备进行相关操作的本地主机或服务器以及相关软件等。在一些场景中，还可以控制多个存储设备，存储设备可以与设备放置于同一地方或不同地方。如图1所示，该基于城市道路路基病害快速探测的方法包括以下步骤：
S101：接收摄像头模块以预设频率采集到的地表图像信息以及位置获取模块以预设频率采集到的位置信息；
这里需要获取到的是地表图像以及位置信息，并且需要将两者进行信息关联，如果不将两者进行关联的话，则后续在进行位置确定的时候无法直接对应到相应的位置。采用位置信息采集一方面可以确定标号位置的信息，另一方面还可以根据位置信息来确定相应的道路信息，也即是判断当前所属具体道路以及所属省市区县的具体位置。比如，当用户对G324道路进行检测的时候，后台服务器也不断的接收地表图像信息以及位置信息；然后可以通过对位置信息进行具体解析来确定其属于广东省广州市内所属道路，并且通过位置信息还可以确定其具体所属区，从而提供更多维度的信息给用户来进行使用。这里的位置获取模块可以采用北斗定位模块或者采用GPS模块来进行位置获取；在进行频率设置的时候可以将位置获取模块的信息获取频率与摄像头模块的频率设置为相同的频率。在本发明实施例中地表图像指的是道路的表面图像，地表图像能够显示出道路表面的状态，其能够显示出地面断裂情况以及坑洞情况等；除了上述情况之外，其还可以显示出干扰源的位置，这里的干扰源可以是由于井盖等产生的干扰源，当地表有井盖设置的时候，由于井盖的存在会使得雷达探测的图像产生较多的干扰；具体的，如图11所示，通过对该段干扰位置的标记，然后将其送入不同的检测模型中来进行匹配检测，能够提高检测的效率与速度。除了上述井盖之外，还记录检测区域内主要下沉区、网裂、龟裂的情况；确定并详细记录干扰源的位置，为数据分析时，排出干扰源做准备。
S102：对所述地表图像信息进行图像识别以确定所述地表图像信息中是否存在相应的标记信息，当检测到的有标记信息时，获取与所述地表图像信息关联的标记位置信息；
一般的，在开始进行道路探测前，可以先进行人工勘察的方式，然后采用人工对屏蔽区域进行标记；在进行具体标记的时候，可以采用特定的标记的方式，可以采用特定形状加数字结合的方式来进行标记，比如采用圆形与数字组合的方式，并且在进行特定道路标记的时候，采用特定顺序的数字来进行位置标记，这样能够使得整体道路标注更加的准确，并且通过上述标注能够对不同区段来进行更为具体的道路划分，使得用户在进行具体道路分析时，可以划分到更小的维度来进行数据处理。在本发明实施例中，可以将标记设置为图形加数字的组合方式来进行识别，在进行具体的标记识别的时候，可以采用先识别图形在识别文字的方式，由于图形为简单的图形，在进行图像识别的时候相对容易定位识别得到；然后识别到对应的圆形图形之后，字符的相对位置也确定，然后直接对特定区域内的字符进行直接识别即可。在进行具体的字符识别的时候，采用如下方式来进行识别：
获取圆形区域内的字符信息，后台服务器对手写字符信息进行特征提取；进行特征提取之后，对其进行预处理，所述预处理包括二值化、去除噪声和干扰、字符分割、归一化等步骤其中去除干扰和字符分割尤其重要，除了上述步骤之外，还可以增加平滑处理等步骤；这样能够使得最终得到的字符特征更加的清晰；
对得到的字符特征进行二值化处理，具体的为：将图片的灰度值，以某一阈值为限，转换为0或255，即是黑和白，以便于进行处理，二值化阈值根据具体图片分析所得，选择合理的阈值可消除很多背景、噪声，同时不损伤字符笔画；去除干扰点，二值化后大部分噪声都已经去除，但是还有很多干扰点，通过去除干扰点和噪声可以去除高度为1和2像素的干扰点，除去这些干扰点便于后续的处理更好的进行；
通过种子连通算法对手写验证信息进行字符分割，得到字符信息；然后对字符信息进行图像分割，将其分割为预设数量的方格区域；计算每个方格中的区域密度，该区域密度＝每个方格内的点数与字符信息总点数之比；从经过预处理的字符图片中，提取处一定维数的特征向量，从而提高字符匹配和识别的存储量和运算速度，字符有很多特征，选用合适的特征才能达到正确识别的目的，本发明采用字符的区域密度的特征，即将字符分成n*n个方格区域，计算每个方格中的点数与字符总点数之比，以得到多维特征向量，该特征反映了字符笔画的空间分布情况，并且对字符笔画的粗细不敏感；由于反应的是空间字符笔画的分布，故而再进行训练以及识别的时候并不是对字与字之间的识别判断，而是通过不断的分析该字的笔画特征与标准模板进行匹配即可确定字符具体是什么字符。上述方式也能够较好的实现字符识别；这里的标准模板主要存储的数字的模板字符，采用阿拉伯数字的方式，一方面是因为字符简单便于识别，而是便于进行信息标注。
在进行标注的时候，还可以除了上述标注方式之外，还可以采用如下标注方式，也即是一种缺陷方式对应一个数字，比如井盖与数字一相对应，下沉区域数字二相对应，网裂、龟裂与数字三相对应等等。
S103：对获取到的所有的地表图像信息进行图像识别以确定地表表面状况。
由于通过摄像头模块不仅仅可以识别地面的标记信息，还可以通过图像来识别地面表面情况信息；比如地面裂缝状态等。地面下方产生的空洞不密实长期存在的情况下，会反应到地表形成裂缝；故而需要获取多维度的信息，并且更具频率使得地表表面状态与雷达探测状态来做一个信息关联，然后综合分析其情况，使得用户能够达到预测地面发生状态的目的。
S104：获取通过雷达探测模块检测到的雷达探测图像；
本步骤主要是为了获取到雷达探测模块检测到的雷达探测图像，然后通过雷达探测图像来分析其情况。更为优选的，所述雷达探测模块被配置为采用160Mhz的天线进行地陷探测、探测深度被配置为5m、时间增益被配置为自动、电磁波在土壤中的传播速度被配置为120m/us。通过设置上述参数来实现对相应探测深度的雷达探测。
S105：将与所述标记位置信息不关联的雷达探测图像输入至预先构建完成的路基病害模型中进行图像识别以确定所述雷达探测图像中的路基病害状况；
路基病害一般都有如下几种情况：
第一、图5是本发明实施例公开的不密实的雷达探测图像的示意图，如图5所示，其展示的是地质不密实、破碎的情况，反映到电磁波反射信号幅值较强，同相轴不连续，错断，杂乱，一般呈区域化分布；
第二、图6是本发明实施例公开的具有孔洞的雷达探测图像的示意图，如图6所示，其展示的是孔洞的情况，其电磁波反射信号幅值较强，呈典型的孤立体相位特征，通常为规整或非规整的双曲线波形特征，三振相明显，在其下部仍有强反射界面信号；
第三、图7是本发明实施例公开的具有脱空的雷达探测图像的示意图，如图7所示，其展示的是脱空的情况，其电磁波反射信号幅值较强，多呈近似水平的带状分布，通常有多次反射信号；
第四、图8是本发明实施例公开的高含水的雷达探测图像的示意图，如图8所示，其展示的是高含水的情况，其电磁波反射信号幅值较强，一般以低频成为主，多数伴随有较明显的震荡现象；
第五、图9是本发明实施例公开的具有裂缝的雷达探测图像的示意图，如图9所示，其展示的是裂缝：电磁波信号同相轴断开呈尖波状或斜向带状发育，信号幅值较强；
第六、图12是本发明实施例公开的具有管线的雷达探测图像的示意图，如图12所示，其展示是管线的情况，其典型的管线反射信号为抛物线形(或称为单支双曲线)，如果管径较小或者埋藏较深，可能看不到抛物线形状；但一般仍有较明显的异常存在；
第七、图10是本发明实施例公开的具有空洞的雷达探测图像的示意图，如图10所示，其展示的是空洞，其界面反射信号强，呈典型的孤立体相位特征，通常为规整或不规整的双曲线波形特征，三振相明显，在其下部仍有强反射界面信号，两组信号时程差较大。
更为优选的，图2是本发明实施例公开的路基病害模型构建的流程示意图，如图2所示，所述路基病害模型通过如下步骤构建完成：
S1051：获取标记完成的雷达训练图像并构建训练集，所述标记完成的雷达训练图像包括病害区域位置以及病害分类；
S1052：基于卷积神经网络和所述训练集，以雷达训练图像为输入、病害分类结果为输出进行识别训练以建立路基病害模型。
通过对上述图形进行标记并构建训练集来进行不断的训练，具体采用labeling等软件来对其进行逐张标注，具体的，击Create RectBox选项对打开的路面病害图片进行标注，根据图片所对应的in文件找到病害所在位置，对道路路面病害进行框选，备注相对应的病害名称。最后，点击Save选项对标记好的图片进行保存，即xml文件制作完成。重复以上流程直至所有病害图片标记完成。其中，由于需要标注的病害图片过多，为加快工作效率，可以选择view菜单中的自动保存功能，这样可以省去重复步骤，提高标注效率。为提高病害识别准确度，选定病害时矩形框不宜过大。
更为优选的，图3是本发明实施例公开的路径病害模型的具体构建流程示意图，如图3所示，以雷达训练图像为输入、病害分类结果为输出进行识别训练以建立路基病害模型，包括：
S1052a：通过卷积层对所述雷达训练图像转换为相应的输入特征图；所述输入特征图为全零填充特征图；
S1052b：采用三种预选框来分别进行32倍卷积下采样、16倍卷积下采样和8倍卷积下采样以将所述输入特征图划分为三种预测尺度的特征图，将各个预测尺度的相应特征图均划分为相同大小网格的输出特征图；
S1052c：根据标签结果以及输出特征图进行输入至构建路基病害模型进行不断训练直至达到训练要求，在训练构建过程中采用多标签分类的方式来进行不断模型训练。
本发明实施例的病害模型通过融合低层特征和高层特征实现多尺度检测达到预测的效果，且本发明实施例的模型可以直接预测不同目标位置并分类；为了避免发生过拟合的现象发生，不能将图片直接放入到网络中，故而需要选采用卷积层来对其进行图片特征提取。具体的，可以采用3*3卷积核对图片进行卷积得到3*3特征图；在进行前向传播的过程中，步长为2的卷积层实现32倍、16倍以及8倍下采样来代替池化层的作用，其能够实现更快速的多类型的分类。本发明实施例的路基病害模型其采用的残差神经网络模型，其具体有53个卷积层以及5个残差块来进行模型构建；通过不断的输入训练图像来实现模型的迭代训练。
更为优选的，图4是本发明实施例公开的预选框选取的流程示意图。如图4所示，所述预选框通过如下步骤进行重新选取：
S1052b1：提取训练集中所有无区别的边界框；
S1052b2：将边界框的坐标转换为框的宽高值；
S1052b3：将全部的边界框中随机生成K个聚类中心作为锚框的初始值；
S1052b4：根据距离参数来确定锚框与真实框之间的交集面积，并将与锚框相近类的边界框的高宽作为锚框的新的尺寸，并不断重复上述步骤直至聚类完成。
由于默认的预选框对测试病害区类型会存在偏差的情况，也即是包含有过多的不必要识别的图像的内容，这样的话，则会使得最终结果的预测准确率下降。因此，在本发明实施例中采用K-means算法重新对默认框进行更新，有利于提高训练精度，降低误差值；K-means算法能够展现良好的伸缩性，并且算法复杂度较低，能够保证运行速度。
S106：对与所述标记位置信息关联的雷达探测信息输入至屏蔽检测模型中进行检测以确定相应图像中的屏蔽状态；
本步骤主要是对存在井盖等屏蔽物的时候的识别方式，通过将对应的雷达探测信息输入至屏蔽检测模型中可以识别到相应的屏蔽状态，也即是井盖模型的具体位置区域，在能够明确知晓检测物的情况下，训练得到的模型检测的结果也更加的精准，并且检测的效率也更加的高效。避免了由于井盖等屏蔽特征的干扰而造成整体模型训练速度以及识别速度的下降，通过分区域的分类别的识别，能够有效的保证最终结果预测的准确性。
S107：根据所述地表表面状态、路基病害状态以及屏蔽状态进行综合判断以确定相应道路区段的病害结果。
当路面是连续完整无病害时，由于道路各层介质均匀，不会出现雷达波波动错乱的现象，只会在各介质分界处有雷达波的不同。导致病害的原因不同、病害形状不同、病害内充介质的不同，都会使反射回的雷达波波动不同。但是单路基出现病害的时候，则会产生各种不同的回波情况。并且一般的地面情况也会反映在地表处，因此，当接收到地表状态以及路基状态等信息的时候，用户可以对其进行一个信息的综合判断；并且更具上述综合信息可以得到相应的病害的演变过程，当出现空洞的时候，是不是会关联出现高含水的情况；当路基出现不密实、破碎的情况的时候，是不是会较大的关联出现地表裂缝的情况出现；当综合得到上述信息的时候，能够对地表、路基之间的演变情况有更多维度的信息；并且由于获取到了位置信息，甚至于可以对某个特定区域的经过一段时间的演变情况也进行分析。当用户在2021年3月1号对某个道路采集完图像之后，用户再2021年10月1号对同样一条道路同样进行采集，然后通过时间维度的对相应道路的分析，能够发现路基病害的实际演变情况。
用户对存在病害区域的雷达探测图像、时间、地点以及地表表面情况进行保存以便于后续进行更多维度的数据分析比对。
更为优选的，所述方法还包括：
接收用户上传的道路信息；
对所述道路信息进行识别分析以确定道路类型信息；
根据所述道路类型信息确定相应预先构建完成的路基病害模型。
也即是可以针对于国道、省道、县道以及乡道等构建不同的路基病害模型，因为上述道路承载的车流量等差异也存在明显差异，故而其对于道路病害的演变情况也会存在差异，因此，基于上述不同道路来对其进行深入的信息挖掘，甚至于可以实现一段时间后的路基演变情况；使得用户能够提高预知道路即将面临的风险。这里可以直接采用用户上述具体路段信息，还可以根据位置模型来进行相应的模型的调用。针对于不同等级的道路设置不同的检测方式，比如国道、省道、乡道等，行车宽度、行驶速度设计；对于不同道路进行不同的标记；对区域道路病害演变来进行数据获取。
更为优选的，在所述获取通过雷达探测模块检测到的雷达探测图像之后，还包括：
采用双边滤波法来对所述雷达探测图像进行滤波处理。
由于在实际的检测过程中，会有周围车辆或者雷达运输车辆对其产生一定的震动影响；故而在进行图像识别前，需要将上述噪声滤除来达到更好的识别效果；一般的进行雷达噪声滤除可以有多种方式，比如直接对回波信号进行处理或者采用中值滤波或者均值滤波的方式，但是在本发明实施例中，均不采用上述方式，而采用双边滤波的方式，因为双边滤波是一种非线性的滤波方法，是结合图像的空间邻近度和像素值相似度的一种折中处理，同时考虑空域信息和灰度相似性，达到保边去噪的目的。具有简单、非迭代、局部的特点。双边滤波器的好处是可以做边缘保存，一般过去用的维纳滤波或者高斯滤波去降噪，都会较明显地模糊边缘，对于高频细节的保护效果并不明显。故而采用双边滤波能够达到更好的图像保护以及去除噪声的综合目的。
本发明实施例中的城市道路路基病害快速探测的方法通过检测地表标记信息来确定相应的屏蔽位置信息，在后续进行雷达图像检测的时候采用不同的检测模型来对其进行检测，进而提高路基病害检测的精度和速度；并综合地表状态、病害状态以及屏蔽状态进行综合判断，进而得到更加准确的路基病害结果。
实施例二
请参阅图13，图13是本发明实施例公开的城市道路路基病害快速探测的装置的结构示意图。如图13所示，该城市道路路基病害快速探测的装置可以包括：
接收模块21：用于接收摄像头模块以预设频率采集到的地表图像信息以及位置获取模块以预设频率采集到的位置信息；
标记确定模块22：对所述地表图像信息进行图像识别以确定所述地表图像信息中是否存在相应的标记信息，当检测到的有标记信息时，获取与所述地表图像信息关联的标记位置信息；
第一识别模块23：用于对获取到的所有的地表图像信息进行图像识别以确定地表表面状况；
获取模块24：用于获取通过雷达探测模块检测到的雷达探测图像；
第二识别模块25：用于将与所述标记位置信息不关联的雷达探测图像输入至预先构建完成的路基病害模型中进行图像识别以确定所述雷达探测图像中的路基病害状况；
第三识别模块26：用于对与所述标记位置信息关联的雷达探测信息输入至屏蔽检测模型中进行检测以确定相应图像中的屏蔽状态；
结果判断模块27：用于根据所述地表表面状态、路基病害状态以及屏蔽状态进行综合判断以确定相应道路区段的病害结果。
更为优选的，所述路基病害模型通过如下步骤构建完成：
训练集构建模块：用于获取标记完成的雷达训练图像并构建训练集，所述标记完成的雷达训练图像包括病害区域位置以及病害分类；
模型构建模块：用于基于卷积神经网络和所述训练集，以雷达训练图像为输入、病害分类结果为输出进行识别训练以建立路基病害模型。
更为优选的，以雷达训练图像为输入、病害分类结果为输出进行识别训练以建立路基病害模型，包括：
特征转换模块：用于通过卷积层对所述雷达训练图像转换为相应的输入特征图；所述输入特征图为全零填充特征图；
采样模块：用于采用三种预选框来分别进行32倍卷积下采样、16倍卷积下采样和8倍卷积下采样以将所述输入特征图划分为三种预测尺度的特征图，将各个预测尺度的相应特征图均划分为相同大小网格的输出特征图；
训练模块：用于根据标签结果以及输出特征图进行输入至构建路基病害模型进行不断训练直至达到训练要求，在训练构建过程中采用多标签分类的方式来进行不断模型训练。
更为优选的，所述预选框通过如下步骤进行重新选取：
提取模块：用于提取训练集中所有无区别的边界框；
坐标转换模块：用于将边界框的坐标转换为框的宽高值；
随机生成模块：用于将全部的边界框中随机生成K个聚类中心作为锚框的初始值；
聚类模块：用于根据距离参数来确定锚框与真实框之间的交集面积，并将与锚框相近类的边界框的高宽作为锚框的新的尺寸，并不断重复上述步骤直至聚类完成。
更为优选的，所述方法还包括：
信息接收模块：用于接收用户上传的道路信息；
第四识别模块：用于对所述道路信息进行识别分析以确定道路类型信息；
模型确定模块：用于根据所述道路类型信息确定相应预先构建完成的路基病害模型。
更为优选的，所述雷达探测模块被配置为采用160Mhz的天线进行地陷探测、探测深度被配置为5m、时间增益被配置为自动、电磁波在土壤中的传播速度被配置为120m/us。
更为优选的，在所述获取通过雷达探测模块检测到的雷达探测图像之后，还包括：
滤波模块：用于采用双边滤波法来对所述雷达探测图像进行滤波处理。
本发明实施例中的城市道路路基病害快速探测的方法通过检测地表标记信息来确定相应的屏蔽位置信息，在后续进行雷达图像检测的时候采用不同的检测模型来对其进行检测，进而提高路基病害检测的精度和速度；并综合地表状态、病害状态以及屏蔽状态进行综合判断，进而得到更加准确的路基病害结果。
实施例三
请参阅图14，图14是本发明实施例公开的一种电子设备的结构示意图。电子设备可以是计算机以及服务器等，当然，在一定情况下，还可以是手机、平板电脑以及监控终端等智能设备，以及具有处理功能的图像采集装置。如图14所示，该电子设备可以包括：
存储有可执行程序代码的存储器510；
与存储器510耦合的处理器520；
其中，处理器520调用存储器510中存储的可执行程序代码，执行实施例一中的城市道路路基病害快速探测的方法中的部分或全部步骤。
本发明实施例公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序使得计算机执行实施例一中的城市道路路基病害快速探测的方法中的部分或全部步骤。
本发明实施例还公开一种计算机程序产品，其中，当计算机程序产品在计算机上运行时，使得计算机执行实施例一中的城市道路路基病害快速探测的方法中的部分或全部步骤。
本发明实施例还公开一种应用发布平台，其中，应用发布平台用于发布计算机程序产品，其中，当计算机程序产品在计算机上运行时，使得计算机执行实施例一中的城市道路路基病害快速探测的方法中的部分或全部步骤。
在本发明的各种实施例中，应理解，所述各过程的序号的大小并不意味着执行顺序的必然先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物单元，即可位于一个地方，或者也可以分布到多个网络单元上。可根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各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。所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。
所述集成的单元若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获取的存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分，可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等，具体可以是计算机设备中的处理器)执行本发明的各个实施例所述方法的部分或全部步骤。
在本发明所提供的实施例中，应理解，“与A对应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。
本领域普通技术人员可以理解所述实施例的各种方法中的部分或全部步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本发明实施例公开的城市道路路基病害快速探测的方法、装置、电子设备及存储介质进行了详细介绍，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)
1.一种城市道路路基病害快速探测的方法，其特征在于，包括：
接收摄像头模块以预设频率采集到的地表图像信息以及位置获取模块以预设频率采集到的位置信息；
对所述地表图像信息进行图像识别以确定所述地表图像信息中是否存在相应的标记信息，当检测到的有标记信息时，获取与所述地表图像信息关联的标记位置信息；
对获取到的所有的地表图像信息进行图像识别以确定地表表面状况；
获取通过雷达探测模块检测到的雷达探测图像；
将与所述标记位置信息不关联的雷达探测图像输入至预先构建完成的路基病害模型中进行图像识别以确定所述雷达探测图像中的路基病害状况；
对与所述标记位置信息关联的雷达探测信息输入至屏蔽检测模型中进行检测以确定相应图像中的屏蔽状态；
根据所述地表表面状态、路基病害状态以及屏蔽状态进行综合判断以确定相应道路区段的病害结果。
2.如权利要求1所述的城市道路路基病害快速探测的方法，其特征在于，所述路基病害模型通过如下步骤构建完成：
获取标记完成的雷达训练图像并构建训练集，所述标记完成的雷达训练图像包括病害区域位置以及病害分类；
基于卷积神经网络和所述训练集，以雷达训练图像为输入、病害分类结果为输出进行识别训练以建立路基病害模型。
3.如权利要求2所述的城市道路路基病害快速探测的方法，其特征在于，以雷达训练图像为输入、病害分类结果为输出进行识别训练以建立路基病害模型，包括：
通过卷积层对所述雷达训练图像转换为相应的输入特征图；所述输入特征图为全零填充特征图；
采用三种预选框来分别进行32倍卷积下采样、16倍卷积下采样和8倍卷积下采样以将所述输入特征图划分为三种预测尺度的特征图，将各个预测尺度的相应特征图均划分为相同大小网格的输出特征图；
根据标签结果以及输出特征图进行输入至构建路基病害模型进行不断训练直至达到训练要求，在训练构建过程中采用多标签分类的方式来进行不断模型训练。
4.如权利要求3所述的城市道路路基病害快速探测的方法，其特征在于，所述预选框通过如下步骤进行重新选取：
提取训练集中所有无区别的边界框；
将边界框的坐标转换为框的宽高值；
将全部的边界框中随机生成K个聚类中心作为锚框的初始值；
根据距离参数来确定锚框与真实框之间的交集面积，并将与锚框相近类的边界框的高宽作为锚框的新的尺寸，并不断重复上述步骤直至聚类完成。
5.如权利要求1所述的城市道路路基病害快速探测的方法，其特征在于，所述方法还包括：
接收用户上传的道路信息；
对所述道路信息进行识别分析以确定道路类型信息；
根据所述道路类型信息确定相应预先构建完成的路基病害模型。
6.如权利要求1所述的城市道路路基病害快速探测的方法，其特征在于，所述雷达探测模块被配置为采用160Mhz的天线进行地陷探测、探测深度被配置为5m、时间增益被配置为自动、电磁波在土壤中的传播速度被配置为120m/us。
7.如权利要求1所述的城市道路路基病害快速探测的方法，其特征在于，在所述获取通过雷达探测模块检测到的雷达探测图像之后，还包括：
采用双边滤波法来对所述雷达探测图像进行滤波处理。
8.一种城市道路路基病害快速探测的装置，其特征在于，包括：
接收模块：用于接收摄像头模块以预设频率采集到的地表图像信息以及位置获取模块以预设频率采集到的位置信息；
标记确定模块：对所述地表图像信息进行图像识别以确定所述地表图像信息中是否存在相应的标记信息，当检测到的有标记信息时，获取与所述地表图像信息关联的标记位置信息；
第一识别模块：用于对获取到的所有的地表图像信息进行图像识别以确定地表表面状况；
获取模块：用于获取通过雷达探测模块检测到的雷达探测图像；
第二识别模块：用于将与所述标记位置信息不关联的雷达探测图像输入至预先构建完成的路基病害模型中进行图像识别以确定所述雷达探测图像中的路基病害状况；
第三识别模块：用于对与所述标记位置信息关联的雷达探测信息输入至屏蔽检测模型中进行检测以确定相应图像中的屏蔽状态；
结果判断模块：用于根据所述地表表面状态、路基病害状态以及屏蔽状态进行综合判断以确定相应道路区段的病害结果。
9.一种电子设备，其特征在于，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行权利要求1至7任一项所述的城市道路路基病害快速探测的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机程序，其中，所述计算机程序使得计算机执行权利要求1至7任一项所述的城市道路路基病害快速探测的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210363004.0A CN114895302A (zh) | 2022-04-06 | 2022-04-06 | 城市道路路基病害快速探测的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210363004.0A CN114895302A (zh) | 2022-04-06 | 2022-04-06 | 城市道路路基病害快速探测的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114895302A true CN114895302A (zh) | 2022-08-12 |
Family
ID=82714832
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210363004.0A Pending CN114895302A (zh) | 2022-04-06 | 2022-04-06 | 城市道路路基病害快速探测的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114895302A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115331190A (zh) * | 2022-09-30 | 2022-11-11 | 北京闪马智建科技有限公司 | 一种基于雷视融合的道路隐患识别方法及装置 |
| CN115830032A (zh) * | 2023-02-13 | 2023-03-21 | 杭州闪马智擎科技有限公司 | 基于旧有设施的道路伸缩缝病变识别方法及装置 |
| CN116012327A (zh) * | 2022-12-28 | 2023-04-25 | 北京道仪数慧科技有限公司 | 道路病害检测方法及载具 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101892529B1 (ko) * | 2017-11-22 | 2018-08-28 | 투아이시스(주) | 도상내 마커인식을 이용한 절대 위치인식장치 및 그 방법 |
| CN108572248A (zh) * | 2018-04-16 | 2018-09-25 | 长沙理工大学 | 一种基于无损检测技术评价道路技术状况的方法 |
| CN108733053A (zh) * | 2018-04-23 | 2018-11-02 | 上海圭目机器人有限公司 | 一种基于机器人的智能道路检测方法 |
| CN112462346A (zh) * | 2020-11-26 | 2021-03-09 | 西安交通大学 | 一种基于卷积神经网络的探地雷达路基病害目标检测方法 |
| CN113808098A (zh) * | 2021-09-14 | 2021-12-17 | 丰图科技(深圳)有限公司 | 道路病害识别方法、装置、电子设备及可读存储介质 |
| CN114035189A (zh) * | 2021-11-03 | 2022-02-11 | 深圳市赛盈地脉技术有限公司 | 一种道路隐患定位方法、装置、电子设备及存储介质 |
-
2022
- 2022-04-06 CN CN202210363004.0A patent/CN114895302A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101892529B1 (ko) * | 2017-11-22 | 2018-08-28 | 투아이시스(주) | 도상내 마커인식을 이용한 절대 위치인식장치 및 그 방법 |
| CN108572248A (zh) * | 2018-04-16 | 2018-09-25 | 长沙理工大学 | 一种基于无损检测技术评价道路技术状况的方法 |
| CN108733053A (zh) * | 2018-04-23 | 2018-11-02 | 上海圭目机器人有限公司 | 一种基于机器人的智能道路检测方法 |
| CN112462346A (zh) * | 2020-11-26 | 2021-03-09 | 西安交通大学 | 一种基于卷积神经网络的探地雷达路基病害目标检测方法 |
| CN113808098A (zh) * | 2021-09-14 | 2021-12-17 | 丰图科技(深圳)有限公司 | 道路病害识别方法、装置、电子设备及可读存储介质 |
| CN114035189A (zh) * | 2021-11-03 | 2022-02-11 | 深圳市赛盈地脉技术有限公司 | 一种道路隐患定位方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 王毅, 中国地质大学出版社 * |
| 田杨等: "一种基于Fast-RCNN的道路病害检测算法", 《市政技术》 * |
| 韩凯: "探地雷达在城市道路地下病害探测中的应用", 《四川水泥》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115331190A (zh) * | 2022-09-30 | 2022-11-11 | 北京闪马智建科技有限公司 | 一种基于雷视融合的道路隐患识别方法及装置 |
| CN115331190B (zh) * | 2022-09-30 | 2022-12-09 | 北京闪马智建科技有限公司 | 一种基于雷视融合的道路隐患识别方法及装置 |
| CN116012327A (zh) * | 2022-12-28 | 2023-04-25 | 北京道仪数慧科技有限公司 | 道路病害检测方法及载具 |
| CN115830032A (zh) * | 2023-02-13 | 2023-03-21 | 杭州闪马智擎科技有限公司 | 基于旧有设施的道路伸缩缝病变识别方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114895302A (zh) | 城市道路路基病害快速探测的方法及装置 | |
| CN115063525B (zh) | 一种城市道路路基及管道的三维成图方法及装置 | |
| Cerrillo-Cuenca | An approach to the automatic surveying of prehistoric barrows through LiDAR | |
| Hölbling et al. | An object-based approach for semi-automated landslide change detection and attribution of changes to landslide classes in northern Taiwan | |
| Sahar et al. | Using aerial imagery and GIS in automated building footprint extraction and shape recognition for earthquake risk assessment of urban inventories | |
| Sollazzo et al. | Hybrid procedure for automated detection of cracking with 3D pavement data | |
| CN103236063B (zh) | 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法 | |
| CN113256562B (zh) | 基于雷达图像和人工智能的道路地下隐患检测方法和系统 | |
| Champion et al. | 2D building change detection from high resolution satelliteimagery: A two-step hierarchical method based on 3D invariant primitives | |
| CN110910343A (zh) | 路面裂缝检测的方法、装置及计算机设备 | |
| Zhou et al. | Robust image-based surface crack detection using range data | |
| CN113807301B (zh) | 一种新增建设用地自动提取方法及自动提取系统 | |
| Chen et al. | A mathematical morphology-based multi-level filter of LiDAR data for generating DTMs | |
| Arachchige et al. | Automatic processing of mobile laser scanner point clouds for building facade detection | |
| CN115170983A (zh) | 一种基于遥感技术地质地貌分析与勘探方法及系统 | |
| Shi et al. | A method to detect earthquake-collapsed buildings from high-resolution satellite images | |
| CN116203559A (zh) | 一种地下岩土病害体智能化识别预警系统及方法 | |
| CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
| JP2019190998A (ja) | 空洞識別システム及び空洞識別方法 | |
| Marques et al. | Adaptive segmentation for discontinuity detection on karstified carbonate outcrop images from UAV-SfM acquisition and detection bias analysis | |
| Adu-Gyamfi et al. | Functional evaluation of pavement condition using a complete vision system | |
| Dos Santos et al. | Automatic building change detection using multi-temporal airborne LiDAR data | |
| CN110728311A (zh) | 一种图像处理方法、装置和存储介质 | |
| CN115661660A (zh) | Sar图像桥梁快速检测方法及设备 | |
| CN112686222B (zh) | 星载可见光探测器对船舶目标检测的方法和系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220812 |
|
| RJ01 | Rejection of invention patent application after publication |