CN114910046B - 一种基于双向线结构光的路面三维检测系统及其方法 - Google Patents
一种基于双向线结构光的路面三维检测系统及其方法 Download PDFInfo
- Publication number
- CN114910046B CN114910046B CN202210445208.9A CN202210445208A CN114910046B CN 114910046 B CN114910046 B CN 114910046B CN 202210445208 A CN202210445208 A CN 202210445208A CN 114910046 B CN114910046 B CN 114910046B
- Authority
- CN
- China
- Prior art keywords
- light
- line structure
- longitudinal
- elevation
- road surface
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
Abstract
本发明涉及一种基于双向线结构光的路面三维检测系统及其方法,该系统包括纵向测距传感器、数据采集卡、双向线结构光测量单元(包括横向、纵向线结构光测量模块)和处理模块,纵向测距传感器用于输出脉冲模拟信号给数据采集卡;数据采集卡用于驱动双向线结构光测量单元的同频触发,以及通过数模转换,换算出当前检测车辆的行驶距离、移动车速和车辆状态信息;双向线结构光测量单元用于获取路面的横断面高程数据、路面的纵断面高程及车辆震动位移数据;处理模块根据路面的横断面高程数据、路面的纵断面高程及车辆震动位移数据,构建得到路面三维高程图像模型。与现有技术相比,本发明能够实现路面绝对高程的精准测量,提高路面三维检测的精确性。
Description
技术领域
本发明涉及路面质量检测技术领域,尤其是涉及一种基于双向线结构光的路面三维检测系统及其方法。
背景技术
由于公路路面质量状况直接影响公路的使用寿命及行车安全,近年来,公路路面病害智能检测一直是道路工程和模式识别领域的重点研究方向。路面病害检测研究经历了从二维摄像测量技术向三维激光测量技术发展的过程,但是,由于检测装备多样化、病害识别算法不通用、算法性能评价指标不规范、模型对复杂环境难以适应性等问题,使得三维测量技术难以被可靠推广应用。
采用二维图像摄像测量技术,可以满足0-120Km/h正常行驶速度,实现1mm的连续采集,从采集的路面原始数据来看,大多数检测系统都能获取路面高清灰度数据,但由于采集到的路面图像具有以下特点:1)路面表面环境错综复杂,图像含有较多的噪声干扰(路面材料粒径噪声、油污废料、光照不均匀、交通标线、阴影遮挡等);2)不同纹理特征路面破损形式多样化,采集到的病害特征随地域、气候,环境等因素的不同而千差万别; 3)车载系统由于自身机械振动和路面状况等原因,图像采集受到不同程度的影响,如图像出现搓衣板、漂移以及数据丢失等现象。这些因素都进一步导致自动识别路面病害的难度急剧增加,二维自动识别技术成为影响公路检测效率的重要瓶颈。
三维图像激光测量方法在1997年被提出并应用于道路检测。三维数据获取方法主要有线结构光扫描技术、激光扫描仪技术、双目视觉立体成像技术、对焦测距、散焦测距、干涉测量法等。目前的道路检测系统主要采用三维结构光扫描、三维激光扫描仪等检测手段,其他检测手段还停留在理论测试阶段。其中,单向线结构光扫描因其非接触测量、结构简单、精度高、速度快等优点,可在低速和高速情况下对路面横断面进行采集处理,但因原理限制,相邻横断面高程叠加了车辆垂直震动位移,使得三维图像通过高程归一化后数据特征复杂,规律不统一,人工智能模型训练难度增大;三维激光扫描仪采用非接触式主动测量方式,利用脉冲测距法计算点的三维坐标,以点云的形式获得复杂物体表面的三维高程数据,这种车载激光扫描仪可以用于公路检测,可测量车辙,路面表面,道路变形以及横向和纵向剖面分析在内的公路的几何模型,但激光扫描仪方法只能在低速时跟踪捕获路面状态信息,且成本昂贵。
综上可知,我国公路现行标准的很多指标是基于病害的二维特征对路面状况进行评价,而如何建立融合绝对高程信息,数字化获取路面病害的几何形态和几何参数(如长度、宽度和深度),则是路面三维检测技术当前亟需解决的问题,也是提高公路病害自动化识别、数字化感知的关键所在。
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双向线结构光的路面三维检测系统及其方法。
本发明的目的可以通过以下技术方案来实现:一种基于双向线结构光的路面三维检测系统,包括纵向测距传感器、数据采集卡、双向线结构光测量单元和处理模块,所述纵向测距传感器与数据采集卡连接,所述数据采集卡与双向线结构光测量单元相连接,所述双向线结构光测量单元连接至处理模块,所述纵向测距传感器用于输出脉冲模拟信号给数据采集卡;
所述数据采集卡用于驱动双向线结构光测量单元的同频触发,以及通过数模转换,换算出当前检测车辆的行驶距离、移动车速和车辆状态信息;
所述双向线结构光测量单元用于获取路面的横断面高程数据、路面的纵断面高程及车辆震动位移数据;
所述处理模块根据路面的横断面高程数据、路面的纵断面高程及车辆震动位移数据,构建得到路面三维高程图像模型。
进一步地,所述双向线结构光测量单元包括横向线结构光测量模块和纵向线结构光测量模块,所述数据采集卡分别与横向线结构光测量模块、纵向线结构光测量模块相连接,所述横向线结构光测量模块和纵向线结构光测量模块分别连接至处理模块;
所述横向线结构光测量模块用于获取路面的横断面高程数据;
所述纵向线结构光测量模块用于获取路面的纵断面高程及车辆震动位移数据。
一种基于双向线结构光的路面三维检测方法,包括以下步骤:
S1、双向线结构光测量单元同频触发,其中,双向线结构光测量单元包括横向线结构光测量模块和纵向线结构光测量模块;
S2、横向线结构光测量模块获取路面的横断面高程数据;
S3、纵向线结构光测量模块获取路面的纵断面高程及车辆震动位移数据;
S4、根据获取的车辆震动位移数据和横断面高程数据,由处理模块计算得到路面绝对高程;
S5、根据路面绝对高程,处理模块构建得到路面三维高程图像模型。
进一步地,所述步骤S1具体包括以下步骤:
S11、纵向测距传感器输出脉冲模拟信号给数据采集卡,通过数模转换,实现横向线结构光测量模块和纵向线结构光测量模块同频触发,并记录单位时间脉冲数 NPULSE;
S12、根据单位时间脉冲数NPULSE,由数据采集卡换算出当前检测车辆的行驶距离X、移动车速V和车辆状态POSI。
进一步地,所述步骤S2具体包括以下步骤:
S21、根据横向线结构光测量模块的感兴趣区域中的线激光轮廓,结合设置的第一阈值参数,区分出横向线结构光高感光区域和横向线结构光非高感光区域,并计算得到横向线结构光高感光区域内激光强度一阶矩;
S22、基于横向线结构光高感光区域起始坐标,结合横向线结构光高感光区域内激光强度一阶矩,进一步计算得到横向线激光轮廓的重心,即得到横断面相对高程。
进一步地,所述横向线结构光高感光区域内激光强度一阶矩具体为:
MS_H=0.85*∑IP_H*PH
其中,IP_H为横向线结构光激光强度,PH为横向线结构光高感光区域的坐标序列;
所述横向线激光轮廓的重心具体为:
PCOG_H=PL_H+MS_H/IS_H
IS_H=∑IP_H
其中,PL_H为横向线结构光高感光区域起始坐标,IS_H为横向线结构光激光区域强度和。
进一步地,所述步骤S3具体包括以下步骤:
S31、根据纵向线结构光测量模块的感兴趣区域中的线激光轮廓,结合设置的第二阈值参数,区分出纵向线结构光高感光区域与纵向线结构光纵向非高感光区域,计算得到纵向线结构光高感光区域内激光强度一阶矩;
S32、基于纵向线结构光高感光区域起始坐标,结合纵向线结构光高感光区域内激光强度一阶矩,进一步计算得到纵向线激光轮廓的重心,即得到纵断面相对高程;
S33、基于纵向线激光移步拼接检测原理,根据单位时间脉冲数NPULSE,将纵向相邻轮廓线从端点开始依次递推对应做差;
表示对应高程点做差的标准偏差,σmin表示所有/>标准差中的最小值。当标准差E<σmin时,即确定拼接点,获得车辆震动垂直位移Δh。
进一步地,所述纵向线结构光高感光区域内激光强度一阶矩具体为:
MS_Z=0.85*∑IP_Z*PZ
其中,IP_Z为纵向线结构光激光强度,PZ为纵向线结构光高感光区域的坐标序列;
所述纵向线激光轮廓的重心具体为:
PCOG_Z=PL_Z+MS_Z/IS_Z
IS_Z=∑IP_Z
其中,PL_Z为纵向线结构光高感光区域起始坐标,IS_Z为纵向线结构光激光区域强度和。
进一步地,所述步骤S4具体包括以下步骤:
S41、将横向轮廓线上每个点高程PCOG-H减去Δh,即得到路面绝对高程PCOG-R;
S42、令采集的一组横断面高程向量X={X1,X2,...,Xn},其在激光图像上对应的像素向量Y={Y1,Y2,...,Yn},若Yi=0(i=1,2,...,n),则属于激光异常点,若Yi≠0 (i=1,2,...,n),则不属于激光异常点,由此筛选出激光异常点对应的横断面高程向量异常值;
S43、针对筛选出的横断面高程向量异常值,采用其左邻正常值或右邻正常值的插值进行修正。
进一步地,所述步骤S43中修正的具体计算公式为:
其中,n为横断面高程点个数,Xi为筛选出的横断面高程向量,Xi-1为Xi的左邻正常值,Xi+1为Xi的右邻正常值。
进一步地,所述步骤S5具体包括以下步骤:
S51、根据固定脉冲触发间隔,输出设定行数的路面横断面轮廓序列;
S52、对步骤S43处理后的横断面高程值进行像素归一化处理,XMIN为当前断面最小高程值,XMAX为当前断面最大高程值,当前Xi的高程值与之对应的像素灰度值为X’=255*(Xi-XMIN)/(XMAX-XMIN),以此形成路面三维高程图像模型。
与现有技术相比,本发明利用横向和纵向线结构光扫描组合,通过同频触发 (1mm~5mm采样),能够同步获取道路横断面和纵断面的高程数据,再通过纵断面高程非惯性移步拼接,能够精准提取高程纵断面的垂直位移,即车辆移动测量的震动位移,并抵消掉横断面相对高程,从而实现路面绝对高程精准测量,由此构建得到准确的路面三维高程图像模型。
本发明提出双向线结构光测量方式,不受车辆加减速的影响,且数据精度更高、重复性更好,能够进一步将路面绝对高程向像素归一化,获得的路面3D数据具有高程空间一致性,线结构光获取的2D图像通过设计匀光算法,以保证像素空间一致性,这种多维数据的组合可提高路面状况的数字化水平。
本发明基于多维度绝对高程数据,能够解析病害空间序列信息,从而为后续人工智能模型的迭代作用机理奠定基础,以此实现路面状况的自动化识别,有利于后续公路养护的降本增效和高效运维。
附图说明
图1为本发明的系统结构示意图;
图2为本发明的方法流程示意图;
图3为实施例的应用过程示意图;
图4为线结构光检测原理示意图;
图5为纵向线激光移步拼接检测原理示意图;
图中标记说明:10、路面三维数据采集装置,20、处理模块,100、纵向测距传感器,200、数据采集卡,300、横向线结构光测量模块,400、纵向线结构光测量模块。
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。
实施例
如图1所示,一种基于双向线结构光的路面三维检测系统,包括路面三维数据采集装置10和处理模块20,路面三维数据采集装置10包括纵向测距传感器100、数据采集卡200、双向线结构光测量单元,其中,双向线结构光测量单元包括横向线结构光测量模块300和纵向线结构光测量模块400。
纵向测距传感器100与数据采集卡200连接,数据采集卡200分别与横向线结构光测量模块300、纵向线结构光测量模块400相连接,横向线结构光测量模块300 和纵向线结构光测量模块400分别连接至处理模块20.
纵向测距传感器100用于输出脉冲模拟信号给数据采集卡200;
数据采集卡200用于驱动横向线结构光测量模块300和纵向线结构光测量模块400的同频触发,以及通过数模转换,换算出当前检测车辆的行驶距离、移动车速和车辆状态信息;
横向线结构光测量模块300用于获取路面的横断面高程数据;
纵向线结构光测量模块400用于获取路面的纵断面高程及车辆震动位移数据;
处理模块20根据路面的横断面高程数据、路面的纵断面高程及车辆震动位移数据,构建得到路面三维高程图像模型。
将上述系统应用于实际,以实现一种基于双向线结构光的路面三维检测方法,如图2所示,包括以下步骤:
S1、双向线结构光测量单元同频触发;
S2、横向线结构光测量模块获取路面的横断面高程数据;
S3、纵向线结构光测量模块获取路面的纵断面高程及车辆震动位移数据;
S4、根据获取的车辆震动位移数据和横断面高程数据,由处理模块计算得到路面绝对高程;
S5、根据路面绝对高程,处理模块构建得到路面三维高程图像模型。
本实施例应用上述技术方案,具体过程如图3所示,主要包括:
步骤S1.1、如图1所示的路面三维数据采集装置10,利用纵向测距传感器100 产生脉冲模拟信号给到数据采集卡200,通过数模转换,实现横向线结构光测量模块300和纵向线结构光测量模块400同频触发,记录单位时间脉冲数NPULSE;
步骤S1.2、根据单位时间脉冲数NPULSE,由数据采集卡200对脉冲模拟量信号进行模数转换,转换成数字信号、脉冲数,再根据数据采集卡200的时钟信息、单位时间,换算出当前检测车辆的行驶距离X、移动车速V和车辆状态POSI等信息。
步骤S2.1、如图4所示为线结构光成像原理,根据横向线结构光测量模块300 感兴趣区域中的线激光轮廓,为了抑制弱信号噪声,设置阈值参数AOI_TRSH-H,用来区分横向线结构光高感光区域310与非高感光区域320,横向线结构光激光强度为IP_H,对应激光区域强度和为IS_H=∑IP_H,横向线结构光高感光区域内激光强度一阶矩MS_H=0.85*∑IP_H*PH,PH为横向线结构光高感光区域的坐标序列;
步骤S2.2、PL_H为横向线结构光高感光区域起始坐标,根据公式PCOG_H=PL_H+ MS_H/IS_H,计算横向线激光轮廓的重心。
步骤S3.1、根据纵向线结构光测量模块400感兴趣区域中的线激光轮廓,为了抑制弱信号噪声,设置阈值参数AOI_TRSH-Z,用来区分纵向线结构光高感光区域与非高感光区域,纵向线结构光激光强度为IP_Z,纵向线结构光激光区域强度和为IS_Z=∑IP_Z,纵向线结构光高感光区域内激光强度一阶矩MS_Z=0.85*∑IP_Z* PZ,PZ为纵向线结构光高感光区域的坐标序列;
步骤S3.2、PL_Z为纵向线结构光高感光区域起始坐标,根据公式PCOG_Z=PL_Z+ MS_Z/IS_Z计算纵向线激光轮廓的重心;
步骤S3.3、如图5所示为一种纵向线激光移步拼接检测原理,根据单位时间脉冲数NPULSE,将纵向相邻轮廓线从端点开始依次递推对应做差,表示对应高程点做差的标准偏差,σmin表示所有/>标准差中的最小值,当标准差E<σmin时,即确定拼接点,获得车辆震动垂直位移Δh。
步骤S4.1、将横向轮廓线上每个点高程PCOG-H减去Δh,即为路面绝对高程 PCOG-R;
步骤S4.2、令采集的一组横断面高程向量X={X1,X2,...,Xn},其在激光图像上对应的像素向量Y={Y1,Y2,...,Yn},Yi=0(i=1,2,...,n)属于激光异常点,Yi≠0 (i=1,2,...,n)不属于激光异常点,对于筛选出的异常值采用其左邻正常值或右邻正常值的插值进行修正,即
式中,n为高程点个数;Xi为筛选出的异常值;Xi-1为异常值的左邻正常值; Xi+1为异常值的右邻正常值。
步骤S5.1、根据固定脉冲触发间隔输出一定行数的路面横断面轮廓序列;
步骤S5.2、对处理后的高程值进行像素归一化处理,XMIN为当前断面最小高程值,XMAX为当前断面最大高程值,当前Xi的高程值与之对应的像素灰度值为X’= 255*(Xi-XMIN)/(XMAX-XMIN),以此形成路面三维高程图像模型。
综上所述,本技术方案考虑到现有单向线结构光扫描技术受限于技术原理,只能获取每个道路横断面的相对高程,相邻横断面高程叠加了车辆震动位移,使得三维数据通过高程归一化后数据特征复杂,规律不统一,人工智能模型训练难度增大。由此创新性地利用横向和纵向线结构光扫描组合,通过同频触发(1mm~5mm采样) 同步获取道路横断面和纵断面的高程数据,基于纵断面高程轮廓连续重叠区域,利用非惯性移步拼接算法,可精准提取车辆移动测量的上下震动位移、实现路面绝对高程精准测量,并以此形成路面三维高程图像模型。
本技术方案通过自动获取路面微观变形,进而提取破损绝对高程,具有信息度高、真实性强、稳定性强、精确度高的优点,能够很好地应用于各等级公路、城市道路、隧道、机场跑道等区域道路数据验收和智能检测。
Claims (3)
1.一种基于双向线结构光的路面三维检测方法,应用于一种基于双向线结构光的路面三维检测系统,其特征在于,所述系统包括纵向测距传感器(100)、数据采集卡(200)、双向线结构光测量单元和处理模块(20),所述纵向测距传感器(100)与数据采集卡(200)连接,所述数据采集卡(200)与双向线结构光测量单元相连接,所述双向线结构光测量单元连接至处理模块(20),所述纵向测距传感器(100)用于输出脉冲模拟信号给数据采集卡(200);
所述数据采集卡(200)用于驱动双向线结构光测量单元的同频触发,以及通过数模转换,换算出当前检测车辆的行驶距离、移动车速和车辆状态信息;
所述双向线结构光测量单元包括横向线结构光测量模块(300)和纵向线结构光测量模块(400),所述横向线结构光测量模块(300)用于获取路面的横断面高程数据,所述纵向线结构光测量模块(400)用于获取路面的纵断面高程及车辆震动位移数据;
所述处理模块(20)根据路面的横断面高程数据、路面的纵断面高程及车辆震动位移数据,构建得到路面三维高程图像模型;
所述方法包括以下步骤:
S1、双向线结构光测量单元同频触发,其中,双向线结构光测量单元包括横向线结构光测量模块和纵向线结构光测量模块;
S2、横向线结构光测量模块获取路面的横断面高程数据;
S3、纵向线结构光测量模块获取路面的纵断面高程及车辆震动位移数据;
S4、根据获取的车辆震动位移数据和横断面高程数据,由处理模块计算得到路面绝对高程;
S5、根据路面绝对高程,处理模块构建得到路面三维高程图像模型;
所述步骤S1具体包括以下步骤:
S11、纵向测距传感器输出脉冲模拟信号给数据采集卡,通过数模转换,实现横向线结构光测量模块和纵向线结构光测量模块同频触发,并记录单位时间脉冲数NPULSE;
S12、根据单位时间脉冲数NPULSE,由数据采集卡换算出当前检测车辆的行驶距离X、移动车速V和车辆状态POSI;
所述步骤S2具体包括以下步骤:
S21、根据横向线结构光测量模块的感兴趣区域中的线激光轮廓,结合设置的第一阈值参数,区分出横向线结构光高感光区域和横向线结构光非高感光区域,并计算得到横向线结构光高感光区域内激光强度一阶矩;
S22、基于横向线结构光高感光区域起始坐标,结合横向线结构光高感光区域内激光强度一阶矩,进一步计算得到横向线激光轮廓的重心,即得到横断面相对高程;
所述步骤S3具体包括以下步骤:
S31、根据纵向线结构光测量模块的感兴趣区域中的线激光轮廓,结合设置的第二阈值参数,区分出纵向线结构光高感光区域与纵向线结构光纵向非高感光区域,计算得到纵向线结构光高感光区域内激光强度一阶矩;
S32、基于纵向线结构光高感光区域起始坐标,结合纵向线结构光高感光区域内激光强度一阶矩,进一步计算得到纵向线激光轮廓的重心,即得到纵断面相对高程;
S33、基于纵向线激光移步拼接检测原理,根据单位时间脉冲数NPULSE,将纵向相邻轮廓线从端点开始依次递推对应做差;
表示对应高程点做差的标准偏差,σmin表示所有标准偏差/>中的最小值,当标准偏差时,即确定拼接点,获得车辆震动垂直位移Δh;
所述步骤S4具体包括以下步骤:
S41、将横向轮廓线上每个点高程PCOG-H减去Δh,即得到路面绝对高程PCOG-R;
S42、令采集的一组横断面高程向量X={X1,X2,...,Xn},其在激光图像上对应的像素向量Y={Y1,Y2,...,Yn},若Yi=0(i=1,2,…,n),则属于激光异常点,若Yi≠0(i=1,2,…,n),则不属于激光异常点,由此筛选出激光异常点对应的横断面高程向量异常值;
S43、针对筛选出的横断面高程向量异常值,采用其左邻正常值或右邻正常值的插值进行修正:
其中,n为横断面高程点个数,Xi为筛选出的横断面高程向量,Xi-1为Xi的左邻正常值,Xi+1为Xi的右邻正常值;
所述步骤S5具体包括以下步骤:
S51、根据固定脉冲触发间隔,输出设定行数的路面横断面轮廓序列;
S52、对步骤S43处理后的横断面高程值进行像素归一化处理,XMIN为当前断面最小高程值,XMAX为当前断面最大高程值,当前Xi的高程值与之对应的像素灰度值为X’=255*(Xi-XMIN)/(XMAX-XMIN),以此形成路面三维高程图像模型。
2.根据权利要求1所述的一种基于双向线结构光的路面三维检测方法,其特征在于,所述横向线结构光高感光区域内激光强度一阶矩具体为:
Ms_H=0.85*∑IP_H*PH
其中,IP_H为横向线结构光激光强度,PH为横向线结构光高感光区域的坐标序列;
所述横向线激光轮廓的重心具体为:
PCOG_H=PL_H+MS_H/IS_H
Is_H=∑IP_H
其中,PL_H为横向线结构光高感光区域起始坐标,IS_H为横向线结构光激光区域强度和。
3.根据权利要求1所述的一种基于双向线结构光的路面三维检测方法,其特征在于,所述纵向线结构光高感光区域内激光强度一阶矩具体为:
MS_Z=0.85*∑IP_Z*PZ
其中,IP_Z为纵向线结构光激光强度,PZ为纵向线结构光高感光区域的坐标序列;
所述纵向线激光轮廓的重心具体为:
PCOG_Z=PL_Z+MS_Z/IS_Z
IS_Z=∑IP_z
其中,PL_Z为纵向线结构光高感光区域起始坐标,IS_z为纵向线结构光激光区域强度和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210445208.9A CN114910046B (zh) | 2022-04-26 | 2022-04-26 | 一种基于双向线结构光的路面三维检测系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210445208.9A CN114910046B (zh) | 2022-04-26 | 2022-04-26 | 一种基于双向线结构光的路面三维检测系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114910046A CN114910046A (zh) | 2022-08-16 |
CN114910046B true CN114910046B (zh) | 2023-09-26 |
Family
ID=82764455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210445208.9A Active CN114910046B (zh) | 2022-04-26 | 2022-04-26 | 一种基于双向线结构光的路面三维检测系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114910046B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1078319A (ja) * | 1996-09-03 | 1998-03-24 | Mitsubishi Heavy Ind Ltd | 路面3次元計測データ解析方法 |
CN109827964A (zh) * | 2019-03-08 | 2019-05-31 | 武汉夕睿光电技术有限公司 | 模块化的智能道路检测系统及方法 |
CN110415232A (zh) * | 2019-07-25 | 2019-11-05 | 嘉兴普勒斯交通技术有限公司 | 一种三维图像路面检测方法 |
CN111664830A (zh) * | 2020-06-01 | 2020-09-15 | 中公诚科(吉林)工程检测有限公司 | 一种基于三维激光扫描的道路纵断面高程和平整度测量方法 |
CN113847884A (zh) * | 2021-09-18 | 2021-12-28 | 武汉光谷卓越科技股份有限公司 | 基于线扫描的精细化三维测量与建模方法 |
CN114049294A (zh) * | 2021-09-26 | 2022-02-15 | 武汉光谷卓越科技股份有限公司 | 基于三维轮廓的路面技术状况检测方法及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090259483A1 (en) * | 2008-04-11 | 2009-10-15 | Larry Lee Hendrickson | Method for making a land management decision based on processed elevational data |
-
2022
- 2022-04-26 CN CN202210445208.9A patent/CN114910046B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1078319A (ja) * | 1996-09-03 | 1998-03-24 | Mitsubishi Heavy Ind Ltd | 路面3次元計測データ解析方法 |
CN109827964A (zh) * | 2019-03-08 | 2019-05-31 | 武汉夕睿光电技术有限公司 | 模块化的智能道路检测系统及方法 |
CN110415232A (zh) * | 2019-07-25 | 2019-11-05 | 嘉兴普勒斯交通技术有限公司 | 一种三维图像路面检测方法 |
CN111664830A (zh) * | 2020-06-01 | 2020-09-15 | 中公诚科(吉林)工程检测有限公司 | 一种基于三维激光扫描的道路纵断面高程和平整度测量方法 |
CN113847884A (zh) * | 2021-09-18 | 2021-12-28 | 武汉光谷卓越科技股份有限公司 | 基于线扫描的精细化三维测量与建模方法 |
CN114049294A (zh) * | 2021-09-26 | 2022-02-15 | 武汉光谷卓越科技股份有限公司 | 基于三维轮廓的路面技术状况检测方法及设备 |
Non-Patent Citations (2)
Title |
---|
" Structured Light Techniques and Applications";T Bell;《Wiley Encyclopedia of Electrical and Electronics Engineering》;全文 * |
激光三维路元高程数值扫描仪;贺安之;;南京理工大学学报(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114910046A (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111855664B (zh) | 一种可调节隧道病害三维检测系统 | |
CN109870223B (zh) | 一种视觉技术辅助的桥梁动态称重方法 | |
JP4800455B2 (ja) | 車速計測方法および装置 | |
CN106978774B (zh) | 一种路面坑槽自动检测方法 | |
CN109297428A (zh) | 一种基于无人机的高精度变形巡测技术方法 | |
CN101881000B (zh) | 一种公路路面平整度的摄像测量系统及方法 | |
CN109827647B (zh) | 一种桥梁动态称重系统 | |
CN104005325A (zh) | 基于深度和灰度图像的路面裂缝检测装置和方法 | |
CN109060820B (zh) | 基于激光检测的隧道病害检测方法及隧道病害检测装置 | |
CN113011283B (zh) | 一种基于视频的非接触式钢轨轨枕相对位移实时测量方法 | |
CN106969708A (zh) | 一种骨料形态质量的检测装置和方法 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
CN107796373B (zh) | 一种基于车道平面几何模型驱动的前方车辆单目视觉的测距方法 | |
CN110930415A (zh) | 一种轨道接触网空间位置检测方法 | |
CN115236682A (zh) | 一种基于机器视觉的改进接触网车载限界测量方法 | |
CN112964195B (zh) | 基于激光三角法的供电轨几何参数综合检测方法及系统 | |
CN116399302B (zh) | 基于双目视觉和神经网络模型实时监测强夯夯沉量的方法 | |
CN114910046B (zh) | 一种基于双向线结构光的路面三维检测系统及其方法 | |
CN109559356B (zh) | 一种基于机器视觉的高速公路视距检测方法 | |
CN115731388A (zh) | 一种道路健康状态一体化快速检测方法及系统 | |
CN115409691A (zh) | 融合激光测距和监控图像的双模态学习边坡风险检测方法 | |
CN113553958B (zh) | 一种高速公路绿化带检测方法和装置 | |
CN114494240A (zh) | 基于多尺度协作深度学习的无砟轨道板裂缝测量方法 | |
CN112883778B (zh) | 一种基于计算机视觉的道路井盖高差识别方法及设备 | |
CN114862892A (zh) | 基于增强深度边缘特征的二维及三维路面裂缝识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |