CN115049984A - 一种路面病害检测方法及系统 - Google Patents
一种路面病害检测方法及系统 Download PDFInfo
- Publication number
- CN115049984A CN115049984A CN202210741262.8A CN202210741262A CN115049984A CN 115049984 A CN115049984 A CN 115049984A CN 202210741262 A CN202210741262 A CN 202210741262A CN 115049984 A CN115049984 A CN 115049984A
- Authority
- CN
- China
- Prior art keywords
- pavement
- disease
- road surface
- image
- information group
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及路面病害检测技术领域,且公开了一种路面病害检测方法,包括,获取摄像头拍摄的路面视频并抽取出路面图像,将所述路面图像输入至基于深度学习网络的路面病害检测模型中,以生成路面病害信息组,识别路面病害信息组中的各个路面病害信息的病害类别,以形成路面病害类别信息组,对各路面图像中的病害区域面积进行测定。该路面病害检测方法及系统能够通过获取路面病害的类型和该路面病害所占的区域面积,然后根据路面病害的类型和区域面积来对其可能造成后果的严重性从轻到重进行分类,从而筛选出紧急路面危害以便于工作人员优先进行处理,从而最大程度减小路面病害造成的损失和后果。
Description
技术领域
本发明涉及路面病害检测技术领域,具体为一种路面病害检测方法及系统。
背景技术
公路路面在长期使用后,在自然环境及车辆的损伤下会产生各种各样的损害,例如裂缝、车辙、坑槽、沉陷和错台等,这些病害发生后如果不及时进行修复,不仅会影响到路面上车辆的行车安全,而且会越来越严重直至对路面造成难以修复的破坏。
传统的路面病害检测是由具有路面病害检测经验的巡检人员进行实地巡查来寻找出路面上的病害,这种方式效率极为低下,且会导致巡检人员工作强度变得极大。
而现在随着网络技术的发展,深度学习算法的出现,其在语音和图像识别方面取得了前所未有的成就,因此基于深度学习网络的路面病害检测模型被开发出来,能够从拍摄出的路面图像中快速识别出路面中存在的病害,相较于人工巡检,其识别的速度得到了巨大地提升。
但是现有的路面病害检测模型一般只能识别出路面病害类型,而很多路面病害类型是否需要进行紧急处理并不能简单的根据病害的类型进行判定,这就导致通过路面病害检测模型进行路面病害识别后,无法快速筛选出需要紧急处理的严重病害,从而会导致严重病害无法得到快速处理而造成交通事故或对路面产生难以修复的损伤。
发明内容
针对现有技术的不足,本发明提供了一种路面病害检测方法及系统,解决了上述背景中提到的问题。
本发明提供如下技术方案:一种路面病害检测方法,其特征在于,包括:
获取摄像头拍摄的路面视频并抽取出路面图像;
将所述路面图像输入至基于深度学习网络的路面病害检测模型中,以生成路面病害信息组;
识别路面病害信息组中的各个路面病害信息的病害类别,以形成路面病害类别信息组;
对各路面图像中的病害区域面积进行测定;
确定路面损害处的定位数据并与路面病害信息组、路面病害类别信息组和路面病害区域面积进行配对组合以形成路面病害综合信息组;
从路面病害综合信息组中筛选出存在严重病害的路面信息以形成紧急处理病害信息组;
将路面病害综合信息组和紧急处理病害信息组发送至终端设备以供显示及处理
对紧急病害信息组内对应的路面进行二次拍摄;
将二次拍摄的视频发送至终端设备以供显示及处理。
优选地,包括:
在从摄像头拍摄的路面视频中抽取路面图像前,需要对摄像头进行路面图像像素面积标定。
优选地,抽取出路面图像前对路面视频进行除噪声处理,并且抽取出的路面图像在输入路面病害检测模型之前进行过光照均匀化处理。
优选地,路面病害检测模型在对路面病害进行识别时,包括将存在路面病害的路面图像中含有病害的图像进行分割提取出来。
优选地,所述路面病害根据其所可能造成的后果的严重性从轻到重被分为普通、严重和紧急三类。
优选地,对紧急病害信息组内对应的路面进行复检,包括,将紧急病害信息发送给复检单元,然后复检单元根据获取的紧急病害信息到达指定的病害路面位置,然后拍摄带有时间戳的该损害所在的路面视频或者路面图像,接着将路面视频或者路面图像发送给接收终端。
一种路面病害检测系统,其特征在于,包括:
第一信息采集模块,拍摄各路面的路面视频;
第一数据处理模块,从路面视频中抽取路面图像;
第二数据处理模块,将路面图像输入基于深度学习网络的路面病害检测模型中,以生成路面病害信息组,并且对路面图像中的病害区域面积进行测定;
第三数据处理模块,识别路面病害信息组中各个路面病害的类型以形成路面病害类别信息组;
第二信息采集模块,获取具有路面损害的各路面的定位数据;
第四数据处理模块,将各定位数据与对应的路面病害图像、该病害图像中的病害类型以及该病害区域面积进行配对组合以形成路面病害综合信息组;
第五数据处理模块,对路面综合病害信息组中的各个路面病害进行筛选以生成紧急处理病害信息组;
复检模块,对接收到的紧急处理病害所在道路进行二次数据采集;
接收终端,接收处理得到的所有数据结果并显示出来。
优选地,所述第一信息采集单元包含路面处的固定摄像头和巡检车上的车载摄像头。
优选地,所述复检模块为搭载有摄像设备的无人机。
优选地,所述接收终端为检测人员所用的电脑。
与现有技术对比,本发明具备以下有益效果:
1、该路面病害检测方法及系统,通过获取检测出的路面病害的定位数据,并将定位数据与对应的路面病害图像、路面病害类别和路面病害区域面积进行配对组合形成路面病害综合信息组,然后对路面病害综合信息组内的路面病害根据其所可能造成的后果的严重性从轻到重进行分类,从而筛选出需要紧急处理的路面病害以形成紧急病害信息组并发送至接收终端,如此即可实现了对紧急路面病害的筛选识别,以使得工作人员能够迅速获取紧急病害信息并快速排出人员对该类路面病害进行修复处理,从而能够尽量的减小这类紧急路面病害所造成的损失;
2、该路面病害检测方法及系统,通过设置的复检模块,可以对紧急路面病害信息组中的各个存在紧急路面病害的路面进行二次拍摄,然后将二次拍摄的图像发送至接收终端,使得工作人员能够更加清晰准确的获取路面病害信息,以便于工作人员作出更加准确的判断,从而有效的提高对紧急路面病害的识别准确度。
附图说明
图1为本发明提供的路面病害检测方法的流程图;
图2为本发明提供的路面病害检测方法的流程框图;
图3为本发明提供的路面病害检测系统的系统框图。
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。
请参阅图1-3,一种路面病害检测方法,其特征在于,包括:
获取摄像头拍摄的路面视频并抽取出路面图像,可以通过路面附近固定的摄像头、路面病害巡检车上的车载摄像头或者无人机装载的摄像头以及轻量化设备搭载的摄像头对路面进行拍摄以获取多个不同时间段和不同角度的路面视频;
将所述路面图像输入至基于深度学习网络的路面病害检测模型中,以生成路面病害信息组,识别出具有病害路面的路面图像后,将路面图像中的病害区域分割提取出来;
识别路面病害信息组中的各个路面病害信息的病害类别,以形成路面病害类别信息组;
对各路面图像中的病害区域面积进行测定,根据事先标定的图像像素面积并结合分割提取出的路面病害区域图像计算出路面病害区域的面积;
确定路面损害处的定位数据并与路面病害信息组、路面病害类别信息组和路面病害区域面积进行配对组合以形成路面病害综合信息组,即包括路面损害图像、路面损害类型、路面损害区域的面积和路面损害区域的定位数据;
从路面病害综合信息组中筛选出存在严重病害的路面信息以形成紧急处理病害信息组,根据路面病害的类型以及对应的路面病害区域的大小综合判断出路面病害可能造成的危害的严重性,从而将其标定为普通、严重和紧急,例如路面病害类型为车辙,该处车辙的面积小于一平方米时为普通病害、大于一平米小于三平米时为严重病害,大于三平米时为紧急病害,还有如沉陷、错位等病害即便面积较小,也可直接标定为严重或紧急;
将路面病害综合信息组和紧急处理病害信息组发送至终端设备以供显示及处理,工作人员通过获取的信息来进行人工检查以了解路面病害检测的进度,并且在必要的时刻进行干涉以保证路面病害检测的准确性。
对紧急病害信息组内对应的路面进行二次拍摄,可以根据紧急病害对应的定位数据,派出无人机、巡检车或轻量化设备等到达该处紧急路面病害处进行二次视频拍摄,然后将二次拍摄的视频发送至接收终端以供工作人员进行复核,来进行最终的确认,从而能够筛除一些非紧急路面病害,进一步提高紧急路面病害修复的效率;
将二次拍摄的视频发送至终端设备以供显示及处理,使得工作人员可以进行人工复核,从而有效的提高检测的准确性。
其中,包括:
在从摄像头拍摄的路面视频中抽取路面图像前,需要对摄像头进行路面图像像素面积标定,具体的可以在一张A4纸上画一条矩形线,然后测量出该矩形线的面积,随后即可以该矩形线面积为参考准确地计算出各个路面病害区域的面积。
其中,抽取出路面图像前对路面视频进行除噪声处理,并且抽取出的路面图像在输入路面病害检测模型之前进行过光照均匀化处理,减少路面检测模型对图像进行识别时的干扰因素,提高了检测的准确度。
其中,路面病害检测模型在对路面病害进行识别时,包括将存在路面病害的路面图像中含有病害的图像进行分割提取出来,能够去除掉路面图像中的非病害区域,从而能够加速对路面病害区域面积的计算。
其中,所述路面病害根据其所可能造成的后果的严重性从轻到重被分为普通、严重和紧急三类,可以根据各路面病害的分类,从紧急、严重到普通依次进行处理,从而更加合理高效的分配路面修复资源和人员,同时能够尽可能的减小路面损害造成的危险和损伤。
其中,对紧急病害信息组内对应的路面进行复检,包括,将紧急病害信息发送给复检单元,然后复检单元根据获取的紧急病害信息到达指定的病害路面位置,然后拍摄带有时间戳的该损害所在的路面视频或者路面图像,接着将路面视频或者路面图像发送给接收终端,使得工作人员可以获得更加详细的路面视频或路面图像信息,从而有效的提高了对路面病害检测识别的准确性。
一种路面病害检测系统,其特征在于,包括:
第一信息采集模块,拍摄各路面的路面视频;
第一数据处理模块,从路面视频中抽取路面图像;
第二数据处理模块,将路面图像输入基于深度学习网络的路面病害检测模型中,以生成路面病害信息组,并且对路面图像中的病害区域面积进行测定;
第三数据处理模块,识别路面病害信息组中各个路面病害的类型以形成路面病害类别信息组;
第二信息采集模块,获取具有路面损害的各路面的定位数据;
第四数据处理模块,将各定位数据与对应的路面病害图像、该病害图像中的病害类型以及该病害区域面积进行配对组合以形成路面病害综合信息组;
第五数据处理模块,对路面综合病害信息组中的各个路面病害进行筛选以生成紧急处理病害信息组;
复检模块,对接收到的紧急处理病害所在道路进行二次数据采集;
接收终端,接收处理得到的所有数据结果并显示出来。
其中,所述第一信息采集单元包含路面处的固定摄像头和巡检车上的车载摄像头,摄像头优选高清摄像头。
其中,所述复检模块为搭载有摄像设备的无人机,能够更加快速高效的进行复检。
其中,所述接收终端为检测人员所用的电脑。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种路面病害检测方法,其特征在于,包括:
获取摄像头拍摄的路面视频并抽取出路面图像;
将所述路面图像输入至基于深度学习网络的路面病害检测模型中,以生成路面病害信息组;
识别路面病害信息组中的各个路面病害信息的病害类别,以形成路面病害类别信息组;
对各路面图像中的病害区域面积进行测定;
确定路面路面损害处的定位数据并与路面病害信息组、路面病害类别信息组和路面病害区域面积进行配对组合以形成路面病害综合信息组;
从路面病害综合信息组中筛选出存在严重病害的路面信息以形成紧急处理病害信息组;
将路面病害综合信息组和紧急处理病害信息组发送至终端设备以供显示及处理
对紧急病害信息组内对应的路面进行二次拍摄;
将二次拍摄的视频发送至终端设备以供显示及处理。
2.根据权利要求1所述的一种路面病害检测方法,其特征在于,包括:
在从摄像头拍摄的路面视频中抽取路面图像前,需要对摄像头进行路面图像像素面积标定。
3.根据权利要求1所述的一种路面病害检测方法,其特征在于,抽取出路面图像前对路面视频进行除噪声处理,并且抽取出的路面图像在输入路面病害检测模型之前进行过光照均匀化处理。
4.根据权利要求1所述的一种路面病害检测方法,其特征在于,路面病害检测模型在对路面病害进行识别时,包括将存在路面病害的路面图像中含有病害的图像进行分割提取出来。
5.根据权利要求1所述的一种路面病害检测方法,其特征在于,所述路面病害根据其所可能造成的后果的严重性从轻到重被分为普通、严重和紧急三类。
6.根据权利要求1所述的一种路面病害检测方法,其特征在于,对紧急病害信息组内对应的路面进行复检,包括,将紧急病害信息发送给复检单元,然后复检单元根据获取的紧急病害信息到达指定的病害路面位置,然后拍摄带有时间戳的该损害所在的路面视频或者路面图像,接着将路面视频或者路面图像发送给接收终端。
7.一种路面病害检测系统,其特征在于,包括:
第一信息采集模块,拍摄各路面的路面视频;
第一数据处理模块,从路面视频中抽取路面图像;
第二数据处理模块,将路面图像输入基于深度学习网络的路面病害检测模型中,以生成路面病害信息组,并且对路面图像中的病害区域面积进行测定;
第三数据处理模块,识别路面病害信息组中各个路面病害的类型以形成路面病害类别信息组;
第二信息采集模块,获取具有路面损害的各路面的定位数据;
第四数据处理模块,将各定位数据与对应的路面病害图像、该病害图像中的病害类型以及该病害区域面积进行配对组合以形成路面病害综合信息组;
第五数据处理模块,对路面综合病害信息组中的各个路面病害进行筛选以生成紧急处理病害信息组;
复检模块,对接收到的紧急处理病害所在道路进行二次数据采集;
接收终端,接收处理得到的所有数据结果并显示出来。
8.根据权利要求7所述的一种路面病害检测系统,其特征在于,所述第一信息采集单元包含路面处的固定摄像头和巡检车上的车载摄像头。
9.根据权利要求7所述的一种路面病害检测系统,其特征在于,所述复检模块为搭载有摄像设备的无人机。
10.根据权利要求7所述的一种路面病害检测系统,其特征在于,所述接收终端为检测人员所用的电脑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210741262.8A CN115049984A (zh) | 2022-06-28 | 2022-06-28 | 一种路面病害检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210741262.8A CN115049984A (zh) | 2022-06-28 | 2022-06-28 | 一种路面病害检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115049984A true CN115049984A (zh) | 2022-09-13 |
Family
ID=83163138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210741262.8A Pending CN115049984A (zh) | 2022-06-28 | 2022-06-28 | 一种路面病害检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049984A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115909200A (zh) * | 2022-11-10 | 2023-04-04 | 无锡市德宁节能科技有限公司 | 一种基于护栏的城市管理方法和系统 |
-
2022
- 2022-06-28 CN CN202210741262.8A patent/CN115049984A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115909200A (zh) * | 2022-11-10 | 2023-04-04 | 无锡市德宁节能科技有限公司 | 一种基于护栏的城市管理方法和系统 |
CN115909200B (zh) * | 2022-11-10 | 2024-03-15 | 无锡市德宁节能科技有限公司 | 一种基于护栏的城市管理方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102121958B1 (ko) | 콘크리트 구조물 결함 분석 서비스 제공 방법, 시스템 및 컴퓨터 프로그램 | |
KR101926561B1 (ko) | 블랙박스 영상을 이용한 딥러닝 기반의 패치 단위 도로 크랙 검출 장치 및 그 방법, 그리고 이 방법을 실행시키기 위해 컴퓨터가 판독 가능한 기록매체에 저장된 컴퓨터 프로그램 | |
CN108986448B (zh) | 一种交通设施管理方法及终端设备 | |
KR102202572B1 (ko) | 드론의 촬영영상과 인공지능 알고리즘 기반의 도로표면 균열 검출 방법 및 시스템 | |
Xu et al. | Bridge inspection using bridge information modeling (BrIM) and unmanned aerial system (UAS) | |
US11605158B2 (en) | System and method for early identification and monitoring of defects in transportation infrastructure | |
CN113537016B (zh) | 一种道路巡查中道路损伤自动检测预警的方法 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
CN108332927A (zh) | 一种桥梁表面裂缝检测装置 | |
CN111144301A (zh) | 一种基于深度学习的道路路面缺陷快速预警装置 | |
CN115049984A (zh) | 一种路面病害检测方法及系统 | |
McLaughlin et al. | Combining deep learning and robotics for automated concrete delamination assessment | |
CN108508023B (zh) | 一种铁路接触网中接触端部顶紧螺栓的缺陷检测系统 | |
CN112734702A (zh) | 基于大数据分析和机器视觉的桥梁安全监测方法及云平台 | |
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 | |
Hassan et al. | Detecting patches on road pavement images acquired with 3D laser sensors using object detection and deep learning | |
CN115994901A (zh) | 一种道路病害自动检测方法与系统 | |
Kaushik et al. | Pothole detection system: A review of different methods used for detection | |
Radopoulou et al. | Patch distress detection in asphalt pavement images | |
JPH0886645A (ja) | 舗装路面巡視装置 | |
CN115810000A (zh) | 基于全景影像的路面病害预测可视化方法及系统 | |
Nguyen et al. | Pavement cracking detection using an anisotropy measurement | |
CN114973206A (zh) | 一种路面病害自动识别管理方法 | |
Hadjidemetriou et al. | Patch defects in images using support vector machines | |
CN114596439A (zh) | 一种基于图像的车险智能定损及核损方法、装置和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |