CN115223030A - 路面病害检测系统及方法 - Google Patents

路面病害检测系统及方法 Download PDF

Info

Publication number
CN115223030A
CN115223030A CN202211140527.5A CN202211140527A CN115223030A CN 115223030 A CN115223030 A CN 115223030A CN 202211140527 A CN202211140527 A CN 202211140527A CN 115223030 A CN115223030 A CN 115223030A
Authority
CN
China
Prior art keywords
image
pavement
disease
road surface
road
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
Application number
CN202211140527.5A
Other languages
English (en)
Other versions
CN115223030B (zh
Inventor
王金桥
朱炳科
丁书杰
赵旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Objecteye Beijing Technology Co Ltd
Original Assignee
Objecteye Beijing Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Objecteye Beijing Technology Co Ltd filed Critical Objecteye Beijing Technology Co Ltd
Priority to CN202211140527.5A priority Critical patent/CN115223030B/zh
Publication of CN115223030A publication Critical patent/CN115223030A/zh
Application granted granted Critical
Publication of CN115223030B publication Critical patent/CN115223030B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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]
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种路面病害检测系统及方法，涉及计算机视觉技术领域，该系统包括图像采集器、工控机和服务器；图像采集器用于采集路面图像；工控机用于对路面图像进行图像识别，在根据图像识别结果，确定路面图像对应的路面存在病害的情况下，将路面图像以及图像识别结果发送至服务器；服务器用于根据图像识别结果，对路面图像进行病害类别识别，并将路面图像对应的路面病害类别同步至工控机；工控机还用于根据图像识别结果和路面病害类别，获取路面图像对应的病害检测结果。本发明实现基于边缘端工控机和云端服务器在线协同并行检测，可对路面病害的实时准确检测，能够降低检测误差，提高检测效率，降低人工成本。

Description

路面病害检测系统及方法
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种路面病害检测系统及方法。
背景技术
公路行业围绕加快建设交通技术总体目标，致力于打造安全便捷、智慧绿色、经济高效的公路网，全面提升公路运行效率和服务水平，实现路网更高质量、更高效率、更好水平的发展。
随着公路网络的逐步完善，迫切需要通过加强养护维持既有公路的通行能力、技术状况和服务水平。路面病害检测作为高速公路养护的重要一环，是决定高速公路养护质量的关键因素。
目前，传统的路面病害检测主要是采用人工检测路面病害，这种检测方式主要依赖于人工，存在以下几个方面存在不足：（1）人工识别效率低，对于细小破损识别率低；（2）人工识别不可避免在一些边缘问题上存在主观性强和工作量大等问题，且具有一定不确定性；（3）工作精细度差，人力资源消耗高。
因此，若依赖于人工进行路面病害检测，则会导致检测精度差、检测成本高、检测效率低。
发明内容
本发明提供一种路面病害检测系统及方法，用以解决现有技术中依赖于人工进行路面病害检测，导致检测精度差、检测成本高、检测效率低的缺陷，实现对路面病害的自动检测，提高检测精度，提高检测效率，降低检测成本。
本发明提供一种路面病害检测系统，包括图像采集器、工控机和服务器；
所述图像采集器与所述工控机通信连接，所述工控机与所述服务器通信连接；
所述图像采集器用于采集路面图像；
所述工控机用于对所述路面图像进行图像识别，在根据图像识别结果，确定所述路面图像对应的路面存在病害的情况下，将所述路面图像以及所述图像识别结果发送至所述服务器；
所述服务器用于根据所述图像识别结果，对所述路面图像进行病害类别识别，并将所述路面图像对应的路面病害类别同步至所述工控机；
所述工控机还用于根据所述图像识别结果和所述路面病害类别，获取所述路面图像对应的病害检测结果。
根据本发明提供的一种路面病害检测系统，所述工控机内置图像识别模型，所述图像识别模型包括道路类别识别分支网络和病害识别分支网络；
所述道路类别识别分支网络用于对所述路面图像进行道路类别识别，得到所述路面图像对应的道路类别；
所述病害识别分支网络用于对所述路面图像进行切块和病害识别，得到所述路面图像中每一切块图像对应的病害识别结果；
所述图像识别结果包括所述道路类别和每一切块图像对应的病害识别结果。
根据本发明提供的一种路面病害检测系统，所述服务器内置多种病害类别识别模型；
所述服务器具体用于：
在所述多种病害类别识别模型中选择所述图像识别结果中的道路类别对应的目标病害类别识别模型；
根据所述图像识别结果中每一切块图像对应的病害识别结果，将所述每一切块图像划分为病害路面切块图像或正常路面切块图像；
根据每一病害路面切块图像与每一正常路面切块图像的交错位置，对所述每一病害路面切块图像进行扩充；
基于所述目标病害类别识别模型，对扩充后的每一病害路面切块图像的每一像素点进行病害类别识别；
根据病害类别识别结果，获取所述路面图像对应的路面病害类别。
根据本发明提供的一种路面病害检测系统，所述目标病害类别识别模型是基于语义分割模型构建生成的；
所述语义分割模型中包括局部卷积网络；
所述服务器还用于：
基于所述局部卷积网络对所述扩充后的每一病害路面切块图像的每一像素点进行卷积操作；
根据卷积结果，获取所述每一病害路面切块图像的每一像素点对应的路面病害类别。
根据本发明提供的一种路面病害检测系统，所述系统还包括行走装置；
所述图像采集器包括架设在所述行走装置的尾部的成像单元，以及架设在所述行走装置的行走轮上的编码器；
所述编码器与所述成像单元通信连接；
所述编码器用于采集所述行走装置的速度信号，并将所述速度信号传输至所述成像单元；
所述成像单元用于根据所述速度信号确定图像采样频率，并根据所述图像采样频率，对路面进行扫描成像，得到所述路面图像。
根据本发明提供的一种路面病害检测系统，所述成像单元的数量为多个；
多个成像单元均匀分布在所述行走装置的尾部；
每一成像单元包括至少一个线阵相机和多个补光灯；
每一线阵相机的两侧分别设置至少一个补光灯，所述至少一个补光灯用于对所述每一线阵相机进行补光。
根据本发明提供的一种路面病害检测系统，所述系统还包括定位设备；
所述定位设备架设在行走装置的厢体内部，所述定位设备与所述工控机通信连接；
所述定位设备包括全球卫星定位模块、捷联惯导模块以及载波相位差分模块；
所述全球卫星定位模块、捷联惯导模块和载波相位差分模块之间两两通信连接；
所述定位设备用于联合所述全球卫星定位模块、所述捷联惯导模块以及所述载波相位差分模块对所述路面图像对应的路面进行定位，并同步所述路面图像对应的定位信息至所述工控机。
根据本发明提供的一种路面病害检测系统，所述工控机还用于：
在接收到路面统计请求的情况下，从所述路面统计请求中解析出待统计路面；
对所述待统计路面的路面图像、定位信息和病害检测结果进行统计，并将统计结果以报表的形式输出。
根据本发明提供的一种路面病害检测系统，所述工控机还用于：
根据所述定位信息、所述病害检测结果以及所述路面图像，采用三次样条曲线插值算法，建立所述路面图像对应的路面三维模型；
采用图形渲染工具对所述路面三维模型进行渲染，并以预设颜色对所述路面三维模型中的道路病害区域进行标记。
本发明还提供一种路面病害检测方法，应用于如上述任一种所述路面病害检测系统，所述方法包括：
采集路面图像；
对所述路面图像进行图像识别，在根据图像识别结果，确定所述路面图像对应的路面存在病害的情况下，根据所述图像识别结果，对所述路面图像进行病害类别识别，得到所述路面图像对应的路面病害类别；
根据所述图像识别结果和所述路面病害类别，获取所述路面图像对应的病害检测结果。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述路面病害检测方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述路面病害检测方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述路面病害检测方法。
本发明提供的路面病害检测系统及方法，通过图像采集器采集路面图像，通过工控机对路面图像进行图像识别，获取粗粒度病害检测结果，并在路面图像对应的路面存在病害的情况下，将路面图像以及图像识别结果发送至所述服务器，以便服务器根据图像识别结果，对路面图像进行病害类别识别，最终通过工控机对图像识别结果和路面病害类别进行统计，以自动获取路面图像对应的病害检测结果，整个检测过程均由路面病害检测系统中的边缘端工控机和云端服务器在线协同并行检测，可以实现对路面病害的实时准确检测，能够降低检测误差，提高检测效率，降低人工成本。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的路面病害检测系统的结构示意图；
图2是本发明提供的路面病害检测系统中路面切块图像示意图之一；
图3是本发明提供的路面病害检测系统中路面切块图像示意图之二；
图4是本发明提供的路面病害检测系统中路面切块图像示意图之三；
图5是本发明提供的路面病害检测系统中成像单元的结构示意图；
图6是本发明提供的路面病害检测方法的流程示意图之一；
图7是本发明提供的路面病害检测方法的流程示意图之二；
图8是本发明提供的电子设备的结构示意图。
附图标记：
11：图像采集器；111：补光灯；112：线阵相机；12：工控机；13：服务器；14：定位设备。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
下面结合图1-图5描述本申请的路面病害检测系统。
如图1所示，本申请提供的一种路面病害检测系统的结构示意图，该路面病害检测系统可以包括：图像采集器11、工控机12和服务器13。
图像采集器11与工控机12之间通信连接，工控机12与服务器13之间通信连接，以通过各设备自身功能和通信交互实现路面病害检测。
其中，路面病害检测系统可以检测各种路面，如沥青路面或混凝土路等其他路面，本实施例中对比不做具体地限定。
图像采集器11的数量可以包括多个。图像采集器11可以基于直接用于图像采集的成像设备，如单目摄像机或双目摄像机等，构建生成；或者基于直接用于图像采集的成像设备以及用于辅助成像的辅助设备，如补光灯等，进行联合搭建形成。
路面病害检测系统还可以包括行走装置，如车辆或移动机器人等；图像采集器11可以安装在行走装置上，且图像采集器11的探头朝向路面，用于在行走装置启动行走的过程中，移动采集路面图像。
图像采集器11可以是高清工业图像采集器，能够清晰采集图像，且能够捕获足够大区域内的图像，保证能够精准覆盖到整个待检测路面，清晰采集待检测路面的路面图像，成像精度高，可达亚毫米成像精度，成像精度远远高于现有的摄像机成像系统。
所述工控机12用于对所述路面图像进行图像识别，在根据图像识别结果，确定所述路面图像对应的路面存在病害的情况下，将所述路面图像以及所述图像识别结果发送至所述服务器13。
可选地，工控机12安装在行走装置的内部，且工控机12内部集成有图像识别模型；图像识别模型可以基于各种机器学习模型构建生成，如卷积网络、残差网络以及全连接网络等。图像识别模型用于对路面图像进行粗粒度分类，可以包括识别路面是否有病害以及道路类别等识别结果。
工控机12在接收到图像采集器11传输的路面图像的情况下，可以基于图像识别模型对路面图像进行图像识别，以获取路面图像对应的图像识别结果；其中，图像识别结果中包括但不限于路面图像对应的病害识别结果，或者包含道路类型和病害识别结果；道路类型用于区分路面图像对应的路面为沥青路面或混凝土路等类型里面。病害识别结果用于区分路面图像对应的路面为正常路面或病害路面，以及路面病害位置。
工控机12在获取到路面图像对应的图像识别结果的情况下，可根据图像识别结果，确定路面图像对应的路面是否存在病害，在确定路面图像对应的路面存在病害的情况下，将存在病害的路面图像发送至服务器13，以便服务器13进一步对路面图像进行细粒度分析，获取路面图像对应的病害类别以及更加精细化的病害位置。并且，在确定路面图像对应的路面存在病害的情况下，才将其发送至服务器13进行进一步的细粒度病害分析，使得无病害的图片不进行精细化病害分析，极大地降低了整体的计算量和传输数据量，有效提高检测效率。
所述服务器13用于根据所述图像识别结果，对所述路面图像进行病害类别识别，并将所述路面图像对应的路面病害类别同步至所述工控机12。
其中，服务器13可以是云端服务器，其内部集成有一种或多种病害类别识别模型，具体可以根据实际检测场景进行设置。病害类别识别模型可以基于各种机器学习模型构建生成，如卷积网络、残差网络以及全连接网络等。
可选地，在服务器13内部仅集成有一种病害类别识别模型的情况下，服务器13在获取到存在病害的路面图像以及图像识别结果的情况下，可以根据图像识别结果初步确定路面图像中的病害位置，根据病害类别识别模型针对病害位置进行路面病害类别识别，以获取路面图像对应的路面病害类别；在服务器13内部仅集成有多种病害类别识别模型的情况下，根据图像识别结果初步确定路面图像中的病害位置，并根据图像识别结果，选择相应类型的病害类别识别模型针对病害位置进行路面病害类别识别，以获取路面图像对应的路面病害类别，并将路面图像对应的路面病害类别同步至工控机12。
所述工控机12还用于根据所述图像识别结果和所述路面病害类别，获取所述路面图像对应的病害检测结果。
可选地，工控机12还可以同步服务器13获取的路面病害类别，并将路面图像、图像识别结果以及路面病害类别等信息进行同步，以根据图像识别结果和路面病害类别，获取路面图像对应的病害检测结果。并在行走装置停止运行或接收到查询指令的情况下，输出病害检测结果。
其中，病害检测结果可以是以报表的形式输出或以三维视图的形式进行输出，本实施例对此不做具体地限定，以便用于实时获取病害检测结果。
本申请提供的路面病害检测系统，通过图像采集器采集路面图像，通过工控机对路面图像进行图像识别，获取粗粒度病害检测结果，并在路面图像对应的路面存在病害的情况下，将路面图像以及图像识别结果发送至所述服务器，以便服务器根据图像识别结果，对路面图像进行病害类别识别，最终通过工控机对图像识别结果和路面病害类别进行统计，以自动获取路面图像对应的病害检测结果，整个检测过程均由路面病害检测系统中的边缘端工控机和云端服务器在线协同检测，可以实现对路面病害的实时准确检测，能够降低检测误差，提高检测效率，降低人工成本。
在一些实施例中，所述工控机12内置图像识别模型，所述图像识别模型包括道路类别识别分支网络和病害识别分支网络；所述道路类别识别分支网络用于对所述路面图像进行道路类别识别，得到所述路面图像对应的道路类别；所述病害识别分支网络用于对所述路面图像进行切块和病害识别，得到所述路面图像中每一切块图像对应的病害识别结果；所述图像识别结果包括所述道路类别和每一切块图像对应的病害识别结果。
可选地，工控机12内置图像识别模型，该图像识别模型具体可以基于轻量化分类网络构建生成的，如MobileNet等。图像识别模型具体包括道路类别识别分支网络和病害识别分支网络，以基于道路类别识别分支网络对路面图像进行道路类别分类，进而获取道路类别，如沥青路、混凝土路或其他道路类别；以及基于病害识别分支网络对路面图像进行切块和病害识别，以确定每一切块图像是否存在病害。具体可采用MobileNet网络模型中的卷积网络通过卷积操作，对路面图像进行切块分类，以确定每一切块图像是否存在病害。如图2所示，为对路面图像进行切块后，路面切块图像示意图。
并在路面图像中任一切块图像存在病害的情况下，确定路面图像对应的路面存在病害。此时，将路面图像对应的道路类别和每一切块图像对应的病害识别结果发送至服务器13，以便服务器13进行细粒化病害检测。
需要说明的是，图像识别模型可以基于道路类别识别分支网络的损失函数以及病害识别分支网络的损失函数进行联合训练得到。
例如，将道路类别识别分支网络的损失函数以及病害识别分支网络的损失函数进行加权相加，得到图像识别模型的损失函数，以基于图像识别模型的损失函数对图像识别模型进行迭代训练，得到即可进行道路类别进行精准识别，又可对病害进行精准识别的图像识别模型。
本实施例通过在工控机12上对路面图像进行道路类别识别以及切块病害识别，并在确定路面图像对应的路面存在病害的情况下，才将其发送至服务端，以实现无病害路面图像的过滤，进而降低通信资源和存储，有效解决现有技术中无法进行实时识别，且不能做到无病害数据的过滤降低存储的技术缺陷。
在一些实施例中，所述服务器13内置多种病害类别识别模型；所述服务器13具体用于：在所述多种病害类别识别模型中选择所述图像识别结果中的道路类别对应的目标病害类别识别模型；根据所述图像识别结果中每一切块图像对应的病害识别结果，将所述每一切块图像划分为病害路面切块图像或正常路面切块图像；根据每一病害路面切块图像与每一正常路面切块图像的交错位置，对所述每一病害路面切块图像进行扩充；基于所述目标病害类别识别模型，对扩充后的每一病害路面切块图像的每一像素点进行病害类别识别；根据识别结果，获取所述路面图像对应的路面病害类别。
其中，服务器13内置多种病害类别识别模型，每一种病害类别识别模型与每一道路类别一一对应；每一种病害类别识别模型是基于相应道路类别的样本路面图像进行训练得到的，如沥青路的病害类别识别模型基于沥青路面样本图像训练得到的，水泥路的病害类别识别模型是基于水泥路面样本图像训练得到的。
每一种病害类别识别模型可以基于轻量化语义分割模型构建生成的，如BiSeNet（Bilateral Segmentation Network for Real-time Semantic Segmentation，用于实时语义分割的双边分割网络）等。
可选地，服务器13在接收到包含病害的路面图像以及图像识别结果的情况下，根据道路类别选择相应的病害分析模型；并根据图像识别结果中每一切块图像对应的病害识别结果，确定病害路面切块图像和正常路面切块图像。
为了进一步提升病害类别识别的精度和计算效率，服务器13可在不同的切块图像交错处对病害路面切块图像进行扩充，以针对不同切块的信息进行卷积交互；具体可以确定病害路面切块图像与正常路面切块图像的交错位置，然后将交错位置处的局部图像也标记为病害路面，以对病害路面切块图像进行扩充。
如图3所述，病害路面切块图像A在扩充前包含第一数量的像素点；如图4所示，病害路面切块图像A在扩充前包含第二数量的像素点；其中，第一数量大于第二数量。
服务器13在对病害路面切块图像进行扩充完成后，根据扩充后的病害路面切块图像进行局部病害类别检测，以提高检测速度；具体采用语义分割网络中的卷积层，只针对病害路面切块图像进行卷积，以根据每一病害路面切块图像的病害类别，获取路面图像对应的路面病害类别。
在一些实施例中，所述目标病害类别识别模型是基于语义分割模型构建生成的；所述语义分割模型中包括局部卷积网络；所述服务器13还用于：基于所述局部卷积网络对所述扩充后的每一病害路面切块图像的每一像素点进行卷积操作；根据卷积结果，获取所述每一病害路面切块图像的每一像素点对应的路面病害类别。
其中，语义分割网络中的卷积层采用局部卷积，可针对扩充后的每一病害路面切块图像的每一像素点进行像素级卷积，以根据每一病害路面切块图像的每一像素点的病害类别。
其中，路面病害类别中包含无病害或多种病害中的一种病害。因此，还可根据每一病害路面切块图像的每一像素点的病害类别，获取更加精准的路面病害位置。
本实施例中通过服务对病害路面切块图像进行局部卷积以及像素级的病害类别识别，使得获取的病害类别识别结果更加精准。
在一些实施例中，所述系统还包括行走装置；所述图像采集器11包括架设在所述行走装置的尾部的成像单元，以及架设在所述行走装置的行走轮上的编码器；所述编码器与所述成像单元通信连接；所述编码器用于采集所述行走装置的速度信号，并将所述速度信号传输至所述成像单元；所述成像单元用于根据所述速度信号确定图像采样频率，并根据所述图像采样频率，对路面进行扫描成像，得到所述路面图像。
其中，行走装置为可行走的装置，包括但不限于车辆和移动机器人等，本实施例对此不做具体地限定。
行走装置的尾部架设有图像采集器11；其中，图像采集器11包括架设在行走装置的尾部的成像单元，以及架设在行走装置的行走轮上的编码器。
成像单元的数量可以包含一个或多个，且探头均朝向路面。编码器具体可以螺旋编码器，具体数量可以包含一个或多个；螺旋编码器架设在车轮（即行走轮）上，并随车轮的转动而转动，用于实时获取行走装置的速度信号，并将速度信号实时传输至成像单元；成像单元根据速度信号确定图像采样频率，并以此图像采样频率，对待检测路面进行逐行扫描成像，以得到路面图像。
本实施例中，成像单元与编码器进行通信交互，以确保图像采样频率与行走装置的运行速度相适应，可清晰地采集到路面图像，确保路面图像的质量，进而提高路面病害检测的精准性。
在一些实施例中，所述成像单元的数量为多个；多个成像单元均匀分布在所述行走装置的尾部；每一成像单元包括至少一个线阵相机112和多个补光灯111；每一线阵相机112的两侧分别设置至少一个补光灯111，所述至少一个补光灯111用于对所述每一线阵相机112进行补光。
其中，成像单元的数量可以包含多个，如2个或4个等；如将2个成像单元对称架设在汽车后方，分左右两个视角进行成像，以使得图像采集器11能够捕获足够大区域内的图像，保证能够覆盖到整个待检测路面视野。
每一成像单元包含至少一个线阵相机112和多个补光灯111，具体数量可以根据实际需求进行设置。每一线阵相机112的左侧和右侧分别部署至少一个补光灯111，用于在线阵相机112采集路面图像时进行补光，提高成像质量，进而提高病害检测精度。
以图5为例，每一成像单元包含一个线阵相机112，且线阵相机112左右两侧分别布设一个补光灯111。图像采集器11可使用线阵相机112对路面逐行进行扫描成像，并在线阵相机112左右两侧使用线阵光源（补光灯111）进行补光。
在一些实施例中，所述系统还包括定位设备14；所述定位设备14架设在行走装置的厢体内部，所述定位设备14与所述工控机12通信连接；所述定位设备14包括全球卫星定位模块、捷联惯导模块以及载波相位差分模块；所述全球卫星定位模块、捷联惯导模块和载波相位差分模块之间两两通信连接；所述定位设备14用于联合所述全球卫星定位模块、所述捷联惯导模块以及所述载波相位差分模块对所述路面图像对应的路面进行定位，并同步所述路面图像对应的定位信息至所述工控机12。
其中，路面病害检测系统还包括定位设备14，定位设备14内置于行走装置的厢体中。定位设备14具体包括全球卫星定位（Global Navigation Satellite System，GNSS）模块、捷联惯导（Strapdown Inertial Navigation System，SINS）模块以及载波相位差分（Real Time Kinematic，RTK）模块。
其中GNSS模块用于计算基站视线方向的数据链传输多普勒频移，以获取卡尔曼滤波观测量；RTK模块接收基站播发的差分信号，然后结合GNSS获取的卡尔曼滤波观测量和SINS获取的卡尔曼滤波预测量进行卡尔曼滤波，输出组合导航结果，实现高动态高精度定位导航，并与采集的图像信息进行信息整合，实现图像数据与定位数据相互对应。
本实施例使用RTK组合惯导获取定位信息，实现高动态高精度定位导航。
在一些实施例中，所述工控机12还用于：在接收到路面统计请求的情况下，从所述路面统计请求中解析出待统计路面；对所述待统计路面的路面图像、定位信息和病害检测结果进行统计，并将统计结果以报表的形式输出。
其中，路面统计请求用于请求对路面检测信息进行统计。待统计路面为需要进行路面检测信息统计的路面。路面统计请求可以是行走装置在停止运行时产生的，也可以是运行过程中产生的。
可选地，工控机12还可从定位设备14中同步路面图像对应的定位信息。用户交互点击路面统计情况查询虚拟按钮，可生成路面统计请求。工控机12在接收到路面统计请求的情况下，对路面图像、定位信息和病害检测结果进行统计，以统计报表的形式自动导出统计结果，以便用户实时获取整个道路病害检测结果，以及病害定位位置、病害类别、道路类别等信息。
在一些实施例中，所述工控机12还用于：根据所述定位信息、所述病害检测结果以及所述路面图像，采用三次样条曲线插值算法，建立所述路面图像对应的路面三维模型；采用图形渲染工具对所述路面三维模型进行渲染，并以预设颜色对所述路面三维模型中的道路病害区域进行标记。
可选地，工控机12还根据定位设备14获取的路面图像对应的定位信息、病害检测结果以及路面图像，将离散的卫星定位点进行Cardinal三次样条曲线插值，建立路面三维模型；并使用图形渲染工具OpenGL对路面进行渲染，并将道路病害区域用特殊颜色标记出来，以在路面三维模型中可视化整个道路病害分析情况。
本实施例中利用RTK组合惯导定位信息、边云协同分析的路面病害检测结果，即时建立可视化道路三维模型，实现用户友好型界面，有效解决现有技术中缺乏用户友好型的可视化统计界面，往往只有统计报表，缺乏整个道路的三维可视化分析的技术缺陷。
下面对本发明提供的路面病害检测方法进行描述，下文描述的路面病害检测方法与上文描述的路面病害检测系统可相互对应参照。
如图6所示，为本申请提供的一种路面病害检测方法，该方法包括如下步骤：
步骤601，采集路面图像；
可选地，图像采集器11的探头朝向路面，在行走装置启动行走的过程中，移动采集路面图像，并可将路面图像实时传输至工控机12。
步骤602，对所述路面图像进行图像识别，在根据图像识别结果，确定所述路面图像对应的路面存在病害的情况下，根据所述图像识别结果，对所述路面图像进行病害类别识别，得到所述路面图像对应的路面病害类别；
可选地，工控机12内部集成有图像识别模型，在接收到图像采集器11传输的路面图像的情况下，可以基于图像识别模型对路面图像进行图像识别，以获取路面图像对应的图像识别结果。并可根据图像识别结果，确定路面图像对应的路面是否存在病害，在确定路面图像对应的路面存在病害的情况下，将存在病害的路面图像发送至服务器13，以便服务器13进一步对路面图像进行细粒度分析，获取路面图像对应的病害类别以及更加精细化的病害位置。
步骤603，根据所述图像识别结果和所述路面病害类别，获取所述路面图像对应的病害检测结果。
可选地，服务器13可以是云端服务器，其内部集成有一种或多种病害类别识别模型，在获取到存在病害的路面图像以及图像识别结果的情况下，根据图像识别结果初步确定路面图像中的病害位置，并根据图像识别结果，选择相应类型的病害类别识别模型针对病害位置进行路面病害类别识别，以获取路面图像对应的路面病害类别，并将路面图像对应的路面病害类别同步至工控机12。
工控机12还可以同步服务器13获取的路面病害类别，并将路面图像、图像识别结果以及路面病害类别等信息进行同步，以根据图像识别结果和路面病害类别，获取路面图像对应的病害检测结果。并在行走装置停止运行或接收到查询指令的情况下，输出病害检测结果。
本申请提供的路面病害检测方法，通过图像采集器采集路面图像，通过工控机对路面图像进行图像识别，获取粗粒度病害检测结果，并在路面图像对应的路面存在病害的情况下，将路面图像以及图像识别结果发送至所述服务器，以便服务器根据图像识别结果，对路面图像进行病害类别识别，最终通过工控机对图像识别结果和路面病害类别进行统计，以自动获取路面图像对应的病害检测结果，整个检测过程均由路面病害检测系统中的边缘端工控机和云端服务器在线协同检测，可以实现对路面病害的实时准确检测，能够降低检测误差，提高检测效率，降低人工成本。
如图7所示，本申请提供的一种路面病害检测方法，具体包括以下步骤：
步骤701，行走装置启动，图像采集器采集路面图像，定位设备（即RTK组合惯导）获取定位信息；
步骤702，工控机对路面图像进行粗粒度分析，具体通过对路面图像进行切块和图像识别，识别对应的道路类别，以及路面图像对应的路面是否有病害；
步骤703，工控机将步骤702识别出来的病害路面图片、道路类别、粗识别的病害切块位置上传到云端服务器，进行病害数据分析。云端服务器根据道路类别选择相应的病害类别识别模型，并根据粗识别的病害切块位置进行局部分析提高分析速度，利用语义分割网络识别像素级别的路面病害类别；
步骤704，云端服务器将图像语义分割分析结果回传到行走装置上的工控机，工控机同步云端服务器的分析结果，并将原始路面图片、道路类别、路面病害位置、路面病害类别以及定位信息等进行同步；
步骤705，用户交互点击路面统计情况，工控机自动导出统计报表，分析整个道路病害检测结果，根据定位信息、路面病害检测结果，利用Cardinal插值建立路面三维模型，在路面三维模型中可视化整个道路病害分析情况。
值得一提的是，发明人在研发过程中发现，自动化的路面病害检测系统还不完善，缺乏成像、分析和统计一体化的系统解决方案，现有的方法存在以下问题：（1）成像精度低，无法高清拍摄高精度的细小病害；（2）使用固定机械装置采集到道路平整度和GPS（GlobalPositioning System，全球定位系统）信息以及道路图片信息机对应的桩号，对于设备安装条件过于苛刻；（3）路面病害分析效率低，采集过程和分析过程往往需要分开，分析耗费时间较大；（4）无智能算法可以做到实时识别，不能做到无病害数据的过滤降低存储；（5）缺乏用户友好型的可视化统计界面，往往只有统计报表，缺乏整个道路的三维可视化分析。
而本申请提出路面病害检测方法有效地解决了上述问题，具体体现在以下几个方面：（1）采用由高清的工业相机和工业光源补光搭建的成像单元，成像精度高，可达亚毫米成像精度，成像精度远远高于现有的摄像机成像系统；（2）路面病害检测系统结构简易，安装简单，硬件成本相比以往设备方案要低；（3）路面病害分析算法效率高，由边缘侧工控机和云端服务器进行并行病害分析，可即时得到病害分析统计结果；（4）实时检测以做到无病害数据的过滤降低存储；（5）利用RTK组合惯导定位信息、边云协同分析路面病害检测结果，即时建立可视化道路三维模型，实现用户友好型界面。
图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)801、通信接口(Communications Interface)802、存储器(memory)803和通信总线804，其中，处理器801，通信接口802，存储器803通过通信总线804完成相互间的通信。处理器801可以调用存储器803中的逻辑指令，以执行路面病害检测方法，该方法包括：采集路面图像；对所述路面图像进行图像识别，在根据图像识别结果，确定所述路面图像对应的路面存在病害的情况下，根据所述图像识别结果，对所述路面图像进行病害类别识别，得到所述路面图像对应的路面病害类别；根据所述图像识别结果和所述路面病害类别，获取所述路面图像对应的病害检测结果。
此外，上述的存储器803中的逻辑指令可以通过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介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的路面病害检测方法，该方法包括：采集路面图像；对所述路面图像进行图像识别，在根据图像识别结果，确定所述路面图像对应的路面存在病害的情况下，根据所述图像识别结果，对所述路面图像进行病害类别识别，得到所述路面图像对应的路面病害类别；根据所述图像识别结果和所述路面病害类别，获取所述路面图像对应的病害检测结果。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的路面病害检测方法，该方法包括：采集路面图像；对所述路面图像进行图像识别，在根据图像识别结果，确定所述路面图像对应的路面存在病害的情况下，根据所述图像识别结果，对所述路面图像进行病害类别识别，得到所述路面图像对应的路面病害类别；根据所述图像识别结果和所述路面病害类别，获取所述路面图像对应的病害检测结果。
以上所描述的装置实施例仅仅是示意性的，其中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理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (10)

1.一种路面病害检测系统，其特征在于，包括图像采集器、工控机和服务器；
所述图像采集器与所述工控机通信连接，所述工控机与所述服务器通信连接；
所述图像采集器用于采集路面图像；
所述工控机用于对所述路面图像进行图像识别，在根据图像识别结果，确定所述路面图像对应的路面存在病害的情况下，将所述路面图像以及所述图像识别结果发送至所述服务器；
所述服务器用于根据所述图像识别结果，对所述路面图像进行病害类别识别，并将所述路面图像对应的路面病害类别同步至所述工控机；
所述工控机还用于根据所述图像识别结果和所述路面病害类别，获取所述路面图像对应的病害检测结果。
2.根据权利要求1所述的路面病害检测系统，其特征在于，所述工控机内置图像识别模型，所述图像识别模型包括道路类别识别分支网络和病害识别分支网络；
所述道路类别识别分支网络用于对所述路面图像进行道路类别识别，得到所述路面图像对应的道路类别；
所述病害识别分支网络用于对所述路面图像进行切块和病害识别，得到所述路面图像中每一切块图像对应的病害识别结果；
所述图像识别结果包括所述道路类别和每一切块图像对应的病害识别结果。
3.根据权利要求2所述的路面病害检测系统，其特征在于，所述服务器内置多种病害类别识别模型；
所述服务器具体用于：
在所述多种病害类别识别模型中选择所述图像识别结果中的道路类别对应的目标病害类别识别模型；
根据所述图像识别结果中每一切块图像对应的病害识别结果，将所述每一切块图像划分为病害路面切块图像或正常路面切块图像；
根据每一病害路面切块图像与每一正常路面切块图像的交错位置，对所述每一病害路面切块图像进行扩充；
基于所述目标病害类别识别模型，对扩充后的每一病害路面切块图像的每一像素点进行病害类别识别；
根据病害类别识别结果，获取所述路面图像对应的路面病害类别。
4.根据权利要求3所述的路面病害检测系统，其特征在于，所述目标病害类别识别模型是基于语义分割模型构建生成的；
所述语义分割模型中包括局部卷积网络；
所述服务器还用于：
基于所述局部卷积网络对所述扩充后的每一病害路面切块图像的每一像素点进行卷积操作；
根据卷积结果，获取所述每一病害路面切块图像的每一像素点对应的路面病害类别。
5.根据权利要求1-4任一所述的路面病害检测系统，其特征在于，所述系统还包括行走装置；
所述图像采集器包括架设在所述行走装置的尾部的成像单元，以及架设在所述行走装置的行走轮上的编码器；
所述编码器与所述成像单元通信连接；
所述编码器用于采集所述行走装置的速度信号，并将所述速度信号传输至所述成像单元；
所述成像单元用于根据所述速度信号确定图像采样频率，并根据所述图像采样频率，对路面进行扫描成像，得到所述路面图像。
6.根据权利要求5所述的路面病害检测系统，其特征在于，所述成像单元的数量为多个；
多个成像单元均匀分布在所述行走装置的尾部；
每一成像单元包括至少一个线阵相机和多个补光灯；
每一线阵相机的两侧分别设置至少一个补光灯，所述至少一个补光灯用于对所述每一线阵相机进行补光。
7.根据权利要求1-4任一所述的路面病害检测系统，其特征在于，所述系统还包括定位设备；
所述定位设备架设在行走装置的厢体内部，所述定位设备与所述工控机通信连接；
所述定位设备包括全球卫星定位模块、捷联惯导模块以及载波相位差分模块；
所述全球卫星定位模块、捷联惯导模块和载波相位差分模块之间两两通信连接；
所述定位设备用于联合所述全球卫星定位模块、所述捷联惯导模块以及所述载波相位差分模块对所述路面图像对应的路面进行定位，并同步所述路面图像对应的定位信息至所述工控机。
8.根据权利要求7所述的路面病害检测系统，其特征在于，所述工控机还用于：
在接收到路面统计请求的情况下，从所述路面统计请求中解析出待统计路面；
对所述待统计路面的路面图像、定位信息和病害检测结果进行统计，并将统计结果以报表的形式输出。
9.根据权利要求7所述的路面病害检测系统，其特征在于，所述工控机还用于：
根据所述定位信息、所述病害检测结果以及所述路面图像，采用三次样条曲线插值算法，建立所述路面图像对应的路面三维模型；
采用图形渲染工具对所述路面三维模型进行渲染，并以预设颜色对所述路面三维模型中的道路病害区域进行标记。
10.一种路面病害检测方法，其特征在于，应用于如权利要求1至9中任一项所述的路面病害检测系统，所述方法包括：
采集路面图像；
对所述路面图像进行图像识别，在根据图像识别结果，确定所述路面图像对应的路面存在病害的情况下，根据所述图像识别结果，对所述路面图像进行病害类别识别，得到所述路面图像对应的路面病害类别；
根据所述图像识别结果和所述路面病害类别，获取所述路面图像对应的病害检测结果。
CN202211140527.5A 2022-09-20 2022-09-20 路面病害检测系统及方法 Active CN115223030B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211140527.5A CN115223030B (zh) 2022-09-20 2022-09-20 路面病害检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211140527.5A CN115223030B (zh) 2022-09-20 2022-09-20 路面病害检测系统及方法

Publications (2)

Publication Number Publication Date
CN115223030A true CN115223030A (zh) 2022-10-21
CN115223030B CN115223030B (zh) 2023-04-07

Family

ID=83617366

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211140527.5A Active CN115223030B (zh) 2022-09-20 2022-09-20 路面病害检测系统及方法

Country Status (1)

Country Link
CN (1) CN115223030B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102721698A (zh) * 2012-06-01 2012-10-10 中公高科养护科技股份有限公司 路面接缝的检测方法
CN103955923A (zh) * 2014-04-18 2014-07-30 南京理工大学 一种快速的基于图像的路面病害检测方法
CN104914108A (zh) * 2015-05-15 2015-09-16 上海同岩土木工程科技有限公司 基于机器视觉的高速公路隧道检测车系统
CN111553236A (zh) * 2020-04-23 2020-08-18 福建农林大学 基于道路前景图像的路面病害目标检测与实例分割方法
CN112184625A (zh) * 2020-09-01 2021-01-05 燊赛(上海)智能科技有限公司 一种基于视频深度学习的路面缺陷识别方法和系统
CN112966665A (zh) * 2021-04-01 2021-06-15 广东诚泰交通科技发展有限公司 路面病害检测模型训练方法、装置和计算机设备
CN113034410A (zh) * 2020-12-19 2021-06-25 北京工业大学 一种耦合传统方法和卷积自编码的道路病害图片增强方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102721698A (zh) * 2012-06-01 2012-10-10 中公高科养护科技股份有限公司 路面接缝的检测方法
CN103955923A (zh) * 2014-04-18 2014-07-30 南京理工大学 一种快速的基于图像的路面病害检测方法
CN104914108A (zh) * 2015-05-15 2015-09-16 上海同岩土木工程科技有限公司 基于机器视觉的高速公路隧道检测车系统
CN111553236A (zh) * 2020-04-23 2020-08-18 福建农林大学 基于道路前景图像的路面病害目标检测与实例分割方法
CN112184625A (zh) * 2020-09-01 2021-01-05 燊赛(上海)智能科技有限公司 一种基于视频深度学习的路面缺陷识别方法和系统
CN113034410A (zh) * 2020-12-19 2021-06-25 北京工业大学 一种耦合传统方法和卷积自编码的道路病害图片增强方法
CN112966665A (zh) * 2021-04-01 2021-06-15 广东诚泰交通科技发展有限公司 路面病害检测模型训练方法、装置和计算机设备

Also Published As

Publication number Publication date
CN115223030B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
KR102362714B1 (ko) 경로 데이터를 생성하는 방법들 및 시스템들
Zhang et al. 3D mapping of discontinuity traces using fusion of point cloud and image data
CN109900338B (zh) 一种路面坑槽体积测量方法及装置
CN110132239B (zh) 基于cors平台的无人机测绘方法
CN108230379A (zh) 用于融合点云数据的方法和装置
WO2024021872A1 (zh) 一种车路协同系统的测试系统及其测试方法
CN105654732A (zh) 一种基于深度图像的道路监控系统及方法
CN114638909A (zh) 基于激光slam和视觉融合的变电站语义地图构建方法
CN112308913B (zh) 一种基于视觉的车辆定位方法、装置及车载终端
CN112950717B (zh) 一种空间标定方法和系统
EP3940666A1 (en) Digital reconstruction method, apparatus, and system for traffic road
US11373409B2 (en) Photography system
CN112837414B (zh) 基于车载点云数据的三维高精度地图的构建方法
CN111383335A (zh) 一种众筹照片与二维地图结合的建筑物三维建模方法
CN113643254B (zh) 一种无人机激光点云高效采集处理方法
CN108281023B (zh) 一种通过移动终端展示实时路况的方法和系统
CN116129067A (zh) 一种基于多源地理信息耦合的城市实景三维建模方法
CN112749584A (zh) 一种基于图像检测的车辆定位方法及车载终端
CN111340942A (zh) 一种基于无人机的三维重建系统及其方法
CN114971166A (zh) 一种轻量化道路路面服务质量巡检系统
CN113608234A (zh) 一种城市数据采集系统
CN117789066B (zh) 基于深度学习的无人机多视角影像钢轨线自动提取方法
CN115223030B (zh) 路面病害检测系统及方法
CN117197019A (zh) 一种车辆三维点云图像融合方法及系统
CN116051742A (zh) 一种基于倾斜摄影数据与点云数据融合的建模方法及系统

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
GR01 Patent grant
GR01 Patent grant