CN115330752A - 基于深度图像识别的路面隐性剥落点检测方法及系统 - Google Patents
基于深度图像识别的路面隐性剥落点检测方法及系统 Download PDFInfo
- Publication number
- CN115330752A CN115330752A CN202211109405.XA CN202211109405A CN115330752A CN 115330752 A CN115330752 A CN 115330752A CN 202211109405 A CN202211109405 A CN 202211109405A CN 115330752 A CN115330752 A CN 115330752A
- Authority
- CN
- China
- Prior art keywords
- road surface
- pavement
- image
- stripping
- surface image
- 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 44
- 238000013135 deep learning Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000004901 spalling Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 3
- 238000011282 treatment Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000009736 wetting Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000012423 maintenance Methods 0.000 abstract description 3
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000001723 curing Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 230000000007 visual effect Effects 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
-
- 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/30204—Marker
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Road Repair (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于深度图像识别的路面隐性剥落点检测方法及系统,该方法包括以下步骤:S1、采集湿润状态下的路面图像,并定义路面图像中具有突出阴影的区域为隐形剥落点;S2、对采集到的路面图像进行消除噪声的预处理;S3、对预处理后的路面图像标记隐性剥落点;S4、采用深度学习框架对标记了隐性剥落点的路面图像进行学习,进而构建路面隐性剥落点检测模型;S5、利用路面隐性剥落点检测模型对未标记隐性剥落点的路面图像进行隐形剥落点的识别。本发明基于识别特定环境下路面破损初期状态的思想,采用深度学习技术中的图像识别技术,识别路面隐性剥落点,用提高路面的使用寿命和减少路面全寿命周期的的费用,为路面养护提供高效、智能化管理依据。
Description
技术领域
本发明涉及道路工程路面病害识别的技术领域,尤其是指基于深度图像识别的路面隐性剥落点检测方法及系统。
背景技术
传统的路面养护一般通过人工巡查找到路面发生破坏的位置,再根据破损类型、破损的大小、力学强度损失等进行针对性的维修养护处理。不管是何种养护方法,都需要对破损进行定位。现在主要的定位方式,主要是依赖人工巡查或检测车自动巡查,但是这两种方法都是对已经出现明显破坏的路面进行定位。然而,现有文献和经验表明,提前的预养护对路面有提高整体寿命减少全寿命周期养护成本的作用。因此,需要及早发现路面病害的发生,但是人工巡查和检测车的频率和效率相对较低,对检测人员的技术水平要求高。
此外,数字图像处理技术、智能传感技术与电子信息技术在交通领域的应用为交通的智能化和信息化做出了巨大的贡献。为有效地实现路面破损的智能化检测,许多研究机构及学者对路面破损的自动检测技术进行了研究,相继提出了利用超声波、激光和数字图像处理技术对路面破损的检测识别方法。
发明内容
本发明的目的在于为解决现有技术中的不足,提供了基于深度图像识别的路面隐性剥落点检测方法及系统,基于识别特定环境下路面破损初期状态的思想,采用深度学习技术中的图像识别技术,识别路面隐性剥落点,用于识别路面早期破损和潜在破损,提高路面的使用寿命和减少路面全寿命周期的的费用,为公路管理工作特别是路面养护中提供高效、智能化的管理依据。
为实现上述目的,本发明所提供的技术方案为:基于深度图像识别的路面隐性剥落点检测方法,包括以下步骤:
S1、采集湿润状态下的路面图像,并定义路面图像中具有突出阴影的区域为隐形剥落点;
S2、对采集到的路面图像进行消除噪声的预处理;
S3、对预处理后的路面图像标记隐性剥落点;
S4、采用深度学习框架和神经网络算法对标记了隐性剥落点的路面图像进行学习,进而构建路面隐性剥落点检测模型;
S5、利用路面隐性剥落点检测模型对未标记隐性剥落点的路面图像进行隐形剥落点的识别。
进一步,所述步骤S1包括以下步骤:
对进行检测的路面进行湿润,控制路面材料含水率范围在5%-10%,利用车载运动相机对路面图像进行捕获,车载运动相机的固定位置为车头,拍摄角度为正对路面,确保可视范围在车前0-5m内清晰;
通过对采集到的路面图像进行灰度约束即可去除路面图像中的道路标线信息,对于路面图像中的任意像素点I(i,j),有:
其中,μ为路面图像的平均灰度值,I'为像素点I(i,j)的灰度,i为像素点的横坐标,j为像素点的纵坐标,i和j均为整数,定义湿润状态下的路面图像中具有突出阴影的区域为隐形剥落点,所述突出阴影的区域采用高斯平滑消除路面纹理对后续阴影区域划分的影响;
对路面图像进行亮度的高区域划分,计算路面图像的平均灰度值μ和灰度值标准差σ,根据经验阈值L=μ+0.5σ,将路面图像分为非阴影区域B和阴影区域S;
采用纹理平衡对路面图像进行亮度补偿,对于非阴影区域B和阴影区域S,对该区域像素进行变换,以实现亮度的补偿,公式如下:
其中,I(i,j)为路面图像中的任意像素点,I”(i,j)为路面图像进行亮度补偿后的像素值,α=DB/DS,DB为非阴影区的像素亮度值的标准方差,DS为阴影区的像素亮度值的标准方差,为非阴影区的平均亮度,为阴影区的平均亮度。
进一步,所述步骤S2包括以下步骤:
对噪声路面图像{I(i,j),i,j=1,2,...,N}作小波变换,得到小波系数{Wi,j,i,j=1,2,...,N},对小波系数Wi,j进行阈值处理,即:
进一步,所述步骤S3包括以下步骤:
通过标注软件中的外接矩形框对路面图像中的隐性剥落点进行标记。
进一步,所述步骤S4包括以下步骤:
基于paddle框架,采用神经网络算法YOLO对已经标记隐性剥落点的路面图像学习,构建路面隐性剥落点检测模型。
本发明所提供的基于深度图像识别的路面隐性剥落点检测系统,包括:
路面图像采集模块,用于采集湿润状态下的路面图像;
隐形剥落点定义模块,根据采集到的路面图像,定义路面图像中具有突出阴影的区域为隐形剥落点;
预处理模块,用于对路面图像进行消除噪声的预处理;
标记模块,用于对预处理后的路面图像标记隐性剥落点;
深度学习模块,采用深度学习框架和神经网络算法对标记了隐性剥落点的路面图像进行学习,进而构建路面隐性剥落点检测模型。
进一步,所述隐形剥落点定义模块执行以下操作:
通过对采集到的路面图像进行灰度约束即可去除路面图像中的道路标线信息,对于路面图像中的任意像素点I(i,j),有:
其中,μ为路面图像的平均灰度值,I'为像素点I(i,j)的灰度,i为像素点的横坐标,j为像素点的纵坐标,i和j均为整数,定义湿润状态下的路面图像中具有突出阴影的区域为隐形剥落点,所述突出阴影的区域采用高斯平滑消除路面纹理对后续阴影区域划分的影响;
对路面图像进行亮度的高区域划分,计算路面图像的平均灰度值μ和灰度值标准差σ,根据经验阈值L=μ+0.5σ,将路面图像分为非阴影区域B和阴影区域S;
采用纹理平衡对路面图像进行亮度补偿,对于非阴影区域B和阴影区域S,对该区域像素进行变换,以实现亮度的补偿,公式如下:
其中,I(i,j)为路面图像中的任意像素点,I”(i,j)为路面图像进行亮度补偿后的像素值,α=DB/DS,DB为非阴影区的像素亮度值的标准方差,DS为阴影区的像素亮度值的标准方差,为非阴影区的平均亮度,为阴影区的平均亮度。
进一步,所述预处理模块执行以下操作:
对噪声路面图像{I(i,j),i,j=1,2,...,N}作小波变换,得到小波系数{Wi,j,i,j=1,2,...,N},对小波系数Wi,j进行阈值处理,即:
进一步,所述深度学习模块执行以下操作:
基于paddle框架,采用神经网络算法YOLO对已经标记隐性剥落点的路面图像学习,构建路面隐性剥落点检测模型。
本发明与现有技术相比,具有如下优点与有益效果:
1、针对现有检测技术在路面破损情况较为明显的情况下进行识别的问题,本发明中利用隐性剥落点这一方法可以在病害出现的萌芽阶段进行识别;
2、本发明的采集路面图像的设备易于拆卸,可利用现有车辆进行改装,普适性强;
3、针对现有人工检测效率低,对技术人员专业水平高的特点,本发明利用深度学习技术开展病害图片自动识别,提高路面病害识别效率,具有良好的经济价值。
附图说明
图1为基于深度图像识别的路面隐性剥落点检测方法的流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
实施例1
参见图1所示,为本实施例所提供的基于深度图像识别的路面隐性剥落点检测方法,包括以下步骤:
S1、采集湿润状态下的路面图像,并定义路面图像中具有突出阴影的区域为隐形剥落点,包括以下步骤:
对进行检测的路面进行湿润,控制路面材料含水率范围在5%-10%,利用车载运动相机对路面图像进行捕获,车载运动相机的固定位置为车头,拍摄角度为正对路面,确保可视范围在车前0-5m内清晰;
通过对采集到的路面图像进行灰度约束即可去除路面图像中的道路标线信息,对于路面图像中的任意像素点I(i,j),有:
其中,μ为路面图像的平均灰度值,I'为像素点I(i,j)的灰度,i为像素点的横坐标,j为像素点的纵坐标,i和j均为整数,定义湿润状态下的路面图像中具有突出阴影的区域为隐形剥落点,所述突出阴影的区域采用高斯平滑消除路面纹理对后续阴影区域划分的影响;
对路面图像进行亮度的高区域划分,计算路面图像的平均灰度值μ和灰度值标准差σ,根据经验阈值L=μ+0.5σ,将路面图像分为非阴影区域B和阴影区域S;
采用纹理平衡对路面图像进行亮度补偿,对于非阴影区域B和阴影区域S,对该区域像素进行变换,以实现亮度的补偿,公式如下:
其中,I(i,j)为路面图像中的任意像素点,I”(i,j)为路面图像进行亮度补偿后的像素值,α=DB/DS,DB为非阴影区的像素亮度值的标准方差,DS为阴影区的像素亮度值的标准方差,为非阴影区的平均亮度,为阴影区的平均亮度。
S2、对采集到的路面图像进行消除噪声的预处理,包括以下步骤:
对噪声路面图像{I(i,j),i,j=1,2,...,N}作小波变换,得到小波系数{Wi,j,i,j=1,2,...,N},对小波系数Wi,j进行阈值处理,即:
S3、对预处理后的路面图像标记隐性剥落点,通过标注软件中的外接矩形框对路面图像中的隐性剥落点进行标记。
S4、采用深度学习框架和神经网络算法对标记了隐性剥落点的路面图像进行学习,进而构建路面隐性剥落点检测模型,包括以下步骤:
基于paddle框架,采用神经网络算法YOLO对已经标记隐性剥落点的路面图像学习,构建路面隐性剥落点检测模型;其中,对YOLO算法调整的超参数包括conf-thres置信度阈值,IoU交并比的阈值等。
S5、利用路面隐性剥落点检测模型对其它未标记隐性剥落点的路面图像进行隐形剥落点的识别。
实施例2
与实施例1不同的是,在步骤S4中,采用的深度学习框架为tensorflow,采用的神经网络算法为faster-rcnn,来构建路面隐性剥落点检测模型。
实施例3
与实施例1不同的是,在步骤S4中,采用的深度学习框架为pytorch,采用的神经网络算法为SSD,来构建路面隐性剥落点检测模型。
实施例4
与实施例1不同的是,在步骤S4中,采用的深度学习框架为Caffe,采用的神经网络算法为SSD,来构建路面隐性剥落点检测模型。
实施例5
本实施例公开了基于深度图像识别的路面隐性剥落点检测系统,包括:
路面图像采集模块,用于采集湿润状态下的路面图像;
隐形剥落点定义模块,根据采集到的路面图像,定义路面图像中具有突出阴影的区域为隐形剥落点,执行以下操作:
通过对采集到的路面图像进行灰度约束即可去除路面图像中的道路标线信息,对于路面图像中的任意像素点I(i,j),有:
其中,μ为路面图像的平均灰度值,I'为像素点I(i,j)的灰度,i为像素点的横坐标,j为像素点的纵坐标,i和j均为整数,定义湿润状态下的路面图像中具有突出阴影的区域为隐形剥落点,所述突出阴影的区域采用高斯平滑消除路面纹理对后续阴影区域划分的影响;
对路面图像进行亮度的高区域划分,计算路面图像的平均灰度值μ和灰度值标准差σ,根据经验阈值L=μ+0.5σ,将路面图像分为非阴影区域B和阴影区域S;
采用纹理平衡对路面图像进行亮度补偿,对于非阴影区域B和阴影区域S,对该区域像素进行变换,以实现亮度的补偿,公式如下:
其中,I(i,j)为路面图像中的任意像素点,I”(i,j)为路面图像进行亮度补偿后的像素值,α=DB/DS,DB为非阴影区的像素亮度值的标准方差,DS为阴影区的像素亮度值的标准方差,为非阴影区的平均亮度,为阴影区的平均亮度。
预处理模块,用于对路面图像进行消除噪声的预处理,执行以下操作:
对噪声路面图像{I(i,j),i,j=1,2,...,N}作小波变换,得到小波系数{Wi,j,i,j=1,2,...,N},对小波系数Wi,j进行阈值处理,即:
标记模块,用于对预处理后的路面图像标记隐性剥落点;
深度学习模块,采用深度学习框架和神经网络算法对标记了隐性剥落点的路面图像进行学习,进而构建路面隐性剥落点检测模型,执行以下操作:
基于paddle框架,采用神经网络算法YOLO对已经标记隐性剥落点的路面图像学习,构建路面隐性剥落点检测模型。
实施例6
与实施例5不同的是,在深度学习模块中,采用的深度学习框架为tensorflow,采用的神经网络算法为faster-rcnn,来构建路面隐性剥落点检测模型。
实施例7
与实施例5不同的是,在深度学习模块中,采用的深度学习框架为pytorch,采用的神经网络算法为SSD,来构建路面隐性剥落点检测模型。
实施例8
与实施例5不同的是,在深度学习模块中,采用的深度学习框架为Caffe,采用的神经网络算法为SSD,来构建路面隐性剥落点检测模型。
以上所述之实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (9)
1.基于深度图像识别的路面隐性剥落点检测方法,其特征在于,包括以下步骤:
S1、采集湿润状态下的路面图像,并定义路面图像中具有突出阴影的区域为隐形剥落点;
S2、对采集到的路面图像进行消除噪声的预处理;
S3、对预处理后的路面图像标记隐性剥落点;
S4、采用深度学习框架和神经网络算法对标记了隐性剥落点的路面图像进行学习,进而构建路面隐性剥落点检测模型;
S5、利用路面隐性剥落点检测模型对未标记隐性剥落点的路面图像进行隐形剥落点的识别。
2.根据权利要求1所述的基于深度图像识别的路面隐性剥落点检测方法,其特征在于,所述步骤S1包括以下步骤:
对进行检测的路面进行湿润,控制路面材料含水率范围在5%-10%,利用车载运动相机对路面图像进行捕获,车载运动相机的固定位置为车头,拍摄角度为正对路面,确保可视范围在车前0-5m内清晰;
通过对采集到的路面图像进行灰度约束即可去除路面图像中的道路标线信息,对于路面图像中的任意像素点I(i,j),有:
其中,μ为路面图像的平均灰度值,I'为像素点I(i,j)的灰度,i为像素点的横坐标,j为像素点的纵坐标,i和j均为整数,定义湿润状态下的路面图像中具有突出阴影的区域为隐形剥落点,所述突出阴影的区域采用高斯平滑消除路面纹理对后续阴影区域划分的影响;
对路面图像进行亮度的高区域划分,计算路面图像的平均灰度值μ和灰度值标准差σ,根据经验阈值L=μ+0.5σ,将路面图像分为非阴影区域B和阴影区域S;
采用纹理平衡对路面图像进行亮度补偿,对于非阴影区域B和阴影区域S,对该区域像素进行变换,以实现亮度的补偿,公式如下:
4.根据权利要求1所述的基于深度图像识别的路面隐性剥落点检测方法,其特征在于,所述步骤S3包括以下步骤:
通过标注软件中的外接矩形框对路面图像中的隐性剥落点进行标记。
5.根据权利要求1所述的基于深度图像识别的路面隐性剥落点检测方法,其特征在于,所述步骤S4包括以下步骤:
基于paddle框架,采用神经网络算法YOLO对已经标记隐性剥落点的路面图像学习,构建路面隐性剥落点检测模型。
6.基于深度图像识别的路面隐性剥落点检测系统,其特征在于,包括:
路面图像采集模块,用于采集湿润状态下的路面图像;
隐形剥落点定义模块,根据采集到的路面图像,定义路面图像中具有突出阴影的区域为隐形剥落点;
预处理模块,用于对路面图像进行消除噪声的预处理;
标记模块,用于对预处理后的路面图像标记隐性剥落点;
深度学习模块,采用深度学习框架和神经网络算法对标记了隐性剥落点的路面图像进行学习,进而构建路面隐性剥落点检测模型。
7.根据权利要求6所述的基于深度图像识别的路面隐性剥落点检测系统,其特征在于,所述隐形剥落点定义模块执行以下操作:
通过对采集到的路面图像进行灰度约束即可去除路面图像中的道路标线信息,对于路面图像中的任意像素点I(i,j),有:
其中,μ为路面图像的平均灰度值,I'为像素点I(i,j)的灰度,i为像素点的横坐标,j为像素点的纵坐标,i和j均为整数,定义湿润状态下的路面图像中具有突出阴影的区域为隐形剥落点,所述突出阴影的区域采用高斯平滑消除路面纹理对后续阴影区域划分的影响;
对路面图像进行亮度的高区域划分,计算路面图像的平均灰度值μ和灰度值标准差σ,根据经验阈值L=μ+0.5σ,将路面图像分为非阴影区域B和阴影区域S;
采用纹理平衡对路面图像进行亮度补偿,对于非阴影区域B和阴影区域S,对该区域像素进行变换,以实现亮度的补偿,公式如下:
9.根据权利要求6所述的基于深度图像识别的路面隐性剥落点检测系统,其特征在于,所述深度学习模块执行以下操作:
基于paddle框架,采用神经网络算法YOLO对已经标记隐性剥落点的路面图像学习,构建路面隐性剥落点检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211109405.XA CN115330752A (zh) | 2022-09-13 | 2022-09-13 | 基于深度图像识别的路面隐性剥落点检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211109405.XA CN115330752A (zh) | 2022-09-13 | 2022-09-13 | 基于深度图像识别的路面隐性剥落点检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115330752A true CN115330752A (zh) | 2022-11-11 |
Family
ID=83930697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211109405.XA Pending CN115330752A (zh) | 2022-09-13 | 2022-09-13 | 基于深度图像识别的路面隐性剥落点检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115330752A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808805A (zh) * | 2024-02-29 | 2024-04-02 | 汶上义桥煤矿有限责任公司 | 一种单轨吊全自动洒水车的出水调控系统 |
-
2022
- 2022-09-13 CN CN202211109405.XA patent/CN115330752A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808805A (zh) * | 2024-02-29 | 2024-04-02 | 汶上义桥煤矿有限责任公司 | 一种单轨吊全自动洒水车的出水调控系统 |
CN117808805B (zh) * | 2024-02-29 | 2024-05-24 | 汶上义桥煤矿有限责任公司 | 一种单轨吊全自动洒水车的出水调控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109785285B (zh) | 一种基于椭圆特征拟合的绝缘子破损检测方法 | |
CN108564814B (zh) | 一种基于图像的停车场车位检测方法及装置 | |
CN104483326B (zh) | 基于深度信念网络的高压线绝缘子缺陷检测方法及系统 | |
CN102509291B (zh) | 基于无线网络视频传感器的公路路面病害检测及识别方法 | |
CN103020920B (zh) | 一种低照度图像增强方法 | |
CN112819094A (zh) | 一种基于结构相似度度量的目标检测与识别方法 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN109064411B (zh) | 一种基于光照补偿的路面图像去阴影方法 | |
CN111611907B (zh) | 一种图像增强的红外目标检测方法 | |
CN110782409B (zh) | 一种去除多运动物体阴影的方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN112561899A (zh) | 电力巡检图像识别方法 | |
CN109815961B (zh) | 一种基于局部纹理二值模式的路面修补类病害检测方法 | |
CN114677601A (zh) | 一种基于无人机巡检的结合深度学习的大坝裂缝检测方法 | |
CN110956183A (zh) | 一种沥青路面裂缝形态提取方法 | |
CN115330752A (zh) | 基于深度图像识别的路面隐性剥落点检测方法及系统 | |
Yang et al. | An efficient method for vehicle model identification via logo recognition | |
Avery et al. | Investigation into shadow removal from traffic images | |
CN107633251A (zh) | 一种基于图像增强的车辆识别系统 | |
CN111652033A (zh) | 基于OpenCV的车道线检测方法 | |
CN109800641B (zh) | 基于阈值自适应二值化和连通域分析的车道线检测方法 | |
CN107578414B (zh) | 一种路面裂缝图像的处理方法 | |
CN116630321B (zh) | 基于人工智能的桥梁健康智能监测系统 | |
CN108009480A (zh) | 一种基于特征识别的图像人体行为检测方法 | |
CN112233111A (zh) | 一种基于数字图像处理的隧道缝隙检测方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230117 Address after: Room 105, No. 6, Baohua Road, Hengqin New District, Zhuhai, Guangdong 519031 - 64956 Applicant after: CRCC Road Operation Co.,Ltd. Applicant after: China Railway Construction Investment Group Co.,Ltd. Address before: 519000 room 105-64956, No. 6, Baohua Road, Hengqin new area, Zhuhai, Guangdong (centralized office area) Applicant before: CRCC Road Operation Co.,Ltd. |
|
TA01 | Transfer of patent application right |