CN115393419A - 一种基于尺寸标定布的路面坑槽面积检测方法及装置 - Google Patents

一种基于尺寸标定布的路面坑槽面积检测方法及装置 Download PDF

Info

Publication number
CN115393419A
CN115393419A CN202211028971.8A CN202211028971A CN115393419A CN 115393419 A CN115393419 A CN 115393419A CN 202211028971 A CN202211028971 A CN 202211028971A CN 115393419 A CN115393419 A CN 115393419A
Authority
CN
China
Prior art keywords
pit
road surface
image
segmentation
area
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
Application number
CN202211028971.8A
Other languages
English (en)
Inventor
张朋
庞荣
黄爱国
王吉龙
杨燕
王敦
姜烊
刘力
方鹏程
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.)
China Merchants Chongqing Highway Engineering Testing Center Co ltd
Southwest Jiaotong University
Original Assignee
China Merchants Chongqing Highway Engineering Testing Center Co ltd
Southwest Jiaotong University
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 China Merchants Chongqing Highway Engineering Testing Center Co ltd, Southwest Jiaotong University filed Critical China Merchants Chongqing Highway Engineering Testing Center Co ltd
Priority to CN202211028971.8A priority Critical patent/CN115393419A/zh
Publication of CN115393419A publication Critical patent/CN115393419A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
    • 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
    • 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
    • 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
    • G06V10/82—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details

Landscapes

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

Abstract

本发明涉及交通路面坑槽检测技术领域，具体涉及一种基于尺寸标定布的路面坑槽面积检测方法及装置，包括：构建路面坑槽分割模型；获取路面坑槽图像；将路面坑槽图像输入路面坑槽分割模型，获得分割结果图；根据尺寸标定布和分割结果图获取路面坑槽面积。利用路面坑槽分割模型获得路面坑槽图像的分割结果图，再通过尺寸标定布获得每个像素对应的真实尺寸面积，从而获得分割结果图对应的路面坑槽面积。相比现有技术中利用机器学习得到预测模型，再将图像输入预测模型得到路面坑槽面积，本发明仅需要对分割模型获得的分割结果图进行简单的计算即可获得路面坑槽面积，降低了运算量，运算效率高，且精度更高。

Description

一种基于尺寸标定布的路面坑槽面积检测方法及装置
技术领域
本发明涉及交通路面坑槽检测技术领域，具体涉及一种基于尺寸标定布的路面坑槽面积检测方法及装置。
背景技术
道路交通是人们一直密切关注的话题。虽然道路基础设施在不断完善，但公路路面在实际运营过程中，由于温度、水分、风化以及荷载等因素的影响，路面结构强度会逐渐降低，最终导致道路表面产生多种病害特征。坑槽是道路病害特征的一种，是由于道路交通和恶劣天气在道路表面形成的一种凹陷的洞。道路表面的坑槽会导致汽车爆胎、轮胎损坏，甚至有可能导致车祸发生，严重地影响了道路的行驶安全，在缩短了道路的使用寿命的同时，也提高了交通事故发生的风险。
近年来，随着人工智能和智能交通的发展，越来越多的国内外研究者开始关注道路交通事件及道路病害识别问题。目前针对道路坑槽面积的检测主要是通过人工测量，或者通过机器学习获得预测模型的方式对道路坑槽的面积进行预测。前者费时费力，而后者运算量大，精度低。因此，本申请设计一种运算简单，精度较高的道路坑槽面积检测方法。
发明内容
针对现有技术存在的不足，本发明提出一种基于尺寸标定布的路面坑槽面积检测方法及装置，降低了运算量的同时，提高了检测精度。
第一方面，本发明提供了一种基于尺寸标定布的路面坑槽面积检测方法。
在第一种可实现方式中，一种基于尺寸标定布的路面坑槽面积检测方法，包括：构建路面坑槽分割模型；获取路面坑槽图像；将路面坑槽图像输入路面坑槽分割模型，获得分割结果图；根据尺寸标定布和分割结果图获取路面坑槽面积。
结合第一种可实现方式，在第二种可实现方式中，构建路面坑槽分割模型，包括：通过拍摄装置采集路面坑槽实验图像；对路面坑槽实验图像进行初步筛选，获得初始数据集；对初始数据集进行数据增广，获得实验数据集；根据实验数据集对语义分割网络模型进行训练，获得路面坑槽分割模型。
结合第二种可实现方式，在第三种可实现方式中，对初始数据集进行数据增广，获得实验数据集，包括：对初始数据集中的路面坑槽实验图像分别进行图像灰度化处理、高斯滤波处理和直方图均衡化处理，获得初始实验数据集；按照预设比例将初始实验数据集划分为训练集和验证集；对训练集和验证集中的路面坑槽实验图像打标签，获得最终的实验数据集；标签为路面坑槽实验图像对应的实际像素值。
结合第二种可实现方式，在第四种可实现方式中，语义分割网络模型为DeepLabV3，主干网络为轻量化深度神经网络MobileNetV2。
结合第三种可实现方式，在第五种可实现方式中，根据实验数据集对语义分割网络模型进行训练，获得路面坑槽分割模型，包括：将训练集中的路面坑槽实验图像作为语义分割网络模型的输入，将训练集中的路面坑槽实验图像的标签作为语义分割网络模型的期望输出，根据语义分割网络模型的输入和期望输出进行训练；将验证集中的路面坑槽实验图像输入训练后的语义分割网络模型，获得模型验证结果；将路面坑槽实验图像的标签与对应的模型验证结果进行对比，获得训练后的语义分割网络模型的正确率；在正确率大于第一预设阈值的情况下，将训练后的语义分割网络模型确定为路面坑槽分割模型。
结合第一种可实现方式，在第六种可实现方式中，根据尺寸标定布和分割结果图获取路面坑槽面积，包括：根据尺寸标定布获取图像像素与路面实际面积之间的转换系数；根据转换系数和分割结果图获取路面坑槽面积。
结合第六种可实现方式，在第七种可实现方式中，根据尺寸标定布获取图像像素与路面实际面积之间的转换系数，包括：获取尺寸标定布的实际面积；获取尺寸标定布图像的像素值；将尺寸标定布的实际面积除以尺寸标定布图像的像素值，获得图像像素与路面实际面积之间的转换系数。
结合第六种可实现方式，在第八种可实现方式中，根据转换系数和分割结果图获取路面坑槽面积，包括：将转换系数乘以分割结果图，获得路面坑槽面积。
第二方面，本发明提供了一种基于尺寸标定布的路面坑槽面积检测装置。
在第九种可实现方式中，一种基于尺寸标定布的路面坑槽面积检测装置，包括：路面坑槽分割模型构建模块，被配置为构建路面坑槽分割模型；路面坑槽图像获取模块，被配置为获取路面坑槽图像；分割结果图获取模块，被配置为将路面坑槽图像输入路面坑槽分割模型，获得分割结果图；路面坑槽面积获取模块，被配置为根据尺寸标定布和分割结果图获取路面坑槽面积。
第三方面，本发明提供了另一种基于尺寸标定布的路面坑槽面积检测装置，包括处理器和存储有程序指令的存储器，处理器被配置为在运行程序指令时，执行如上述的基于尺寸标定布的路面坑槽面积检测方法。
由上述技术方案可知，本发明的有益技术效果如下：利用路面坑槽分割模型获得路面坑槽图像的分割结果图，再通过尺寸标定布获得每个像素对应的真实尺寸面积，从而获得分割结果图对应的路面坑槽面积。相比现有技术中利用机器学习得到预测模型，再将图像输入预测模型得到路面坑槽面积，本发明仅需要对分割模型获得的分割结果图进行简单的计算即可获得路面坑槽面积，降低了运算量，提高了运算效率和检测精度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明提供的一种基于尺寸标定布的路面坑槽面积检测方法的示意图；
图2为本发明提供的一种尺寸标定布的示意图；
图3为本发明提供的一种基于尺寸标定布的路面坑槽面积检测装置的示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
结合图1所示，本实施例提供了一种基于尺寸标定布的路面坑槽面积检测方法，包括：
步骤S01、构建路面坑槽分割模型；
步骤S02、获取路面坑槽图像；
步骤S03、将路面坑槽图像输入路面坑槽分割模型，获得分割结果图；
步骤S04、根据尺寸标定布和分割结果图获取路面坑槽面积。
可选地，构建路面坑槽分割模型，包括：通过拍摄装置采集路面坑槽实验图像；对路面坑槽实验图像进行初步筛选，获得初始数据集；对初始数据集进行数据增广，获得实验数据集；根据实验数据集对语义分割网络模型进行训练，获得路面坑槽分割模型。
在一些实施例中拍摄装置为车载摄像头或航拍摄像头。通过车载摄像头或航拍摄像头采集路面坑槽实验图像，对路面坑槽实验图像进行初步筛选，去除无坑槽的或坑槽拍摄不完整的图像后，仅保留含有路面坑槽的图像。
可选地，对初始数据集进行数据增广，获得实验数据集，包括：对初始数据集中的路面坑槽实验图像分别进行图像灰度化处理、高斯滤波处理和直方图均衡化处理，获得初始实验数据集；按照预设比例将初始实验数据集划分为训练集和验证集；对训练集和验证集中的路面坑槽实验图像打标签，获得最终的实验数据集；标签为路面坑槽实验图像对应的实际像素值。
在一些实施例中，高斯滤波处理中的高斯核采用3x3大小，直方图均衡化处理中颜色对比度的阈值为2，像素均衡化的网格为10x10大小。通过灰度化、高斯滤波、直方图均衡化等数字图像处理技术对初始数据集中的路面坑槽实验图像进行处理，极大地降低了路面坑槽实验图像的噪声影响，更好地保留了路面坑槽实验图像的特征信息，从而能够更好地根据路面坑槽实验图像进行分割模型训练，提高了路面坑槽分割模型的精度。
在一些实施例中，预设比例为4∶1。按照4∶1的比例将初始实验数据集划分为训练集和验证集，并对训练集和验证集中的路面坑槽实验图像设置标签，标签为路面坑槽实验图像对应的实际像素值，从而获得最终的实验数据集。
可选地，语义分割网络模型为DeepLabV3，主干网络为轻量化深度神经网络MobileNetV2。通过语义分割网络模型DeepLabV3进行训练，从而获得路面坑槽分割模型，相比现有技术中利用机器学习获得预测模型，语义分割模型的训练更加简单，对样本数量的要求也更少，运算量也更少。再引入主干网络MobileNetV2，进一步提升了训练效率。
可选地，根据实验数据集对语义分割网络模型进行训练，获得路面坑槽分割模型，包括：将训练集中的路面坑槽实验图像作为语义分割网络模型的输入，将训练集中的路面坑槽实验图像的标签作为语义分割网络模型的期望输出，根据语义分割网络模型的输入和期望输出进行训练；将验证集中的路面坑槽实验图像输入训练后的语义分割网络模型，获得模型验证结果；将路面坑槽实验图像的标签与对应的模型验证结果进行对比，获得训练后的语义分割网络模型的正确率；在正确率大于第一预设阈值的情况下，将训练后的语义分割网络模型确定为路面坑槽分割模型。
在一些实施例中，将训练集中的路面坑槽实验图像输入训练后的语义分割网络模型后，获得各路面坑槽实验图像对应的模型验证结果；将各路面坑槽实验图像对应的模型验证结果与其对应的标签进行对比，若一致，则模型验证正确，若不一致，则模型验证失败；统计路面坑槽实验图像对应的模型验证结果与其对应的标签对比一致的数量，将该对比一致的数量除以训练集中的路面坑槽实验图像的总数量，获得训练后的语义分割网络模型的正确率。在正确率大于第一预设阈值的情况下，将训练后的语义分割网络模型确定为路面坑槽分割模型。正确率小于或等于第一预设阈值的情况下，继续对语义分割网络模型进行训练，直到正确率大于第一预设阈值或训练次数超过第二预设阈值为止。
可选地，将路面坑槽图像输入路面坑槽分割模型，获得分割结果图，包括：对路面坑槽图像进行图像灰度化处理、高斯滤波处理和直方图均衡化处理后，再输入路面坑槽分割模型，获得分割结果图。
可选地，根据尺寸标定布和分割结果图获取路面坑槽面积，包括：根据尺寸标定布获取图像像素与路面实际面积之间的转换系数；根据转换系数和分割结果图获取路面坑槽面积。通过路面坑槽分割模型获取路面坑槽图像的分割结果图，再利用尺寸标定布获取图像像素与路面实际面积之间的转换系数，进而利用转换系数对分割结果图进行计算，获得路面坑槽面积。这样，通过尺寸标定布获得每个像素对应的真实尺寸面积，从而估算出被识别的路面坑槽的真实面积，仅需要对分割模型获得的分割结果图进行简单的计算即可获得路面坑槽面积，运算量小，运算效率高，精度也较高。
可选地，根据尺寸标定布获取图像像素与路面实际面积之间的转换系数，包括：获取尺寸标定布的实际面积；获取尺寸标定布图像的像素值；将尺寸标定布的实际面积除以尺寸标定布图像的像素值，获得图像像素与路面实际面积之间的转换系数。
可选地，结合图2所示，尺寸标定布为1200x1600mm的方形布，尺寸标定布的实际面积即为1200x1600mm2。方形布中划分有颜色不同、形状相同的两类小方形格子，两类小方形格子在横向和竖向均呈间隔排列。通过车载摄像头对展平铺在路面的尺寸标定布进行拍照，获得含有尺寸标定布的图像，根据含有尺寸标定布的图像获得尺寸标定布图像的像素值。
可选地，通过以下公式获得图像像素与路面实际面积之间的转换系数α：
Figure BDA0003816741360000071
在上式中，m为尺寸标定布对应的实际面积，n为尺寸标定布图像的像素值。
可选地，根据转换系数和分割结果图获取路面坑槽面积，包括：将图像像素与路面实际面积之间的转换系数乘以分割结果图，获得路面坑槽面积。
可选地，通过以下公式获得路面坑槽面积S：
S＝Dwh*α
在上式中，Dwh为分割结果图，α为图像像素与路面实际面积之间的转换系数。
在一些实施例中，通过车载摄像头对路面坑槽进行拍摄，对拍摄后的图像进行初步筛选，获得路面坑槽图像。对路面坑槽图像进行图像灰度化处理、高斯滤波处理和直方图均衡化处理后，再输入路面坑槽分割模型，获得分割结果图，利用图像像素与路面实际面积之间的转换系数乘以分割结果图，获得路面坑槽面积为0.2m2。
结合图3所示，本实施例提供一种基于尺寸标定布的路面坑槽面积检测装置，包括：路面坑槽分割模型构建模块101、路面坑槽图像获取模块102、分割结果图获取模块103和路面坑槽面积获取模块104。路面坑槽分割模型构建模块101被配置为构建路面坑槽分割模型；路面坑槽图像获取模块102被配置为获取路面坑槽图像；分割结果图获取模块103被配置为将路面坑槽图像输入路面坑槽分割模型，获得分割结果图；路面坑槽面积获取模块104被配置为根据尺寸标定布和分割结果图获取路面坑槽面积。
可选地，本实施例提供一种基于尺寸标定布的路面坑槽面积检测装置，包括处理器和存储有程序指令的存储器，处理器被配置为在运行程序指令时，执行如上述的基于尺寸标定布的路面坑槽面积检测方法。
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；尽管参照前述各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，或者对其中部分或者全部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范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种基于尺寸标定布的路面坑槽面积检测方法，其特征在于，包括：
构建路面坑槽分割模型；
获取路面坑槽图像；
将所述路面坑槽图像输入所述路面坑槽分割模型，获得分割结果图；
根据尺寸标定布和所述分割结果图获取路面坑槽面积。
2.根据权利要求1所述的方法，其特征在于，构建路面坑槽分割模型，包括：
通过拍摄装置采集路面坑槽实验图像；
对所述路面坑槽实验图像进行初步筛选，获得初始数据集；
对所述初始数据集进行数据增广，获得实验数据集；
根据所述实验数据集对语义分割网络模型进行训练，获得路面坑槽分割模型。
3.根据权利要求2所述的方法，其特征在于，对所述初始数据集进行数据增广，获得实验数据集，包括：
对所述初始数据集中的路面坑槽实验图像分别进行图像灰度化处理、高斯滤波处理和直方图均衡化处理，获得初始实验数据集；
按照预设比例将所述初始实验数据集划分为训练集和验证集；
对所述训练集和所述验证集中的路面坑槽实验图像打标签，获得最终的实验数据集；所述标签为路面坑槽实验图像对应的实际像素值。
4.根据权利要求2所述的方法，其特征在于，所述语义分割网络模型为DeepLabV3，主干网络为轻量化深度神经网络MobileNetV2。
5.根据权利要求3所述的方法，其特征在于，根据所述实验数据集对语义分割网络模型进行训练，获得路面坑槽分割模型，包括：
将所述训练集中的路面坑槽实验图像作为语义分割网络模型的输入，将所述训练集中的路面坑槽实验图像的标签作为语义分割网络模型的期望输出，根据语义分割网络模型的输入和期望输出进行训练；
将验证集中的路面坑槽实验图像输入训练后的语义分割网络模型，获得模型验证结果；
将路面坑槽实验图像的标签与对应的模型验证结果进行对比，获得训练后的语义分割网络模型的正确率；
在正确率大于第一预设阈值的情况下，将训练后的语义分割网络模型确定为路面坑槽分割模型。
6.根据权利要求1所述的方法，其特征在于，根据尺寸标定布和所述分割结果图获取路面坑槽面积，包括：
根据所述尺寸标定布获取图像像素与路面实际面积之间的转换系数；
根据所述转换系数和所述分割结果图获取路面坑槽面积。
7.根据权利要求6所述的方法，其特征在于，根据所述尺寸标定布获取图像像素与路面实际面积之间的转换系数，包括：
获取所述尺寸标定布的实际面积；
获取尺寸标定布图像的像素值；
将所述尺寸标定布的实际面积除以尺寸标定布图像的像素值，获得图像像素与路面实际面积之间的转换系数。
8.根据权利要求6所述的方法，其特征在于，根据所述转换系数和所述分割结果图获取路面坑槽面积，包括：
将所述转换系数乘以所述分割结果图，获得路面坑槽面积。
9.一种基于尺寸标定布的路面坑槽面积检测装置，其特征在于，包括：
路面坑槽分割模型构建模块，被配置为构建路面坑槽分割模型；
路面坑槽图像获取模块，被配置为获取路面坑槽图像；
分割结果图获取模块，被配置为将所述路面坑槽图像输入所述路面坑槽分割模型，获得分割结果图；
路面坑槽面积获取模块，被配置为根据尺寸标定布和所述分割结果图获取路面坑槽面积。
10.一种基于尺寸标定布的路面坑槽面积检测装置，包括处理器和存储有程序指令的存储器，其特征在于，所述处理器被配置为在运行所述程序指令时，执行如权利要求1至8任一项所述的基于尺寸标定布的路面坑槽面积检测方法。
CN202211028971.8A 2022-08-26 2022-08-26 一种基于尺寸标定布的路面坑槽面积检测方法及装置 Pending CN115393419A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211028971.8A CN115393419A (zh) 2022-08-26 2022-08-26 一种基于尺寸标定布的路面坑槽面积检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211028971.8A CN115393419A (zh) 2022-08-26 2022-08-26 一种基于尺寸标定布的路面坑槽面积检测方法及装置

Publications (1)

Publication Number Publication Date
CN115393419A true CN115393419A (zh) 2022-11-25

Family

ID=84122383

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211028971.8A Pending CN115393419A (zh) 2022-08-26 2022-08-26 一种基于尺寸标定布的路面坑槽面积检测方法及装置

Country Status (1)

Country Link
CN (1) CN115393419A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661229A (zh) * 2022-12-28 2023-01-31 北京道仪数慧科技有限公司 道路病害尺寸检测方法及载具

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661229A (zh) * 2022-12-28 2023-01-31 北京道仪数慧科技有限公司 道路病害尺寸检测方法及载具

Similar Documents

Publication Publication Date Title
CN111914795A (zh) 一种航拍图像中旋转目标检测方法
CN111582339B (zh) 一种基于深度学习的车辆检测与识别的方法
CN112232351A (zh) 一种基于深度神经网络的车牌识别系统
CN112381060A (zh) 一种基于深度学习的建筑物地震破坏等级分类方法
CN111461006A (zh) 一种基于深度迁移学习的光学遥感图像杆塔位置检测方法
CN112396042A (zh) 实时更新的目标检测方法及系统、计算机可读存储介质
CN112949510A (zh) 基于Faster R-CNN热红外影像人物探测方法
CN112712552A (zh) 一种车辆踏面擦伤的故障检测方法
CN115393419A (zh) 一种基于尺寸标定布的路面坑槽面积检测方法及装置
CN110991374B (zh) 一种基于rcnn的指纹奇异点检测方法
CN116823800A (zh) 一种基于深度学习的复杂背景下桥梁混凝土裂缝检测方法
CN109271904A (zh) 一种基于像素自适应分割和贝叶斯模型的黑烟车检测方法
CN115376108A (zh) 一种复杂天气下障碍物检测方法及装置
CN116597343A (zh) 基于集成学习算法的高速公路气象识别方法及装置
CN116485802B (zh) 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质
CN110765900B (zh) 一种基于dssd的自动检测违章建筑方法及系统
CN114821510B (zh) 基于改进U-Net网络的车道线检测方法及装置
CN110866435A (zh) 一种自相似性梯度朝向直方图的远红外行人训练方法
CN116052110A (zh) 一种路面标线缺损智能定位方法及系统
CN113192018B (zh) 基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法
CN115273009A (zh) 基于深度学习的道路裂纹检测方法及系统
CN114821370A (zh) 基于无人机影像与U-Net的单木树冠检测与分割方法
CN111626175B (zh) 基于深度卷积神经网络的轴型识别方法
CN113793069A (zh) 深度残差网络的城市内涝积水智能识别方法
CN113221823A (zh) 一种基于改进轻量级YOLOv3的交通信号灯倒计时识别方法

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