CN115420753A - 基于路面纹理测量的污染物分布状况测量方法 - Google Patents
基于路面纹理测量的污染物分布状况测量方法 Download PDFInfo
- Publication number
- CN115420753A CN115420753A CN202211025878.1A CN202211025878A CN115420753A CN 115420753 A CN115420753 A CN 115420753A CN 202211025878 A CN202211025878 A CN 202211025878A CN 115420753 A CN115420753 A CN 115420753A
- Authority
- CN
- China
- Prior art keywords
- texture
- pavement
- pollutants
- point cloud
- 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.)
- Pending
Links
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 95
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000005259 measurement Methods 0.000 title claims abstract description 31
- 238000013079 data visualisation Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000012800 visualization Methods 0.000 claims description 21
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 239000000356 contaminant Substances 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 18
- 239000004576 sand Substances 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 229910001285 shape-memory alloy Inorganic materials 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004040 coloring Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/94—Investigating contamination, e.g. dust
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/30244—Camera pose
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Geometry (AREA)
- Remote Sensing (AREA)
- Signal Processing (AREA)
- Computer Graphics (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
一种基于路面纹理测量的污染物分布状况测量方法,属于路面纹理检测技术领域。本发明为解决现有路面纹理检测方法不能对存在污染物的路面进行精准检测的问题。包括:采用深度相机获取路面监测区域的原始路面纹理三维点云数据和存在污染物路面纹理三维点云数据;分别对原始路面纹理三维点云数据和存在污染物路面纹理三维点云数据进行体素下采样、统计滤波及数据可视化,实现原始路面纹理和存在污染物路面纹理的三维重构;对原始路面纹理重构结果和存在污染物路面纹理重构结果进行点云数据合并,通过比较两者之间差异,得到路面表面污染物的分布状况。本发明方法用于实现路面表面污染物分布状况的测量。
Description
技术领域
本发明涉及基于路面纹理测量的污染物分布状况测量方法,属于路面纹理检测技术领域。
背景技术
据交通事故数据显示,因为路面抗滑性能不足引发了约13.5%的死亡交通事故及25%的各类行车事故。而沥青路面的抗滑摩擦性能主要是由路面表面的纹理构造提供的,路面纹理的粗糙度直接影响了路面的抗滑性能。
世界道路协会PIARC根据纹理水平波长尺度将路表纹理分为不平整度、巨纹理、宏观纹理和微观纹理四类,其中路面宏观纹理和微观纹理通过影响胎-路间作用,对路面的抗滑性能起主要贡献;同时,路面污染物分布也是影响路表纹理特征的重要因素之一。附着于路表面的污染物经过长期积累,杂乱分布于路表面,其主要以两种作用形式存在于路面:一是覆盖在路表面层,对路面起到润滑作用;二是通过空隙进入到路面中,填充路面空隙,进而改变道路的宏、微观纹理,降低路面摩擦系数、抗滑性能;污染物的存在极易引发交通事故。因此,亟需一种方法能够及时获取路面纹理及表面污染物分布,以为科学评价路面抗滑性能提供理论支持。
传统路面纹理检测手段以铺砂法为主,其原理简单,成本较低,但是测量过程受环境、操作人员影响较大;主流路面纹理检测手段还包括激光测量法,因其设备昂贵、精度受环境影响等缺点无法普及。其他检测手段,有的虽然能够检测纹理数据,但却无法生成纹理图像,因此难以获取路面纹理及表面污染物的分布情况;有的既能获取纹理数据又能生成纹理图像,但过程耗时较长,效率低下,无法满足智能交通快速精准检测的要求。另外,针对路面污染物,目前的检测手段大多通过传感器实现,其成本高,并且针对分布在路面上的道路灰尘、轮胎胶泥等难以准确定位检测。
深度相机(3D相机)可用于检测拍摄空间的景深距离,具有主动式测量、实时性好、分辨率高等特点,是一种理想的高精度非接触式测量方法。目前主要应用于人体及物体识别、行为识别及场景建模等领域。路面纹理错综复杂,不同级配类型的路面纹理具有明显差异,其抗滑性能也相差较大;尤其路面存在污染物时,纹理分布将发生变化。而如何借助深度相机获取不同工况下路面纹理的变化目前相关研究较少。
发明内容
针对现有路面纹理检测方法不能对存在污染物的路面进行精准检测的问题,本发明提供一种基于路面纹理测量的污染物分布状况测量方法。
本发明的一种基于路面纹理测量的污染物分布状况测量方法,包括,
步骤一:采用深度相机获取路面监测区域的原始路面纹理三维点云数据和存在污染物路面纹理三维点云数据;
步骤二:分别对原始路面纹理三维点云数据和存在污染物路面纹理三维点云数据进行体素下采样、统计滤波及数据可视化,实现原始路面纹理和存在污染物路面纹理的三维重构;
步骤三:对原始路面纹理重构结果和存在污染物路面纹理重构结果进行点云数据合并,通过比较两者之间差异,得到路面表面污染物的分布状况。
根据本发明的基于路面纹理测量的污染物分布状况测量方法,步骤一中,深度相机与路面监测区域相距30-70cm放置,路面监测区域表面与深度相机镜头平面平行;深度相机曝光时间为70000—90000ms。
根据本发明的基于路面纹理测量的污染物分布状况测量方法,步骤二中,对原始路面纹理三维点云数据和存在污染物路面纹理三维点云数据进行体素下采样包括:
选择三维点云数据的体素范围为0~10mm;
将每个体素中所有数据点平均后生成一个平均数据点,将平均数据点作为相应体素的所有数据替代点。
根据本发明的基于路面纹理测量的污染物分布状况测量方法,步骤二中,对体素下采样结果进行统计滤波包括:
对每个平均数据点选定预设个数的邻域点;
计算每个平均数据点与预设个数邻域点的平均距离,若平均距离超出预设方差范围,则将对应的平均数据点作为离群点剔除,获得筛选后数据点。
根据本发明的基于路面纹理测量的污染物分布状况测量方法,步骤二中,对统计滤波结果进行数据可视化包括:
将筛选后数据点利用计算机图形学和图像处理技术转换为图形或图像显示在屏幕上,实现数据可视化。
根据本发明的基于路面纹理测量的污染物分布状况测量方法,步骤三中进行点云数据合并包括:
将原始路面可视化结果和存在污染物路面可视化结果显示于同一可视化窗口进行比较。
根据本发明的基于路面纹理测量的污染物分布状况测量方法,步骤二的体素下采样、统计滤波及数据可视化通过open3d模块的建模代码实现。
根据本发明的基于路面纹理测量的污染物分布状况测量方法,邻域点预设个数为1~50个。
根据本发明的基于路面纹理测量的污染物分布状况测量方法,预设方差范围为0~1。
根据本发明的基于路面纹理测量的污染物分布状况测量方法,步骤一中的三维点云数据格式为ply。
本发明的有益效果:本发明方法基于深度相机快速获取路面纹理数据,并对获取数据进行建模重构,以检测路面纹理及其表面污染物分布。具有耗时短,精度高,检测结果准确的优势。
本发明方法能在短时间内实现对路面纹理的实时动态测量,通过建模得到路面纹理及其表面污染物的瞬时分布情况,可快速且准确评价路面纹理状况,为科学评价路面抗滑性能提供理论支持,为智能交通路面实施动态检测工作提供技术支撑。
本发明方法同时兼顾了路面纹理检测的速度与效率,可对路面污染物分布状况获得明确的分析结果。
本发明方法应用到有污染物的路面后,能够得到污染物的存在对路面纹理的影响以及污染物在路面表面的分布状况,为研究路面纹理在不同工况下的演变规律提供理论支撑;与激光检测法、传统铺砂法进行对比分析验证,验证了该方法的可行性。
与现有其他路面纹理检测方法相比较,本发明方法的路面纹理建模方法直观方便,速度更快,能够节省人力物力,同时满足现有路面纹理检测技术对精度的要求。为评价路面在不同工况下的抗滑性能提供参考,有较高的推广意义。
附图说明
图1是本发明所述基于路面纹理测量的污染物分布状况测量方法的流程图;
图2是具体实施例一中路面纹理点云数据在相机中的预览图;
图3是具体实施例二中SMA级配路面进行重构后的图像;
图4是具体实施例二中AC级配路面进行重构后的图像;
图5是具体实施例三中路面表面部分结冰时真实路面与重构图像的对比图;
图6是具体实施例三中路面抛洒有细砂时真实路面与重构图像的对比图;
图7是对本发明方法获得的点云数据平均断面深度MPD和铺砂法获得的构造深度TD的对比示意图。
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的前提下所获得的所有其它实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
具体实施方式一、结合图1所示,本发明提供了一种基于路面纹理测量的污染物分布状况测量方法,包括,
步骤一:采用深度相机获取路面监测区域的原始路面纹理三维点云数据和存在污染物路面纹理三维点云数据;
步骤二:分别对原始路面纹理三维点云数据和存在污染物路面纹理三维点云数据进行体素下采样、统计滤波及数据可视化,实现原始路面纹理和存在污染物路面纹理的三维重构;
步骤三:对原始路面纹理重构结果和存在污染物路面纹理重构结果进行点云数据合并,通过比较两者之间差异,得到路面表面污染物的分布状况。
本实施方式基于结构光原理,采用三维点云数据可视化的方法进行路面纹理获取及三维点云数据建模,可通过Python代码实现对深度相机获取的路面纹理数据的建模重构,再基于建模重构得到的路面纹理模型,可以明确路面纹理分布的变化情况,同时能够获取路面存在污染物时表面的污染物分布状况。
本实施方式可以单独实现对路面监测区域原始路面的纹理三维重构,用于分析路面的防滑性能。也可以通过原始路面与存在污染物路面三维重构结果的比较,确定污染物分布状况。
深度相机的工作原理是结构光原理,其通过近红外激光器,将具有一定结构特征的光线投射到被拍摄物体上,再由专门的红外摄像头进行采集,当光线照射到路面上时,路面表面的纹理高度各不相同,深度相机通过采集反射的结构光图案的信息,然后通过运算单元将这种结构的变化换算成深度信息,以此来获得三维结构。
进一步,步骤一中,深度相机与路面监测区域相距30-70cm放置,路面监测区域表面与深度相机镜头平面平行,保证路面监测区域完全出现在深度相机镜头中;调整相机参数,相机默认连续曝光模式,可手动调至触发模式,深度相机曝光时间为70000—90000ms(最高为100000ms)。
深度相机设置完成后,
预览路面纹理的点云数据图,再保存点云数据,即获得瞬时路面纹理的三维点云数据,格式可以为ply点云数据文件。
步骤二中,对原始路面纹理三维点云数据和存在污染物路面纹理三维点云数据进行体素下采样包括:
体素下采样方法原理为将点云所处的空间均匀划分为等大小的n个小立方体,每个小立方体中以中心点代替其中的所有点进行下采样。
选择三维点云数据的体素范围为0~10mm;体素越小,采样得到结果的点越多。
将每个体素中所有数据点平均后生成一个平均数据点,将平均数据点作为相应体素的所有数据替代点。
步骤二中,对体素下采样结果进行统计滤波包括:
根据给定个数邻域点的方差计算结果,剔除方差之外的点,即剔除点云空间中分布稀疏的明显离群点,以保证路面纹理重构的合理性。具体如下:
对每个平均数据点选定预设个数的邻域点;
计算每个平均数据点与预设个数邻域点的平均距离,若平均距离超出预设方差范围,则将对应的平均数据点作为离群点剔除,获得筛选后数据点。
步骤二中,对统计滤波结果进行数据可视化包括:
将筛选后数据点利用计算机图形学和图像处理技术转换为直观的图形或图像显示在屏幕上,实现数据可视化。具体如下:
读取路面纹理的点云数据,设定点云数据建模颜色,调用open3d模块中的visualization库,实现路面纹理点云数据的可视化。
步骤三中进行点云数据合并包括:
在对路面原始纹理及污染物存在时的纹理进行重构后,加入了点云数据合并的操作,在同一个点云视窗中将路面原始状态及存在污染物状态的点云数据图重构后合并,通过比较两者之间差异,得到路面表面污染物的分布状况,具体如下:
对路面原始纹理及存在污染物时纹理重构后的点云数据分别进行上色处理;在查看点云的类中创建一个点云可视化窗口,将路面原始纹理及污染物存在时纹理点云数据放入窗口中;使点云可视化运行,此时将原始路面可视化结果和存在污染物路面可视化结果显示于同一可视化窗口进行比较。通过在同一可视化窗口下比较路面原始纹理及污染物存在时纹理重构后两者之间的差异,得到路面表面污染物的分布状况。
再进一步,步骤二的体素下采样、统计滤波及数据可视化通过调用open3d模块的建模代码实现。
作为示例,邻域点预设个数为1~50个。
预设方差范围为0~1。
步骤一中的三维点云数据格式为ply。
对本发明方法的验证:
路面纹理点云数据获取及处理可行性的验证方法为计算路面表面纹理的平均断面深度MPD,与激光法、传统铺砂法所得路面MPD进行对比,研究本方法与两者之间的相关性,验证其可行性。
所述平均断面深度MPD的计算方式为将测量所得路面断面轮廓长度平均分成两段,第一段最高峰值h1与第二段最高峰值h2的平均值与中线高度h的差值为平均断面深度MPD,计算公式如下:
具体实施例一:路面纹理的快速获取。
1、将深度相机放置在距离路面50cm的位置,路面表面与相机镜头平面保持平行,保证路面完全出现在深度相机镜头中。
2、调整相机参数,相机默认连续曝光模式,可手动调至触发模式,并调整相机曝光时间为70000—90000ms(最高为100000)。
3、设置完成后,预览路面纹理的点云数据图,保存点云数据,获得瞬时路面纹理的三维点云数据,格式为ply点云数据文件。
由图2可以看到白色的路面纹理预览情况,根据预览图可以调整相机位置及角度,以保存所需要某一瞬时的数据;表1为所获取路面纹理的点云数据,包括x、y、z三个方向的坐标数据,数值为该点与相机镜头之间的空间距离。
表1路面纹理的点云数据
本实施例的有益效果:本实施例利用深度相机快速获取路面纹理点云数据,相比于其他路面纹理检测方法,本方法速度更快,能够节省人力物力,同时能够输出精度较高的点云数据。
具体实施例二:路面纹理的建模重构。
路面纹理的建模及数据处理方法为调用open3d模块编写路面纹理三维点云数据建模代码,分别进行体素下采样、统计滤波及点云数据的可视化,实现对所保存路面纹理ply点云数据的三维重构。
1、读取路面纹理的点云数据,调整体素网格的大小,在本实施例中体素大小选择为0.5。
2、将每个被占用的体素中的所有点进行平均,进而生成为一个点,并用该点代替该体素中的所有点。
3、再剔除点云空间中分布稀疏的明显离群点,以保证路面纹理重构的合理性:
设置邻域点个数为20,预设方差为0.1。
对所获取路面纹理点云数据中的每一个点,计算它到所有邻域点的平均距离,平均距离在方差标准范围之外的点,将其定义为离群点并从数据中去除。
4、可视化:
读取路面纹理的点云数据,设定点云数据建模颜色,调用open3d模块中的visualization库,实现路面纹理点云数据的可视化。如图3和图4为不同路面的重构后可视化结果。
本实施例的有益效果是:采用点云数据的体素采样、滤波及可视化等手段,将纹理进行重构建模,得到路面纹理的分布状况,为快速且准确评价路面纹理提供技术支持,满足现有路面纹理检测技术对精度的要求,路面纹理的建模方法直观方便。
具体实施例三:有污染物路面表面污染物分布状况。
步骤二中的路面纹理建模方法可以实现对路面纹理表面污染物分布状况的测量与重构,它对路面同一位置的不同状态进行测量,首先对路面原始状态进行测量,获取其点云数据;然后测量表面覆盖有污染物的路面,例如获取路面表面结冰状态下的路面纹理点云数据,进行重构建模后,可以得到路面表面结冰的分布状况。
首先,分别获取路面原始纹理和路面存在污染物时表面纹理的点云数据;
然后进行路面原始纹理及污染物存在时纹理的重构:
路面原始纹理及污染物存在时纹理的重构方法同步骤二:体素大小选择为0.5,邻域点个数选择20,预设方差为0.1。剔除离群点。
再进行点云数据合并的操作,在同一个点云视窗中将路面原始状态及存在污染物状态的点云数据图重构后合并,通过比较两者之间差异,得到路面表面污染物的分布状况:
读取路面原始纹理及存在污染物时纹理重构后的点云数据,对两种点云数据分别进行上色处理;
在查看点云的类中创建一个点云可视化窗口,将路面原始纹理及污染物存在时纹理点云数据放入窗口中;
点云可视化运行,此时路面原始纹理及污染物存在时的点云数据合并后显示在同一可视化窗口。
通过在同一可视化窗口下比较路面原始纹理及污染物存在时纹理重构后两者之间的差异,得到路面表面污染物的分布状况。
图5为路面表面部分结冰时真实路面与重构结果的对比图;图6为路面抛洒有细砂时真实路面与重构结果的对比图。
本实施例的有益效果是:该重构建模方法应用到存在污染物的路面后,能够得到污染物的存在对路面纹理的影响以及污染物在路面表面的分布状况,为研究在不同工况下路面纹理的演变规律提供理论支撑。
最后,对本发明方法进行可行性验证:
基于传统铺砂法对本发明方法的可行性进行验证:制备室内SMA级配车辙板试件;分别计算铺砂法得到的构造深度TD和本发明方法获取的点云数据计算得到的平均断面深度MPD,经对TD和MPD的对比分析,两者之间的相关性系数为0.975,验证了本发明方法获取路面纹理点云数据的可行性。具体数据如表2和图7所示:
表2铺砂法构造深度TD与点云数据平均断面深度MPD对比
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其它所述实施例中。
Claims (10)
1.一种基于路面纹理测量的污染物分布状况测量方法,其特征在于包括,
步骤一:采用深度相机获取路面监测区域的原始路面纹理三维点云数据和存在污染物路面纹理三维点云数据;
步骤二:分别对原始路面纹理三维点云数据和存在污染物路面纹理三维点云数据进行体素下采样、统计滤波及数据可视化,实现原始路面纹理和存在污染物路面纹理的三维重构;
步骤三:对原始路面纹理重构结果和存在污染物路面纹理重构结果进行点云数据合并,通过比较两者之间差异,得到路面表面污染物的分布状况。
2.根据权利要求1所述的基于路面纹理测量的污染物分布状况测量方法,其特征在于,
步骤一中,深度相机与路面监测区域相距30-70cm放置,路面监测区域表面与深度相机镜头平面平行;深度相机曝光时间为70000—90000ms。
3.根据权利要求2所述的基于路面纹理测量的污染物分布状况测量方法,其特征在于,
步骤二中,对原始路面纹理三维点云数据和存在污染物路面纹理三维点云数据进行体素下采样包括:
选择三维点云数据的体素范围为0~10mm;
将每个体素中所有数据点平均后生成一个平均数据点,将平均数据点作为相应体素的所有数据替代点。
4.根据权利要求3所述的基于路面纹理测量的污染物分布状况测量方法,其特征在于,
步骤二中,对体素下采样结果进行统计滤波包括:
对每个平均数据点选定预设个数的邻域点;
计算每个平均数据点与预设个数邻域点的平均距离,若平均距离超出预设方差范围,则将对应的平均数据点作为离群点剔除,获得筛选后数据点。
5.根据权利要求4所述的基于路面纹理测量的污染物分布状况测量方法,其特征在于,
步骤二中,对统计滤波结果进行数据可视化包括:
将筛选后数据点利用计算机图形学和图像处理技术转换为图形或图像显示在屏幕上,实现数据可视化。
6.根据权利要求5所述的基于路面纹理测量的污染物分布状况测量方法,其特征在于,
步骤三中进行点云数据合并包括:
将原始路面可视化结果和存在污染物路面可视化结果显示于同一可视化窗口进行比较。
7.根据权利要求1至6中任一项所述的基于路面纹理测量的污染物分布状况测量方法,其特征在于,步骤二的体素下采样、统计滤波及数据可视化通过open3d模块的建模代码实现。
8.根据权利要求4所述的基于路面纹理测量的污染物分布状况测量方法,其特征在于,邻域点预设个数为1~50个。
9.根据权利要求4所述的基于路面纹理测量的污染物分布状况测量方法,其特征在于,预设方差范围为0~1。
10.根据权利要求1所述的基于路面纹理测量的污染物分布状况测量方法,其特征在于,
步骤一中的三维点云数据格式为ply。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211025878.1A CN115420753A (zh) | 2022-08-25 | 2022-08-25 | 基于路面纹理测量的污染物分布状况测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211025878.1A CN115420753A (zh) | 2022-08-25 | 2022-08-25 | 基于路面纹理测量的污染物分布状况测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115420753A true CN115420753A (zh) | 2022-12-02 |
Family
ID=84198383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211025878.1A Pending CN115420753A (zh) | 2022-08-25 | 2022-08-25 | 基于路面纹理测量的污染物分布状况测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115420753A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117805109A (zh) * | 2023-12-29 | 2024-04-02 | 江苏腾丰环保科技有限公司 | 一种基于纹理特征识别的水质检测方法、系统 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104897676A (zh) * | 2015-06-15 | 2015-09-09 | 东南大学 | 一种路表纹理的表征方法 |
CN105115976A (zh) * | 2015-06-24 | 2015-12-02 | 上海图甲信息科技有限公司 | 一种铁轨磨耗缺陷检测系统及方法 |
US20160169665A1 (en) * | 2013-07-16 | 2016-06-16 | Polyrix Inc. | Inspection system for inspecting an object and inspection method for same |
CN107052086A (zh) * | 2017-06-01 | 2017-08-18 | 扬州苏星机器人科技有限公司 | 基于三维视觉的冲压件表面缺陷检测装置及检测方法 |
CN109242828A (zh) * | 2018-08-13 | 2019-01-18 | 浙江大学 | 基于光栅投影多步相移法的3d打印制品三维缺陷检测方法 |
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 |
CN110455815A (zh) * | 2019-09-05 | 2019-11-15 | 西安多维机器视觉检测技术有限公司 | 一种电子元器件外观缺陷检测的方法及系统 |
CN209802960U (zh) * | 2019-01-25 | 2019-12-17 | 四川晴测科技有限公司 | 一种表面缺陷检测系统 |
CN111077535A (zh) * | 2019-12-11 | 2020-04-28 | 中煤能源研究院有限责任公司 | 一种激光雷达数据采集系统及数据处理方法 |
CN111122602A (zh) * | 2020-01-03 | 2020-05-08 | 重庆大学 | 基于三维相机的跨座式单轨指形板异常检测系统及方法 |
CN111724433A (zh) * | 2020-06-24 | 2020-09-29 | 广西师范大学 | 一种基于多目视觉的作物表型参数提取方法及系统 |
CN111855664A (zh) * | 2020-06-12 | 2020-10-30 | 山西省交通科技研发有限公司 | 一种可调节隧道病害三维检测系统 |
CN112051217A (zh) * | 2020-09-29 | 2020-12-08 | 上海数久信息科技有限公司 | 一种车载式路面高精度三维检测装置 |
CN112098419A (zh) * | 2020-09-11 | 2020-12-18 | 江苏理工学院 | 汽车外覆盖件表面缺陷检测系统、检测方法 |
CN112595719A (zh) * | 2020-12-11 | 2021-04-02 | 江苏科技大学 | 一种基于三维激光扫描技术的路面病害精细化检测方法 |
CN113610957A (zh) * | 2021-07-08 | 2021-11-05 | 郑州大学 | 一种基于bim的排水管道三维缺陷信息自动化管理方法 |
CN113962301A (zh) * | 2021-10-20 | 2022-01-21 | 北京理工大学 | 一种多源输入信号融合的路面质量检测方法及系统 |
US20220044034A1 (en) * | 2020-08-10 | 2022-02-10 | Volvo Car Corporation | Automated road damage detection |
CN114119917A (zh) * | 2021-10-27 | 2022-03-01 | 国网浙江省电力有限公司温州供电公司 | 基于输电线路高精度三维模型的可视化隐患测距方法 |
CN114463411A (zh) * | 2022-01-19 | 2022-05-10 | 无锡学院 | 基于三维相机的目标体积、质量与密度测量方法 |
-
2022
- 2022-08-25 CN CN202211025878.1A patent/CN115420753A/zh active Pending
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160169665A1 (en) * | 2013-07-16 | 2016-06-16 | Polyrix Inc. | Inspection system for inspecting an object and inspection method for same |
CN104897676A (zh) * | 2015-06-15 | 2015-09-09 | 东南大学 | 一种路表纹理的表征方法 |
CN105115976A (zh) * | 2015-06-24 | 2015-12-02 | 上海图甲信息科技有限公司 | 一种铁轨磨耗缺陷检测系统及方法 |
CN107052086A (zh) * | 2017-06-01 | 2017-08-18 | 扬州苏星机器人科技有限公司 | 基于三维视觉的冲压件表面缺陷检测装置及检测方法 |
CN109242828A (zh) * | 2018-08-13 | 2019-01-18 | 浙江大学 | 基于光栅投影多步相移法的3d打印制品三维缺陷检测方法 |
CN209802960U (zh) * | 2019-01-25 | 2019-12-17 | 四川晴测科技有限公司 | 一种表面缺陷检测系统 |
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 |
CN110455815A (zh) * | 2019-09-05 | 2019-11-15 | 西安多维机器视觉检测技术有限公司 | 一种电子元器件外观缺陷检测的方法及系统 |
CN111077535A (zh) * | 2019-12-11 | 2020-04-28 | 中煤能源研究院有限责任公司 | 一种激光雷达数据采集系统及数据处理方法 |
CN111122602A (zh) * | 2020-01-03 | 2020-05-08 | 重庆大学 | 基于三维相机的跨座式单轨指形板异常检测系统及方法 |
CN111855664A (zh) * | 2020-06-12 | 2020-10-30 | 山西省交通科技研发有限公司 | 一种可调节隧道病害三维检测系统 |
CN111724433A (zh) * | 2020-06-24 | 2020-09-29 | 广西师范大学 | 一种基于多目视觉的作物表型参数提取方法及系统 |
US20220044034A1 (en) * | 2020-08-10 | 2022-02-10 | Volvo Car Corporation | Automated road damage detection |
CN112098419A (zh) * | 2020-09-11 | 2020-12-18 | 江苏理工学院 | 汽车外覆盖件表面缺陷检测系统、检测方法 |
CN112051217A (zh) * | 2020-09-29 | 2020-12-08 | 上海数久信息科技有限公司 | 一种车载式路面高精度三维检测装置 |
CN112595719A (zh) * | 2020-12-11 | 2021-04-02 | 江苏科技大学 | 一种基于三维激光扫描技术的路面病害精细化检测方法 |
CN113610957A (zh) * | 2021-07-08 | 2021-11-05 | 郑州大学 | 一种基于bim的排水管道三维缺陷信息自动化管理方法 |
CN113962301A (zh) * | 2021-10-20 | 2022-01-21 | 北京理工大学 | 一种多源输入信号融合的路面质量检测方法及系统 |
CN114119917A (zh) * | 2021-10-27 | 2022-03-01 | 国网浙江省电力有限公司温州供电公司 | 基于输电线路高精度三维模型的可视化隐患测距方法 |
CN114463411A (zh) * | 2022-01-19 | 2022-05-10 | 无锡学院 | 基于三维相机的目标体积、质量与密度测量方法 |
Non-Patent Citations (1)
Title |
---|
鲍陈: "基于散乱点云的三维人体自动测量", 《纺织学报》, vol. 40, no. 1, 31 January 2019 (2019-01-31), pages 120 - 129 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117805109A (zh) * | 2023-12-29 | 2024-04-02 | 江苏腾丰环保科技有限公司 | 一种基于纹理特征识别的水质检测方法、系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111855664B (zh) | 一种可调节隧道病害三维检测系统 | |
CN107633516B (zh) | 一种识别路面变形类病害的方法和装置 | |
Ouyang et al. | Pavement cracking measurements using 3D laser-scan images | |
Zhang et al. | Automatic road-marking detection and measurement from laser-scanning 3D profile data | |
AU2016385541A1 (en) | Object surface deformation feature extraction method based on line scanning three-dimensional point Cloud | |
Tsai et al. | Pavement crack detection using high-resolution 3D line laser imaging technology | |
Dan et al. | An improved computation method for asphalt pavement texture depth based on multiocular vision 3D reconstruction technology | |
CN114812450A (zh) | 一种基于机器视觉的沥青路面施工均匀性检测及评价方法 | |
CN115420753A (zh) | 基于路面纹理测量的污染物分布状况测量方法 | |
Wang et al. | Automated pavement distress survey: a review and a new direction | |
Wang et al. | Automatic extraction and evaluation of pavement three-dimensional surface texture using laser scanning technology | |
Medeiros Jr et al. | 3D pavement macrotexture parameters from close range photogrammetry | |
CN110306414B (zh) | 一种路面构造深度检测方法 | |
Niskanen et al. | Time-of-flight sensor for getting shape model of automobiles toward digital 3D imaging approach of autonomous driving | |
Liu et al. | A binocular reconstruction method fused with Laplacian image information for pavement texture evaluation | |
CN111815596B (zh) | 一种基于双侧窄角域摄影的沥青路表构造信息评价方法 | |
Tian et al. | Pavement macrotexture determination using multi-view smartphone images | |
Mataei et al. | Automatic pavement texture measurement using a new 3D image-based profiling system | |
Yuan et al. | Automatic detection of pavement surface defects using consumer depth camera | |
Alayat et al. | Pavement Surface Distress Detection Using Digital Image Processing Techniques | |
Liang et al. | Detecting device and technology of pavement texture depth based on high precision 3D laser scanning technology | |
CHEN et al. | Automated and Efficient Extraction of Highway Tunnel Lining Cross-sections Using Terrestrial Laser Scanning (TLS). | |
Singh et al. | Photometric stereo enhanced light sectioning measurement for microtexture road profiling | |
Gabara et al. | Study on 3d point clouds accuracy of elongated object reconstruction in close range–comparison of different software | |
Radopoulou et al. | Improving patch defect detection using vision tracking on video data |
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 |