CN115655119A - 一种道路线激光车辙沉陷拥包范围和尺寸检测方法 - Google Patents
一种道路线激光车辙沉陷拥包范围和尺寸检测方法 Download PDFInfo
- Publication number
- CN115655119A CN115655119A CN202211278627.4A CN202211278627A CN115655119A CN 115655119 A CN115655119 A CN 115655119A CN 202211278627 A CN202211278627 A CN 202211278627A CN 115655119 A CN115655119 A CN 115655119A
- Authority
- CN
- China
- Prior art keywords
- laser
- disease
- line
- image
- definition camera
- 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
Landscapes
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及一种道路线激光车辙沉陷拥包范围和尺寸检测方法,包括以下步骤:S1、在巡检车上安装高清相机、中央工控机、线激光发射器设备,高清相机根据中央工控机的指令采集图像,部署在中央工控机的3D卷积神经网络算法拟合图像中激光线的坐标点[u,v];S2、利用线型判别算法对单帧图像中的激光线拟合坐标点[u,v]进行线性、曲率分析,并计算病害指标value,设置一定的阈值threshold,在单帧图像中value超出该阈值的激光线范围即为该张图像中的病害宽度;S3、通过3D卷积神经网络在时间维度上进行连续分析,获取画面连续帧内的病害计算指标value,计算超过该阈值的计算指标value出现的连续帧次ftime,计算获取病害的长度;S4、将识别的结果保存在本地,并通过移动网络回传至云端。
Description
技术领域
本发明涉及道路工程技术领域,尤其是涉及一种道路线激光车辙沉陷拥包范围和尺寸检测方法。
背景技术
随着我国道路交通建设的飞速发展,我国已建成庞大的市政、高速、中低道路网络,而大体量的道路设施也给路面病害检测、路面管养带来极大的挑战。
近几年随着深度学习在计算机视觉领域的推广应用,新型的道路轻量化检测系统也部分替代了传统检测方法,但目前针对变形类病害的识别效果还不够显著,病害范围和尺寸还不能准确的检测,尤其是像沉陷、拥包、车辙、错台等变形类病害。而准确检测车辙等变形类病害的范围和尺寸对于道路的养护具有现实的指导意义。
现有的技术中,常见的道路车辙沉陷及拥包的检测方法主要依靠人工检测和路面多功能检测车、3D激光点云。人工方法只能随机抽样检测路面的车辙,不能全面系统反映路面的车辙拥包状况, 效率较低,危险性高,主观性强。路面车辙自动检测方法是利用路面多功能检测车来测量路面的车辙,但需对车辆进行特殊改装,设备数量有限,无法大面积、高频次使用,且该类型设备一般只用于道路的年度检测,无法指导日常的管养。3D激光点云的方法利用激光雷达获取路面的3D激光点云数据,进而对车辙沉陷及拥包进行分析提取,但该方法由于激光雷达成本较高,不利于推广使用。
发明内容
针对现有技术存在的不足,本发明的目的是提供一种道路线激光车辙沉陷拥包范围和尺寸检测方法,其利用轻量化设备,实现路面车辙、沉陷等变形类病害的采集,并利用深度学习算法,识别路面出现拥包、沉陷、车辙等变形类病害的病害长度。借助其成本、轻量化的传感器及智能算法,实现道路变形类病害范围和尺寸的快速识别,并通过高频巡查跟踪变形类病害的发展趋势,减少道路养护维护的人力成本,推动道路养护管理高效智能化。
本发明的上述发明目的是通过以下技术方案得以实现的:
一种道路线激光车辙沉陷拥包范围和尺寸检测方法,包括以下步骤:
S1、在巡检车上安装高清相机、中央工控机、线激光发射器设备,启动相关的设备,巡检车辆在行驶的过程中,高清相机根据中央工控机的指令采集图像,部署在中央工控机的3D卷积神经网络算法拟合图像中激光线的坐标点[u,v];
S2、利用线型判别算法对单帧图像中的激光线拟合坐标点[u,v]进行线性、曲率分析,并计算病害指标value,设置一定的阈值threshold,在单帧图像中value超出该阈值的激光线范围即为该张图像中的病害宽度;
S3、通过3D卷积神经网络在时间维度上进行连续分析,获取画面连续帧内的病害计算指标value,通过计算超过该阈值的计算指标value出现的连续帧次ftime,结合实际车速,即可计算获取病害的长度;
S4、将识别的结果保存在本地,并通过移动网络回传至云端。
本发明在一较佳示例中可以进一步配置为:在步骤S1中,巡检车辆在行驶的过程中,启动系统,启动线激光发射器,在平整的路面上,所述高清相机采集的图像内可观察到平直的线激光。
本发明在一较佳示例中可以进一步配置为:在步骤S1中,利用部署在工控机内的3D卷积神经网络算法,对图像中的激光线进行回归拟合,获得激光线上的坐标列表[u, v]。
本发明在一较佳示例中可以进一步配置为:在步骤S2中,利用线型判别算法对单帧图像中的激光线拟合坐标点[u,v]进行线性、曲率分析时,使用最小二乘法,对[u, v]进行直线拟合,并计算病害指标value,设置一定的阈值threshold,在单帧图像中value超出该阈值的激光线范围即为该张图像中的病害宽度。
本发明在一较佳示例中可以进一步配置为:所述高清相机采集帧率不低于60fps。
本发明在一较佳示例中可以进一步配置为:所述巡检车辆在行驶的过程中需保持匀速行驶。
本发明在一较佳示例中可以进一步配置为:所述中央工控机由巡检车辆供电。
综上所述,本发明包括以下至少一种有益技术效果:
1.相较于人工检测,本申请的方法可快速、智能分析路面变形类病害的范围,工作人员只需专注于驾驶,大大提高工作人员的工作效率,降低安全风险。
2.相较于既有的重型检测设备,本申请的方法及系统主要依赖于轻量化传感器,利用智能算法可应对外部干扰,极大地降低了设备成本、运行成本。借助于边缘计算及人工智能算法,可实时计算实现路面变形范围,路面变形类病害的巡检效率显著提高。
3.3D卷积神经网络算法及判断逻辑可解决外部光线干扰、激光线成像不清晰、路面变形过大导致激光线中断、井盖等设施引起路面变形等问题,分析的细粒度更高,具有更好的鲁棒性。
4.养护效益方面,本申请提到的方法快速计算变形类病害的范围,有效指导管养部门合理进行养护方案制定。
附图说明
图1为本发明的流程图。
图2为本发明的图像采集的连续多帧画面图。
图3为本发明的拟合出来的线激光多帧画面图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例,基于本申请中的实施例,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,都属于本申请保护的范围。
在本申请的描述中,需要说明的是,术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“设置有”、“套设/接”、“连接”等,应做广义理解,例如“连接”,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接或信号连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
实施例一:
参照图1,为本发明公开的一种道路线激光车辙沉陷拥包范围和尺寸检测方法,包括以下步骤:
S1、在巡检车上安装高清相机、中央工控机、线激光发射器设备,启动相关的设备,巡检车辆在行驶的过程中,高清相机根据中央工控机的指令采集图像,部署在中央工控机的3D卷积神经网络算法拟合图像中激光线的坐标点[u,v];
S2、利用线型判别算法对单帧图像中的激光线拟合坐标点[u,v]进行线性、曲率分析,并计算病害指标value,设置一定的阈值threshold,在单帧图像中value超出该阈值的激光线范围即为该张图像中的病害宽度;
S3、通过3D卷积神经网络在时间维度上进行连续分析,获取画面连续帧内的病害计算指标value,通过计算超过该阈值的计算指标value出现的连续帧次ftime,结合实际车速,即可计算获取病害的长度;
S4、将识别的结果保存在本地,并通过移动网络回传至云端。
本申请提出的基于3D卷积神经网络的道路车辙沉陷拥包范围检测方法的实施方式为:在巡检车辆上安装线激光发射器、高清相机、中央工控机等设备。高清相机与中央工控机相连接,设备启动后,线激光发射器可以发射出明显的线激光,中央工控机向高清相机发送图像采集指令。中央工控机由巡检车辆供电。
要求车载相机采集帧率不低于60fps,且在检测过程中车辆需保持匀速行驶。
(1)启动系统,启动线激光发射器,在平整的路面上,相机采集的图像内可观察到平直的线激光。
(2)利用部署在工控机内的3D卷积神经网络算法,对图像中的激光线进行回归拟合,获得激光线上的坐标列表[u, v]。
(3)使用最小二乘法,对[u, v]进行直线拟合,并计算病害指标value,设置一定的阈值threshold,在单帧图像中value超出该阈值的激光线范围即为该张图像中的病害宽度。
(4)通过3D卷积神经网络在时间维度上进行连续分析,获取画面连续帧内的病害计算指标value,通过计算超过该阈值的计算指标value出现的连续帧次ftime,结合实际车速,即可计算获取病害的长度。
识别的结果保存在本地,并通过移动网络回传至云端。
本实施例的实施原理为:本发明公开了一种道路线激光车辙沉陷拥包范围和尺寸检测方法,其利用轻量化设备,实现路面车辙、沉陷等变形类病害的采集,并利用深度学习算法,识别路面出现拥包、沉陷、车辙等变形类病害的病害长度。借助其成本、轻量化的传感器及智能算法,实现道路变形类病害范围和尺寸的快速识别,并通过高频巡查跟踪变形类病害的发展趋势,减少道路养护维护的人力成本,推动道路养护管理高效智能化。
本具体实施方式的实施例均为本发明的较佳实施例,并非依此限制本发明的保护范围,故:凡依本发明的结构、形状、原理所做的等效变化,均应涵盖于本发明的保护范围之内。
Claims (7)
1.一种道路线激光车辙沉陷拥包范围和尺寸检测方法,其特征在于:包括以下步骤:
S1、在巡检车上安装高清相机、中央工控机、线激光发射器设备,启动相关的设备,巡检车辆在行驶的过程中,高清相机根据中央工控机的指令采集图像,部署在中央工控机的3D卷积神经网络算法拟合图像中激光线的坐标点[u,v];
S2、利用线型判别算法对单帧图像中的激光线拟合坐标点[u,v]进行线性、曲率分析,并计算病害指标value,设置一定的阈值threshold,在单帧图像中value超出该阈值的激光线范围即为该张图像中的病害宽度;
S3、通过3D卷积神经网络在时间维度上进行连续分析,获取画面连续帧内的病害计算指标value,通过计算超过该阈值的计算指标value出现的连续帧次ftime,结合实际车速,即可计算获取病害的长度;
S4、将识别的结果保存在本地,并通过移动网络回传至云端。
2.根据权利要求1所述的一种道路线激光车辙沉陷拥包范围和尺寸检测方法,其特征在于,在步骤S1中,巡检车辆在行驶的过程中,启动系统,启动线激光发射器,在平整的路面上,所述高清相机采集的图像内可观察到平直的线激光。
3. 根据权利要求1所述的一种道路线激光车辙沉陷拥包范围和尺寸检测方法,其特征在于,在步骤S1中,利用部署在工控机内的3D卷积神经网络算法,对图像中的激光线进行回归拟合,获得激光线上的坐标列表[u, v]。
4. 根据权利要求1所述的一种道路线激光车辙沉陷拥包范围和尺寸检测方法,其特征在于,在步骤S2中,利用线型判别算法对单帧图像中的激光线拟合坐标点[u,v]进行线性、曲率分析时,使用最小二乘法,对[u, v]进行直线拟合,并计算病害指标value,设置一定的阈值threshold,在单帧图像中value超出该阈值的激光线范围即为该张图像中的病害宽度。
5.根据权利要求1所述的一种道路线激光车辙沉陷拥包范围和尺寸检测方法,其特征在于,所述高清相机采集帧率不低于60fps。
6.根据权利要求1所述的一种道路线激光车辙沉陷拥包范围和尺寸检测方法,其特征在于,所述巡检车辆在行驶的过程中需保持匀速行驶。
7.根据权利要求1所述的一种道路线激光车辙沉陷拥包范围和尺寸检测方法,其特征在于,所述中央工控机由巡检车辆供电。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211278627.4A CN115655119A (zh) | 2022-10-19 | 2022-10-19 | 一种道路线激光车辙沉陷拥包范围和尺寸检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211278627.4A CN115655119A (zh) | 2022-10-19 | 2022-10-19 | 一种道路线激光车辙沉陷拥包范围和尺寸检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115655119A true CN115655119A (zh) | 2023-01-31 |
Family
ID=84989374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211278627.4A Pending CN115655119A (zh) | 2022-10-19 | 2022-10-19 | 一种道路线激光车辙沉陷拥包范围和尺寸检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115655119A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117824505A (zh) * | 2024-03-05 | 2024-04-05 | 四川京炜交通工程技术有限公司 | 一种公路护栏梁板中心离地高度快速检测装置 |
-
2022
- 2022-10-19 CN CN202211278627.4A patent/CN115655119A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117824505A (zh) * | 2024-03-05 | 2024-04-05 | 四川京炜交通工程技术有限公司 | 一种公路护栏梁板中心离地高度快速检测装置 |
CN117824505B (zh) * | 2024-03-05 | 2024-05-07 | 四川京炜交通工程技术有限公司 | 一种公路护栏梁板中心离地高度快速检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020199538A1 (zh) | 基于图像监控数据的桥梁关键构件病害预警系统及方法 | |
CN103778681B (zh) | 一种车载高速公路巡检系统及数据获取和处理方法 | |
CN110991466A (zh) | 一种基于新型视觉传感设备的高速公路路面状况检测系统 | |
CN106652551A (zh) | 一种车位检测方法及设备 | |
CN105799740A (zh) | 一种基于物联网技术的轨道异物入侵自动检测与预警方法 | |
CN109763409B (zh) | 公路裂缝检测系统 | |
CN101075376A (zh) | 基于多视点的智能视频交通监控系统及方法 | |
CN102061659A (zh) | 一种城市道路路面日常巡检设备 | |
CN209765730U (zh) | 一种车型识别系统 | |
CN103837087B (zh) | 基于主动形状模型的受电弓自动检测方法 | |
KR102167292B1 (ko) | 이기종 센싱값을 이용한 도로 상태 정보 수집 장치 및 방법 | |
CN113588664A (zh) | 一种车载道路缺陷快速巡检与分析系统 | |
CN105163014A (zh) | 道路监测装置及方法 | |
CN115655119A (zh) | 一种道路线激光车辙沉陷拥包范围和尺寸检测方法 | |
CN115527364B (zh) | 一种基于雷视数据融合的交通事故溯源方法及系统 | |
CN110806411A (zh) | 基于线结构光的无人机铁轨检测系统 | |
CN105262983A (zh) | 基于灯联网的道路监控系统与方法 | |
CN105701453A (zh) | 一种带障碍识别系统的铁路配碴车及其障碍识别方法 | |
CN114624726B (zh) | 轮轴识别系统和轮轴识别方法 | |
CN116289444A (zh) | 基于智能化的路面病害实时监测与预测装置及方法 | |
CN116128360A (zh) | 道路交通拥堵等级评估方法、装置、电子设备及存储介质 | |
CN101441814A (zh) | 道路交通信息检测装置和检测方法 | |
CN114812403A (zh) | 基于无人机及机器视觉的大跨度钢结构吊装变形监测方法 | |
CN103149603A (zh) | 一种基于视频的道路气象检测方法 | |
CN117152617A (zh) | 一种城市洪涝识别方法及系统 |
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 |