CN115984273A - 道路病害检测方法、装置、计算机设备及可读存储介质 - Google Patents
道路病害检测方法、装置、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN115984273A CN115984273A CN202310266700.4A CN202310266700A CN115984273A CN 115984273 A CN115984273 A CN 115984273A CN 202310266700 A CN202310266700 A CN 202310266700A CN 115984273 A CN115984273 A CN 115984273A
- Authority
- CN
- China
- Prior art keywords
- road
- disease
- current
- historical
- similarity
- 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
Links
Images
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本申请涉及一种道路病害检测方法、装置、计算机设备及可读存储介质。方法包括:获取预设道路对应的当前道路病害;从历史道路病害集合中确定与当前道路病害相似的历史道路病害,得到当前道路病害对应的对比道路病害;历史道路病害集合中的历史道路病害,是历史巡检过程中在预设道路中确定出的病害;确定当前道路病害的环境特征得到当前环境特征,并确定对比道路病害的环境特征得到对比环境特征;当前环境特征是对当前道路病害的环境图像进行图像识别得到的特征,对比环境特征是对对比道路病害的环境图像进行图像识别得到的特征;基于当前环境特征和对比环境特征,对当前道路病害进行处理。采用本方法能够提高道路病害检测的准确度。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种道路病害检测方法、装置、计算机设备及可读存储介质。
背景技术
道路病害是指道路上出现的损坏、变形以及其他缺陷,会增加交通事故的风险。随着智能交通技术的发展,出现了道路病害检测技术,通过巡检车辆采集指定道路的图像,确定道路是否存在道路病害并及时上报以进行处理。然而经过多次巡检,容易将重复的道路病害误识别为新的道路病害,导致数据冗余。
传统技术中,通常利用道路病害的病害图像以及GPS(The Global PositioningSystem)定位,判断是否为重复的道路病害。
然而,由于现场光线、摄像机参数、水泥质量颜色等多方面因素,道路病害在多个路段的照片表现相似度较高,并且GPS定位在有遮挡物的情况下的较为不准确,使得道路病害去重存在较大误差,导致道路病害检测的准确度较低。
发明内容
本申请提供一种道路病害检测方法、装置、计算机设备及计算机可读存储介质,能够提高道路病害检测的准确度。
第一方面,本申请提供了一种道路病害检测方法,包括:
获取预设道路对应的当前道路病害;所述当前道路病害是当前巡检过程在所述预设道路的中确定出的病害;
从历史道路病害集合中确定与所述当前道路病害相似的历史道路病害,得到所述当前道路病害对应的对比道路病害;所述历史道路病害集合中的历史道路病害,是历史巡检过程中在所述预设道路中确定出的病害;
确定所述当前道路病害的环境特征得到当前环境特征,并确定所述对比道路病害的环境特征得到对比环境特征;所述当前环境特征是对所述当前道路病害的环境图像进行图像识别得到的特征,所述对比环境特征是对所述对比道路病害的环境图像进行图像识别得到的特征;
基于所述当前环境特征和所述对比环境特征,对所述当前道路病害进行处理。
第二方面,本申请还提供了一种道路病害检测装置,包括:
获取模块,用于获取预设道路对应的当前道路病害;所述当前道路病害是当前巡检过程在所述预设道路的中确定出的病害;
第一确定模块,用于从历史道路病害集合中确定与所述当前道路病害相似的历史道路病害,得到所述当前道路病害对应的对比道路病害;所述历史道路病害集合中的历史道路病害,是历史巡检过程中在所述预设道路中确定出的病害;
第二确定模块,用于确定所述当前道路病害的环境特征得到当前环境特征,并确定所述对比道路病害的环境特征得到对比环境特征;所述当前环境特征是对所述当前道路病害的环境图像进行图像识别得到的特征,所述对比环境特征是对所述对比道路病害的环境图像进行图像识别得到的特征;
处理模块,用于基于所述当前环境特征和所述对比环境特征,对所述当前道路病害进行处理。
第三方面,本申请还提供了一种计算机设备,计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述道路病害检测方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述道路病害检测方法中的步骤。
第五方面,本申请还提供了一种计算机程序产品,计算机程序产品包括计算机程序,该计算机程序被处理器执行时实现上述道路病害检测方法中的步骤。
上述道路病害检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品,通过从历史道路病害集合中确定与当前道路病害相似的历史道路病害,得到对比道路病害,然后确定当前道路病害的环境特征得到当前环境特征,确定对比道路病害的环境特征得到对比环境特征,基于当前环境特征与对比环境特征,对当前道路病害进行处理,由于在确定当前道路病害对应的对比道路病害之后,考虑了道路病害的环境特征,从而可以提高道路病害检测的准确度。
附图说明
图1为本申请实施例提供的一种道路病害检测方法的应用环境图;
图2为本申请实施例提供的一种道路病害检测方法的流程示意图;
图3为本申请实施例提供的一种道路病害的环境示意图;
图4为本申请实施例提供的另一种道路病害检测方法的流程示意图;
图5为本申请实施例提供的一种道路病害检测装置的结构框图;
图6为本申请实施例中一种计算机设备的内部结构图;
图7为本申请实施例中另一种计算机设备的内部结构图;
图8为本申请实施例中一种计算机可读存储介质的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的道路病害检测方法,可以应用于如图1所示的应用环境中。该应用环境包括计算机设备102和服务器104,计算机设备102可以为巡检车辆上的计算机设备。其中,计算机设备102通过通信网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。
具体地,计算机设备102可以通过巡检车辆的摄像设备,获取当前巡检过程中在预设道路中确定出的道路病害以及该道路病害的环境图像,得到预设道路对应的当前道路病害,并将当前道路病害发送至服务器104,服务器104获取预设道路对应的当前道路病害;从历史道路病害集合中确定与当前道路病害相似的历史道路病害,得到当前道路病害对应的对比道路病害;历史道路病害集合中的历史道路病害,是历史巡检过程中在预设道路中确定出的病害;确定当前道路病害的环境特征得到当前环境特征,并确定对比道路病害的环境特征得到对比环境特征;当前环境特征是对当前道路病害的环境图像进行图像识别得到的特征,对比环境特征是对对比道路病害的环境图像进行图像识别得到的特征;基于当前环境特征和对比环境特征,对当前道路病害进行处理。
其中,计算机设备102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一些实施例中,如图2所示,提供了一种道路病害检测方法,以该方法应用于图1中的计算机设备102为例进行说明,包括以下步骤:
步骤202,获取预设道路对应的当前道路病害;当前道路病害是当前巡检过程在预设道路的中确定出的病害。
其中,预设道路是预先设置的待巡检道路,道路病害是指道路上出现的损坏、变形或其他缺陷,道路病害的类型包括裂缝、坑槽、车辙、松散或沉陷等。为了降低道路病害的造成交通事故的风险,可以在预设道路上安排定期巡检以及时发现道路病害并进行处理,例如,可以安排巡检车辆在预设道路进行巡检。一条预设道路需要进行多次巡检以跟踪道路病害的修复进度,已完成的巡检称为历史巡检,正在进行的巡检称为当前巡检。当前道路病害就是当前巡检过程在预设道路中确定出的病害。
具体地,在当前巡检过程中,可以通过巡检车辆采集预设道路的道路图像,来确定是否存在道路病害,道路图像是对预设道路的路面进行拍摄得到的。例如,巡检车辆在预设道路上行驶,通过智能识别摄像装置采集预设道路的道路图像,并对道路图像进行病害识别,在识别到道路病害的情况下,将该道路图像确定为当前道路病害对应的病害图像,并将当前道路病害对应的病害图像发送至服务器。服务器接收当前道路病害对应的病害图像。
步骤204,从历史道路病害集合中确定与当前道路病害相似的历史道路病害,得到当前道路病害对应的对比道路病害;历史道路病害集合中的历史道路病害,是历史巡检过程中在预设道路中确定出的病害。
其中,历史道路病害是历史巡检过程中在预设道路中确定出的病害,历史道路病害集合由历史道路病害组成,例如,当前巡检为第二次巡检的情况下,则可以将第一次巡检过程中确定出的道路病害作为历史道路病害集合中的历史道路病害。对比道路病害是从历史道路病害集合中确定的,与当前道路病害相似的历史道路病害。历史道路病害集合中的历史道路病害对应有病害标识,病害标识用于唯一标识道路病害,可以是随机生成的,也可以是根据采集的时间前后顺序确定的。例如,可以将001作为第1个确定的道路病害的病害标识。
具体地,在当前巡检为第二次巡检的情况下,当前道路病害可能为第一次巡检后,预设道路上新增的道路病害,也可能为重复的道路病害,因此,服务器需要判断当前道路病害是否为重复的道路病害。服务器可以获取当前道路病害的位置,当前道路病害的位置可以是巡检车辆的GPS定位系统确定的。然后服务器基于当前道路病害的位置以及病害图像,从历史道路病害集合中确定与当前道路病害相似的历史道路病害,得到当前道路病害对应的对比道路病害。例如,针对历史道路病害集合中的各历史道路病害,服务器可以基于当前道路病害的位置和历史道路病害所处的位置,计算当前道路病害与历史道路病害之间的距离,在距离小于距离阈值的情况下,可以基于当前道路病害的病害图像与历史道路病害的病害图像,确定当前道路病害对应的对比道路病害。其中,距离阈值是预先设置的,例如,可以设置为100米。
步骤206,确定当前道路病害的环境特征得到当前环境特征,并确定对比道路病害的环境特征得到对比环境特征;当前环境特征是对当前道路病害的环境图像进行图像识别得到的特征,对比环境特征是对对比道路病害的环境图像进行图像识别得到的特征。
其中,环境图像可以是通过摄像头拍摄的,也可以是通过激光雷达采集的,包括二维图像或点云图像中的至少一种。环境图像用于呈现道路病害的周围情况,包括周围的设施、植被以及路型,道路病害周围的设施包括公路里程碑、指示牌、公路旁建筑物(民房、加油站等)、水域或山体等中的至少一种,道路病害周围的植被包括小草、灌木以及高树木(乔木、松树等)中的至少一种,道路病害周围的路型包括单车道、双向车道、双向四/六/八车道、普通水泥路、沥青路或隧道等中的至少一种。例如,如图3所示,展示了某个道路病害的周围情况,设施包括加油站和河流,植被包括高树木,路型为单车道。
具体地,服务器获取当前道路病害的环境图像,对当前道路病害的环境图像进行图像识别,得到当前环境特征;获取对比道路病害的环境图像,对对别道路病害的环境图像进行图像识别,得到对比环境特征。
步骤208,基于当前环境特征和对比环境特征,对当前道路病害进行处理。
具体地,服务器可以基于当前环境特征与对比环境特征进行对比,在对比一致的情况下,确定当前道路病害为重复的道路病害,即当前道路病害与对比道路病害为相同的道路病害;在对比不一致的情况下,确定当前道路病害不是重复的道路病害,则将当前道路病害加入历史道路病害集合中,得到更新后的道路病害集合。
上述道路病害检测方法中,通过从历史道路病害集合中确定与当前道路病害相似的历史道路病害,得到对比道路病害,然后确定当前道路病害的环境特征得到当前环境特征,确定对比道路病害的环境特征得到对比环境特征,基于当前环境特征与对比环境特征,对当前道路病害进行处理,由于在确定当前道路病害对应的对比道路病害之后,考虑了道路病害的环境特征,从而可以提高道路病害检测的准确度。
在一些实施例中,从历史道路病害集合中确定与当前道路病害相似的历史道路病害,得到当前道路病害对应的对比道路病害,包括:
确定历史道路病害集合中各个历史道路病害分别所处的位置,得到各历史道路病害分别对应的历史病害位置;
确定当前道路病害的位置,得到当前病害位置;
针对历史道路病害集合中的每个历史道路病害,在当前病害位置与对应的历史病害位置之间的距离小于距离阈值的情况下,将历史道路病害确定为当前道路病害对应的对比道路病害。
其中,历史病害位置是历史道路病害所处的位置,当前病害位置是当前道路病害所处的位置。
具体地,服务器中存储历史道路病害集合中各历史道路病害分别所处的位置,即各历史道路病害分别对应的历史病害位置,服务器可以从巡检车辆的定位装置获取当前道路病害的位置,得到当前病害位置。针对历史道路病害集合中的每个历史道路病害,服务器计算历史病害位置与当前病害位置之间的距离,然后将距离小于距离阈值情况下的历史道路病害,确定为当前道路病害对应的对比道路病害。
本实施例中,基于当前病害的位置以及各历史道路病害的位置,从历史道路病害集合中确定出距离小于距离阈值的历史道路病害,缩小了道路病害去重的范围,从而提高了道路病害去重的效率。
在一些实施例中,在当前病害位置与对应的历史病害位置之间的距离小于距离阈值的情况下,将历史道路病害确定为当前道路病害对应的对比道路病害,包括:
在当前病害位置与对应的历史病害位置之间的距离小于距离阈值的情况下,确定历史道路病害的病害特征得到历史病害特征;历史病害特征是对历史道路病害的病害图像进行病害特征提取所得到的特征;
对当前道路病害的病害图像进行病害特征提取得到当前病害特征;
在历史病害特征与当前病害特征之间的相似度小于第一相似度阈值的情况下,将历史道路病害确定为当前道路病害对应的对比道路病害。
其中,病害特征是对病害图像进行病害特征提取得到的,用于表征道路病害的特征,例如,道路病害的类型、大小或深度中的至少一种。第一相似度阈值是预先设置的不同病害特征之间的相似度的阈值。
具体地,在当前病害位置与对应的历史病害位置之间的距离小于距离阈值的情况下,服务器可以获取该历史道路病害的病害图像,并对历史道路病害的病害图像进行病害特征提取,得到历史病害特征;对当前道路病害的病害图像进行病害特征提取,得到当前病害特征。然后服务器可以计算历史病害特征与当前病害特征之间的相似度,在相似度小于第一相似度阈值的情况下,将历史道路病害确定为当前道路病害对应的对比道路病害。
在一些实施例中,在相似度大于第一相似度阈值的情况下,则当前道路病害没有对应的对比道路病害,即历史道路病害集合中没有与当前道路病害相似的历史道路病害,则服务器可以确定当前道路病害不是重复的道路病害,然后将当前道路病害加入历史道路病害集合中。
本实施例中,通过确定当前病害特征和历史病害特征之间的相似度,在相似度小于第一相似度阈值的情况下,将历史道路病害确定为对比道路病害,进一步缩小道路病害去重的范围,从而提高了道路病害去重的效率。
在一些实施例中,基于当前环境特征和对比环境特征,对当前道路病害进行处理,包括:
确定当前环境特征与对比环境特征之间的相似度,得到目标相似度;
在目标相似度小于第二相似度阈值的情况下,将当前道路病害加入历史道路病害集合中,得到更新后的道路病害集合。
其中,目标相似度是指当前环境特征与对比环境特征之间的相似度,第二相似度阈值是预先设置的环境特征之间的相似度的阈值,例如,可以设置为0.8。
具体地,服务器可以计算当前环境特征与对比环境特征之间的相似度,得到目标相似度,在目标相似度小于第二相似度阈值的情况下,则当前道路病害不是重复的道路病害,可以将当前道路病害加入历史道路病害集合中,得到更新后的道路病害集合;在目标相似度大于第二相似度阈值的情况下,当前道路病害为重复的道路病害,服务器可以将当前道路病害以及对应的病害图像、位置环境图像等舍弃,也可以将当前道路病害的病害图像,作为对应的历史道路病害的新的病害图像,以实现道路病害的修复进度的跟进。
本实施例中,通过确定当前环境特征与对比环境特征之间的相似度,得到目标相似度,并基于目标相似度确定当前道路病害是否为重复的道路病害,从而在基于位置和病害特征进行道路病害去重的基础上,实现利用道路病害的环境特征,辅助道路病害的去重,提高道路病害检测的准确度。
在一些实施例中,当前环境特征包括当前设施特征和当前植被特征,当前设施特征,是对当前道路病害的环境图像进行设施特征的提取所得到的特征,当前植被特征,是对当前道路病害的环境图像进行植被特征的提取所得到的特征;
确定当前道路病害的环境特征与对比道路病害的环境特征之间的相似度,得到目标相似度,包括:
确定当前设施特征与对比设施特征之间的相似度,得到第一相似度;对比设施特征为对比道路病害的设施特征;
确定当前植被特征与对比植被特征之间的相似度,得到第二相似度;对比植被特征为对比道路病害的植被特征;
基于第一相似度和第二相似度得到目标相似度。
其中,当前设施特征用于表征当前道路病害的周围环境中的设施的特征,当前植被特征用于表征当前道路病害的周围环境中的植被的特征。
具体地,服务器对当前道路病害的环境图像分别进行设施特征的提取和植被特征的提取,得到当前设施特征和当前植被特征,然后对对比道路病害的环境图像分别进行设施特征的提取和植被特征的提取,得到对比设施特征和植被设施特征。服务器计算当前设施特征与对比设施特征之间的相似度,得到第一相似度,计算当前植被特征与对比植被特征之间的相似度,得到第二相似度。然后获取第一相似度和第二相似度分别对应的权重,并利用第一相似度和第二相似度分别对应的权重对第一相似度和第二相似度进行加权计算,得到目标相似度。
在一些实施例中,当前环境特征还包括当前路型特征,当前路型特征用于表征当前道路病害的周围环境中的路型的特征。服务器可以对当前道路病害的环境图像进行路型特征的提取,得到当前路型特征,对对比道路病害的环境图像进行路型特征的提取,得到对比路型特征,计算当前路型特征与对比路型特征之间的相似度,得到第三相似度。然后服务器可以基于第一相似度、第二相似度与第三相似度,得到目标相似度。
本实施例中,通过确定当前设施特征与对比设施特征之间的相似度、当前植被特征与对比植被特征之间的相似度,得到第一相似度与第二相似度,并基于第一相似度与第二相似度得到目标相似度,从而可以利用目标相似度确定当前道路病害是否为重复的道路病害,由于考虑设施特征和植被特征两种不同的环境特征,进一步提高了道路病害去重的准确度,从而提高了道路病害检测的准确度。
在一些实施例中,当前设施特征,是利用已训练的设施识别网络得到的,当前植被特征,是利用已训练的植被识别网络得到的;
基于第一相似度和第二相似度得到目标相似度,包括:
确定已训练的设施识别网络对应的识别准确度,得到第一准确度,确定已训练的植被识别网络对应的识别准确度,得到第二准确度;
基于第一准确度确定第一相似度的权重;第一相似度的权重与第一准确度成正相关关系;
基于第二准确度确定第二相似度的权重;第二相似度的权重与第二准确度成正相关关系;
基于第一相似度的权重和第二相似度的权重,对第一相似度和第二相似度进行加权计算,得到目标相似度。
其中,已训练的设施识别网络用于对环境图像进行设施特征的提取,得到设施特征;已训练的植被识别网络用于对环境图像进行植被特征的提取,得到植被特征。识别准确度表征识别网络进行识别后的识别结果的准确度,第一准确度是指已训练的设施识别网络的识别准确度,第二准确度是指已训练的植被识别网络的准确度。正相关关系是指,两个变量变动方向相同,一个变量由大到小或由小到大变化时,另一个变量亦由大到小或由小到大变化。
具体地,当前环境特征还包括当前路型特征,当前路型特征是利用已训练的路型识别网络得到的。服务器还可以确定已训练的路型识别网络的识别准确度,得到第三准确度,基于第三准确度得到第三相似度的权重,然后基于第一相似度的权重、第二相似度的权重和第三相似度的权重,对第一相似度、第二相似度和第三相似度进行加权计算,得到目标相似度。例如,第一相似度、第二相似度和第三相似度分别对应的权重可以为0.3、0.4、0.3,第一相似度、第二相似度和第三相似度分别为0.8、0.9、0.7,则目标相似度为0.3*0.8+0.4*0.9+0.3*0.7=0.81。
在一些实施例中,服务器可以将当前道路病害的环境图像分别输入已训练的设施识别网络、已训练的植被识别网络以及已训练的路型识别网络,得到当前道路病害对应的设施特征、植被特征和路型特征,例如,设施特征为加油站,植被特征为灌木丛,路型特征为单车道。
本实施例中,由于第一准确度与第一相似度的权重成正相关关系,第二准确度与第二相似度的权重成正相关关系,即识别准确度越高,则对应的相似度在目标相似度中的占比越大,即提高了目标相似度的准确度,从而提高了道路病害检测的准确度。
在一些实施例中,得到已训练的设施识别网络的步骤,包括:
获取样本环境图像;样本环境图像是预设病害对应的环境图像;
利用待训练的设施识别网络对样本环境图像进行特征提取,得到预测设施特征;
基于预测设施特征与样本环境图像的真实设施特征之间的特征差值,调整待训练的设施识别网络的参数,得到已训练的设施识别网络。
其中,样本环境图像是预设病害对应的环境图像,预设病害可以是预设道路对应的历史道路病害,也可以是其他道路对应的道路病害。预测设施特征,真实设施特征可以表征样本环境图像中设施的种类和位置。
具体地,服务器将样本环境图像输入待训练的设施识别网络中进行特征提取,得到预测设施特征,然后基于预测设施特征与样本环境图像的真实设施特征之间的特征差值,调整待训练的设施识别网络的参数,直到网络收敛,得到已训练的设施识别网络。此外,得到已训练的植被识别网络和已训练的路型识别网络的过程,可以参考上述步骤,在此不再赘述。设施识别网络、植被识别网络和路型识别网络可以是分别训练的,也可以是联合训练的。
本实施例中,通过将样本环境图像输入待训练的设施识别网络,得到已训练的设施识别网络,从而能够利用已训练的设施识别网络实现自动的对环境图像进行设施特征的提取,提高了道路检测的效率。
在一些实施例中,如图4所示,提供了一种道路病害检测方法,以该方法应用于服务器为例进行说明,包括以下步骤:
步骤402,获取预设道路对应的当前道路病害。
步骤404,确定历史道路病害集合中各个历史道路病害分别所处的位置,得到各历史道路病害分别对应的历史病害位置,并确定当前道路病害的位置,得到当前病害位置。
步骤406,在当前病害位置与对应的历史病害位置之间的距离小于距离阈值的情况下,确定历史道路病害的病害特征得到历史病害特征,并对当前道路病害的病害图像进行病害特征提取得到当前病害特征。
步骤408,在历史病害特征与当前病害特征之间的相似度小于第一相似度阈值的情况下,将历史道路病害确定为当前道路病害对应的对比道路病害。
步骤410,基于当前道路病害的环境图像,确定当前道路病害的当前设施特征、当前植被特征和当前路型特征,并基于对比道路病害的环境图像,确定对比道路病害的对比设施特征、对比植被特征和对比路型特征。
步骤412,确定当前设施特征与对比设施特征之间的相似度,得到第一相似度;确定当前植被特征与对比植被特征之间的相似度,得到第二相似度;确定当前路型特征与对比路型特征之间的相似度,得到第三相似度。
步骤414,利用第一相似度的权重、第二相似度的权重和第三相似度的权重,对第一相似度、第二相似度和第三相似度进行加权计算,得到目标相似度。
步骤416,判断目标相似度是否大于第二相似度阈值,若是,则执行步骤418;若否,则执行步骤420。
步骤418,将当前道路病害确定为重复的道路病害。
步骤420,将当前道路病害加入历史道路病害集合中,得到更新后的道路病害集合。
本实施例中,通过利用当前道路病害的当前病害位置和当前病害特征,确定对比道路病害,缩小道路病害去重的范围,然后利用当前道路病害的环境图像,确定当前道路病害的当前设施特征、当前植被特征和当前路型特征,从而得到第一相似度、第二相似度和第三相似度,并利用分别对应的权重进行加权计算,得到目标相似度,基于目标相似度判断当前道路病害是否为重复的道路病害,从而实现了利用道路病害的环境特征辅助道路病害的去重,提高了道路病害去重的准确度,从而提高了道路病害检测的准确度。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的道路病害检测方法的道路病害检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个道路病害检测装置实施例中的具体限定可以参见上文中对于道路病害检测方法的限定,在此不再赘述。
在一些实施例中,如图5所示,提供了一种道路病害检测装置,包括:
获取模块502,用于获取预设道路对应的当前道路病害;当前道路病害是当前巡检过程在预设道路的中确定出的病害;
第一确定模块504,用于从历史道路病害集合中确定与当前道路病害相似的历史道路病害,得到当前道路病害对应的对比道路病害;历史道路病害集合中的历史道路病害,是历史巡检过程中在预设道路中确定出的病害;
第二确定模块506,用于确定当前道路病害的环境特征得到当前环境特征,并确定对比道路病害的环境特征得到对比环境特征;当前环境特征是对当前道路病害的环境图像进行图像识别得到的特征,对比环境特征是对对比道路病害的环境图像进行图像识别得到的特征;
处理模块508,用于基于当前环境特征和对比环境特征,对当前道路病害进行处理。
在一些实施例中,在从历史道路病害集合中确定与当前道路病害相似的历史道路病害,得到当前道路病害对应的对比道路病害的方面,第一确定模块具体用于:
确定历史道路病害集合中各个历史道路病害分别所处的位置,得到各历史道路病害分别对应的历史病害位置;
确定当前道路病害的位置,得到当前病害位置;
针对历史道路病害集合中的每个历史道路病害,在当前病害位置与对应的历史病害位置之间的距离小于距离阈值的情况下,将历史道路病害确定为当前道路病害对应的对比道路病害。
在一些实施例中,在当前病害位置与对应的历史病害位置之间的距离小于距离阈值的情况下,将历史道路病害确定为当前道路病害对应的对比道路病害,第一确定模块具体用于:
在当前病害位置与对应的历史病害位置之间的距离小于距离阈值的情况下,确定历史道路病害的病害特征得到历史病害特征;历史病害特征是对历史道路病害的病害图像进行病害特征提取所得到的特征;
对当前道路病害的病害图像进行病害特征提取得到当前病害特征;
在历史病害特征与当前病害特征之间的相似度小于第一相似度阈值的情况下,将历史道路病害确定为当前道路病害对应的对比道路病害。
在一些实施例中,在基于当前环境特征和对比环境特征,对当前道路病害进行处理的方面,处理模块具体用于:
确定当前道路病害的环境特征与对比道路病害的环境特征之间的相似度,得到目标相似度;
在目标相似度小于第二相似度阈值的情况下,将当前道路病害加入历史道路病害集合中,得到更新后的道路病害集合。
在一些实施例中,当前环境特征包括当前设施特征和当前植被特征,当前设施特征,是对当前道路病害的环境图像进行设施特征的提取所得到的特征,当前植被特征,是对当前道路病害的环境图像进行植被特征的提取所得到的特征;
在确定当前道路病害的环境特征与对比道路病害的环境特征之间的相似度,得到目标相似度的方面,处理模块具体用于:
确定当前设施特征与对比设施特征之间的相似度,得到第一相似度;对比设施特征为对比道路病害的设施特征;
确定当前植被特征与对比植被特征之间的相似度,得到第二相似度;对比植被特征为对比道路病害的植被特征;
基于第一相似度和第二相似度得到目标相似度。
在一些实施例中,当前设施特征,是利用已训练的设施识别网络得到的,当前植被特征,是利用已训练的植被识别网络得到的;
在基于第一相似度和第二相似度得到目标相似度的方面,处理模块具体用于:
确定已训练的设施识别网络对应的识别准确度,得到第一准确度,确定已训练的植被识别网络对应的识别准确度,得到第二准确度;
基于第一准确度确定第一相似度的权重;第一相似度的权重与第一准确度成正相关关系;
基于第二准确度确定第二相似度的权重;第二相似度的权重与第二准确度成正相关关系;
基于第一相似度的权重和第二相似度的权重,对第一相似度和第二相似度进行加权计算,得到目标相似度。
在一些实施例中,道路病害检测装置还包括训练模块,在得到已训练的设施识别网络的方面,训练模块具体用于:
获取样本环境图像;样本环境图像是预设病害对应的环境图像;
利用待训练的设施识别网络对样本环境图像进行特征提取,得到预测设施特征;
基于预测设施特征与样本环境图像的真实设施特征之间的特征差值,调整待训练的设施识别网络的参数,得到已训练的设施识别网络。
上述道路病害检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一些实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储道路病害检测方法所涉及的相关数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述的道路病害检测方法中的步骤。
在一些实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现上述的道路病害检测方法中的步骤。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6和图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一些实施例中,提供了一种计算机设备,该计算机设备包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述道路病害检测方法中的步骤。
在一些实施例中,提供了一种计算机可读存储介质800,其上存储有计算机程序802,计算机程序802被处理器执行时实现上述图像数据处理方法中的步骤,其内部结构图可以如图8所示。
在一些实施例中,提供了一种计算机程序产品,该计算机程序包括计算机程序,该计算机程序被处理器执行时实现上述道路病害检测方法中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random AccessMemory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种道路病害检测方法,其特征在于,包括:
获取预设道路对应的当前道路病害;所述当前道路病害是当前巡检过程在所述预设道路中确定出的病害;
从历史道路病害集合中确定与所述当前道路病害相似的历史道路病害,得到所述当前道路病害对应的对比道路病害;所述历史道路病害集合中的历史道路病害,是历史巡检过程中在所述预设道路中确定出的病害;
确定所述当前道路病害的环境特征得到当前环境特征,并确定所述对比道路病害的环境特征得到对比环境特征;所述当前环境特征是对所述当前道路病害的环境图像进行图像识别得到的特征,所述对比环境特征是对所述对比道路病害的环境图像进行图像识别得到的特征;
基于所述当前环境特征和所述对比环境特征,对所述当前道路病害进行处理。
2.根据权利要求1所述的方法,其特征在于,所述从历史道路病害集合中确定与所述当前道路病害相似的历史道路病害,得到所述当前道路病害对应的对比道路病害,包括:
确定所述历史道路病害集合中各个历史道路病害分别所处的位置,得到各历史道路病害分别对应的历史病害位置;
确定所述当前道路病害的位置,得到当前病害位置;
针对所述历史道路病害集合中的每个历史道路病害,在所述当前病害位置与对应的历史病害位置之间的距离小于距离阈值的情况下,将所述历史道路病害确定为所述当前道路病害对应的对比道路病害。
3.根据权利要求2所述的方法,其特征在于,所述在所述当前病害位置与对应的历史病害位置之间的距离小于距离阈值的情况下,将所述历史道路病害确定为所述当前道路病害对应的对比道路病害,包括:
在所述当前病害位置与对应的历史病害位置之间的距离小于距离阈值的情况下,确定所述历史道路病害的病害特征,得到历史病害特征;所述历史病害特征是对所述历史道路病害的病害图像进行病害特征提取所得到的特征;
对所述当前道路病害的病害图像进行病害特征提取得到当前病害特征;
在所述历史病害特征与所述当前病害特征之间的相似度小于第一相似度阈值的情况下,将所述历史道路病害确定为所述当前道路病害对应的对比道路病害。
4.根据权利要求1所述的方法,其特征在于,所述基于所述当前环境特征和所述对比环境特征,对所述当前道路病害进行处理,包括:
确定所述当前环境特征与所述对比环境特征之间的相似度,得到目标相似度;
在所述目标相似度小于第二相似度阈值的情况下,将所述当前道路病害加入所述历史道路病害集合中,得到更新后的道路病害集合。
5.根据权利要求4所述的方法,其特征在于,所述当前环境特征包括当前设施特征和当前植被特征,所述当前设施特征,是对所述当前道路病害的环境图像进行设施特征的提取所得到的特征,所述当前植被特征,是对所述当前道路病害的环境图像进行植被特征的提取所得到的特征;
所述确定所述当前道路病害的环境特征与所述对比道路病害的环境特征之间的相似度,得到目标相似度,包括:
确定所述当前设施特征与对比设施特征之间的相似度,得到第一相似度;所述对比设施特征为所述对比道路病害的设施特征;
确定所述当前植被特征与对比植被特征之间的相似度,得到第二相似度;所述对比植被特征为所述对比道路病害的植被特征;
基于所述第一相似度和第二相似度得到所述目标相似度。
6.根据权利要求5所述的方法,其特征在于,所述当前设施特征,是利用已训练的设施识别网络得到的,所述当前植被特征,是利用已训练的植被识别网络得到的;
所述基于所述第一相似度和第二相似度得到所述目标相似度,包括:
确定所述已训练的设施识别网络对应的识别准确度,得到第一准确度,确定所述已训练的植被识别网络对应的识别准确度,得到第二准确度;
基于所述第一准确度确定所述第一相似度的权重;所述第一相似度的权重与所述第一准确度成正相关关系;
基于所述第二准确度确定所述第二相似度的权重;所述第二相似度的权重与所述第二准确度成正相关关系;
基于所述第一相似度的权重和第二相似度的权重,对所述第一相似度和所述第二相似度进行加权计算,得到所述目标相似度。
7.根据权利要求6所述的方法,其特征在于,得到所述已训练的设施识别网络的步骤,包括:
获取样本环境图像;所述样本环境图像是预设病害对应的环境图像;
利用待训练的设施识别网络对所述样本环境图像进行特征提取,得到预测设施特征;
基于所述预测设施特征与所述样本环境图像的真实设施特征之间的特征差值,调整所述待训练的设施识别网络的参数,得到所述已训练的设施识别网络。
8.一种道路病害检测装置,其特征在于,包括:
获取模块,用于获取预设道路对应的当前道路病害;所述当前道路病害是当前巡检过程在所述预设道路的中确定出的病害;
第一确定模块,用于从历史道路病害集合中确定与所述当前道路病害相似的历史道路病害,得到所述当前道路病害对应的对比道路病害;所述历史道路病害集合中的历史道路病害,是历史巡检过程中在所述预设道路中确定出的病害;
第二确定模块,用于确定所述当前道路病害的环境特征得到当前环境特征,并确定所述对比道路病害的环境特征得到对比环境特征;所述当前环境特征是对所述当前道路病害的环境图像进行图像识别得到的特征,所述对比环境特征是对所述对比道路病害的环境图像进行图像识别得到的特征;
处理模块,用于基于所述当前环境特征和所述对比环境特征,对所述当前道路病害进行处理。
9.一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310266700.4A CN115984273B (zh) | 2023-03-20 | 2023-03-20 | 道路病害检测方法、装置、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310266700.4A CN115984273B (zh) | 2023-03-20 | 2023-03-20 | 道路病害检测方法、装置、计算机设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115984273A true CN115984273A (zh) | 2023-04-18 |
CN115984273B CN115984273B (zh) | 2023-08-04 |
Family
ID=85968583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310266700.4A Active CN115984273B (zh) | 2023-03-20 | 2023-03-20 | 道路病害检测方法、装置、计算机设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115984273B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116975981A (zh) * | 2023-08-11 | 2023-10-31 | 江苏全心建设有限公司 | 一种基于bim的城市道路铺设方法及系统 |
CN117233752A (zh) * | 2023-11-08 | 2023-12-15 | 江苏筑升土木工程科技有限公司 | 基于雷达无损检测的道路地下病害体含水率计算分析方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070100666A1 (en) * | 2002-08-22 | 2007-05-03 | Stivoric John M | Devices and systems for contextual and physiological-based detection, monitoring, reporting, entertainment, and control of other devices |
CN109684910A (zh) * | 2018-10-30 | 2019-04-26 | 中国科学院遥感与数字地球研究所 | 一种网络检测输电线路地表环境变化的方法及系统 |
US20200201891A1 (en) * | 2018-12-21 | 2020-06-25 | Here Global B.V. | Method, apparatus, and computer program product for identifying at-risk road infrastructure |
CN112945244A (zh) * | 2021-02-03 | 2021-06-11 | 西华大学 | 适用于复杂立交桥的快速导航系统及导航方法 |
CN113963285A (zh) * | 2021-09-09 | 2022-01-21 | 济南金宇公路产业发展有限公司 | 一种基于5g的道路养护方法及设备 |
CN114972177A (zh) * | 2022-04-09 | 2022-08-30 | 深圳市鹏途交通科技有限公司 | 道路病害识别管理方法、装置及智能终端 |
CN115239969A (zh) * | 2022-08-02 | 2022-10-25 | 杭州海康威视系统技术有限公司 | 一种道路病害检测方法、装置、电子设备及存储介质 |
CN115272222A (zh) * | 2022-07-25 | 2022-11-01 | 中科海微(北京)科技有限公司 | 道路检测信息的处理方法、装置、设备及存储介质 |
CN115389516A (zh) * | 2022-09-13 | 2022-11-25 | 上海同陆云交通科技有限公司 | 一种基于高精度定位及深度神经网络的路面病害去重方法 |
CN115497064A (zh) * | 2022-10-09 | 2022-12-20 | 上海同陆云交通科技有限公司 | 一种基于特征匹配的道路病害检测方法 |
-
2023
- 2023-03-20 CN CN202310266700.4A patent/CN115984273B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070100666A1 (en) * | 2002-08-22 | 2007-05-03 | Stivoric John M | Devices and systems for contextual and physiological-based detection, monitoring, reporting, entertainment, and control of other devices |
CN109684910A (zh) * | 2018-10-30 | 2019-04-26 | 中国科学院遥感与数字地球研究所 | 一种网络检测输电线路地表环境变化的方法及系统 |
US20200201891A1 (en) * | 2018-12-21 | 2020-06-25 | Here Global B.V. | Method, apparatus, and computer program product for identifying at-risk road infrastructure |
CN112945244A (zh) * | 2021-02-03 | 2021-06-11 | 西华大学 | 适用于复杂立交桥的快速导航系统及导航方法 |
CN115164911A (zh) * | 2021-02-03 | 2022-10-11 | 西华大学 | 基于图像识别的高精准度立交桥快速导航方法 |
CN113963285A (zh) * | 2021-09-09 | 2022-01-21 | 济南金宇公路产业发展有限公司 | 一种基于5g的道路养护方法及设备 |
CN114972177A (zh) * | 2022-04-09 | 2022-08-30 | 深圳市鹏途交通科技有限公司 | 道路病害识别管理方法、装置及智能终端 |
CN115272222A (zh) * | 2022-07-25 | 2022-11-01 | 中科海微(北京)科技有限公司 | 道路检测信息的处理方法、装置、设备及存储介质 |
CN115239969A (zh) * | 2022-08-02 | 2022-10-25 | 杭州海康威视系统技术有限公司 | 一种道路病害检测方法、装置、电子设备及存储介质 |
CN115389516A (zh) * | 2022-09-13 | 2022-11-25 | 上海同陆云交通科技有限公司 | 一种基于高精度定位及深度神经网络的路面病害去重方法 |
CN115497064A (zh) * | 2022-10-09 | 2022-12-20 | 上海同陆云交通科技有限公司 | 一种基于特征匹配的道路病害检测方法 |
Non-Patent Citations (1)
Title |
---|
乔旭: "基于雷达图像道路地下病害识别技术研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》, pages 034 - 4 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116975981A (zh) * | 2023-08-11 | 2023-10-31 | 江苏全心建设有限公司 | 一种基于bim的城市道路铺设方法及系统 |
CN116975981B (zh) * | 2023-08-11 | 2024-02-09 | 江苏全心建设有限公司 | 一种基于bim的城市道路铺设方法及系统 |
CN117233752A (zh) * | 2023-11-08 | 2023-12-15 | 江苏筑升土木工程科技有限公司 | 基于雷达无损检测的道路地下病害体含水率计算分析方法 |
CN117233752B (zh) * | 2023-11-08 | 2024-01-30 | 江苏筑升土木工程科技有限公司 | 基于雷达无损检测的道路地下病害体含水率计算分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115984273B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115984273B (zh) | 道路病害检测方法、装置、计算机设备及可读存储介质 | |
US10628802B2 (en) | Systems and methods for assessing damage to infrastructure assets | |
Li et al. | Automatic bridge crack identification from concrete surface using ResNeXt with postprocessing | |
Chen et al. | A landslide extraction method of channel attention mechanism U-Net network based on Sentinel-2A remote sensing images | |
EP4118576A1 (en) | Systems and methods for image-based location determination | |
CN112084923A (zh) | 一种遥感图像语义分割方法、存储介质及计算设备 | |
CN114998744B (zh) | 基于运动与视觉双特征融合的农机轨迹田路分割方法及装置 | |
CN111815576B (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
Raihan | A comprehensive review of the recent advancement in integrating deep learning with geographic information systems | |
Lentsch et al. | Slicematch: Geometry-guided aggregation for cross-view pose estimation | |
CN115457408A (zh) | 一种土地监测方法、装置、电子设备及介质 | |
Xu et al. | Building height calculation for an urban area based on street view images and deep learning | |
Situ et al. | Real-time sewer defect detection based on YOLO network, transfer learning, and channel pruning algorithm | |
Cheng et al. | Multi-scale Feature Fusion and Transformer Network for urban green space segmentation from high-resolution remote sensing images | |
CN104123310A (zh) | 基于卫星图像的路网信息的处理方法及装置 | |
CN113505769A (zh) | 目标检测方法及应用其的车辆抛洒滴漏识别方法 | |
JP6434834B2 (ja) | 検査対象物抽出装置、及び検査対象物抽出方法 | |
Al Deen Taher et al. | Autonomous multiple damage detection and segmentation in structures using mask R-CNN | |
CN115797438A (zh) | 目标定位方法、装置、计算机设备、存储介质和程序产品 | |
Zhou et al. | UGRoadUpd: An Unchanged-Guided Historical Road Database Updating Framework Based on Bi-Temporal Remote Sensing Images | |
US10769768B1 (en) | Apparatus and method for providing application service using satellite image | |
CN113033608A (zh) | 遥感影像道路提取方法及装置 | |
Shao et al. | Crack detection and measurement using PTZ camera–based image processing method on expressways | |
Li et al. | Learning to Holistically Detect Bridges from Large-Size VHR Remote Sensing Imagery | |
Angelis et al. | AI-enabled Underground Water Pipe non-destructive Inspection |
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 |