CN116030065A - 一种基于图像识别的道路质量检测方法 - Google Patents
一种基于图像识别的道路质量检测方法 Download PDFInfo
- Publication number
- CN116030065A CN116030065A CN202310338312.2A CN202310338312A CN116030065A CN 116030065 A CN116030065 A CN 116030065A CN 202310338312 A CN202310338312 A CN 202310338312A CN 116030065 A CN116030065 A CN 116030065A
- Authority
- CN
- China
- Prior art keywords
- matching
- information
- condition
- pixel
- determining
- 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
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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种基于图像识别的道路质量检测方法、装置、存储介质及电子装置,涉及道路巡检技术的技术领域。其方法包括:获取目标道路的初始红外图像;通过预设的第一模型确定所述初始红外图像的灰度信息,以及通过预设的第二模型确定所述初始红外图像的像素信息;将所述灰度信息与预设的第一灰度阈值进行第一匹配;在第一匹配结果满足第一阈值条件的情况下,将所述像素信息与预设的第一像素矩阵进行第二匹配;在第二匹配结果满足第二匹配条件的情况下,确定所述目标道路沥青泛油。通过本发明,解决了道路沥青巡检成本高的问题,进而达到了降低巡检成本,提高巡检效率和精度的效果。
Description
技术领域
本发明实施例涉及道路巡检领域,具体而言,涉及一种基于图像识别的道路质量检测方法、装置、存储介质及电子装置。
背景技术
沥青路面泛油是指沥青从混合料中向上运动并挤压出路面,从而在路面形成沥青油膜的现象,该现象一方面导致路面油滑,从而使得车辆容易发生打滑,引发交通事故;另一方面会导致道路上面层混合料中的沥青含量愈来愈高,而中面层及下面层的沥青含量愈来愈低,直接损害道路中、下面层的低温抗裂性能、抗疲劳性能,还会导致雨水容易进入道路中下层,从而对道路造成根本性破坏。
为了及时处理泛油现象,道路养护部门通常通过自动巡检车或人工巡检的方式对道路进行巡检,这种方式极大的增加了人工成本以及设备成本。
发明内容
本发明实施例提供了一种基于图像识别的道路质量检测方法、装置、存储介质及电子装置,以至少解决相关技术中道路沥青巡检成本大的问题。
根据本发明的一个实施例,提供了一种基于图像识别的道路质量检测方法,包括:
获取目标道路的初始红外图像;
通过预设的第一模型确定所述初始红外图像的灰度信息,以及通过预设的第二模型确定所述初始红外图像的像素信息,其中所述灰度信息用于指示所述初始红外图像中包含的第一对象的灰度值,所述像素信息用于指示所述第一对象的像素矩阵,所述第一对象包括所述目标道路中易泛油区域;
将所述灰度信息与预设的第一灰度阈值进行第一匹配;
在第一匹配结果满足第一阈值条件的情况下,将所述像素信息与预设的第一像素矩阵进行第二匹配,其中,所述第一阈值条件包括所述第一对象的灰度值大于第一灰度阈值;
在第二匹配结果满足第二匹配条件的情况下,确定所述目标道路沥青泛油,其中,所述第二匹配条件包括所述像素矩阵与所述第一像素矩阵不匹配。
在一个示例性实施例中,在所述将所述灰度信息与预设的第一灰度阈值进行第一匹配之后,所述方法还包括:
在第一匹配结果不满足第一阈值条件的情况下,获取所述像素矩阵中的第一像素值对应的像素点的坐标信息;
基于所述坐标信息,确定所述第一像素值对应的像素点组成的第一区域;
根据第一算法计算所述第一区域的面积信息;
将所述面积信息与第一面积阈值进行第三匹配,并在第三匹配结果满足第三匹配条件的情况下,确定所述目标道路沥青泛油,其中所述第三匹配条件包括所述面积信息大于等于所述第一面积阈值。
在一个示例性实施例中,在所述基于所述坐标信息,确定所述第一像素值组成的第一区域之后,所述方法还包括:
根据第三模型确定所述第一区域的属性信息,其中,所述属性信息至少包括所述第一区域的形状;
对所述属性信息进行形状匹配,并在所述属性信息满足属性条件的情况下,确定所述目标道路沥青泛油,其中,所述属性条件包括所述第一区域的形状呈不规则环状和/或不规则带状和/或不规则团状。
在一个示例性实施例中,在所述基于所述坐标信息,确定所述第一像素值组成的第一区域之后,所述方法还包括:
对所述第一区域进行路径匹配,以获取所述第一区域在目标时间段的运动路径;
在未匹配到运动路径的情况下,确定所述目标道路沥青泛油。
根据本发明的另一个实施例,提供了一种基于图像识别的道路质量检测装置,包括:
红外图像采集模块,用于获取目标道路的初始红外图像;
信息确定模块,用于通过预设的第一模型确定所述初始红外图像的灰度信息,以及通过预设的第二模型确定所述初始红外图像的像素信息,其中所述灰度信息用于指示所述初始红外图像中包含的第一对象的灰度值,所述像素信息用于指示所述第一对象的像素矩阵,所述第一对象包括所述目标道路中易泛油区域;
第一匹配模块,用于将所述灰度信息与预设的第一灰度阈值进行第一匹配;
第二匹配模块,用于在第一匹配结果满足第一阈值条件的情况下,将所述像素信息与预设的第一像素矩阵进行第二匹配,其中,所述第一阈值条件包括所述第一对象的灰度值大于第一灰度阈值;
第一泛油确定模块,用于在第二匹配结果满足第二匹配条件的情况下,确定所述目标道路沥青泛油,其中,所述第二匹配条件包括所述像素矩阵与所述第一像素矩阵不匹配。
在一个示例性实施例中,所述装置还包括:
坐标采集模块,用于在所述将所述灰度信息与预设的第一灰度阈值进行第一匹配之后,在第一匹配结果不满足第一阈值条件的情况下,获取所述像素矩阵中的第一像素值对应的像素点的坐标信息;
区域确定模块,用于基于所述坐标信息,确定所述第一像素值对应的像素点组成的第一区域;
面积确定模块,用于根据第一算法计算所述第一区域的面积信息;
第三匹配模块,用于将所述面积信息与第一面积阈值进行第三匹配,并在第三匹配结果满足第三匹配条件的情况下,确定所述目标道路沥青泛油,其中所述第三匹配条件包括所述面积信息大于等于所述第一面积阈值。
在一个示例性实施例中,所述装置还包括:
属性确定模块,用于在所述基于所述坐标信息,确定所述第一像素值组成的第一区域之后,根据第三模型确定所述第一区域的属性信息,其中,所述属性信息至少包括所述第一区域的形状;
形状匹配模块,用于对所述属性信息进行形状匹配,并在所述属性信息满足属性条件的情况下,确定所述目标道路沥青泛油,其中,所述属性条件包括所述第一区域的形状呈不规则环状和/或不规则带状和/或不规则圆形。
在一个示例性实施例中,所述装置还包括:
运动匹配模块,用于在所述基于所述坐标信息,确定所述第一像素值组成的第一区域之后,对所述第一区域进行路径匹配,以获取所述第一区域在目标时间段的运动路径;
第二泛油确定模块,用于在未匹配到运动路径的情况下,确定所述目标道路沥青泛油。
根据本发明的又一个实施例,还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,由于通过图像识别对沥青道路的泛油情况进行精确识别,无需人工进行巡检,即减少了人工量,也提高了巡检精度和效率。因此,可以解决人工巡检造成的成本大的问题,达到降低道路巡检成本,提高巡检效率和精度的效果。
附图说明
图1是根据本发明实施例的一种基于图像识别的道路质量检测方法的移动终端的硬件结构框图;
图2是根据本发明实施例的一种基于图像识别的道路质量检测方法的流程图;
图3是根据本发明具体实施例的原理示意图一;
图4是根据本发明具体实施例的原理示意图二;
图5是根据本发明实施例的一种基于图像识别的道路质量检测装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明的实施例。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种基于图像识别的道路质量检测方法的移动终端的硬件结构框图。如图1所示,移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,其中,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的一种基于图像识别的道路质量检测方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种基于图像识别的道路质量检测方法,图2是根据本发明实施例的一种基于图像识别的道路质量检测方法的流程图,如图2所示,该流程包括如下步骤:
步骤S201,获取目标道路的初始红外图像;
在本实施例中,获取目标道路的初始红外图像信息是因为红外图像能够直观的表示道路的温度情况,并减少其它杂物的颜色对图像识别的干扰从而实现沥青道路泛油识别的自动化和高效化。
其中,目标道路一般是指需要进行设施监控的道路,可以是根据行政规划人工设置的,也可以是根据信息采集设备的设备参数确定的信息可采集范围确定的,还可以是通过GIS技术进行空间划分得到的;获取初始红外图像信息的方式可以(但不限于)是通过红外摄像头对一定区域内进行图像或信息采集的得到的,或者通过无人机搭载机载红外摄像头的方式对目标道路进行图像采集得到的;对应的,初始红外图像信息还包括目标道路的坐标信息,目标道路的确定均可以(但不限于)通过yolo3、yolo5等经过训练的神经网络模型进行识别来现实。
步骤S202,通过预设的第一模型确定所述初始红外图像的灰度信息,以及通过预设的第二模型确定所述初始红外图像的像素信息,其中所述灰度信息用于指示所述初始红外图像中包含的第一对象的灰度值,所述像素信息用于指示所述第一对象的像素矩阵,所述第一对象包括所述目标道路中易泛油区域;
在本实施例中,通过两个模型分别获得灰度信息和像素信息是为了减少单一模型获取信息的模式下造成的模型集成难度高的问题,当然,在模型嵌合度高的情况下,也可以使用同时兼有两种功能的单个模型来实现该功能,例如使用doker镜像技术的多服务端口部署也可以实现类似的功能,此处不再赘述;而获取灰度信息是为了方便对目标道路不同位置的温度进行判断,灰度值指的是单个像素点的亮度。灰度值越大表示越亮,而在红外图像中,温度越高颜色越深,从而表现出灰度值越低,例如白色为255,黑色为0,而之所以进行温度判断是因为高温是道路泛油的因素之一,即道路温度越高,沥青道路越容易泛油;而获取像素矩阵是为了方便对道路的泛油范围进行辅助判断。
其中,第一模型可以是图像灰度化模型OpenCV5算法模型,第二模型可以同样采用OpenCV5算法模型,也可以是OpenCV20算法模型;第一对象还包括目标道路中可能泛油或历史泛油次数较多的道路区域,第一对象可以是通过大数据技术对历史数据进行处理确定的;灰度信息除了灰度值之外,还可以是根据预先设定的颜色规则,对不同温度进行不同颜色标识的颜色信息,通过不同颜色规则标识不同的温度,其中,颜色信息并不涉及对于后续灰度阈值的比较过程,只是为适用于可视化效果而引入的规则,例如,在获取灰度值的情况下,基于颜色信息反向推断该灰度值可能对应的颜色,随后在进行可视化展示时,将该灰度值对应的像素点设置为对应的颜色,以方便直观的了解到对应区域的温度;像素信息除了像素矩阵之外,还包括像素点组成的像素组成的点云区域的大小,如138*138,258*138,需要说明的是,此处的像素大小表示每个像素点云区域的大小或每个图像中的像素点云区域中的像素点数量,可以想到的是,在像素点面积相同的情况下,像素点越多,则像素点的点云区域的面积越大。
步骤S203,将所述灰度信息与预设的第一灰度阈值进行第一匹配;
在本实施例中,第一匹配可以是通过浮点算法等进行轮询匹配的过程,也可以是通过特定的匹配算法进行匹配的过程;第一灰度阈值包括同像素环境情况下,正常温度(未泛油)时的像素点灰度值。
步骤S204,在第一匹配结果满足第一阈值条件的情况下,将所述像素信息与预设的第一像素矩阵进行第二匹配,其中,所述第一阈值条件包括所述第一对象的灰度值大于第一灰度阈值;
在本实施例中,第一对象的灰度值小于第一灰度阈值则说明道路温度较高,容易出现泛油的情况,因而此时需要根据像素进一步判断是否出现泛油以及泛油范围的情况。
其中,第一像素矩阵是未泛油的情况下,目标道路中的各个对象的像素值组成的矩阵;而将像素矩阵与第一像素矩阵进行匹配是为了比对像素矩阵中像素值是否发生变化,例如,正常情况下,道路的像素矩阵表示为,而当出现泛油时,像素矩阵变化为,则此时可以判断第三行像素值所在的区域出现泛油,第二匹配也可以是通过浮点算法等进行轮询匹配的过程,也可以是通过特定的匹配算法进行匹配的过程。
步骤S205,在第二匹配结果满足第二匹配条件的情况下,确定所述目标道路沥青泛油,其中,所述第二匹配条件包括所述像素矩阵与所述第一像素矩阵不匹配。
通过上述步骤,通过图像识别对沥青道路的泛油情况进行精确识别,无需人工进行巡检,即减少了人工量,也提高了巡检精度和效率,解决了人工巡检造成的成本大的问题,提高了巡检效率和精度的效果。
其中,上述步骤的执行主体可以为基站、终端等,但不限于此。
在一个可选的实施例中,在所述将所述灰度信息与预设的第一灰度阈值进行第一匹配之后,所述方法还包括:
步骤S2031,在第一匹配结果不满足第一阈值条件的情况下,获取所述像素矩阵中的第一像素值对应的像素点的坐标信息;
步骤S2032,基于所述坐标信息,确定所述第一像素值对应的像素点组成的第一区域;
步骤S2033,根据第一算法计算所述第一区域的面积信息;
步骤S2034,将所述面积信息与第一面积阈值进行第三匹配,并在第三匹配结果满足第三匹配条件的情况下,确定所述目标道路沥青泛油,其中所述第三匹配条件包括所述面积信息大于等于所述第一面积阈值。
在本实施例中,当压密技术不合格,或道路长时间被车轮碾压时,泛出的油膜会呈现明显且分布较为均匀的轮迹带,或呈现多个大小不一且不规则(如图3及图4所示)的油斑,此时识别像素矩阵中的像素值是否呈现出的连续的子矩阵,如果出现连续的子矩阵,则这些像素值对应的像素点所组成的区域面积将会增大,因而通过判断这些像素点组成的第一区域的面积与正常情况下对应位置的区域面积大小即可判断是否存在泛油的情况,例如像素矩阵中的多个1值组成连续的子矩阵,由此则判断该像素值对应的像素点所在的位置可能存在泛油的情况。
其中,第一面积阈值包括正常情况(未泛油)下该道路图像特定像素值对应的像素点组成的区域的面积阈值;第一像素值可以是将像素二维化后的0/1值,基于坐标信息组成第一区域可以是通过依次比较灰度值小于第一灰度阈值的像素点的坐标值大小,再将坐标值最大的像素点依次进行连接得到的,也可以是通过计算灰度值小于第一灰度阈值的像素点的坐标值与图像边界的距离,再将距离最小的点依次连接得到的,还可以是通过其它方式得到的;可以想到的是,在获得通过像素点围成的第一区域后,由于像素点一般为方形,每个像素点的面积大小根据分辨率的大小而固定,例如,分辨率是72dpi的图像,意味着每英寸里有72个像素,则每像素就是1/72英寸,精度是300dpi的图像,则每像素就是1/300英寸,因此通过计算第一区域内像素点的数量即可确定第一区域的面积大小,由此构成了像素点坐标信息-第一区域-第一区域面积之间的计算方式;第一算法可以是依次计算第一区域内的像素点的面积大小,再进行求和计算,也可以是直接获取分辨率以得到每个像素点的大小,再直接计算第一区域内像素的数量的算法,还可以是其他类型的算法。
在一个可选的实施例中,在所述基于所述坐标信息,确定所述第一像素值组成的第一区域之后,所述方法还包括:
步骤S20331,根据第三模型确定所述第一区域的属性信息,其中,所述属性信息至少包括所述第一区域的形状;
步骤S20332,对所述属性信息进行形状匹配,并在所述属性信息满足属性条件的情况下,确定所述目标道路沥青泛油,其中,所述属性条件包括所述第一区域的形状呈不规则环状和/或不规则带状和/或不规则团状。
在本实施例中,路面积水在高速行驶的汽车轮胎下形成很高的动水压,这种动水压力随车速的提高呈现几何级数增长。当车速较高时,所产生的动水压足以击穿表面层沥青混凝土,进入面层底部;路表水侵入面层内部并长期滞留在沥青层底部,在行车荷载的反复作用和动压水冲刷下,集料表面的沥青膜剥落成为自由沥青,并在水的作用下被迫向上部迁移,从而导致面层上部泛油而底部松散,进而在路面形成不规则的团带状的油膜(如图3及图4所示),而抛洒物通常为规则形状(例如方形、梯形,对于塑料袋等特殊形状,也可以视为规则的形状,这是因为其出厂形状是固定或已知的),因而此时通过判断第一区域的形状是否规则即可进一步判断是否存在泛油,从而排除抛洒物等事物对识别结果的干扰。
其中,第一区域的形状可以是规则的,如三角形、方形、圆形、环状等,也可以是不规则的,如放射状、带状等,只要是表现为一定形状即可。
在一个可选的实施例中,在所述基于所述坐标信息,确定所述第一像素值组成的第一区域之后,所述方法还包括:
步骤S20333,对所述第一区域进行路径匹配,以获取所述第一区域在目标时间段的运动路径;
步骤S20334,在未匹配到运动路径的情况下,确定所述目标道路沥青泛油
在本实施例中,当出现抛洒物时,抛洒物会随着时间的推移出现移动,从而产生运动路径,因而进行运动路径的匹配是为了进一步排除道路抛洒物等杂物对识别结果的干扰,从而进一步提高识别精度。
其中,目标时间段包括(但不限于)是历史时间段,如过去24h、48h内的运动路径,而运动路径同样可以通过像素矩阵变化的方式来确定,也可以是直接通过路径跟踪模型来判断,还可以通过其它方式来确定。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种基于图像识别的道路质量检测装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图4是根据本发明实施例的一种基于图像识别的道路质量检测装置的结构框图,如图4所示,该装置包括:
红外图像采集模块41,用于获取目标道路的初始红外图像;
信息确定模块42,用于通过预设的第一模型确定所述初始红外图像的灰度信息,以及通过预设的第二模型确定所述初始红外图像的像素信息,其中所述灰度信息用于指示所述初始红外图像中包含的第一对象的灰度值,所述像素信息用于指示所述第一对象的像素矩阵,所述第一对象包括所述目标道路中易泛油区域;
第一匹配模块43,用于将所述灰度信息与预设的第一灰度阈值进行第一匹配;
第二匹配模块44,用于在第一匹配结果满足第一阈值条件的情况下,将所述像素信息与预设的第一像素矩阵进行第二匹配,其中,所述第一阈值条件包括所述第一对象的灰度值大于第一灰度阈值;
第一泛油确定模块45,用于在第二匹配结果满足第二匹配条件的情况下,确定所述目标道路沥青泛油,其中,所述第二匹配条件包括所述像素矩阵与所述第一像素矩阵不匹配。
在一个可选的实施例中,所述装置还包括:
坐标采集模块46,用于在所述将所述灰度信息与预设的第一灰度阈值进行第一匹配之后,在第一匹配结果不满足第一阈值条件的情况下,获取所述像素矩阵中的第一像素值对应的像素点的坐标信息;
区域确定模块47,用于基于所述坐标信息,确定所述第一像素值对应的像素点组成的第一区域;
面积确定模块48,用于根据第一算法计算所述第一区域的面积信息;
第三匹配模块49,用于将所述面积信息与第一面积阈值进行第三匹配,并在第三匹配结果满足第三匹配条件的情况下,确定所述目标道路沥青泛油,其中所述第三匹配条件包括所述面积信息大于等于所述第一面积阈值。
在一个可选的实施例中,所述装置还包括:
属性确定模块410,用于在所述基于所述坐标信息,确定所述第一像素值组成的第一区域之后,根据第三模型确定所述第一区域的属性信息,其中,所述属性信息至少包括所述第一区域的形状;
形状匹配模块411,用于对所述属性信息进行形状匹配,并在所述属性信息满足属性条件的情况下,确定所述目标道路沥青泛油,其中,所述属性条件包括所述第一区域的形状呈不规则环状和/或不规则带状和/或不规则团状。
在一个可选的实施例中,所述装置还包括:
运动匹配模块412,用于在所述基于所述坐标信息,确定所述第一像素值组成的第一区域之后,对所述第一区域进行路径匹配,以获取所述第一区域在目标时间段的运动路径;
第二泛油确定模块413,用于在未匹配到运动路径的情况下,确定所述目标道路沥青泛油。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在一个示例性实施例中,上述计算机可读存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图像识别的道路质量检测方法,其特征在于,包括:
获取目标道路的初始红外图像;
通过预设的第一模型确定所述初始红外图像的灰度信息,以及通过预设的第二模型确定所述初始红外图像的像素信息,其中所述灰度信息用于指示所述初始红外图像中包含的第一对象的灰度值,所述像素信息用于指示所述第一对象的像素矩阵,所述第一对象包括所述目标道路中易泛油区域;
将所述灰度信息与预设的第一灰度阈值进行第一匹配;
在第一匹配结果满足第一阈值条件的情况下,将所述像素信息与预设的第一像素矩阵进行第二匹配,其中,所述第一阈值条件包括所述第一对象的灰度值大于第一灰度阈值;
在第二匹配结果满足第二匹配条件的情况下,确定所述目标道路沥青泛油,其中,所述第二匹配条件包括所述像素矩阵与所述第一像素矩阵不匹配。
2.根据权利要求1所述的方法,其特征在于,在所述将所述灰度信息与预设的第一灰度阈值进行第一匹配之后,所述方法还包括:
在第一匹配结果不满足第一阈值条件的情况下,获取所述像素矩阵中的第一像素值对应的像素点的坐标信息;
基于所述坐标信息,确定所述第一像素值对应的像素点组成的第一区域;
根据第一算法计算所述第一区域的面积信息;
将所述面积信息与第一面积阈值进行第三匹配,并在第三匹配结果满足第三匹配条件的情况下,确定所述目标道路沥青泛油,其中所述第三匹配条件包括所述面积信息大于等于所述第一面积阈值。
3.根据权利要求2所述的方法,其特征在于,在所述基于所述坐标信息,确定所述第一像素值组成的第一区域之后,所述方法还包括:
根据第三模型确定所述第一区域的属性信息,其中,所述属性信息至少包括所述第一区域的形状;
对所述属性信息进行形状匹配,并在所述属性信息满足属性条件的情况下,确定所述目标道路沥青泛油,其中,所述属性条件包括所述第一区域的形状呈不规则环状和/或不规则带状和/或不规则团状。
4.根据权利要求2所述的方法,其特征在于,在所述基于所述坐标信息,确定所述第一像素值组成的第一区域之后,所述方法还包括:
对所述第一区域进行路径匹配,以获取所述第一区域在目标时间段的运动路径;
在未匹配到运动路径的情况下,确定所述目标道路沥青泛油。
5.一种基于图像识别的道路质量检测装置,其特征在于,包括:
红外图像采集模块,用于获取目标道路的初始红外图像;
信息确定模块,用于通过预设的第一模型确定所述初始红外图像的灰度信息,以及通过预设的第二模型确定所述初始红外图像的像素信息,其中所述灰度信息用于指示所述初始红外图像中包含的第一对象的灰度值,所述像素信息用于指示所述第一对象的像素矩阵,所述第一对象包括所述目标道路中易泛油区域;
第一匹配模块,用于将所述灰度信息与预设的第一灰度阈值进行第一匹配;
第二匹配模块,用于在第一匹配结果满足第一阈值条件的情况下,将所述像素信息与预设的第一像素矩阵进行第二匹配,其中,所述第一阈值条件包括所述第一对象的灰度值大于第一灰度阈值;
第一泛油确定模块,用于在第二匹配结果满足第二匹配条件的情况下,确定所述目标道路沥青泛油,其中,所述第二匹配条件包括所述像素矩阵与所述第一像素矩阵不匹配。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:
坐标采集模块,用于在所述将所述灰度信息与预设的第一灰度阈值进行第一匹配之后,在第一匹配结果不满足第一阈值条件的情况下,获取所述像素矩阵中的第一像素值对应的像素点的坐标信息;
区域确定模块,用于基于所述坐标信息,确定所述第一像素值对应的像素点组成的第一区域;
面积确定模块,用于根据第一算法计算所述第一区域的面积信息;
第三匹配模块,用于将所述面积信息与第一面积阈值进行第三匹配,并在第三匹配结果满足第三匹配条件的情况下,确定所述目标道路沥青泛油,其中所述第三匹配条件包括所述面积信息大于等于所述第一面积阈值。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
属性确定模块,用于在所述基于所述坐标信息,确定所述第一像素值组成的第一区域之后,根据第三模型确定所述第一区域的属性信息,其中,所述属性信息至少包括所述第一区域的形状;
形状匹配模块,用于对所述属性信息进行形状匹配,并在所述属性信息满足属性条件的情况下,确定所述目标道路沥青泛油,其中,所述属性条件包括所述第一区域的形状呈不规则环状和/或不规则带状和/或不规则团状。
8.根据权利要求6所述的装置,其特征在于,所述装置还包括:
运动匹配模块,用于在所述基于所述坐标信息,确定所述第一像素值组成的第一区域之后,对所述第一区域进行路径匹配,以获取所述第一区域在目标时间段的运动路径;
第二泛油确定模块,用于在未匹配到运动路径的情况下,确定所述目标道路沥青泛油。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至4任一项中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至4任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310338312.2A CN116030065A (zh) | 2023-03-31 | 2023-03-31 | 一种基于图像识别的道路质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310338312.2A CN116030065A (zh) | 2023-03-31 | 2023-03-31 | 一种基于图像识别的道路质量检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116030065A true CN116030065A (zh) | 2023-04-28 |
Family
ID=86089793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310338312.2A Pending CN116030065A (zh) | 2023-03-31 | 2023-03-31 | 一种基于图像识别的道路质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116030065A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116453065A (zh) * | 2023-06-16 | 2023-07-18 | 云途信息科技(杭州)有限公司 | 路面异物抛洒识别方法、装置、计算机设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170363741A1 (en) * | 2014-12-09 | 2017-12-21 | Basf Se | Optical detector |
CN107610321A (zh) * | 2017-10-10 | 2018-01-19 | 深圳怡化电脑股份有限公司 | 一种鉴别纸币真伪方法、装置、设备及存储介质 |
US20180300571A1 (en) * | 2015-10-10 | 2018-10-18 | Xiamen Zkteco Information Technology Co., Ltd. | Finger vein identification method and device |
CN109389609A (zh) * | 2018-10-24 | 2019-02-26 | 西安电子科技大学 | 基于fart神经网络的交互自反馈红外目标检测方法 |
CN110298802A (zh) * | 2019-06-28 | 2019-10-01 | 广东诚泰交通科技发展有限公司 | 路面裂缝检测方法及装置 |
CN114202532A (zh) * | 2021-12-14 | 2022-03-18 | 苏州精思博智人工智能科技有限公司 | 一种喷涂缺陷的检测方法、装置、设备及存储介质 |
CN114359383A (zh) * | 2021-12-27 | 2022-04-15 | 苏州凌云视界智能设备有限责任公司 | 一种图像定位方法、装置、设备以及存储介质 |
CN114677336A (zh) * | 2022-03-10 | 2022-06-28 | 四川省建筑科学研究院有限公司 | 一种基于红外图像的幕墙面板损伤识别方法 |
CN115631356A (zh) * | 2022-11-28 | 2023-01-20 | 北京闪马智建科技有限公司 | 道路设施缺失识别方法、装置、存储介质及电子装置 |
-
2023
- 2023-03-31 CN CN202310338312.2A patent/CN116030065A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170363741A1 (en) * | 2014-12-09 | 2017-12-21 | Basf Se | Optical detector |
US20180300571A1 (en) * | 2015-10-10 | 2018-10-18 | Xiamen Zkteco Information Technology Co., Ltd. | Finger vein identification method and device |
CN107610321A (zh) * | 2017-10-10 | 2018-01-19 | 深圳怡化电脑股份有限公司 | 一种鉴别纸币真伪方法、装置、设备及存储介质 |
CN109389609A (zh) * | 2018-10-24 | 2019-02-26 | 西安电子科技大学 | 基于fart神经网络的交互自反馈红外目标检测方法 |
CN110298802A (zh) * | 2019-06-28 | 2019-10-01 | 广东诚泰交通科技发展有限公司 | 路面裂缝检测方法及装置 |
CN114202532A (zh) * | 2021-12-14 | 2022-03-18 | 苏州精思博智人工智能科技有限公司 | 一种喷涂缺陷的检测方法、装置、设备及存储介质 |
CN114359383A (zh) * | 2021-12-27 | 2022-04-15 | 苏州凌云视界智能设备有限责任公司 | 一种图像定位方法、装置、设备以及存储介质 |
CN114677336A (zh) * | 2022-03-10 | 2022-06-28 | 四川省建筑科学研究院有限公司 | 一种基于红外图像的幕墙面板损伤识别方法 |
CN115631356A (zh) * | 2022-11-28 | 2023-01-20 | 北京闪马智建科技有限公司 | 道路设施缺失识别方法、装置、存储介质及电子装置 |
Non-Patent Citations (2)
Title |
---|
李琳琳: "列车折角塞门故障诊断算法研究与软件实现", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 03, pages 033 - 86 * |
杨悦等: "基于改进互信息的红外目标匹配跟踪算法", 《红外技术》, vol. 35, no. 6, pages 350 - 363 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116453065A (zh) * | 2023-06-16 | 2023-07-18 | 云途信息科技(杭州)有限公司 | 路面异物抛洒识别方法、装置、计算机设备及存储介质 |
CN116453065B (zh) * | 2023-06-16 | 2023-09-19 | 云途信息科技(杭州)有限公司 | 路面异物抛洒识别方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845321B (zh) | 路面标记信息的处理方法和装置 | |
CN109165549B (zh) | 基于三维点云数据的道路标识获取方法、终端设备及装置 | |
CN108416784B (zh) | 城市建成区边界快速提取方法、装置及终端设备 | |
CN103714538B (zh) | 道路边缘检测方法、装置及车辆 | |
CN115631356B (zh) | 道路设施缺失识别方法、装置、存储介质及电子装置 | |
CN116030065A (zh) | 一种基于图像识别的道路质量检测方法 | |
CN107341810B (zh) | 一种车辆自动识别方法、装置及电子设备 | |
CN111797712A (zh) | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 | |
Ahmad et al. | A novel method for vegetation encroachment monitoring of transmission lines using a single 2D camera | |
Li et al. | A lane marking detection and tracking algorithm based on sub-regions | |
CN105426863A (zh) | 检测车道线的方法和装置 | |
WO2013157920A1 (en) | Method and system for vegetation encroachment monitoring relative to an object of interest | |
CN112597926A (zh) | 基于fod影像对飞机目标的识别方法、设备、存储介质 | |
CN102831419B (zh) | 一种快速的街景图像中车牌的检测模糊方法 | |
CN113743151A (zh) | 一种检测路面抛洒物的方法、装置及存储介质 | |
CN111914675A (zh) | 一种车辆轴数确定方法及装置 | |
CN111160073B (zh) | 车牌类型识别方法、装置及计算机可读存储介质 | |
CN104778432A (zh) | 图像识别方法 | |
CN116071299A (zh) | 一种绝缘子rtv喷涂缺陷检测方法及系统 | |
CN115909033A (zh) | 一种摄像机镜头凝冻状态评估方法及装置 | |
CN109902668B (zh) | 无人机载的路面检测系统及检测方法 | |
Joo | Detection method for road pavement defect of UAV imagery based on computer vision | |
CN110827243B (zh) | 网格梁覆盖区域异常检测方法和装置 | |
CN111079635B (zh) | 一种基于变化向量的有林地变化检测方法 | |
CN115222610A (zh) | 图像方法、装置、电子设备及存储介质 |
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 |