CN116109581A - 混凝土道路监测方法、装置、电子设备及存储介质 - Google Patents

混凝土道路监测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116109581A
CN116109581A CN202211740493.3A CN202211740493A CN116109581A CN 116109581 A CN116109581 A CN 116109581A CN 202211740493 A CN202211740493 A CN 202211740493A CN 116109581 A CN116109581 A CN 116109581A
Authority
CN
China
Prior art keywords
road
image
pixel points
scanned image
abnormal pixel
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
CN202211740493.3A
Other languages
English (en)
Inventor
苏建钢
钟斌
尹义
雷元生
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.)
Shenzhen Intellifusion Technologies Co Ltd
Original Assignee
Shenzhen Intellifusion Technologies Co Ltd
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 Shenzhen Intellifusion Technologies Co Ltd filed Critical Shenzhen Intellifusion Technologies Co Ltd
Priority to CN202211740493.3A priority Critical patent/CN116109581A/zh
Publication of CN116109581A publication Critical patent/CN116109581A/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
    • 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
    • G06T2207/30232—Surveillance
    • 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
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种混凝土道路监测方法，获取目标路段的扫描图，所述目标路段为混凝土路段；若所述扫描图中存在符合预设条件的异常像素点，则对所述扫描图进行滤波处理，得到滤波后的所述扫描图；基于滤波后的所述扫描图进行道路病害检测，得到所述目标路段的道路病害检测结果，并根据所述道路病害检测结果对所述目标路段进行道路监测。通过在目标路段的扫描图中确定出符合预设条件的异常像素点，将符合预设条件的异常像素点确定为噪声像素点，通过滤波处理对扫描图中的噪声像素点进行滤除，得到滤波后的扫描图来进行道路病害检测，由于只对确定出的噪声像素点进行滤波，使得实体像素点得以保留，从而提高道路病害识别准确率。

Description

混凝土道路监测方法、装置、电子设备及存储介质
技术领域
本发明涉及智慧城市领域，尤其涉及一种混凝土道路监测方法、装置、电子设备及存储介质。
背景技术
道路CT是对道路进行扫描，通过扫描图像进行道路病害识别，从而得到道路内部病害情况的一种方式，由于扫描图中的值为CT值，CT值受扫描设备的精度影响，CT扫描图的分辨率较低，且容易产生噪声点，在图像识别中，待识别图像的分辨率越低，噪声点越多，则识别的准确率越低。在混凝土道路中，由于混凝土是由砂料和水泥按比例混合得到，由于砂料的不规则形状，会一定程度上影响雷达反射，因此，会导致一些砂料对应的实体像素点会被认为是噪声点，在对扫描图进行去噪时，则会将这点实体点当作噪声过滤掉，从而使得道路病害识别准确率下降。
发明内容
本发明实施例提供一种混凝土道路监测方法，旨在解决现有技术中砂料对应的实体像素点会被认为是噪声点，在对扫描图进行去噪时，则会将这点实体点当作噪声过滤掉的问题。通过在目标路段的扫描图中确定出符合预设条件的异常像素点，将符合预设条件的异常像素点确定为噪声像素点，通过滤波处理对扫描图中的噪声像素点进行滤除，得到滤波后的扫描图来进行道路病害检测，由于只对确定出的噪声像素点进行滤波，使得实体像素点得以保留，从而提高道路病害识别准确率。
第一方面，本发明实施例提供一种混凝土道路监测方法，所述方法包括：
获取目标路段的扫描图，所述目标路段为混凝土路段；
若所述扫描图中存在符合预设条件的异常像素点，则对所述扫描图进行滤波处理，得到滤波后的所述扫描图；
基于滤波后的所述扫描图进行道路病害检测，得到所述目标路段的道路病害检测结果，并根据所述道路病害检测结果对所述目标路段进行道路监测。
可选的，在所述若所述扫描图中存在符合预设条件的异常像素点，则对所述扫描图进行滤波处理，得到滤波后的所述扫描图之前，所述方法还包括：
确定所述扫描图中的异常像素点以及所述异常像素点的邻接像素点；
根据所述异常像素点以及所述邻接像素点，确定所述异常像素点的局部分布特征；
根据所述混凝土中砂料与水泥的分布特征以及所述异常像素点的局部分布特征，确定所述异常像素点是否符合预设条件。
可选的，所述根据所述混凝土中砂料与水泥的分布特征以及所述异常像素点的局部分布特征，确定所述异常像素点是否符合预设条件，包括：
根据所述混凝土中砂料与水泥的分布特征以及所述异常像素点的局部分布特征，确定所述异常像素点为实体点或噪声点；
若所述异常像素点为实体点，则确定所述异常像素点不满足预设条件；
若所述异常像素点为噪声点，则确定所述异常像素点满足预设条件。
可选的，所述对所述扫描图进行滤波处理，得到滤波后的所述扫描图，包括：
根据所述邻接像素点以及所述混凝土中砂料与水泥的分布特征，确定所述异常像素点的替换值；
通过所述替换值对所述异常像素点的像素值进行替换，得到滤波后的所述扫描图。
可选的，所述基于滤波后的所述扫描图进行道路病害检测，得到所述目标路段的道路病害检测结果，包括：
对滤波后的所述扫描图进行图像分割，得到分割实例；
对所述分割实例进行图像识别，得到所述目标路段的道路病害检测结果。
可选的，所述对所述分割实例进行图像识别，得到所述目标路段的道路病害检测结果，包括：
对滤波后的所述扫描图中的所述分割实例进行掩膜，得到滤波后的所述扫描图对应的掩膜图像；
将所述掩膜图像与滤波后的所述扫描图进行通道拼接，得到拼接图像；
将所述拼接图像输入到训练好的图像识别模型中进行识别处理，得到所述目标路段的道路病害检测结果。
可选的，在所述将所述拼接图像输入到训练好的图像识别模型中进行识别处理，得到所述目标路段的道路病害检测结果之前，所述方法还包括：
获取数据集以及待训练识别模型，所述数据集包括样本图像以及与所述样本图像对应的分类标签，所述样本图像为原始样本图像与对应掩膜图像的拼接图像，所述原始样本图像为已知道路病害类型的扫描图；
通过所述数据集对所述待训练识别模型进行训练，得到训练好的识别模型。
第二方面，本发明实施例提供一种混凝土道路监测装置，所述装置包括：
第一获取模块，用于获取目标路段的扫描图，所述目标路段为混凝土路段；
处理模块，用于若所述扫描图中存在符合预设条件的异常像素点，则对所述扫描图进行滤波处理，得到滤波后的所述扫描图；
监测模块，用于基于滤波后的所述扫描图进行道路病害检测，得到所述目标路段的道路病害检测结果，并根据所述道路病害检测结果对所述目标路段进行道路监测。
第三方面，本发明实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例提供的混凝土道路监测方法中的步骤。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现发明实施例提供的混凝土道路监测方法中的步骤。
本发明实施例中，获取目标路段的扫描图，所述目标路段为混凝土路段；若所述扫描图中存在符合预设条件的异常像素点，则对所述扫描图进行滤波处理，得到滤波后的所述扫描图；基于滤波后的所述扫描图进行道路病害检测，得到所述目标路段的道路病害检测结果，并根据所述道路病害检测结果对所述目标路段进行道路监测。通过在目标路段的扫描图中确定出符合预设条件的异常像素点，将符合预设条件的异常像素点确定为噪声像素点，通过滤波处理对扫描图中的噪声像素点进行滤除，得到滤波后的扫描图来进行道路病害检测，由于只对确定出的噪声像素点进行滤波，使得实体像素点得以保留，从而提高道路病害识别准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种混凝土道路监测方法的流程图；
图2是本发明实施例提供的一种混凝土道路监测装置的结构示意图；
图3是本发明实施例提供的一种电子设备的结构示意图。
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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参见图1，图1是本发明实施例提供的一种混凝土道路监测方法的流程图，如图1所示，该混凝土道路监测方法包括以下步骤：
101、获取目标路段的扫描图。
在本发明实施例中，上述目标路段为混凝土路段。上述扫描图可以通过道路扫描设备在执行道路扫描任务时对目标路段进行扫描得到，道路扫描设备可以是道路扫描车，道路扫描车包括牵引车和设置在牵引车上的扫描装置，扫描装置内部设置有探地雷达和阵列式传感器，通过设置牵引车牵引的扫描装置，可以实现道路的移动式病害扫描，较为方便，通过设置阵列式传感器和探地雷达集成安装，可以实现扫描装置所覆盖的路面全方位的扫描，便于发现损伤。
上述道路扫描任务可以是理解为在指定时间内对指定区域的道路进行扫描，上述道路扫描任务可以由相关道路管理部门进行制定，并发送到道路扫描设备中进行执行。在道路扫描设备执行道路扫描任务对目标路段进行扫描时，可以得到目标路段的扫描图。
102、若扫描图中存在符合预设条件的异常像素点，则对扫描图进行滤波处理，得到滤波后的扫描图。
在本发明实施例中，在得到目标路段的扫描图后，可以对扫描图的像素点进行分析，确定扫描图中是否存在异常像素点。上述异常像素点可以理解为与周围像素点存在较大差异的像素点。
若扫描图中不存在异常像素点，则不对扫描图进行滤波处理，若扫描图中存在异常像素点，则可以判断异常像素点是否符合预设条件。上述预设条件为噪声点对应的条件，若异常像素点符合噪声点对应的条件，则可以确定异常像素点为噪声像素点，则可以对扫描图进行滤波处理。若扫描图中存在异常像素点，但所有异常像素点均不符合预设条件，则可以不对扫描图进行滤波处理。
通过滤波处理，可以滤除扫描图中的噪声像素点，使得扫描图的图像质量得到提高，在后续利用扫描图进行道路病害检测时，也可以提高道路病害的检测准确率。
103、基于滤波后的扫描图进行道路病害检测，得到目标路段的道路病害检测结果，并根据道路病害检测结果对目标路段进行道路监测。
在本发明实施例中，上述道路病害检测结果可以包括道路病害类型和道路病害严重程度，上述道路病害类型为混凝土路面对应的道路病害，混凝土路面对应的道路病害的类型可以包括面板破碎、坑洞、板角断裂、线裂等。具体的，在得到滤波后的扫描图后，可以通过目标检测算法对滤波后的扫描图进行道路病害检测，得到目标路段的道路病害检测结果。
在得到目标路段的道路病害检测结果后，若道路病害检测结果为无道路病害，则不做任何处理。若道路病害检测结果为有道路病害，则根据道路病害检测结果确定道路病害类型以及道路病害严重程度。将道路病害类型以及道路病害严重程度发送到相关道路管理部门，以使相关道路管理部门及时对道路病害进行应对。
本发明实施例中，获取目标路段的扫描图，所述目标路段为混凝土路段；若所述扫描图中存在符合预设条件的异常像素点，则对所述扫描图进行滤波处理，得到滤波后的所述扫描图；基于滤波后的所述扫描图进行道路病害检测，得到所述目标路段的道路病害检测结果，并根据所述道路病害检测结果对所述目标路段进行道路监测。通过在目标路段的扫描图中确定出符合预设条件的异常像素点，将符合预设条件的异常像素点确定为噪声像素点，通过滤波处理对扫描图中的噪声像素点进行滤除，得到滤波后的扫描图来进行道路病害检测，由于只对确定出的噪声像素点进行滤波，使得实体像素点得以保留，从而提高道路病害识别准确率。
可选的，在若扫描图中存在符合预设条件的异常像素点，则对扫描图进行滤波处理，得到滤波后的扫描图的步骤之前，还可以确定扫描图中的异常像素点以及异常像素点的邻接像素点；根据异常像素点以及邻接像素点，确定异常像素点的局部分布特征；根据混凝土中砂料与水泥的分布特征以及异常像素点的局部分布特征，确定异常像素点是否符合预设条件。
在本发明实施例中，对于扫描图中每一个像素点，都取与该个像素点最近的N个像素点，计算N个像素点的平均像素值，将该个像素点的像素点与N个像素点的平均像素值作差，若该个像素点的像素点与N个像素点的平均像素值的差值绝对值大于或等于预设阈值，则说明该个像素点为异常像素点，若该像素点的像素点与N个像素点的平均像素值的差值绝对值小于预设阈值，则说明该个像素点为正常像素点。
在扫描图中确定出异常像素点之后，则在扫描图中确定异常像素点的邻接像素点，上述邻接像素点可以理解为异常像素点的左、右、上、下四个与异常像素点相邻的像素点。在确定异常像素点以及邻接像素点后，根据异常像素点的像素值以及邻接像素点的像素值，确定异常像素点的局部分布特征。混凝土中砂料与水泥的分布特征可以根据已经确定为混凝土的异常像素点所对应的局部分布特征进行确定，将异常像素点的局部分布特征与混凝土中砂料与水泥的分布特征进行相似度比对，相似度大于或等于预设的相似度阈值，则确定异常像素点不符合预设条件，相似度小于预设的相似度阈值，则确定异常像素点符合预设条件。
可选的，在根据混凝土中砂料与水泥的分布特征以及异常像素点的局部分布特征，确定异常像素点是否符合预设条件的步骤中，可以根据混凝土中砂料与水泥的分布特征以及异常像素点的局部分布特征，确定异常像素点为实体点或噪声点；若异常像素点为实体点，则确定异常像素点不满足预设条件；若异常像素点为噪声点，则确定异常像素点满足预设条件。
在本发明实施例中，可以将异常像素点的局部分布特征与混凝土中砂料与水泥的分布特征进行相似度比对，相似度大于或等于预设的相似度阈值，则确定异常像素点不符合预设条件，异常像素点为实体点；相似度小于预设的相似度阈值，则确定异常像素点符合预设条件，异常像素点为噪声点。
需要说明的是，实体点作为提供准确信息的像素点，并不会影响扫描图的道路病害检测准确率，而噪声点并不提供准确信息，是一种提供错误信息的像素点，因此，会影响扫描图的道路病害检测准确率。在确定异常像素点噪声点后，可以对扫描图中的异常像素点进行滤波处理，得到滤波后的扫描图。
可选的，在对扫描图进行滤波处理，得到滤波后的扫描图的步骤中，可以根据邻接像素点以及混凝土中砂料与水泥的分布特征，确定异常像素点的替换值；通过替换值对异常像素点的像素值进行替换，得到滤波后的扫描图。
在本发明实施例中，对于符合预设条件异常像素点，可以利用邻接像素点以及混凝土中砂料与水泥的分布特征来确定异常像素点的替换值，使得替换后该异常像素点与邻接像素点对应的局部分布特征与混凝土中砂料与水泥的分布特征相似度大于或等于预设的相似度阈值。通过替换值对异常像素点的像素值进行替换，得到滤波后的扫描图。
当然，在一种可能的实施例中，也可以计算邻接像素点的平均值，将邻接像素点的平均值作为异常像素点的替换值，通过替换值对异常像素点的像素值进行替换，得到滤波后的扫描图。
可选的，在基于滤波后的扫描图进行道路病害检测，得到目标路段的道路病害检测结果的步骤中，可以对滤波后的扫描图进行图像分割，得到分割实例；对分割实例进行图像识别，得到目标路段的道路病害检测结果。
在本发明实施例中，上述分割实例为道路病害区域，可以确定扫描图中道路病害区域的几何中心点，将几何中心点作为种子点进行区域生长，将种子点作为生长起点，然后将种子点周围所有的像素点，按照像素值误差在预设范围内的生长规则进行生长合并，直到没有能满足生长点的像素为止，得到分割实例。
在一种可能的实施例中，对扫描图进行灰度化，得到扫描图的灰度图，通过均值迭代分割，计算出一个灰度阈值，通过精确度阈值来将扫描图划分为道路病害区域和背景区域，将道路病害区域作为分割实例。
在得到分割实例区域后，对分割实例进行图像识别，具体的，可以通过支持向量机对分割实例进行分类，得到分割实例的分类结果，分割实例的分类结果包括道路病害类型以及道路病害严重程度。根据分割实例的分类结果确定目标路段的道路病害检测结果。
可选的，在对分割实例进行图像识别，得到目标路段的道路病害检测结果的步骤中，可以对滤波后的扫描图中的分割实例进行掩膜，得到滤波后的扫描图对应的掩膜图像；将掩膜图像与滤波后的扫描图进行通道拼接，得到拼接图像；将拼接图像输入到训练好的图像识别模型中进行识别处理，得到目标路段的道路病害检测结果。
在本发明实施例中，将滤波后的扫描图中的分割实例进行掩膜处理，将分割实例通过一个掩膜值来进行表示。掩膜完成后，得到滤波后的扫描图对应的掩膜图像。上述掩膜处理可以是将分割实例进行赋值，使得分割实例通过一个值来进行表示，由于掩膜图像中分割实例的像素值为同一个值，因此在掩膜图像处理时可以不考虑道路病害对应的具体像素值，训练好的特征提取网络可以在道路病害不完整时，利用分割实例的掩膜来来作为辅助信息。
具体的，将掩膜图像与滤波后的扫描图进行通道拼接，得到拼接图像，拼接图像的通道数为掩膜图像的通道数与扫描图的通道数之和。
可选的，在将拼接图像输入到训练好的图像识别模型中进行识别处理，得到目标路段的道路病害检测结果的步骤之前，还可以获取数据集以及待训练识别模型，数据集包括样本图像以及与样本图像对应的分类标签，样本图像为原始样本图像与对应掩膜图像的拼接图像，原始样本图像为已知道路病害类型的扫描图；通过数据集对待训练识别模型进行训练，得到训练好的识别模型。
在本发明实施例中，可以获取数据集以及待训练识别模型，数据集包括与拼接图像通过具有相同处理方法进行处理的样本图像以及与样本图像对应的类别标签和严重程度标签；通过数据集对待训练识别模型进行有监督训练，得到训练好的识别模型。
上述样本图像为各种已有道路病害情况的扫描图经过滤波处理、图像分割、掩膜处理、拼接处理后得到的拼接图像，可以通过人工标注的方式对样本图像进行标注，得到第二样本图像对应的类别标签和严重程度标签，每个样本图像对应一个类别标签与一个严重程度标签。上述待训练识别模型可以根据YOLO系列、ResNet系列、VggNet系列、MobileNet系列等网络构建得到。
在训练过程中，将样本图像输入到待训练识别模型，通过待训练识别模型输出样本识别结果，样本识别结果包括类别预测结果以及严重程度预测结果，计算类别预测结果与类别标签之间的第一误差损失，计算严重程度预测结果与严重程度标签之间的第二误差损失，根据第一误差损失和第二误差损失之和作为总误差损失，以最小化总误差损失为优化目标，采用反向传播的方式对待训练识别模型进行参数调整，迭代上述参数调整过程，直到迭代次数达到预设次数或待训练识别模型在最小总误差损失处收敛时，停止训练，得到训练好的识别模型。
在得到训练好的识别模型后，将拼接图像输入到训练好的识别模型中进行处理，输出得到目标路段的道路病害检测结果。道路病害检测结果包括道路病害类型以及道路病害严重程度。
需要说明的是，本发明实施例提供的混凝土道路监测方法可以应用于可以进行混凝土道路监测方法的智能摄像头、智能手机、电脑、服务器等设备。
可选的，请参见图2，图2是本发明实施例提供的一种混凝土道路监测装置的结构示意图，如图2所示，所述装置包括：
第一获取模块201，用于获取目标路段的扫描图，所述目标路段为混凝土路段；
处理模块202，用于若所述扫描图中存在符合预设条件的异常像素点，则对所述扫描图进行滤波处理，得到滤波后的所述扫描图；
监测模块203，用于基于滤波后的所述扫描图进行道路病害检测，得到所述目标路段的道路病害检测结果，并根据所述道路病害检测结果对所述目标路段进行道路监测。
可选的，所述装置包括：
第一确定模块，用于确定所述扫描图中的异常像素点以及所述异常像素点的邻接像素点；
第二确定模块，用于根据所述异常像素点以及所述邻接像素点，确定所述异常像素点的局部分布特征；
第三确定模块，用于根据所述混凝土中砂料与水泥的分布特征以及所述异常像素点的局部分布特征，确定所述异常像素点是否符合预设条件。
可选的，所述第三确定模块，包括：
第一确定子模块，用于根据所述混凝土中砂料与水泥的分布特征以及所述异常像素点的局部分布特征，确定所述异常像素点为实体点或噪声点；
第二确定子模块，用于若所述异常像素点为实体点，则确定所述异常像素点不满足预设条件；
第三确定子模块，用于若所述异常像素点为噪声点，则确定所述异常像素点满足预设条件。
可选的，所述处理模块202，包括：
第四确定子模块，用于根据所述邻接像素点以及所述混凝土中砂料与水泥的分布特征，确定所述异常像素点的替换值；
替换子模块，用于通过所述替换值对所述异常像素点的像素值进行替换，得到滤波后的所述扫描图。
可选的，所述监测模块203，包括：
分割子模块，用于对滤波后的所述扫描图进行图像分割，得到分割实例；
识别子模块，用于对所述分割实例进行图像识别，得到所述目标路段的道路病害检测结果。
可选的，所述识别子模块，包括：
掩膜单元，用于对滤波后的所述扫描图中的所述分割实例进行掩膜，得到滤波后的所述扫描图对应的掩膜图像；
拼接单元，用于将所述掩膜图像与滤波后的所述扫描图进行通道拼接，得到拼接图像；
处理单元，用于将所述拼接图像输入到训练好的图像识别模型中进行识别处理，得到所述目标路段的道路病害检测结果。
可选的，所述装置还包括：
第二获取模块，用于获取数据集以及待训练识别模型，所述数据集包括样本图像以及与所述样本图像对应的分类标签，所述样本图像为原始样本图像与对应掩膜图像的拼接图像，所述原始样本图像为已知道路病害类型的扫描图；
训练模块，用于通过所述数据集对所述待训练识别模型进行训练，得到训练好的识别模型。
需要说明的是，本发明实施例提供的混凝土道路监测装置可以应用于可以进行混凝土道路监测方法的智能摄像头、智能手机、电脑、服务器等设备。
本发明实施例提供的混凝土道路监测装置能够实现上述方法实施例中混凝土道路监测方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。
参见图3，图3是本发明实施例提供的一种电子设备的结构示意图，如图3所示，包括：存储器302、处理器301及存储在所述存储器302上并可在所述处理器301上运行的混凝土道路监测方法的计算机程序，其中：
处理器301用于调用存储器302存储的计算机程序，执行如下步骤：
获取目标路段的扫描图，所述目标路段为混凝土路段；
若所述扫描图中存在符合预设条件的异常像素点，则对所述扫描图进行滤波处理，得到滤波后的所述扫描图；
基于滤波后的所述扫描图进行道路病害检测，得到所述目标路段的道路病害检测结果，并根据所述道路病害检测结果对所述目标路段进行道路监测。
可选的，在所述若所述扫描图中存在符合预设条件的异常像素点，则对所述扫描图进行滤波处理，得到滤波后的所述扫描图之前，处理器301执行的所述方法还包括：
确定所述扫描图中的异常像素点以及所述异常像素点的邻接像素点；
根据所述异常像素点以及所述邻接像素点，确定所述异常像素点的局部分布特征；
根据所述混凝土中砂料与水泥的分布特征以及所述异常像素点的局部分布特征，确定所述异常像素点是否符合预设条件。
可选的，处理器301执行的所述根据所述混凝土中砂料与水泥的分布特征以及所述异常像素点的局部分布特征，确定所述异常像素点是否符合预设条件，包括：
根据所述混凝土中砂料与水泥的分布特征以及所述异常像素点的局部分布特征，确定所述异常像素点为实体点或噪声点；
若所述异常像素点为实体点，则确定所述异常像素点不满足预设条件；
若所述异常像素点为噪声点，则确定所述异常像素点满足预设条件。
可选的，处理器301执行的所述对所述扫描图进行滤波处理，得到滤波后的所述扫描图，包括：
根据所述邻接像素点以及所述混凝土中砂料与水泥的分布特征，确定所述异常像素点的替换值；
通过所述替换值对所述异常像素点的像素值进行替换，得到滤波后的所述扫描图。
可选的，处理器301执行的所述基于滤波后的所述扫描图进行道路病害检测，得到所述目标路段的道路病害检测结果，包括：
对滤波后的所述扫描图进行图像分割，得到分割实例；
对所述分割实例进行图像识别，得到所述目标路段的道路病害检测结果。
可选的，处理器301执行的所述对所述分割实例进行图像识别，得到所述目标路段的道路病害检测结果，包括：
对滤波后的所述扫描图中的所述分割实例进行掩膜，得到滤波后的所述扫描图对应的掩膜图像；
将所述掩膜图像与滤波后的所述扫描图进行通道拼接，得到拼接图像；
将所述拼接图像输入到训练好的图像识别模型中进行识别处理，得到所述目标路段的道路病害检测结果。
可选的，在所述将所述拼接图像输入到训练好的图像识别模型中进行识别处理，得到所述目标路段的道路病害检测结果之前，处理器301执行的所述方法还包括：
获取数据集以及待训练识别模型，所述数据集包括样本图像以及与所述样本图像对应的分类标签，所述样本图像为原始样本图像与对应掩膜图像的拼接图像，所述原始样本图像为已知道路病害类型的扫描图；
通过所述数据集对所述待训练识别模型进行训练，得到训练好的识别模型。
本发明实施例提供的电子设备能够实现上述方法实施例中混凝土道路监测方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的混凝土道路监测方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Nenory，RON)或随机存取存储器(Randon AccessNenory，简称RAN)等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种混凝土道路监测方法，其特征在于，包括以下步骤：
获取目标路段的扫描图，所述目标路段为混凝土路段；
若所述扫描图中存在符合预设条件的异常像素点，则对所述扫描图进行滤波处理，得到滤波后的所述扫描图；
基于滤波后的所述扫描图进行道路病害检测，得到所述目标路段的道路病害检测结果，并根据所述道路病害检测结果对所述目标路段进行道路监测。
2.如权利要求1所述的混凝土道路监测方法，其特征在于，在所述若所述扫描图中存在符合预设条件的异常像素点，则对所述扫描图进行滤波处理，得到滤波后的所述扫描图之前，所述方法还包括：
确定所述扫描图中的异常像素点以及所述异常像素点的邻接像素点；
根据所述异常像素点以及所述邻接像素点，确定所述异常像素点的局部分布特征；
根据所述混凝土中砂料与水泥的分布特征以及所述异常像素点的局部分布特征，确定所述异常像素点是否符合预设条件。
3.如权利要求2所述的混凝土道路监测方法，其特征在于，所述根据所述混凝土中砂料与水泥的分布特征以及所述异常像素点的局部分布特征，确定所述异常像素点是否符合预设条件，包括：
根据所述混凝土中砂料与水泥的分布特征以及所述异常像素点的局部分布特征，确定所述异常像素点为实体点或噪声点；
若所述异常像素点为实体点，则确定所述异常像素点不满足预设条件；
若所述异常像素点为噪声点，则确定所述异常像素点满足预设条件。
4.如权利要求3所述的混凝土道路监测方法，其特征在于，所述对所述扫描图进行滤波处理，得到滤波后的所述扫描图，包括：
根据所述邻接像素点以及所述混凝土中砂料与水泥的分布特征，确定所述异常像素点的替换值；
通过所述替换值对所述异常像素点的像素值进行替换，得到滤波后的所述扫描图。
5.如权利要求4所述的混凝土道路监测方法，其特征在于，所述基于滤波后的所述扫描图进行道路病害检测，得到所述目标路段的道路病害检测结果，包括：
对滤波后的所述扫描图进行图像分割，得到分割实例；
对所述分割实例进行图像识别，得到所述目标路段的道路病害检测结果。
6.如权利要求5所述的混凝土道路监测方法，其特征在于，所述对所述分割实例进行图像识别，得到所述目标路段的道路病害检测结果，包括：
对滤波后的所述扫描图中的所述分割实例进行掩膜，得到滤波后的所述扫描图对应的掩膜图像；
将所述掩膜图像与滤波后的所述扫描图进行通道拼接，得到拼接图像；
将所述拼接图像输入到训练好的图像识别模型中进行识别处理，得到所述目标路段的道路病害检测结果。
7.如权利要求6所述的混凝土道路监测方法，其特征在于，在所述将所述拼接图像输入到训练好的图像识别模型中进行识别处理，得到所述目标路段的道路病害检测结果之前，所述方法还包括：
获取数据集以及待训练识别模型，所述数据集包括样本图像以及与所述样本图像对应的分类标签，所述样本图像为原始样本图像与对应掩膜图像的拼接图像，所述原始样本图像为已知道路病害类型的扫描图；
通过所述数据集对所述待训练识别模型进行训练，得到训练好的识别模型。
8.一种混凝土道路监测装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标路段的扫描图，所述目标路段为混凝土路段；
处理模块，用于若所述扫描图中存在符合预设条件的异常像素点，则对所述扫描图进行滤波处理，得到滤波后的所述扫描图；
监测模块，用于基于滤波后的所述扫描图进行道路病害检测，得到所述目标路段的道路病害检测结果，并根据所述道路病害检测结果对所述目标路段进行道路监测。
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的混凝土道路监测方法中的步骤。
10.一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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的混凝土道路监测方法中的步骤。
CN202211740493.3A 2022-12-31 2022-12-31 混凝土道路监测方法、装置、电子设备及存储介质 Pending CN116109581A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211740493.3A CN116109581A (zh) 2022-12-31 2022-12-31 混凝土道路监测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211740493.3A CN116109581A (zh) 2022-12-31 2022-12-31 混凝土道路监测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116109581A true CN116109581A (zh) 2023-05-12

Family

ID=86255549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211740493.3A Pending CN116109581A (zh) 2022-12-31 2022-12-31 混凝土道路监测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116109581A (zh)

Similar Documents

Publication Publication Date Title
US20200364467A1 (en) Method and device for detecting illegal parking, and electronic device
CN111008961B (zh) 一种输电线路设备缺陷检测方法及其系统、设备、介质
CN111247525A (zh) 一种车道检测方法、装置及车道检测设备、移动平台
CN114565895B (zh) 一种基于智慧社会的安防监控系统及方法
Kaddah et al. Optimized minimal path selection (OMPS) method for automatic and unsupervised crack segmentation within two-dimensional pavement images
Zhang et al. Efficient system of cracking-detection algorithms with 1-mm 3D-surface models and performance measures
CN114782329A (zh) 一种基于图像处理的轴承缺陷损伤程度评估方法及系统
CN115393727A (zh) 一种路面线性裂缝识别方法、电子设备及存储介质
CN113435407B (zh) 一种输电系统的小目标识别方法及装置
CN114926441A (zh) 一种注塑件加工成型的缺陷检测方法及系统
CN117094975A (zh) 钢铁表面缺陷检测方法、装置及电子设备
CN115661765A (zh) 一种路面病害检测方法
Mubashshira et al. An unsupervised approach for road surface crack detection
CN113537037A (zh) 路面病害识别方法、系统、电子设备及存储介质
CN114581886A (zh) 结合语义分割和频域分析的能见度判别方法、装置及介质
CN113902740A (zh) 图像模糊程度评价模型的构建方法
CN115797314B (zh) 零件表面缺陷检测方法、系统、设备及存储介质
CN117129527A (zh) 一种城市道路铺设质量检测方法及系统
CN116109581A (zh) 混凝土道路监测方法、装置、电子设备及存储介质
CN115311522A (zh) 用于自动驾驶的目标检测方法及装置、电子设备及介质
CN113011268A (zh) 车辆智能导航方法、装置、电子设备及存储介质
CN114359147A (zh) 裂缝检测方法、装置、服务器及存储介质
CN111435086B (zh) 基于拼接图的导航方法和装置
JP2003030649A (ja) 画像処理方法および装置
CN115995021A (zh) 道路病害识别方法、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