CN116402782A - 一种道路安全隐患的检测方法、系统及可存储介质 - Google Patents

一种道路安全隐患的检测方法、系统及可存储介质 Download PDF

Info

Publication number
CN116402782A
CN116402782A CN202310342080.8A CN202310342080A CN116402782A CN 116402782 A CN116402782 A CN 116402782A CN 202310342080 A CN202310342080 A CN 202310342080A CN 116402782 A CN116402782 A CN 116402782A
Authority
CN
China
Prior art keywords
image
road surface
target
pavement
damage
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
CN202310342080.8A
Other languages
English (en)
Inventor
周桐
朱晓
李雨宣
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.)
Chongqing Vocational Institute of Engineering
Original Assignee
Chongqing Vocational Institute of Engineering
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 Chongqing Vocational Institute of Engineering filed Critical Chongqing Vocational Institute of Engineering
Priority to CN202310342080.8A priority Critical patent/CN116402782A/zh
Publication of CN116402782A publication Critical patent/CN116402782A/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种道路安全隐患的检测方法、系统及可存储介质，涉及道路安全技术领域，包括：采集不同损坏类型的路面图像信息并进行预处理，获得预处理图像；对预处理图像进行目标区域提取，剔除预处理图像中的非目标区域图像，获得目标路面图像；对目标路面图像中的路面损坏区域及路面损坏类型进行目标框标记，构建训练数据集；将训练数据集输入构建的路面损坏检测模型中进行模型训练，直至模型收敛，得到训练好的路面损坏检测模型；利用训练好的路面损坏检测模型对待检测路面图像进行检测，识别路面损坏类型，确定路面损坏的具体位置。本发明可以提高道路路面安全隐患的排查能力，快速且准确地检测道路可能存在的安全隐患，避免引发更大的损失。

Description

一种道路安全隐患的检测方法、系统及可存储介质
技术领域
本发明涉及道路安全技术领域，更具体的说是涉及一种道路安全隐患的检测方法、系统及可存储介质。
背景技术
道路，指的是公路、城市道路和虽在单位管辖范围但允许社会机动车通行的地方，包括广场、公共停车场等用于公众通行的场所；路面作为道路的重要组成部分，其质量的好坏直接影响行车速度、运输成本、行车安全和舒适性，未铺筑路面的路基虽然也能行驶车辆，但它抵御自然因素和车辆荷载的能力很差，行车时会使其表面崎岖不平，造成车辆颠簸、打滑、行车速度低，甚至无法通行。
此外，在自然因素和行车荷载的长时间作用下，沥青路面容易出现裂缝、坑槽、松散等不同类型、不同程度的病害，这些病害的出现，不仅容易使得路面结构强度降低，也会导致路面的连贯性遭到破坏，最终给车辆行车带来安全隐患，甚至造成人员伤亡和财产损失。本领域技术人员已针对该问题进行了多项研究，例如，公开号为CN112982109A的发明专利“一种沥青混凝土路面的预防性养护方法”中，路面的加热软化诱导病害部位自修复，涂覆养护剂以填补并修复路面病害，无需开挖破损的沥青混凝土路面；在路面上覆盖新热沥青混合料，经摊平及碾压后形成密实平整的防护层，防护层与路面成为整体性新路面，有利于提高延长沥青混凝土路面使用寿命的效果。
然而，该专利及现有技术中还缺乏对于路面安全隐患的提前认知，采用手工处理数据导致出现人工成本高、处理效率低以及对道路安全隐患的检测准确率低等现象。因此，如何准确判断道路情况，提供能够方便、快速、准确地检测道路安全隐患的方案是本领域技术人员亟需解决的技术问题。
发明内容
有鉴于此，本发明提供了一种道路安全隐患的检测方法、系统及可存储介质，可以提高道路路面安全隐患的排查能力，快速且准确地检测道路可能存在的安全隐患，保障人民的生命财产安全。
为了实现上述目的，本发明提供如下技术方案：
一种道路安全隐患的检测方法，包括以下步骤：
采集不同损坏类型的路面图像信息，并对路面图像信息进行预处理，获得预处理图像；
对预处理图像进行目标区域提取，剔除预处理图像中的非目标区域图像，获得目标路面图像；
对目标路面图像中的路面损坏区域及路面损坏类型进行目标框标记，构建训练数据集；
构建路面损坏检测模型，将训练数据集输入路面损坏检测模型中进行模型训练，直至模型收敛，得到训练好的路面损坏检测模型；
利用训练好的路面损坏检测模型对待检测路面图像进行检测，识别路面损坏类型，确定路面损坏的具体位置。
上述技术方案达到的技术效果为：基于深度学习构建路面损坏检测模型并进行模型训练，可快速、准确地判断可能存在的损坏区域及损坏类型，降低人工成本，提高道路路面安全隐患的排查能力，保证人民的生命财产安全。
可选的，采集不同损坏类型的路面图像信息，具体包括以下步骤：
将安装有摄像头的若干灯杆安设在路面两侧，且相邻两个摄像头的拍摄范围存在重合区域；
利用多个摄像头对处于拍摄范围的路面进行多角度拍摄，得到若干路面图像视频；
根据预设的采样率，从路面图像视频中提取路面图像帧，得到多个路面图像以及路面图像所对应的空间属性信息。
可选的，对路面图像信息进行预处理，具体包括以下步骤：
对路面图像的对比度进行增强或拉伸处理，生成灰度增强及直方图均衡变换的第一图像；
采用邻域平均法及中值滤波法对第一图像进行消除噪声处理，生成去噪后的第二图像；
对第二图像进行锐化处理，生成边缘清晰的预处理图像。
上述技术方案达到的技术效果为：可对摄像头获取的图像进行清晰化处理，改善图像质量，可利于提取有效信息以进行后续分析。
可选的，获得目标路面图像，具体包括以下步骤：
基于预设特征对预处理图像进行划分，得到初始目标区域；
通过初始目标区域中相对于预设特征的高维特征，获取初始目标区域中相邻区块的相似度；
当初始目标区域中存在满足相似度条件的相邻区块时，将相邻区块进行连通并将连通后的区域作为新的目标区域重复上述步骤，直至目标区域中不存在满足相似度条件的相邻区块时，将最后连通区块构成的区域作为目标区域；
提取目标区域对应的图像数据，并根据提取的图像数据生成目标路面图像。
上述技术方案达到的技术效果为：可以方便地从预处理图像中准确地确定路面所处的目标区域，将其对应的图像数据从预处理图像中提取出来，可以生成所需的目标路面图像，进而实现损坏类型及损坏区域的识别。
可选的，路面损坏检测模型为基于Resnet50卷积神经网络进行构建得到，包括基于Resnet50的特征提取层和分类层；
特征提取层包括依次连接的去除平均池化层和全连接层后的Resnet50、CSA的特征细化层和全局平均池化层；
分类层为两个全连接层，设置在全局平均池化层之后，在对应的目标函数的监督下，预测图像标签。
上述技术方案达到的技术效果为：可以实现特征提取、特征细化，增强了特征图中的重要区域，提高网络性能，简化结构，降低模型训练的复杂度。
可选的，在将训练数据集输入路面损坏检测模型中进行模型训练之前，所述方法还包括：
将目标路面图像的大小与路面损坏检测模型的输入窗口的大小进行比较，若二者相同，则将目标路面图像输入到路面损坏检测模型中；
若二者不同，则将对目标路面图像的图像数据执行缩放处理后写入到与输入窗口大小相同的图像中再输入到路面损坏检测模型中。
上述技术方案达到的技术效果为：对于输入路面损坏检测模型的不同大小的目标路面图像，采用不同的处理方式进行处理，不需要对所有图像进行缩放，可提高图像处理效率。
可选的，得到训练好的路面损坏检测模型，具体包括以下步骤：
提取训练数据集中目标路面图像的图像特征信息，并基于对应的目标框标记生成的标签信息，确认不同损坏类型的目标路面图像的图像特征信息并进行标记；
针对每个目标路面图像，根据对应的标签信息中的路面损坏区域，分别确定目标路面图像的图像特征信息中每个图像块与路面损坏区域的重叠率，获取该目标路面图像是否属于各损坏类型的标记信息；
基于每个目标路面图像是否属于各损坏类型的标记信息和图像特征信息，确认目标函数；
对目标函数进行优化，直至路面损坏检测模型的目标函数收敛时，获得训练好的路面损坏检测模型。
上述技术方案达到的技术效果为：通过该方法，不仅基于损坏类型标注信息，还可以利用损坏区域更加准确地定位出某损坏类型的图像特征信息，能够更准确区分损坏类型，提高训练可靠性及模型识别准确性。
可选的，在识别路面损坏类型、确定路面损坏的具体位置之后，所述方法还包括：
基于路面损坏类型和路面损坏的具体位置，判断道路安全隐患等级；
当判断结果为轻度安全隐患时，只进行日常养护管理，结合实际情况减少排查次数；
当判断结果为中度安全隐患时，加强日常养护管理，增加排查次数；
当判断结果为重度安全隐患时，进行风险警示，并制定专项监测方案或治理方案；
当判断结果为特重度安全隐患时，进行道路封闭，开展应急抢险。
本发明还提供了一种道路安全隐患的检测系统，包括：采集模块、预处理模块、提取模块、第一构建模块、第二构建模块、训练模块、检测模块；
采集模块，用于采集不同损坏类型的路面图像信息；
预处理模块，用于对路面图像信息进行预处理，获得预处理图像；
提取模块，用于对预处理图像进行目标区域提取，剔除预处理图像中的非目标区域图像，获得目标路面图像；
第一构建模块，用于对目标路面图像中的路面损坏区域及路面损坏类型进行目标框标记，构建训练数据集；
第二构建模块，用于构建路面损坏检测模型；
训练模块，用于将训练数据集输入路面损坏检测模型中进行模型训练，直至模型收敛，得到训练好的路面损坏检测模型；
检测模块，通过利用训练好的路面损坏检测模型对待检测路面图像进行检测，识别路面损坏类型，确定路面损坏的具体位置。
本发明还提供了一种计算机可存储介质，其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以上任一项所述道路安全隐患的检测方法的步骤。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种道路安全隐患的检测方法、系统及可存储介质，具有以下有益效果：
(1)本发明基于深度学习构建路面损坏检测模型并进行模型训练，利用训练好的路面检测模型进行识别，可快速、准确地判断可能存在的损坏区域及损坏类型，降低人工成本，提高道路路面安全隐患的排查能力；基于识别结果确认道路安全隐患等级并采取对应措施，可保证人民的生命财产安全，避免引发更大的损失；
(2)本发明可对摄像头获取的图像进行清晰化处理，改善图像质量，有利于提取有效信息以进行后续分析；能够方便地从预处理图像中准确地确定路面所处的目标区域，将其对应的图像数据从预处理图像中提取出来，可以生成所需的目标路面图像；对于输入路面损坏检测模型的不同大小的目标路面图像，采用不同的处理方式进行处理，不需要对所有图像进行缩放，可提高图像处理效率；
(3)本发明构建的路面损坏检测模型可以实现特征提取、特征细化，增强了特征图中的重要区域，提高网络性能，简化结构，降低模型训练的复杂度；而且，本方法不仅基于损坏类型标注信息，还可以利用损坏区域更加准确地定位出某损坏类型的图像特征信息，能够更准确区分损坏类型，提高训练可靠性及模型识别准确性。
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，还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种道路安全隐患的检测方法的流程图；
图2为本发明提供的一种道路安全隐患的检测系统的结构图。
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。
针对目前采用手工处理数据导致出现人工成本高、处理效率低以及对道路安全隐患的检测准确率低等问题，本发明实施例公开了一种道路安全隐患的检测方法，如图1所示，包括以下步骤：
采集不同损坏类型的路面图像信息，并对路面图像信息进行预处理，获得预处理图像；
对预处理图像进行目标区域提取，剔除预处理图像中的非目标区域图像，获得目标路面图像；
对目标路面图像中的路面损坏区域及路面损坏类型进行目标框标记，构建训练数据集；
构建路面损坏检测模型，将训练数据集输入路面损坏检测模型中进行模型训练，直至模型收敛，得到训练好的路面损坏检测模型；
利用训练好的路面损坏检测模型对待检测路面图像进行检测，识别路面损坏类型，确定路面损坏的具体位置。
基于图1所示步骤，本技术方案基于深度学习构建路面损坏检测模型并进行模型训练，利用训练好的路面检测模型进行识别，可快速、准确地判断可能存在的损坏区域及损坏类型，能够降低人工成本，提高道路路面安全隐患的排查能力，保证人民的生命财产安全。
进一步地，采集不同损坏类型的路面图像信息，具体包括以下步骤：
将安装有摄像头的若干灯杆安设在路面两侧，且相邻两个摄像头的拍摄范围存在重合区域，可确保通过摄像头能够获取全路段的路面图像信息；
利用多个摄像头对处于拍摄范围的路面进行多角度拍摄，得到若干路面图像视频；
根据预设的采样率，从路面图像视频中提取路面图像帧，得到多个路面图像以及路面图像所对应的空间属性信息。
在实际应用中，通过摄像头获取的路面图像视频可能会存在因室外光照度不够均匀而造成的灰度集中等问题，图像质量不够高，为后续的特征提取与分析带来影响。针对该问题，本实施例进一步公开了对路面图像信息进行预处理的方法，具体包括以下步骤：
对路面图像的对比度进行增强或拉伸处理，生成灰度增强及直方图均衡变换的第一图像；
采用邻域平均法及中值滤波法对第一图像进行消除噪声处理，生成去噪后的第二图像；
对第二图像进行锐化处理，生成边缘清晰的预处理图像。
基于本技术方案对路面图像进行图像增强处理、平滑滤波处理及锐化处理，可改善图像质量，有利于提取有效信息进行后续分析。
在对路面图像的损坏类型进行检测前，需要先确定预处理图像中路面所处的目标区域。为此，本实施例进一步公开了获得目标路面图像的方法，具体包括以下步骤：
基于预设特征对预处理图像进行划分，得到初始目标区域；
通过初始目标区域中相对于预设特征的高维特征，获取初始目标区域中相邻区块的相似度；
当初始目标区域中存在满足相似度条件的相邻区块时，将相邻区块进行连通并将连通后的区域作为新的目标区域重复上述步骤，直至目标区域中不存在满足相似度条件的相邻区块时，将最后连通区块构成的区域作为目标区域；
提取目标区域对应的图像数据，并根据提取的图像数据生成目标路面图像。
基于上述步骤，本技术方案通过相邻区块之间的相似度值确认是否进行连通，再基于新的连通区域不断重复该过程，可以将最终的连通区域视为目标区域，能够方便、准确地确定路面所处的目标区域；将目标区域对应的图像数据提取出来，再进一步生成目标路面图像，可用于后续路面损坏类型及路面损坏区域的识别，准确度更高。
进一步地，路面损坏检测模型为基于Resnet50卷积神经网络进行构建得到，包括基于Resnet50的特征提取层和分类层；
特征提取层包括依次连接的去除平均池化层和全连接层后的Resnet50、CSA的特征细化层和全局平均池化层；
分类层为两个全连接层，设置在全局平均池化层之后，在对应的目标函数的监督下，预测图像标签。
具体地，特征提取层可由独立卷积层和卷积残差结构组成，每个残差块中包含多个卷积层，每一层卷积操作后都经过BatchNorm正则化和Relu激活函数调整特征分布；在Resnet50后增加CSA，其参数和计算开销可以忽略不计，结构简单，可降低模型训练的复杂度。
在将训练数据集输入路面损坏检测模型中进行模型训练之前，通常会对图像进行缩放处理，但若对尺寸大小与模型输入所要求的大小一致的图像也进行该处理过程，会存在效率低的问题。为此，本实施例的道路安全隐患的检测方法还包括：
将目标路面图像的大小与路面损坏检测模型的输入窗口的大小进行比较，若二者相同，则将目标路面图像输入到路面损坏检测模型中；
若二者不同，则将对目标路面图像的图像数据执行缩放处理后写入到与输入窗口大小相同的图像中再输入到路面损坏检测模型中。
通过上述方法，本技术方案可以对不同大小的图像采取不同的处理方式，提高图像处理的效率，具有很好的技术效果。
进一步地，得到训练好的路面损坏检测模型，具体包括以下步骤：
提取训练数据集中目标路面图像的图像特征信息，并基于对应的目标框标记生成的标签信息，确认不同损坏类型的目标路面图像的图像特征信息并进行标记；
针对每个目标路面图像，根据对应的标签信息中的路面损坏区域，分别确定目标路面图像的图像特征信息中每个图像块与路面损坏区域的重叠率，获取该目标路面图像是否属于各损坏类型的标记信息；
基于每个目标路面图像是否属于各损坏类型的标记信息和图像特征信息，确认目标函数；
对目标函数进行优化，直至路面损坏检测模型的目标函数收敛时，获得训练好的路面损坏检测模型。
具体地，每个图像块与损坏区域的重叠率可以通过IOU值计算，当计算结果超过预设阈值时，认为此图像块属于损坏区域的可能性大，标记为1，否则标记为0，经过特征提取后得到的图像特征信息对应的即为特征图。基于此方法，标注有损坏类型以及损坏区域的信息，可以更加准确地确定某损坏类型的图像特征信息，区分其是否属于某种损坏类型，提高训练可靠性及识别准确度。
进一步地，在识别路面损坏类型、确定路面损坏的具体位置之后，所述方法还包括：
基于路面损坏类型和路面损坏的具体位置，判断道路安全隐患等级；
当判断结果为轻度安全隐患时，只进行日常养护管理，结合实际情况减少排查次数；
当判断结果为中度安全隐患时，加强日常养护管理，增加排查次数；
当判断结果为重度安全隐患时，进行风险警示，并制定专项监测方案或治理方案；
当判断结果为特重度安全隐患时，进行道路封闭，开展应急抢险。
在对待检测路面图像进行检测后，根据获得的路面损坏类型及路面损坏区域可以进一步判断道路安全隐患等级，并采取相应措施，可以避免带来更大的损失，及时预警，保证人民的生命财产安全。
本实施例还提供了一种计算机可存储介质，其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以上所述道路安全隐患的检测方法的步骤。
与图1所述的方法相对应，本发明实施例还提供了一种道路安全隐患的检测系统，用于对图1中方法的具体实现，本发明实施例提供的一种道路安全隐患的检测系统可以应用计算机终端或各种移动设备中，其结构示意图如图2所示，具体包括：采集模块、预处理模块、提取模块、第一构建模块、第二构建模块、训练模块、检测模块；
采集模块，用于采集不同损坏类型的路面图像信息；
预处理模块，用于对路面图像信息进行预处理，获得预处理图像；
提取模块，用于对预处理图像进行目标区域提取，剔除预处理图像中的非目标区域图像，获得目标路面图像；
第一构建模块，用于对目标路面图像中的路面损坏区域及路面损坏类型进行目标框标记，构建训练数据集；
第二构建模块，用于构建路面损坏检测模型；
训练模块，用于将训练数据集输入路面损坏检测模型中进行模型训练，直至模型收敛，得到训练好的路面损坏检测模型；
检测模块，通过利用训练好的路面损坏检测模型对待检测路面图像进行检测，识别路面损坏类型，确定路面损坏的具体位置。
本发明基于深度学习构建路面损坏检测模型并进行模型训练，利用训练好的路面检测模型进行识别，可快速、准确地判断可能存在的损坏区域及损坏类型，降低人工成本，提高道路路面安全隐患的排查能力；基于识别结果确认道路安全隐患等级并采取对应措施，可保证人民的生命财产安全，避免引发更大的损失，解决现有技术存在的问题。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种道路安全隐患的检测方法，其特征在于，包括以下步骤：
采集不同损坏类型的路面图像信息，并对路面图像信息进行预处理，获得预处理图像；
对预处理图像进行目标区域提取，剔除预处理图像中的非目标区域图像，获得目标路面图像；
对目标路面图像中的路面损坏区域及路面损坏类型进行目标框标记，构建训练数据集；
构建路面损坏检测模型，将训练数据集输入路面损坏检测模型中进行模型训练，直至模型收敛，得到训练好的路面损坏检测模型；
利用训练好的路面损坏检测模型对待检测路面图像进行检测，识别路面损坏类型，确定路面损坏的具体位置。
2.根据权利要求1所述的一种道路安全隐患的检测方法，其特征在于，采集不同损坏类型的路面图像信息，具体包括以下步骤：
将安装有摄像头的若干灯杆安设在路面两侧，且相邻两个摄像头的拍摄范围存在重合区域；
利用多个摄像头对处于拍摄范围的路面进行多角度拍摄，得到若干路面图像视频；
根据预设的采样率，从路面图像视频中提取路面图像帧，得到多个路面图像以及路面图像所对应的空间属性信息。
3.根据权利要求1所述的一种道路安全隐患的检测方法，其特征在于，对路面图像信息进行预处理，具体包括以下步骤：
对路面图像的对比度进行增强或拉伸处理，生成灰度增强及直方图均衡变换的第一图像；
采用邻域平均法及中值滤波法对第一图像进行消除噪声处理，生成去噪后的第二图像；
对第二图像进行锐化处理，生成边缘清晰的预处理图像。
4.根据权利要求1所述的一种道路安全隐患的检测方法，其特征在于，获得目标路面图像，具体包括以下步骤：
基于预设特征对预处理图像进行划分，得到初始目标区域；
通过初始目标区域中相对于预设特征的高维特征，获取初始目标区域中相邻区块的相似度；
当初始目标区域中存在满足相似度条件的相邻区块时，将相邻区块进行连通并将连通后的区域作为新的目标区域重复上述步骤，直至目标区域中不存在满足相似度条件的相邻区块时，将最后连通区块构成的区域作为目标区域；
提取目标区域对应的图像数据，并根据提取的图像数据生成目标路面图像。
5.根据权利要求1所述的一种道路安全隐患的检测方法，其特征在于，路面损坏检测模型为基于Resnet50卷积神经网络进行构建得到，包括基于Resnet50的特征提取层和分类层；
特征提取层包括依次连接的去除平均池化层和全连接层后的Resnet50、CSA的特征细化层和全局平均池化层；
分类层为两个全连接层，设置在全局平均池化层之后，在对应的目标函数的监督下，预测图像标签。
6.根据权利要求1所述的一种道路安全隐患的检测方法，其特征在于，在将训练数据集输入路面损坏检测模型中进行模型训练之前，所述方法还包括：
将目标路面图像的大小与路面损坏检测模型的输入窗口的大小进行比较，若二者相同，则将目标路面图像输入到路面损坏检测模型中；
若二者不同，则将对目标路面图像的图像数据执行缩放处理后写入到与输入窗口大小相同的图像中再输入到路面损坏检测模型中。
7.根据权利要求1所述的一种道路安全隐患的检测方法，其特征在于，得到训练好的路面损坏检测模型，具体包括以下步骤：
提取训练数据集中目标路面图像的图像特征信息，并基于对应的目标框标记生成的标签信息，确认不同损坏类型的目标路面图像的图像特征信息并进行标记；
针对每个目标路面图像，根据对应的标签信息中的路面损坏区域，分别确定目标路面图像的图像特征信息中每个图像块与路面损坏区域的重叠率，获取该目标路面图像是否属于各损坏类型的标记信息；
基于每个目标路面图像是否属于各损坏类型的标记信息和图像特征信息，确认目标函数；
对目标函数进行优化，直至路面损坏检测模型的目标函数收敛时，获得训练好的路面损坏检测模型。
8.根据权利要求1所述的一种道路安全隐患的检测方法，其特征在于，在识别路面损坏类型、确定路面损坏的具体位置之后，所述方法还包括：
基于路面损坏类型和路面损坏的具体位置，判断道路安全隐患等级；
当判断结果为轻度安全隐患时，只进行日常养护管理，结合实际情况减少排查次数；
当判断结果为中度安全隐患时，加强日常养护管理，增加排查次数；
当判断结果为重度安全隐患时，进行风险警示，并制定专项监测方案或治理方案；
当判断结果为特重度安全隐患时，进行道路封闭，开展应急抢险。
9.一种道路安全隐患的检测系统，其特征在于，包括：采集模块、预处理模块、提取模块、第一构建模块、第二构建模块、训练模块、检测模块；
采集模块，用于采集不同损坏类型的路面图像信息；
预处理模块，用于对路面图像信息进行预处理，获得预处理图像；
提取模块，用于对预处理图像进行目标区域提取，剔除预处理图像中的非目标区域图像，获得目标路面图像；
第一构建模块，用于对目标路面图像中的路面损坏区域及路面损坏类型进行目标框标记，构建训练数据集；
第二构建模块，用于构建路面损坏检测模型；
训练模块，用于将训练数据集输入路面损坏检测模型中进行模型训练，直至模型收敛，得到训练好的路面损坏检测模型；
检测模块，通过利用训练好的路面损坏检测模型对待检测路面图像进行检测，识别路面损坏类型，确定路面损坏的具体位置。
10.一种计算机可存储介质，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如权利要求1-8任一项所述道路安全隐患的检测方法的步骤。
CN202310342080.8A 2023-03-31 2023-03-31 一种道路安全隐患的检测方法、系统及可存储介质 Pending CN116402782A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310342080.8A CN116402782A (zh) 2023-03-31 2023-03-31 一种道路安全隐患的检测方法、系统及可存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310342080.8A CN116402782A (zh) 2023-03-31 2023-03-31 一种道路安全隐患的检测方法、系统及可存储介质

Publications (1)

Publication Number Publication Date
CN116402782A true CN116402782A (zh) 2023-07-07

Family

ID=87008538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310342080.8A Pending CN116402782A (zh) 2023-03-31 2023-03-31 一种道路安全隐患的检测方法、系统及可存储介质

Country Status (1)

Country Link
CN (1) CN116402782A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116911711A (zh) * 2023-07-25 2023-10-20 重庆工程职业技术学院 一种物流运输规划方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116911711A (zh) * 2023-07-25 2023-10-20 重庆工程职业技术学院 一种物流运输规划方法
CN116911711B (zh) * 2023-07-25 2024-04-05 重庆工程职业技术学院 一种物流运输规划方法

Similar Documents

Publication Publication Date Title
CN109637151B (zh) 一种高速公路应急车道违章行驶的识别方法
CN110210451B (zh) 一种斑马线检测方法
CN107301777A (zh) 基于视频检测技术的车辆违章变道检测方法
CN104992145A (zh) 一种矩采样车道跟踪检测方法
CN101211408A (zh) 车辆侧面图像识别方法及装置、车灯误识别检测和行驶安全预测方法
CN104881661B (zh) 基于结构相似度的车辆检测方法
CN106529593B (zh) 路面病害检测方法和系统
CN108921076B (zh) 基于图像的道面裂缝病害自适应恒虚警检测方法
CN105741559A (zh) 一种基于车道线模型的违法占用应急车道检测方法
CN116402782A (zh) 一种道路安全隐患的检测方法、系统及可存储介质
CN109632037B (zh) 一种基于图像智能识别的城市内涝积水深度检测方法
CN112633722A (zh) 车载道路安全风险评估系统及方法
CN111652033A (zh) 基于OpenCV的车道线检测方法
CN107622494A (zh) 面向交通视频的夜间车辆检测与跟踪方法
Premachandra et al. Image based automatic road surface crack detection for achieving smooth driving on deformed roads
Abou Chacra et al. Municipal infrastructure anomaly and defect detection
Kaushik et al. Pothole detection system: A review of different methods used for detection
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
CN113723273A (zh) 一种车辆轨迹信息确定方法、装置及计算机设备
CN116631187B (zh) 一种案件现场勘查信息智能采集分析系统
CN116738319A (zh) 高速公路车辆爆胎预警装置及方法
Gorintla et al. Deep-learning-based intelligent PotholeEye+ detection pavement distress detection system
Chen et al. A review on computer vision and machine learning techniques for automated road surface defect and distress detection
CN113553953B (zh) 车辆抛物检测方法、装置、电子装置及可读存储介质
CN112836619A (zh) 嵌入式车载远红外行人检测方法、系统、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