CN116485843B - 一种道路病害识别追踪方法 - Google Patents

一种道路病害识别追踪方法 Download PDF

Info

Publication number
CN116485843B
CN116485843B CN202310593450.5A CN202310593450A CN116485843B CN 116485843 B CN116485843 B CN 116485843B CN 202310593450 A CN202310593450 A CN 202310593450A CN 116485843 B CN116485843 B CN 116485843B
Authority
CN
China
Prior art keywords
disease
frame
road
tracking
diseases
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.)
Active
Application number
CN202310593450.5A
Other languages
English (en)
Other versions
CN116485843A (zh
Inventor
周潼
丁新勇
史建波
洪鹤松
陈昊
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.)
Jiangsu Quanzhan Intelligent Technology Co ltd
Original Assignee
Jiangsu Quanzhan Intelligent Technology 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 Jiangsu Quanzhan Intelligent Technology Co ltd filed Critical Jiangsu Quanzhan Intelligent Technology Co ltd
Priority to CN202310593450.5A priority Critical patent/CN116485843B/zh
Publication of CN116485843A publication Critical patent/CN116485843A/zh
Application granted granted Critical
Publication of CN116485843B publication Critical patent/CN116485843B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06T2207/20081—Training; Learning
    • 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]
    • 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
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking

Landscapes

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

Abstract

本发明涉及图像处理技术领域，尤其涉及一种道路病害识别追踪方法，包括采集路面视频数据，并提取存在病害的图像；标记病害和对应病害路面；构建病害数据集和病害路面实例分割数据集；构建yolov5网络模型，对病害数据集进行数据增强，并对病害进行目标检测训练；利用blendmask模型对病害路面进行实例分割，识别出路面区域；并判断病害是否在路面上；利用resnet模型对不同的帧图像进行特征提取；并根据车辆方向、车辆静止和运动状态对连续帧中检测到的病害匹配相同追踪id；给病害图像赋予GPS坐标位置。本发明解决道路病害识别率不高；识别道路病害时未考虑周围环境对道路识别影响问题。

Description

一种道路病害识别追踪方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种道路病害识别追踪方法。
背景技术
随着经济的发展，省国道公路网络发展迅速，但公路管养需求日益增加。小病害不被及时发现、修复，就会快速恶化，降低道路的使用寿命，严重威胁道路交通安全。而目前道路巡检和技术状况评定，有依靠人工巡查、拍照纪录的方式来完成，漏检率高、效率低，而且巡检员在车流中拍照存在较大的安全隐患。
另外，现有基于人工神经网络算法对道路病害进行识别，但存在如下问题：
1、道路病害识别率不高；
2、识别道路病害时未考虑周围环境对道路识别影响，例如道路周边有房屋等会影响识别准确性。
发明内容
针对现有方法的不足，本发明所采用的技术方案是：一种道路病害识别追踪方法包括以下步骤：
步骤一、采集路面视频数据，从中提取存在病害的图像，使用矩形框标记病害，使用多边形标记病害对应路面，构建病害数据集和路面实例分割数据集；
步骤二、构建yolov5网络模型，对训练集进行数据增强，利用病害数据集对病害的目标检测模型进行训练；
进一步的，yolov5网络模型采用anchor-based和one-stage结构，输出端使用PAN-FPN的方式输出40x40，80x80，160x160三种特征图，利用聚类的方式生成九个尺寸的anchor，将anchor升序后分为三组，并分别分配给三种特征图；
yolov5网络模型训练时取图像ground truth框中心点坐标的像素点和与groundtruth框中心点坐标距离最小的两个像素点坐标得到bounding box，作为训练的正样本；计算每个特征图anchor与bounding box的最大长宽比，并根据最大长宽比将bounding box分配到对应的特征图上。
进一步的，使用CIOU作为yolov5网络模型的边框回归损失，使用二分类交叉熵作为分类损失，同时使用FocalLoss解决正负样本不平衡。
进一步的，将目标置信度重置为目标置信度和分类置信度的乘积，利用重置的目标置信度进行目标框的筛选；对筛选后的目标框进行降序并保留若干个；并对若干个目标框进行nms处理。
步骤三、利用blendmask模型对病害路面进行实例分割，识别出路面区域；并判断病害是否在路面上；
进一步的，blendmask模型的backbone使用Fcos模型，Fcos模型在输出端使用fpn的方式得到三个尺寸不同的特征图，对三个尺寸特征图中最小的特征图进行下采样，得到两个新的特征图；将五个特征图分别通过Bottom module和top layers两个模块分别生成Base score map和top-level attentions两部分；通过blender模块对top-levelattentions和Base进行融合，输出代表路面区域的多边形框。
进一步的，利用shapely工具计算目标检测到的病害矩形框和实例分割的路面区域的多边形框相交的比例，并与阈值进行比较，实现病害和路面的匹配。
步骤四、利用resnet模型对不同的帧图像进行特征提取；并根据车辆方向、车辆静止和运动状态对连续帧中检测到的病害匹配相同追踪id；
进一步的，通过resnet模块抽取检测框范围某帧图像特征，并与检测框范围的下一帧图像特征计算余弦距离，当余弦距离小于设定阈值时将两帧图像标注为相同追踪id。
进一步的，车辆方向的判断规则为：
设定病害的检测框中心点的坐标，计算两帧图像中病害的检测框DIOU大小和图像特征的余弦距离，并与预设阈值进行比较；满足阈值条件后通过两个检测框的位置坐标确定车辆移动方向。
进一步的，车辆静止和运动状态的判断规则为：
同一病害在画面中的位置和图像特征变化小于设定阈值，判断病害处于静止状态，否则为运动状态。
步骤五、给病害图像赋予GPS坐标位置；
进一步的，具体包括：
读取GPS文件中视频某一时间的车辆GPS坐标，选择与待检测图像时间点最近的两个GPS坐标，通过两个GPS坐标直线距离上的插值计算待检测图像的GPS坐标。
本发明的有益效果：
1、通过实例分割模型检测到图像中的路面区域，过滤路面的周围环境等影响因素，能有效区分与病害相似的类别，提高路害识别准确率；
2、对于汽车运动和静止这两种相反情况下设计的目标追踪判断方式，能准确追踪多个连续帧的同一目标；
3、通过计算机视觉模型进行动态轮巡，与传统轮巡方式相比拥有更高的效率，节省大量人力。
附图说明
图1是本发明的道路病害识别追踪方法流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明，此图为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1所示，一种道路病害识别追踪方法包括以下步骤：
步骤一、通过巡查前置摄像设备，实时获取路面视频数据，通过opencv对视频逐帧读取；
巡查前置摄像设备的视频xxx.mp4上传到服务器；其中，xxx.mp4的视频名称中包括：经过模型处理后的视频存储路径以及视频的开始时间以及结束时间，通过特定形式拼接在一起；视频上传完成后需要继续上传与视频对应的GPS文件xxx.txt，这个文件中保存的是GPS坐标点以及坐标对应的时间，在这两个文件上传完成后，再上传一个大小为0kb的xxx.lock文件，当程序检测到xxx.lock文件时会启动模型。
对图像中存在的病害类型通过Labview工具进行标注；病害类型包括：横向裂缝、纵向裂缝、龟裂，坑槽；并将采集的数据分为训练集和测试集。
前置摄像头可以为专用车载设备，也可以是公共交通工具的视频采集识别，例如公交车前置摄像头。
步骤二、利用yolov5网络模型对训练集图像中进行病害目标检测，输出病害的位置和类型特征；
具体包括：
yolov5网络模型采用anchor-based和one-stage结构，将输入图像设置为1280x1280像素分辨率，不同于一般以640X640的图像输入，更大的分辨率可以更好的提取图像特征。
数据增强方面包括：水平偏转、随机裁剪、图像亮度和对比度随机增减、图像腐蚀和图像膨胀。
yolov5网络模型输出端使用PAN-FPN的方式输出40x40，80x80，160x160三种特征图，有利于对于小目标的检测，例如小型的坑槽等；在训练集上使用标记好的框，利用聚类的方式生成九个尺寸的anchor，以从小到大的顺序分配给三种特征图，即每个特征图的每个像素点将有三种不同尺寸的anchor；例如九个尺寸的anchor从小到大的顺序为1-9，将1-3分配给40x40，4-6分配给80x80，7-9分配给160x160；在yolov5网络模型训练时，取图像ground truth框中心点坐标的像素点和与ground truth框中心点坐标距离最小的两个像素点坐标得到bounding box，作为训练的正样本；计算每个特征图anchor与bounding box的最大长宽比，并根据最大长宽比将bounding box分配到对应的特征图上；这样增加正样本数量更有利模型收敛，提高召回率和模型泛化性。
使用CIOU作为yolov5网络模型的边框回归损失，使用二分类交叉熵作为分类损失，同时使用FocalLoss来解决正负样本不平衡的问题，对于yolov5网络模型的推理，将目标置信度重置为目标置信度和分类置信度的乘积，再使用目标置信度进行粗筛，即过滤掉目标置信度小于0.5的框，将剩下的框按照目标置信度从大到小排列，最多只保留300个，最后对剩下的框进行nms处理，得到病害检测结果。
步骤三、利用blendmask模型对步骤二中识别的病害的区域进行实例分割，识别出路面，并判断病害是否在路面上；
周围环境中存在与病害相似的特征，例如房屋的裂缝可能会误判为路害，还有灌缝、切割缝、车辙、水渍等也可能会误判为路害，为了减少周围环境对于检测的干扰，以blendmask为基线模型，模型的backbone使用的是Fcos模型，沿用了anchor-free的结构和blender模块；Fcos模型在输出端使用fpn的方式得到三个尺寸不同的特征图；对三个尺寸特征图中最小的特征图进行下采样，得到两个新的特征图；即图像经过Fcos模型后，输出五个尺寸不同的特征图，将这五个特征图分别通过Bottom module和top layers两个模块，分别生成Base score map和top-level attentions两部分；其中，top-level attentions代表Base中每个像素点的权重值；最后通过blender模块对top-level attentions和Base进行融合，输出代表路面区域的多边形框。
将图像中路面的区域检测出来后，利用shapely工具计算目标检测到的病害矩形框和实例分割的路面区域的多边形框是否有相交；如果有，计算相交部分的面积占病害所在的矩形框的百分比，如果小于阈值则过滤掉检测结果；如果没有，则判断病害在路面上，从而准确的将病害和路面进行匹配。
步骤四、利用resnet模型对不同的帧图像进行特征提取；并根据车辆方向、车辆静止和运动状态对连续帧中检测到的病害匹配相同追踪id，完成病害的目标追踪；
病害的目标追踪分为两部分：1、以resnet为基线模型的图像分类模型；2、用于检测框匹配的目标追踪模型。
输入端需要目标检测框的坐标、类别和置信度，现有方法是利用目标检测框以卡尔曼滤波预测模型预测下一帧可能检测框，等下一帧出框时，将所有的检测框与预测框通过匈牙利算法进行匹配，最后输出预测框，但是以卡尔曼滤波预测模型对运动的车辆，预测效果比较差。
因此本发明改进后的目标追踪模型输出框是以目标检测出的框为主，而不是预测的框，并且完善了检测框与下一帧检测框的匹配方式与标准。
具体包括：输入端获取检测框信息后，通过resnet模块抽取检测框范围某帧图像特征，并与检测框范围的下一帧图像特征计算余弦距离；理论上来说余弦距离越小，特征越相似，当余弦距离小于设定阈值时将两帧图像标注为相同追踪id。
除此之外，根据车辆行驶方向，车辆静止和运动的两种状态实际情况来设计和完善匹配的方法。
因为车辆在行驶过程中，一段时间内行驶方向是固定的，默认是向前行驶，假设车辆在向前行驶，那么同一个病害的检测框在画面中的变化是从上到下直至消失在画面中，也就是说同一个病害的检测框是在向下运动；并且如果检测出多个病害，多个相同的病害的检测框运动方向是相同的，设定检测框中心点的坐标为(x,y)，向前行驶时y值不断变大，当病害出现时，通过计算两帧图像中病害的检测框DIOU大小和图像特征的余弦距离来对检测框进行匹配，当检测框DIOU大小和图像特征的余弦距离均小于预设阈值时匹配成功，利用匹配成功的两个检测框的位置坐标确定车辆移动方向，在后续出现的检测框中，首先排除与车辆移动方向不一致的检测框。
另外，需要考虑车辆静止状态时，画面中的病害可能被路过的行人、车辆造成遮挡，使目标追踪模型长时间内没有检测到病害，使同一处病害未匹配到一起；为解决这个问题，首先判断病害是否处于静止状态，在静止状态时，同一病害在画面中的位置和图像特征变化小于设定阈值，判断病害处于静止状态，否则为运动状态；如果车辆为静止状态，则将增加检测框信息的保存时间，以避免目标追踪模型长时间未检测到目标导致的追踪失败。
最后将匹配成功的不同帧之间的两个框，分配追踪id，并且在track这个类别中，记录以追踪id为标识下的最新帧检测框的图像特征；即这个追踪id下已经有两个不同帧的检测框信息，只保留最新的检测框信息，之后留待后续有没有检测框继续匹配在这个追踪id下，如果有，再将原有信息更新掉；最后将留下的检测结果通过目标追踪模型来判断并赋予连续帧的相同病害同一个追踪id。
步骤五、给病害图像赋予GPS坐标位置；
除了目标追踪模型输出的追踪id，病害类别，置信度，矩形框坐标等信息，还要给检测到的病害赋予GPS坐标位置，通过读取GPS文件中视频某一时间的车辆GPS坐标，选择离正在检测的这张图像在视频中对应时间最相近的两个GPS坐标，通过在这两个GPS坐标直线距离上的插值来计算这一帧的具体GPS坐标，例如视频现在的FPS为30，即一秒钟30帧，而GPS坐标的时间间隔为一秒钟，那第10帧的GPS坐标应该就在这两个GPS坐标直线距离的三分之一处。
整合整个模型得到的所有信息，在视频结束后，通过接口方式发送给服务端处理，并且将检测完的视频通过ffmpeg转码为H264的格式，使得视频可以通过网页播放。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (6)

1.一种道路病害识别追踪方法，其特征在于，包括以下步骤：
步骤一、采集路面视频数据，并提取存在病害的图像；标记病害和对应病害路面；构建病害数据集和病害路面实例分割数据集；
步骤二、构建yolov5网络模型，对病害数据集进行数据增强，并对病害进行目标检测训练；
步骤三、利用blendmask模型对病害路面进行实例分割，识别出路面区域；并判断病害是否在路面上；
利用shapely工具计算目标检测到的病害矩形框和实例分割的路面区域的多边形框是否有相交；如果有，计算相交部分的面积占病害所在的矩形框的百分比，如果小于阈值则过滤掉检测结果；如果没有，则判断病害在路面上；
步骤四、利用resnet模型对不同的帧图像进行特征提取；并根据车辆方向、车辆静止和运动状态对连续帧中检测到的病害匹配相同追踪id；
输入端获取检测框信息后，通过resnet模块抽取检测框范围某帧图像特征，并与检测框范围的下一帧图像特征计算余弦距离；当余弦距离小于设定阈值时将两帧图像标注为相同追踪id；
设定检测框中心点的坐标为(x,y)，当病害出现时，通过计算两帧图像中病害的检测框DIOU大小和图像特征的余弦距离来对检测框进行匹配，当检测框DIOU大小和图像特征的余弦距离均小于预设阈值时匹配成功，利用匹配成功的两个检测框的位置坐标确定车辆移动方向；
判断病害是否处于静止状态，在静止状态时，同一病害在画面中的位置和图像特征变化小于设定阈值，判断病害处于静止状态，否则为运动状态；
将匹配成功的不同帧之间的两个框，分配追踪id，并且在track类别中，记录以追踪id为标识下的最新帧检测框的图像特征；即追踪id下已经有两个不同帧的检测框信息，只保留最新的检测框信息，留待后续有没有检测框继续匹配在这个追踪id下，如果有，将原有信息更新；最后将留下的检测结果通过目标追踪模型来判断并赋予连续帧的相同病害同一个追踪id；
步骤五、给病害图像赋予GPS坐标位置。
2.根据权利要求1所述的道路病害识别追踪方法，其特征在于，yolov5网络模型采用anchor-based和one-stage结构，输出端使用PAN-FPN的方式输出40x40，80x80，160x160三种特征图，利用聚类的方式生成九个尺寸的anchor，将anchor升序后分为三组，并分别分配给三种特征图；
训练时取图像ground truth框中心点坐标的像素点和与ground truth框中心点坐标距离最小的两个像素点坐标得到boundingbox，作为训练的正样本；计算每个特征图anchor与bounding box的最大长宽比，并根据最大长宽比将bounding box分配到对应的特征图上。
3.根据权利要求2所述的道路病害识别追踪方法，其特征在于，使用CIOU作为yolov5网络模型的边框回归损失，使用二分类交叉熵作为分类损失，同时使用FocalLoss解决正负样本不平衡。
4.根据权利要求2所述的道路病害识别追踪方法，其特征在于，yolov5网络模型的推理是将目标置信度重置为目标置信度和分类置信度的乘积，利用重置的目标置信度进行目标框的筛选；对筛选后的目标框进行降序并保留若干个；并对若干个目标框进行nms处理。
5.根据权利要求1所述的道路病害识别追踪方法，其特征在于，blendmask模型的backbone使用Fcos模型，Fcos模型在输出端使用fpn的方式得到三个尺寸不同的特征图，对三个尺寸特征图中最小的特征图进行下采样，得到两个新的特征图；将五个特征图分别通过Bottom module和top layers两个模块分别生成Base score map和top-levelattentions两部分；通过blender模块对top-level attentions和Base进行融合，输出代表路面区域的多边形框。
6.根据权利要求1所述的道路病害识别追踪方法，其特征在于，步骤五具体包括：读取GPS文件中视频某一时间的车辆GPS坐标，选择与待检测图像时间点最近的两个GPS坐标，通过两个GPS坐标直线距离上的插值计算待检测图像的GPS坐标。
CN202310593450.5A 2023-05-24 2023-05-24 一种道路病害识别追踪方法 Active CN116485843B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310593450.5A CN116485843B (zh) 2023-05-24 2023-05-24 一种道路病害识别追踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310593450.5A CN116485843B (zh) 2023-05-24 2023-05-24 一种道路病害识别追踪方法

Publications (2)

Publication Number Publication Date
CN116485843A CN116485843A (zh) 2023-07-25
CN116485843B true CN116485843B (zh) 2024-08-06

Family

ID=87213968

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310593450.5A Active CN116485843B (zh) 2023-05-24 2023-05-24 一种道路病害识别追踪方法

Country Status (1)

Country Link
CN (1) CN116485843B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080620A (zh) * 2019-12-13 2020-04-28 中远海运科技股份有限公司 一种基于深度学习的道路病害检测方法
CN113869192A (zh) * 2021-09-26 2021-12-31 无锡数据湖信息技术有限公司 道路路面病害智能识别方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898085B (zh) * 2018-06-20 2022-06-21 安徽大学 一种基于手机视频的道路病害智能检测方法
CN112598672A (zh) * 2020-11-02 2021-04-02 坝道工程医院(平舆) 一种基于深度学习的路面病害图像分割方法和系统
CN113780200A (zh) * 2021-09-15 2021-12-10 安徽理工大学 基于计算机视觉的路面多种病害面积检测及定位方法
CN113989230A (zh) * 2021-10-28 2022-01-28 华东交通大学 一种基于改进YOLOv4的公路路面病害检测方法
CN115019274B (zh) * 2022-06-13 2024-06-28 重庆大学 一种融合追踪与检索算法的路面病害识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080620A (zh) * 2019-12-13 2020-04-28 中远海运科技股份有限公司 一种基于深度学习的道路病害检测方法
CN113869192A (zh) * 2021-09-26 2021-12-31 无锡数据湖信息技术有限公司 道路路面病害智能识别方法

Also Published As

Publication number Publication date
CN116485843A (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN111368687B (zh) 一种基于目标检测和语义分割的人行道车辆违停检测方法
CN110487562B (zh) 一种用于无人驾驶的车道保持能力检测系统及方法
CN109977812B (zh) 一种基于深度学习的车载视频目标检测方法
Omer et al. An automatic image recognition system for winter road surface condition classification
CN106652468B (zh) 车辆道路前车违规检测和自车违规预警提醒装置及方法
CN103824452B (zh) 一种轻量级的基于全景视觉的违章停车检测装置
CN110659539A (zh) 一种信息处理方法及其装置
CN110222667B (zh) 一种基于计算机视觉的开放道路交通参与者数据采集方法
CN114898296B (zh) 基于毫米波雷达与视觉融合的公交车道占用检测方法
CN108416316B (zh) 一种黑烟车的检测方法及系统
CN110298300A (zh) 一种检测车辆违章压线的方法
CN113781537B (zh) 一种轨道弹条扣件缺陷识别方法、装置和计算机设备
CN113903008A (zh) 基于深度学习和轨迹跟踪的匝道出口车辆违法识别方法
CN110689724A (zh) 一种基于深度学习的机动车斑马线礼让行人自动审核方法
CN112885108B (zh) 一种基于深度学习算法的停车位上车辆换车检测方法及系统
CN112084892B (zh) 一种道路异常事件检测管理装置及其方法
Abou Chacra et al. Municipal infrastructure anomaly and defect detection
Wei et al. Damage inspection for road markings based on images with hierarchical semantic segmentation strategy and dynamic homography estimation
Yamazaki et al. Vehicle extraction and speed detection from digital aerial images
CN111768373A (zh) 基于深度学习的层级式路面标记破损检测方法
Sucgang et al. Road surface obstacle detection using vision and LIDAR for autonomous vehicle
Coronado et al. Detection and classification of road signs for automatic inventory systems using computer vision
CN116485843B (zh) 一种道路病害识别追踪方法
CN116152496A (zh) 一种基于帧差法和语义分割结合的道路抛洒物识别方法
Wang et al. Detection of lane lines on both sides of road based on monocular camera

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