CN116559169B - 一种路面状态实时检测方法 - Google Patents
一种路面状态实时检测方法 Download PDFInfo
- Publication number
- CN116559169B CN116559169B CN202310843808.5A CN202310843808A CN116559169B CN 116559169 B CN116559169 B CN 116559169B CN 202310843808 A CN202310843808 A CN 202310843808A CN 116559169 B CN116559169 B CN 116559169B
- Authority
- CN
- China
- Prior art keywords
- picture
- pavement
- road surface
- pictures
- ice
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000005012 migration Effects 0.000 claims abstract description 13
- 238000013508 migration Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000013515 script Methods 0.000 claims abstract description 7
- 238000011897 real-time detection Methods 0.000 claims abstract description 5
- 238000009833 condensation Methods 0.000 claims description 17
- 230000005494 condensation Effects 0.000 claims description 13
- 238000005286 illumination Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 239000011248 coating agent Substances 0.000 claims description 3
- 238000000576 coating method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims 1
- 238000012549 training Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 239000011384 asphalt concrete Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/42—Road-making materials
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biomedical Technology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种路面状态实时检测方法，包括以下步骤：S1、获取待测路面的图片；S2、从实验室数据库中随机抽取一张图片对待测路面图片进行领域迁移；S3、利用脚本将步骤S1所获取的待测路面的图片阵列切分成若干张，并将切分得到的所有图片缩放到合适的长宽尺寸；S4、利用机器视觉模型对每一份图片进行推理，并统计潮湿、凝冰和干燥三类图片的数量；S5、根据统计到的潮湿、凝冰和干燥图像占比值来判断路面的实际情况。本发明的实时检测方法采用图片领域迁移的方式，利用大量的室内试验数据来达到分析现场数据的作用，降低了数据采集成本，提高了检测精度。
Description
技术领域
本发明涉及道路信息监测技术领域，具体涉及一种路面状态实时检测方法。
背景技术
如果冬天道路出现凝冰的话就容易产生交通安全隐患，高速公路管理人员不可能时时刻刻去道路的每一处去观察凝冰状态，而高速公路上的司机也不能实时将高速公路的路面凝冰状态报告给交管部门，因而高速公路通常会安装凝冰检测仪用于检测道路有没有凝冰甚至检测道路结冰的厚度。再把检测到的情况发给交管部门，交管部门决定是否要对道路采取撒盐和吹热风等除冰方式。现有的凝冰检测仪的探测器是插入路面内部的，该凝冰检测仪时刻监控路面的状态，其对每个地点的凝冰检测是实时的，但其不能直接检测路面表面温度。另外，还存在当每次道路定期修复时必须取出、更换的问题。
发明内容
本发明的目的在于提供一种路面状态实时检测方法，以解决背景技术中提出的问题。
为实现上述目的，本发明提供了一种路面状态实时检测方法，包括以下步骤：
S1、获取待测路面的图片；
S2、从实验室数据库中随机抽取一张图片对待测路面图片进行领域迁移；
S3、利用脚本将经所述步骤S2处理后的待测路面的图片阵列切分成N×N结构的若干份，并将切分得到的所有图片缩放到合适的长宽尺寸；
S4、利用机器视觉模型对每一份图片进行推理，并统计潮湿、凝冰和干燥三类图片的数量；
S5、根据统计到的潮湿、凝冰和干燥图像占比值来判断路面的实际情况。
进一步的，所述步骤S2中，采用FDA方法对待测路面图片进行领域迁移；具体步骤为：首先通过傅立叶变换分离出待测路面图片的位置信息和颜色信息，再利用从实验室数据库中随机抽取的图片的中间部分的图片信息替换待测路面图片的中间部分的颜色信息，最终完成待测路面图片整体的风格迁移。
进一步的，在所述步骤S4中还包括利用路面板进行实验凝冰以获得机器视觉模型，具体包括以下步骤：
S41、首先拍摄路面板在干燥状态下的图片，再使用模拟降雨装置对所述路面板进行模拟降水，然后拍摄所述路面板在潮湿状态下的图片；
S42、将潮湿的路面板放入高低温试验箱进行凝冰，调节高低温试验箱内的温度，观察路面板状态；每隔3~6分钟将所述路面板取出一次，将所述路面板放在地面上进行拍摄；
S43、待所述路面板表面的水全部结冰后，取出所述路面板继续使用模拟降雨装置对其进行模拟降水并拍摄图片，然后重复所述步骤S42，直到所述路面板表面的冰厚和覆冰状态满足设定要求为止。
进一步的，所述步骤S41至步骤S43中，分别设置多种不同的光照条件，并在不同的光照条件下从上往下对路面板垂直拍摄图片；利用python脚本，将拍摄获得的若干张图片分别阵列切分为与所述步骤S3中的待测路面切分得到的图片相适配的若干张小图片，并对每张小图片制作标签。
相比于现有技术，本发明具有以下有益效果：
本发明的路面状态实时检测方法基于图像学，通过在实验室对路面板进行实验凝冰，且在试验过程中对路面板进行拍照，并采用FDA模型消除领域的迁移的问题和影响；本发明的方法采用图像领域迁移的方式，利用大量的室内试验数据来达到分析现场路面数据的目的，通过实验内部的数据来解决实际场景中的凝冰状态问题，降低了数据采集成本，提高了检测精度。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是本发明一种路面状态实时检测方法的流程示意图；
图2是本发明中模型的训练损失变化示意图；
图3是本发明中模型的验证损失变化示意图；
图4是本发明中模型的最高准确率示意图；
图5是本发明中模型后期稳定准确率示意图；
图6是本发明中模型的推理速度示意图；
图7是本发明中模型参数量大小示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。
请参见图1，本实施例的一种路面状态实时检测方法，路面状态包括干燥、潮湿和凝冰三种状态，该方法包括以下步骤：
S1、采用相机现场拍摄待测路面的图片；相机拍摄参数：1200万像素传感器（1.7微米像素），等效26毫米f/1.6镜头。
S2、从实验室数据库中随机抽取一张图片采用FDA方法对现场拍摄的待测路面图片进行领域迁移；具体步骤为：首先通过傅立叶变换分离出待测路面图片的位置信息和颜色信息，再利用从实验室数据库中随机抽取的图片的中间部分的图片信息替换待测路面图片的中间部分的颜色信息，最终完成待测路面图片整体的风格迁移。该步骤中，因拍摄设备不同、光线不同等原因，导致实验室对路面板的凝冰照片与现场拍摄的高速公路路面凝冰照片可能会存在较大差异，这种差异在计算机视觉领域被称为领域差异。本发明使用领域迁移的手段则可以消除这种领域差异而使模型提升推理精度。
S3、利用脚本将经步骤S2中处理后的待测路面图片裁切成大小相等的9份，3×3基本结构，并将切分得到的所有图片缩放到228×228长宽大小。
S4、利用机器视觉模型对每一份图片进行推理，并统计潮湿、凝冰和干燥三类状态图片的数量；具体地，利用路面板在道路工程实验室内进行实验凝冰以获得机器视觉模型，路面板类为似于高速公路的沥青路面，采用控制温度使得路面板上产生凝冰的仪器进行测试，这些仪器包括用于路面实验的保温箱等。具体包括以下步骤：
S41、首先拍摄路面板在干燥状态下的图片，再使用模拟降雨装置对所述路面板进行模拟降水，然后拍摄所述路面板在潮湿状态下的图片；
S42、将潮湿的路面板放入高低温试验箱进行凝冰，调节高低温试验箱内的温度，观察路面板状态；每隔5分钟将所述路面板取出一次，将所述路面板放在地面上进行拍摄；
S43、待所述路面板表面的水全部结冰后，取出所述路面板继续使用模拟降雨装置对其进行模拟降水并拍摄图片，然后重复所述步骤S42，直到所述路面板表面的冰厚和覆冰状态满足设定要求为止。
S5、根据统计到的潮湿、凝冰和干燥三类状态图像的占比值来判断路面的实际情况。
在一种具体的实施方式中，所述步骤S41至步骤S43中，分别设置多种不同的光照条件，并在不同的光照条件下从上往下对路面板垂直拍摄图片；利用python脚本，将拍摄获得的若干张图片分别阵列切分为与所述步骤S3中的待测路面切分得到的图片相适配的若干张小图片，并对每张小图片制作标签。本实施例中，选用30×30×5cm的正方形路面板模拟实际道路，并根据所选取的路面板的尺寸将每块路面板切分为3×3共9个格子。
在一种具体的实施方式中，采用AC13细粒式沥青混凝土制备1个路面板试件，AC13的油石比4.5%，搅拌4.5L，各材料用量具体为：
在一种具体的实施方式中，分类头采用线性分类网络结构，其中保持分类头不变，选取几类用于提取特征的主干网络来对模型进行优化与确定。对比选取的主干网络具体为以下4大类14小类，这几大类模型的基本结构一致，同一大类中不同小类模型的主要区别是模型规模不同，具体为：
第1大类为Resnet网络，包括resnet50、resnet34、resnet18和resnet101模型；第2大类为VGG网络，包括vgg11、vgg13、vgg16和vgg19模型；第3大类为Vision Transformer网络，包括vit_b_16、vit_b_32和vit_l_32模型；第4大类为Swin Transformer网络，包括swin_t、swin_b和swin_s模型。其中，对Resnet网络和VGG网络训练30epoch（时代），对Vision Transformer网络和Swin Transformer网络训练60epoch。模型都采用迁移学习的方式，预先加载训练了imagenet数据集的网络权重来进行后续训练。
在一种具体的实施方式中，模型在训练部分采取的数据增强方法有RandomResized Crop、Random Flip和Normalize，而在推理阶段没有采用数据增强方式。模型采用统一损失函数cross entropy loss进行学习，采用adam优化器优化，学习率为默认值1-e3。
在一种具体的实施方式中，机器视觉模型的训练损失变化和验证损失变化、模型的最高准确率和模型后期稳定准确率以及模型的flops（推理速度）和模型参数量大小（模型占用设备内存）分别如图2至图7所示。
在一种具体的实施方式中，模型训练步骤与选取主干网络的训练步骤一致，训练主干网络为Resnet34分类模型，并且将所有的训练数据集替换成分割后的图片进行训练。
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。凡在本发明的精神和原则之内，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 (2)
1.一种路面状态实时检测方法，其特征在于，包括以下步骤：
S1、获取待测路面的图片；
S2、从实验室数据库中随机抽取一张图片采用FDA方法对待测路面图片进行领域迁移；具体步骤为：首先通过傅立叶变换分离出所述待测路面图片的位置信息和颜色信息，再利用从实验室数据库中随机抽取的图片的中间部分的图片信息替换所述待测路面图片的中间部分的颜色信息，最终完成所述待测路面图片整体的风格迁移；
S3、利用脚本将经所述步骤S2处理后的待测路面图片阵列切分成N×N结构设置的若干份，并将切分得到的所有路面图片缩放到合适的长宽尺寸；
S4、利用机器视觉模型对切分后得到的所有路面图片一一进行推理，并统计路面潮湿、凝冰和干燥三类状态的图片数量；利用路面板在道路工程实验室内进行实验凝冰以获得所述机器视觉模型，具体包括以下步骤：
S41、首先拍摄路面板在干燥状态下的图片，再使用模拟降雨装置对所述路面板进行模拟降水，然后拍摄所述路面板在潮湿状态下的图片；
S42、将潮湿的路面板放入高低温试验箱进行凝冰，调节所述高低温试验箱内的温度，观察路面板状态；每隔3～6分钟将所述路面板取出一次，将所述路面板放在地面上进行拍摄；
S43、待所述路面板表面的水全部结冰后，取出所述路面板继续使用模拟降雨装置对其进行模拟降水并拍摄图片，然后重复所述步骤S42，直到所述路面板表面的冰厚和覆冰状态满足设定要求为止；
其中，所述步骤S41至步骤S43中，利用python脚本，将拍摄获得的若干张图片分别阵列切分为与所述步骤S3中的待测路面切分得到的图片相适配的若干张小图片，并对每张小图片制作标签；
S5、根据统计到的路面潮湿、凝冰和干燥三类状态的图像占比值来判断待测路面的实际情况。
2.根据权利要求1所述的实时检测方法，其特征在于，所述步骤S41至步骤S43中，分别设置多种不同的光照条件，并在不同的光照条件下从上往下对所述路面板垂直拍摄图片。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310843808.5A CN116559169B (zh) | 2023-07-11 | 2023-07-11 | 一种路面状态实时检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310843808.5A CN116559169B (zh) | 2023-07-11 | 2023-07-11 | 一种路面状态实时检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116559169A CN116559169A (zh) | 2023-08-08 |
| CN116559169B true CN116559169B (zh) | 2023-10-10 |
Family
ID=87502267
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310843808.5A Active CN116559169B (zh) | 2023-07-11 | 2023-07-11 | 一种路面状态实时检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116559169B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS58158539A (ja) * | 1982-03-15 | 1983-09-20 | Fujitsu Ten Ltd | 路面状態の判別方法 |
| JPH03120494A (ja) * | 1989-10-03 | 1991-05-22 | Mitsubishi Cable Ind Ltd | 路面状態検知方法 |
| JP2002162343A (ja) * | 2000-11-24 | 2002-06-07 | Natl Inst For Land & Infrastructure Management Mlit | 可視画像式路面状況把握装置における路面状況判定方法 |
| JP2008068686A (ja) * | 2006-09-13 | 2008-03-27 | Hitachi Plant Technologies Ltd | 鉄道車両用融雪装置、及び鉄道車両の融雪方法 |
| CN104134098A (zh) * | 2014-07-11 | 2014-11-05 | 交通运输部科学研究院 | 路面凝冰预警时间的预测方法及预测系统 |
| CN106709532A (zh) * | 2017-01-25 | 2017-05-24 | 京东方科技集团股份有限公司 | 图像处理方法和装置 |
| CN111932449A (zh) * | 2020-09-17 | 2020-11-13 | 国网浙江省电力有限公司营销服务中心 | 自动巡检图像风格迁移显示方法 |
| KR102189406B1 (ko) * | 2020-07-30 | 2020-12-14 | 마스코리아 주식회사 | 노면 분류 및 알림 시스템 |
| CN113361121A (zh) * | 2021-06-21 | 2021-09-07 | 吉林大学 | 一种基于时空同步与信息融合的路面附着系数估计方法 |
| CN113486920A (zh) * | 2021-05-25 | 2021-10-08 | 北京工业大学 | 基于支持向量机的蓄盐沥青路面的凝冰预警系统 |
| CN113899686A (zh) * | 2021-10-27 | 2022-01-07 | 青海格茫公路管理有限公司 | 一种公路工程建设用的路面预处理方法 |
| CN114358401A (zh) * | 2021-12-21 | 2022-04-15 | 湖北工业大学 | 一种融合图像和气象环境数据的道路结冰识别方法 |
| CN115791582A (zh) * | 2022-11-22 | 2023-03-14 | 安徽工业大学 | 一种可调温调湿的路面凝冰模拟及测试装置 |
-
2023
- 2023-07-11 CN CN202310843808.5A patent/CN116559169B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS58158539A (ja) * | 1982-03-15 | 1983-09-20 | Fujitsu Ten Ltd | 路面状態の判別方法 |
| JPH03120494A (ja) * | 1989-10-03 | 1991-05-22 | Mitsubishi Cable Ind Ltd | 路面状態検知方法 |
| JP2002162343A (ja) * | 2000-11-24 | 2002-06-07 | Natl Inst For Land & Infrastructure Management Mlit | 可視画像式路面状況把握装置における路面状況判定方法 |
| JP2008068686A (ja) * | 2006-09-13 | 2008-03-27 | Hitachi Plant Technologies Ltd | 鉄道車両用融雪装置、及び鉄道車両の融雪方法 |
| CN104134098A (zh) * | 2014-07-11 | 2014-11-05 | 交通运输部科学研究院 | 路面凝冰预警时间的预测方法及预测系统 |
| CN106709532A (zh) * | 2017-01-25 | 2017-05-24 | 京东方科技集团股份有限公司 | 图像处理方法和装置 |
| KR102189406B1 (ko) * | 2020-07-30 | 2020-12-14 | 마스코리아 주식회사 | 노면 분류 및 알림 시스템 |
| CN111932449A (zh) * | 2020-09-17 | 2020-11-13 | 国网浙江省电力有限公司营销服务中心 | 自动巡检图像风格迁移显示方法 |
| CN113486920A (zh) * | 2021-05-25 | 2021-10-08 | 北京工业大学 | 基于支持向量机的蓄盐沥青路面的凝冰预警系统 |
| CN113361121A (zh) * | 2021-06-21 | 2021-09-07 | 吉林大学 | 一种基于时空同步与信息融合的路面附着系数估计方法 |
| CN113899686A (zh) * | 2021-10-27 | 2022-01-07 | 青海格茫公路管理有限公司 | 一种公路工程建设用的路面预处理方法 |
| CN114358401A (zh) * | 2021-12-21 | 2022-04-15 | 湖北工业大学 | 一种融合图像和气象环境数据的道路结冰识别方法 |
| CN115791582A (zh) * | 2022-11-22 | 2023-03-14 | 安徽工业大学 | 一种可调温调湿的路面凝冰模拟及测试装置 |
Non-Patent Citations (3)
| Title |
|---|
| Amedeo Troiano等.New System for Detecting Road Ice Formation.《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT,》.2010,第60卷(第3期),全文. * |
| 基于JBoss Seam的高速公路路面凝冰预警与智能处置;朱旭;尤谨语;闫茂德;张昌利;;计算机应用与软件;第34卷(第01期);全文 * |
| 朱旭 ; 尤谨语 ; 闫茂德 ; 张昌利 ; .基于JBoss Seam的高速公路路面凝冰预警与智能处置.计算机应用与软件.2017,第34卷(第01期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116559169A (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109460753B (zh) | 一种检测水上漂浮物的方法 | |
| CN110223341B (zh) | 一种基于图像识别的智能水位监测方法 | |
| CN104134080B (zh) | 一种道路路基塌陷和边坡坍塌的自动检测方法及系统 | |
| Akagic et al. | Pothole detection: An efficient vision based method using rgb color space image segmentation | |
| CN108596101A (zh) | 一种基于卷积神经网络的遥感图像多目标检测方法 | |
| CN103994724A (zh) | 基于数字图像处理技术的结构二维位移及应变监测方法 | |
| CN110569730B (zh) | 一种基于U-net神经网络模型的路面裂缝自动识别方法 | |
| CN106991668B (zh) | 一种天网摄像头拍摄画面的评价方法 | |
| CN103714343A (zh) | 线激光器照明条件下双线阵相机采集的路面图像拼接及匀化方法 | |
| CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
| CN109186706A (zh) | 一种用于城市雨洪淹没区预警的方法 | |
| CN117078235B (zh) | 全面评估的路网养护维修方法、电子设备及存储介质 | |
| CN115331124A (zh) | 一种基于无人机遥感的入侵植物生物量估算方法 | |
| CN116559169B (zh) | 一种路面状态实时检测方法 | |
| CN113312987B (zh) | 一种基于无人机航拍路面裂缝图像的识别方法 | |
| CN117077452B (zh) | 一种道路使用寿命综合评估方法、电子设备及存储介质 | |
| Matgen et al. | Uncertainty in calibrating flood propagation models with flood boundaries derived from synthetic aperture radar imagery | |
| CN117079145A (zh) | 一种道路状况综合评价方法、电子设备及存储介质 | |
| CN117037449A (zh) | 一种基于边缘计算的团雾监测方法及监测系统 | |
| CN112085725A (zh) | 基于启发式迭代算法的残膜残留量检测方法及预警系统 | |
| CN107886049B (zh) | 一种基于摄像探头的能见度识别预警方法 | |
| CN108109156B (zh) | 基于比值特征的sar图像道路检测方法 | |
| AU2021102276A4 (en) | A Detection Method for Quantity of Residual Plastic Films Based on Heuristic Iterative Algorithm and Its Early Warning System | |
| CN115690614A (zh) | 一种提高堤防管涌数据采集精度的试验方法 | |
| CN109523509A (zh) | 小麦抽穗期的检测方法、装置及电子设备 |
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 |