CN116704871A - 基于网格模型的路面裂缝检测方法、装置、介质及设备 - Google Patents
基于网格模型的路面裂缝检测方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN116704871A CN116704871A CN202310613995.8A CN202310613995A CN116704871A CN 116704871 A CN116704871 A CN 116704871A CN 202310613995 A CN202310613995 A CN 202310613995A CN 116704871 A CN116704871 A CN 116704871A
- Authority
- CN
- China
- Prior art keywords
- pavement
- crack
- critical value
- grid
- road surface
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000012423 maintenance Methods 0.000 claims description 23
- 238000007726 management method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 11
- 230000008439 repair process Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 claims description 3
- 208000010392 Bone Fractures Diseases 0.000 claims 5
- 206010017076 Fracture Diseases 0.000 claims 5
- 238000012545 processing Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
- G09B29/003—Maps
- G09B29/006—Representation of non-cartographic information on maps, e.g. population distribution, wind direction, radiation levels, air and sea routes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Ecology (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Image Processing (AREA)
Abstract
本申请提供一种基于网格模型的路面裂缝检测方法、装置、介质及设备,涉及路面裂缝检测领域,其中方法包括:将智能公路管理范围内的路面在路面智能监控地图上分割成等大小的各路面网格单元,根据各路面网格单元的图像计算对应的裂缝危急值,在路面智能监控地图上将各路面网格单元的裂缝危急值进行呈现,管理人员能够直观地从路面智能监控地图上快速获取到所有监管范围内路面的裂缝情况,同时针对裂缝危机值高的第一路面网格单元突出显示,相比于直接对图像进行分析处理或人工辨识,能够提升路面裂缝信息的处理效率,从而提高路面维护效率。
Description
技术领域
本申请涉及路面裂缝检测领域,具体涉及一种基于网格模型的路面裂缝检测方法、装置、介质及设备。
背景技术
随着公路网的大面积覆盖,公路部门管理人员需要实时监控路面物理状态,以确保交通安全和畅通。路面条件随着交通流量增大和天气变化而频繁变化,需要不断检查路面状况以便及时发现和修复问题,避免影响交通。
相关技术中可以通过无人机定期进行路面图像拍摄,在识别到图像中的路面有裂缝后,通知相关人员进行路面维护。
然而随着加入只能公路管理范围的路面越来越多,公路部门管理人员接收到的路面裂缝图片过于庞杂,难以快速确定哪些路面需要优先维护。而路面裂缝信息处理效率的低下,可能导致一些重要通道的路面没有及时维护,或一些损坏严重的路面没有及时维护,使得路面维护效率低下,可能引起更多的交通事故。
发明内容
本申请提供一种基于网格模型的路面裂缝检测方法、装置、介质及设备,在地图上通过裂缝危急值的方式将各路面网格单元中裂缝的情况进行呈现,管理人员能够快速获取获取到所有监管范围内路面的裂缝情况,能够提升路面裂缝信息的处理效率,从而提高路面维护效率。
第一方面,本申请提供了一种基于网格模型的路面裂缝检测方法,所述方法包括:
将智能公路管理范围内的路面在路面智能监控地图上分割成等大小的各路面网格单元;
获取所述各路面网格单元的图像;
将所述各路面网格单元的图像输入至已训练的路面裂缝识别模型,生成所述各路面网格单元的图像对应的裂缝危急值;
在路面智能监控地图上的所述各路面网格单元显示对应的所述裂缝危急值,其中包括第一路面网格单元的第一图像对应的第一裂缝危急值;
当所述第一裂缝危急值大于第一预设危急阈值时,在所述路面智能监控地图上突出显示所述第一路面网格单元,所述第一预设危急阈值为预设的所述第一路面网格单元对应的裂缝危急阈值。
通过采用上述技术方案,根据各路面网格单元的图像计算对应的裂缝危急值,在路面智能监控地图上将各路面网格单元的裂缝危急值进行呈现,管理人员能够直观地从路面智能监控地图上快速获取到所有监管范围内路面的裂缝情况,同时针对裂缝危机值高的第一路面网格单元突出显示,相比于直接对图像进行分析处理或人工辨识,能够提升路面裂缝信息的处理效率,从而提高路面维护效率。
可选的,所述方法包括:
将所述各路面网格单元的图像输入至已训练的路面裂缝识别模型,生成所述各路面网格单元的图像对应的当前裂缝危急值以及预设时长后的预计裂缝危急值,其中包括第二路面网格单元的第二图像对应的第二当前裂缝危急值以及第二预计裂缝危急值;
在路面智能监控地图上的所述各路面网格单元显示对应的所述当前裂缝危急值以及所述预计裂缝危急值,其中包括第二路面网格单元的第二图像对应的第二当前裂缝危急值以及第二预计裂缝危急值;
当所述第二预计裂缝危急值大于第二预设危急阈值时,在所述路面智能监控地图上预警显示所述第二路面网格单元。
通过采用上述技术方案,能够预判部分路面网格单元在预设时长后的预计裂缝危急值,提前对会演变为较为严重的路面裂缝进行预警,以使管理人员能够及时发现路面裂缝情况,从而进一步提升维护效率。
可选的,所述将所述各路面网格单元的图像输入至已训练的路面裂缝识别模型之前,还包括:
获取各时序的所述各路面网格单元的图像以及裂缝危急值;
将所述各时序的所述各路面网格单元的图像以及裂缝危急值作为训练数据,对计算所述预计裂缝危急值的路面裂缝识别模型进行训练。
通过采用上述技术方案,能够根据现有的不同时序的各路面网格单元的图像以及裂缝危急值,即通过将输入的图像以及输出的裂缝危急值作为计算预计裂缝危急值的训练数据,提升对路面裂缝信息演变的预判准确性,从而进一步提高维护效率。
可选的,所述当所述第二预计裂缝危急值大于第二预设危急阈值时,在所述路面智能监控地图上预警显示所述第二路面网格单元之后,还包括:
实时获取所述第二路面网格单元的各时序的路面图像;
若在预设时长内的所述路面图像中获取到所述第二路面网格单元的已修复裂缝图像,则取消在所述路面智能监控地图上预警显示所述第二路面网格单元。
通过采用上述技术方案,若在预设时长内检测到预警的第二路面网格单元已被修复,则在路面智能监控地图上取消预警,减少数据的处理量,提高预警效率。
可选的,所述当所述第一裂缝危急值大于第一预设危急阈值时,在所述路面智能监控地图上突出显示所述第一路面网格单元之后,还包括:
基于所述第一裂缝危急值对所述若干个第一路面网格单元进行优先级排序,得到第一路面网格单元排序结果;
基于所述第一路面网格单元排序结果,规划所述第一路面网格单元的维修线路。
通过采用上述技术方案,按照第一裂缝危急值的大小,对需要进行及时修复的第一路面网格单元进行优先级排序,并基于优先级排序结果确定维修路线,能够提高管理人员对于需要修复的第一路面网格单元的处理效率,从而提升路面维护效率。
可选的,所述当所述第一裂缝危急值大于第一预设危急阈值时,在所述路面智能监控地图上突出显示所述第一路面网格单元之后,还包括:
若所述第一路面网格单元在后续时刻对应的第三裂缝危急值小于所述第一预设危急阈值;
则基于所述第一裂缝危急值与所述第三裂缝危急值的差值,计算所述第一路面网格单元的维修质量。
通过采用上述技术方案,时刻记录第一裂缝危急值对应的第一路面网格单元,在检测到第一路面网格单元已被修复后,通过计算该第一路面网格单元的第三预设裂缝危急值,对此次维修结果进行评判,能够对维修质量进行评价。
第二方面,本申请提供了一种基于网格模型的路面裂缝检测装置,所述装置包括:
单元分割模块,用于将智能公路管理范围内的路面在路面智能监控地图上分割成等大小的各路面网格单元;
图像获取模块,用于获取所述各路面网格单元的图像;
裂缝危急值生成模块,用于将所述各路面网格单元的图像输入至已训练的路面裂缝识别模型,生成所述各路面网格单元的图像对应的裂缝危急值;
裂缝危急值显示模块,用于在路面智能监控地图上的所述各路面网格单元显示对应的所述裂缝危急值,其中包括第一路面网格单元的第一图像对应的第一裂缝危急值;
突出显示模块,用于当所述第一裂缝危急值大于第一预设危急阈值时,在所述路面智能监控地图上突出显示所述第一路面网格单元,所述第一预设危急阈值为预设的所述第一路面网格单元对应的裂缝危急阈值。
第三方面,本申请提供了一种计算机存储介质,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行上述任意一项方法。
第四方面,本申请提供了一种电子设备,包括处理器、存储器和收发器,所述存储器用于存储指令,所述收发器用于和其他设备通信,所述处理器用于执行所述存储器中存储的指令,以使所述电子设备执行如上述任意一项方法。
综上所述,本申请技术方案所带来的有益效果包括:
根据各路面网格单元的图像计算对应的裂缝危急值,在路面智能监控地图上将各路面网格单元的裂缝危急值进行呈现,管理人员能够直观地从路面智能监控地图上快速获取到所有监管范围内路面的裂缝情况,同时针对裂缝危机值高的第一路面网格单元突出显示,相比于直接对图像进行分析处理或人工辨识,能够提升路面裂缝信息的处理效率,从而提高路面维护效率。
附图说明
图1是本申请实施例提供的一种基于网格模型的路面裂缝检测方法的系统架构图;
图2是本申请实施例的一种基于网格模型的路面裂缝检测方法的流程示意图;
图3是本申请实施例提供的一种示例性的路面智能监控地图的场景实现图;
图4是本申请实施例提供的另一种示例性的路面智能监控地图的场景示意图;
图5是本申请实施例提供的一种维修路线规划的场景示意图;
图6是本申请实施例提供的一种基于网格模型的路面裂缝装置的结构示意图;
图7是本申请实施例提供的一种电子设备的结构示意图。
附图标记说明:10、单元分割模块;20、图像获取模块;30、裂缝危急值生成模块;40、裂缝危急值显示模块;50、突出显示模块;700、电子设备;701、处理器;702、通信总线;703、用户接口;704、网络接口;705、存储器。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。
在本申请实施例的描述中,“示性的”、“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示性的”、“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“示性的”、“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中,术语“多个”的含义是指两个或两个以上。例如,多个系统是指两个或两个以上的系统,多个屏幕终端是指两个或两个以上的屏幕终端。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
请参见图1,为本申请实施例提供的一种基于网格模型的路面裂缝检测方法的系统架构图,图中图像采集设备采集到各路面网格单元对应的路面图像之后,将图像传输至服务器,服务器根据图像计算各路面网格单元对应的裂缝危急值,服务器再将裂缝危急值传输至计算机设备,计算机设备通过可视化设备输出带有裂缝危急值的路面智能监控地图,已实现裂缝识别的可视化。
请参见图2,为本申请实施例提供的一种基于网格模型的路面裂缝检测方法的流程示意图,该方法可依赖于计算机程序实现,可依赖于单片机实现,也可运行于基于冯诺依曼体系的基于网格模型的路面裂缝检测装置上。该计算机程序可集成在应用中,也可作为独立的工具类应用运行。本申请实施例以服务器为例,对网格模型的路面裂缝检测方法的具体步骤做详细说明。
S101,将智能公路管理范围内的路面在路面智能监控地图上分割成等大小的各路面网格单元。
智能公路管理范围内的路面为本申请的服务器的管理范围内的路面,即能够获取到相应的图像的路面区域,将服务器所管理范围划定为智能公路管理范围。
路面智能监控地图为智能公路管理范围的卫星地图,路面智能监控地图可通过可视化的方式展示给管理人员。
路面网格单元为本申请实施例便于计算每个路面单元网格的裂缝危急值所划分的,各个路面网格单元是大小相同的,路面网格单元的大小可根据具体的裂缝的分布密度、实际公路网的分布密度等进行确定。
S102,获取各路面网格单元的图像。
在将路面智能监控地图分割为等大小的路面网格单元之后,获取各路面网格单元的图像,各路面网格单元的图像可通过固定设置的交通摄像头获取,也可通过无人机航拍的方式进行获取,图像需包含路面网格单元的路面信息包括裂缝信息,并可从图像中获取到路面裂缝的位置、形状、大小、深度以及周边环境等信息。
S103,将各路面网格单元的图像输入至已训练的路面裂缝识别模型,生成各路面网格单元的图像对应的裂缝危急值。
路面裂缝识别模型为基于深度学习框架训练得到的模型,训练数据可以是路面裂缝图像和其对应的裂缝危急值,训练数据可通过获取历史的路面裂缝图像,并对历史的路面裂缝图像进行标注得到。
在一种具体的实现方式中,路面裂缝识别模型为MobileNetV2深度学习模型,在各个路面网格单元均设置有一个图像处理设备,图像处理设备嵌入有MobileNetV2轻量级的深度学习模型,以进行计算机视觉任务。对生成的各路面网格单元的图像对应的裂缝危急值传输至集中的路面智能监控地图对应的服务器,以使路面智能监控地图对应的服务器能够对接收到的裂缝危急值进行处理及输出显示。
S104,在路面智能监控地图上的各路面网格单元显示对应的裂缝危急值,其中包括第一路面网格单元的第一图像对应的第一裂缝危急值。
请参见图3,为本申请实施例提供的一种示例性的路面智能监控地图的场景实现图,路面智能监控地图已在上述步骤中划分为多个路面网格单元,将各路面网格单元的图像对应的裂缝危急值显示于路面智能监控地图上。其中第一裂缝危急值为超出第一预设危急阈值的裂缝危急值,第一裂缝危急值对应为第一路面网格单元的第一图像。
S105,当第一裂缝危急值大于第一预设危急阈值时,在路面智能监控地图上突出显示第一路面网格单元,第一预设危急阈值为预设的第一路面网格单元对应的裂缝危急阈值。
请参见图4,为本申请实施例提供的另一种示例性的路面智能监控地图的场景示意图,图中灰度较高的路面网格单元即为第一路面网格单元,以体现突出显示的效果。在将各裂缝危急值显示于路面智能监控地图上的各路面网格单元上后,判断各路面网格单元的裂缝危急值是否大于第一预设危急阈值,将第一裂缝危急值对应的第一路面网格单元进行突出显示,其中第一预设危急阈值反映了路面裂缝修理需求,可根据实际的路面裂缝进行设定或调整。举例来说,将第一预设危急阈值确定为80的裂缝危急值,则第一路面网格单元的A4、B3、B4、D2以及E5,第一路面网格单元对应的第一裂缝危急值为81、86、88、87以及84。
在一种可实现的实施例中,基于第一裂缝危急值对若干个第一路面网格单元进行优先级排序,得到第一路面网格单元排序结果;基于第一路面网格单元排序结果,规划第一路面网格单元的维修线路。
针对大于第一预设危急阈值的多个第一路面网格单元,使用第一裂缝危急值对第一路面网格单元进行优先级排序,即将第一裂缝危急值中数值从大到小的顺序进行排列,得到相应的第一路面网格单元排序结果,并基于排序结果规划维修路线。请参见图5,为本申请实施例提供的一种维修路线规划的场景示意图,图中示出了第一路面网格单元的优先级排序结果,并基于排序结果对第一路面网格单元的维修路线进行了规划,举例来说,裂缝危急值排序为88、87、86、84、81,则裂缝危急值对应的第一路面网格单元的维修路线为B4→D2→B3→E5→A4。
在一种可实现的实施方式中,若第一路面网格单元在后续时刻对应的第三裂缝危急值小于第一预设危急阈值;则基于第一裂缝危急值与第三裂缝危急值的差值,计算第一路面网格单元的维修质量。
在后续时刻第一图像对应的第一路面网格单元的第三裂缝危急值小于第一预设危机阈值,说明第一路面网格单元已被修复,获取修复之后的第一路面网格单元的第三裂缝危急值,通过计算第一裂缝危急值与第三裂缝危急值的差值,对第一路面网格单元的维修质量做出评价,不需要另外引入其它的维修效果的计算模型即可了解路面网格单元对于裂缝的维修质量。
在本申请另一个实施例的基于网格模型的路面裂缝检测方法的步骤中,详细描述了通过预计一段时间之后的预计裂缝危急值,从而实现对路面裂缝进行提前预警的过程,及时发现预警并修复路面裂缝,提高路面维护效率。
S201,将智能公路管理范围内的路面在路面智能监控地图上分割成等大小的各路面网格单元。
S202,获取各路面网格单元的图像。
步骤S201以及步骤S202在上述实施例S101以及S102中已作详细描述,在此不在赘述。
S203,将各路面网格单元的图像输入至已训练的路面裂缝识别模型,生成各路面网格单元的图像对应的当前裂缝危急值以及预设时长后的预计裂缝危急值。
预计裂缝危机值为当前时刻的各路面网格单元的图像输入至路面裂缝识别模型中,通过模型计算出路面网格单元的裂缝危急值增长速率,从而能够计算出预设时长后的预计裂缝危机值。
在一种可实现的实施方式中,获取各时序的各路面网格单元的图像以及裂缝危急值;将各时序的各路面网格单元的图像以及裂缝危急值作为训练数据,对计算预计裂缝危急值的路面裂缝识别模型进行训练。
已训练的路面裂缝识别模型的训练数据为历史的路面网格单元的图像以及裂缝危急值,可根据当前时刻的各路面网格单元的图像以及裂缝危急值,不断对路面裂缝识别模型进行训练学习,以提高裂缝危急值以及预计裂缝危机值的计算的准确性。
S204,在路面智能监控地图上的各路面网格单元显示对应的当前裂缝危急值以及预计裂缝危急值,其中包括第二路面网格单元的第二图像对应的第二当前裂缝危急值以及第二预计裂缝危急值。
在路面智能监控地图上的各路面网格单元显示对应的当前裂缝危急值以及预计裂缝危急值,使得管理人员能够及时了解预设时长后需要修复的路面网格单元,以使管理人员能够及时针对路面裂缝修复进行规划。第二路面网格单元为当前时刻的裂缝危急值小于第一预设危急阈值,且预设时长后预计裂缝危机至大于第二预设危机阈值的路面网格单元。
在一种可实现的实施方式中,路面智能监控地图能够切换显示为预设时长的预计裂缝危急值,也可切换显示为各路面网格单元对应的第二预计裂缝危急值达到第二预设危机阈值所需的时长,以使管理人员能够基于该时长进行及时规划。
S205,当第二预计裂缝危急值大于第二预设危急阈值时,在路面智能监控地图上预警显示第二路面网格单元。
将预设时长后大于第二预设危急阈值的第二预计裂缝危急值对应的路面网格单元确定为第二路面网格单元。
在一种可选的实施方式中,实时获取第二路面网格单元的各时序的路面图像;若在预设时长内的路面图像中获取到第二路面网格单元的已修复裂缝图像,则取消在路面智能监控地图上预警显示第二路面网格单元。
在预设时段内若第二路面网格单元的路面裂缝已被修复,则在路面智能监控地图上对第二路面网格单元取消预警,以提高预设时段内的预警处理的及时性,从而提高路面裂缝处理效率。
下述为本申请系统实施例,可以用于执行本申请方法实施例。对于本申请系统实施例中未披露的细节,请参照申请方法实施例。
请参见图6,其示出了本申请一个示例性实施例提供的基于网格模型的路面裂缝装置的结构示意图。该装置可以通过软件、硬件或者两者的结合实现成为装置的全部或一部分。该装置包括单元分割模块10、图像获取模块20、裂缝危急值生成模块30、裂缝危急值显示模块40以及突出显示模块50。
单元分割模块10,用于将智能公路管理范围内的路面在路面智能监控地图上分割成等大小的各路面网格单元;
图像获取模块20,用于获取各路面网格单元的图像;
裂缝危急值生成模块30,用于将各路面网格单元的图像输入至已训练的路面裂缝识别模型,生成各路面网格单元的图像对应的裂缝危急值;
裂缝危急值显示模块40,用于在路面智能监控地图上的各路面网格单元显示对应的裂缝危急值,其中包括第一路面网格单元的第一图像对应的第一裂缝危急值;
突出显示模块50,用于当第一裂缝危急值大于第一预设危急阈值时,在路面智能监控地图上突出显示第一路面网格单元,第一预设危急阈值为预设的第一路面网格单元对应的裂缝危急阈值。
本申请实施例还提供了一种计算机存储介质,计算机存储介质可以存储有多条指令,指令适于由处理器加载并执行如上述图1-图5所示实施例的基于网格模型的路面裂缝检测方法,具体执行过程可以参加图1-图5所示实施例的具体说明,在此不进行赘述。
请参见图7,为本申请实施例提供了一种电子设备的结构示意图。如图7所示,电子设备700可以包括:至少一个处理器701,至少一个网络接口704,用户接口703,存储器705,至少一个通信总线702。
其中,通信总线702用于实现这些组件之间的连接通信。
其中,用户接口703可以包括显示屏(Display)、摄像头(Camera),可选用户接口703还可以包括标准的有线接口、无线接口。
其中,网络接口704可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器701可以包括一个或者多个处理核心。处理器701利用各种接口和线路连接整个服务器内的各个部分,通过运行或执行存储在存储器705内的指令、程序、代码集或指令集,以及调用存储在存储器705内的数据,执行服务器的各种功能和处理数据。可选的,处理器701可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器701可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器701中,单独通过一块芯片进行实现。
其中,存储器705可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器705包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器705可用于存储指令、程序、代码、代码集或指令集。存储器705可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及的数据等。存储器705可选的还可以是至少一个位于远离前述处理器701的存储装置。如图7所示,作为一种计算机存储介质的存储器705中可以包括操作系统、网络通信模块、用户接口模块以及一种基于网格模型的路面裂缝检测方法的应用程序。
在图7所示的电子设备700中,用户接口703主要用于为用户提供输入的接口,获取用户输入的数据;而处理器701可以用于调用存储器705中存储一种基于网格模型的路面裂缝检测方法的应用程序,当由一个或多个处理器执行时,使得电子设备执行如上述实施例中一个或多个的方法。
一种电子设备可读存储介质,电子设备可读存储介质存储有指令。当由一个或多个处理器执行时,使得电子设备执行如上述实施例中一个或多个的方法。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必需的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所披露的装置,可通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口,装置或单元的间接耦合或通信连接,可以是电性或其他的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括:U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后,将容易想到本公开的其他实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的范围和精神由权利要求限定。
Claims (10)
1.一种基于网格模型的路面裂缝检测方法,其特征在于,所述方法包括:
将智能公路管理范围内的路面在路面智能监控地图上分割成等大小的各路面网格单元;
获取所述各路面网格单元的图像;
将所述各路面网格单元的图像输入至已训练的路面裂缝识别模型,生成所述各路面网格单元的图像对应的裂缝危急值;
在路面智能监控地图上的所述各路面网格单元显示对应的所述裂缝危急值,其中包括第一路面网格单元的第一图像对应的第一裂缝危急值;
当所述第一裂缝危急值大于第一预设危急阈值时,在所述路面智能监控地图上突出显示所述第一路面网格单元,所述第一预设危急阈值为预设的所述第一路面网格单元对应的裂缝危急阈值。
2.根据权利要求1所述的方法,其特征在于,所述方法包括:
将所述各路面网格单元的图像输入至已训练的路面裂缝识别模型,生成所述各路面网格单元的图像对应的当前裂缝危急值以及预设时长后的预计裂缝危急值,其中包括第二路面网格单元的第二图像对应的第二当前裂缝危急值以及第二预计裂缝危急值;
在路面智能监控地图上的所述各路面网格单元显示对应的所述当前裂缝危急值以及所述预计裂缝危急值,其中包括第二路面网格单元的第二图像对应的第二当前裂缝危急值以及第二预计裂缝危急值;
当所述第二预计裂缝危急值大于第二预设危急阈值时,在所述路面智能监控地图上预警显示所述第二路面网格单元。
3.根据权利要求2所述的方法,其特征在于,所述将所述各路面网格单元的图像输入至已训练的路面裂缝识别模型之前,还包括:
获取各时序的所述各路面网格单元的图像以及裂缝危急值;
将所述各时序的所述各路面网格单元的图像以及裂缝危急值作为训练数据,对计算所述预计裂缝危急值的路面裂缝识别模型进行训练。
4.根据权利要求2所述的方法,其特征在于,所述当所述第二预计裂缝危急值大于第二预设危急阈值时,在所述路面智能监控地图上预警显示所述第二路面网格单元之后,还包括:
实时获取所述第二路面网格单元的各时序的路面图像;
若在预设时长内的所述路面图像中获取到所述第二路面网格单元的已修复裂缝图像,则取消在所述路面智能监控地图上预警显示所述第二路面网格单元。
5.根据权利要求1所述的方法,其特征在于,所述当所述第一裂缝危急值大于第一预设危急阈值时,在所述路面智能监控地图上突出显示所述第一路面网格单元之后,还包括:
基于所述第一裂缝危急值对所述若干个第一路面网格单元进行优先级排序,得到第一路面网格单元排序结果;
基于所述第一路面网格单元排序结果,规划所述第一路面网格单元的维修线路。
6.根据权利要求1所述的方法,其特征在于,所述当所述第一裂缝危急值大于第一预设危急阈值时,在所述路面智能监控地图上突出显示所述第一路面网格单元之后,还包括:
若所述第一路面网格单元在后续时刻对应的第三裂缝危急值小于所述第一预设危急阈值;
则基于所述第一裂缝危急值与所述第三裂缝危急值的差值,计算所述第一路面网格单元的维修质量。
7.根据权利要求1所述的方法,其特征在于,所述路面裂缝识别模型为MobileNetV2深度学习模型。
8.一种基于网格模型的路面裂缝检测装置,其特征在于,所述装置包括:
单元分割模块10,用于将智能公路管理范围内的路面在路面智能监控地图上分割成等大小的各路面网格单元;
图像获取模块20,用于获取所述各路面网格单元的图像;
裂缝危急值生成模块30,用于将所述各路面网格单元的图像输入至已训练的路面裂缝识别模型,生成所述各路面网格单元的图像对应的裂缝危急值;
裂缝危急值显示模块40,用于在路面智能监控地图上的所述各路面网格单元显示对应的所述裂缝危急值,其中包括第一路面网格单元的第一图像对应的第一裂缝危急值;
突出显示模块50,用于当所述第一裂缝危急值大于第一预设危急阈值时,在所述路面智能监控地图上突出显示所述第一路面网格单元,所述第一预设危急阈值为预设的所述第一路面网格单元对应的裂缝危急阈值。
9.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1~6任意一项所述的方法。
10.一种电子设备,其特征在于,包括处理器、存储器和收发器,所述存储器用于存储指令,所述收发器用于和其他设备通信,所述处理器用于执行所述存储器中存储的指令,以使所述电子设备执行如权利要求1~6任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310613995.8A CN116704871A (zh) | 2023-05-25 | 2023-05-25 | 基于网格模型的路面裂缝检测方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310613995.8A CN116704871A (zh) | 2023-05-25 | 2023-05-25 | 基于网格模型的路面裂缝检测方法、装置、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116704871A true CN116704871A (zh) | 2023-09-05 |
Family
ID=87844388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310613995.8A Pending CN116704871A (zh) | 2023-05-25 | 2023-05-25 | 基于网格模型的路面裂缝检测方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116704871A (zh) |
-
2023
- 2023-05-25 CN CN202310613995.8A patent/CN116704871A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107742125B (zh) | 预测和防止在结构资产处的不利状况的深度机器学习 | |
CN108830837B (zh) | 一种用于检测钢包溶蚀缺陷的方法和装置 | |
CN111143932A (zh) | 一种桥梁健康状态的评估方法、装置、系统和设备 | |
CN103700261A (zh) | 一种基于视频的道路交通流特征参数监测及交通综合信息服务系统 | |
US20180148898A1 (en) | Road state management apparatus and method | |
CN113313006B (zh) | 基于无人机的城市违建监管方法、系统和存储介质 | |
CN111896549A (zh) | 一种基于机器学习的建筑物裂缝监测系统和方法 | |
CN112633661A (zh) | 一种基于bim的应急调度指挥方法、系统、计算机设备及可读介质 | |
CN115372877B (zh) | 基于无人机的变电站的避雷器泄露电流表计巡检方法 | |
CN114035606A (zh) | 杆塔巡检系统、杆塔巡检方法、控制装置和存储介质 | |
CN109215275A (zh) | 一种基于温度数据在电网运行中的火灾监测预警方法 | |
CN116580271A (zh) | 一种感知融合算法的测评方法、装置、设备及存储介质 | |
KR102026686B1 (ko) | 커넥티드 차량을 이용한 도로 파손 정보 제공 장치 및 도로 파손 판정 모델 생성 서버 | |
CN113393442A (zh) | 列车零部件异常检测方法、系统、电子设备及存储介质 | |
CN117353460A (zh) | 一种电力线路巡检方法、装置、设备及介质 | |
CN117094660A (zh) | 一种基于数字孪生技术的施工监控方法及系统 | |
US11829959B1 (en) | System and methods for fully autonomous potholes detection and road repair determination | |
CN116704871A (zh) | 基于网格模型的路面裂缝检测方法、装置、介质及设备 | |
KR100631095B1 (ko) | 지아이에스를 이용한 건축 구조물 정보 수집 및 관리 시스템 | |
CN115953405A (zh) | 一种面向增强现实设备的桥梁裂缝识别方法及装置 | |
CN115438945A (zh) | 基于电力设备巡检的风险识别方法、装置、设备及介质 | |
CN115512098A (zh) | 一种桥梁电子化巡检系统及巡检方法 | |
CN111126771A (zh) | 基于区域关注度预测安检员识图质量监督保障系统及方法 | |
CN116051805B (zh) | 一种副热带高压的影响区识别方法、装置、存储介质及终端 | |
CN117874435B (zh) | 分布式边缘数据采集方法、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 |