CN116797891A - 一种基于雷视融合的道路巡检方法及装置 - Google Patents

一种基于雷视融合的道路巡检方法及装置 Download PDF

Info

Publication number
CN116797891A
CN116797891A CN202310200142.1A CN202310200142A CN116797891A CN 116797891 A CN116797891 A CN 116797891A CN 202310200142 A CN202310200142 A CN 202310200142A CN 116797891 A CN116797891 A CN 116797891A
Authority
CN
China
Prior art keywords
road
inspection
data
determining
disease
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
CN202310200142.1A
Other languages
English (en)
Inventor
闫军
张冠洲
王鹏
宋瑞丹
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.)
Smart Intercommunication Technology Co ltd
Original Assignee
Smart Intercommunication 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 Smart Intercommunication Technology Co ltd filed Critical Smart Intercommunication Technology Co ltd
Priority to CN202310200142.1A priority Critical patent/CN116797891A/zh
Publication of CN116797891A publication Critical patent/CN116797891A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
    • G07C1/20—Checking timed patrols, e.g. of watchman

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开一种基于雷视融合的道路巡检方法及装置，方法包括：获取巡检数据；对巡检数据进行识别，确定道路病害数据；根据道路病害数据确定道路巡检任务，并利用道路巡检任务进行道路巡检，以确定巡检结果。本发明通过对现有视频和雷达设备进行高速病害的类型、范围等进行识别，并通过系统进行病害的上报，快速进行病害工单的流转完成病害的养护尽早排除有效预防和减少病害带来的交通事故发生。

Description

一种基于雷视融合的道路巡检方法及装置
技术领域
本发明涉及道路安全技术领域，具体涉及一种基于雷视融合的道路巡检方法及装置。
背景技术
随着我国国民经济的快速增长和人民生活水平的提高，机动车拥有量急速上升，机动车的增加给人们出行带来了极大的便利。由于道路负载、气候以及其他环境因素的影响，道路路面状况总是出现不同程度的破坏，道路功能的完善性也遭到破坏。为了保证道路安全、正常地使用，道路管理者必须对路面进行大规模和周期性的养护；在目前对道路的养护方案中基本是通过人员去现场检查和维修，这样就带来诸多不好的影响，第一方面路面有些检测需要取样，会对当时的交通带来一定的不便，第二方面人工检测是一项很大的工程，需要一定的时间，第三方面人工检测无法精准计算养护时间和养护方式，对道路的养护达不到预期的效果。这种道路养护管理方式需要很大的时间成本和人工成本，养护效率低，进而道路就无法及时得到很好的养护，给道路交通留下了巨大的安全隐患。
发明内容
有鉴于此，本发明实施例提供了一种基于雷视融合的道路巡检方法及装置，解决了由于现有道路养护人工成本高，效率低等问题。
根据第一方面，本发明实施例提供了一种基于雷视融合的道路巡检方法，包括：
获取巡检数据；
对所述巡检数据进行识别，确定道路病害数据；
根据所述道路病害数据确定道路巡检任务，并利用所述道路巡检任务进行道路巡检，以确定巡检结果。
本发明实施例提供的基于雷视融合的道路巡检方法，通过对现有视频和雷达设备进行高速病害的类型、范围等进行识别，并通过系统进行病害的上报，快速进行病害工单的流转完成病害的养护尽早排除有效预防和减少病害带来的交通事故发生。
结合第一方面，在第一方面第一实施方式中，所述获取巡检数据，包括：
利用预设数据制定巡检计划；
根据所述巡检计划以及各类预设道路病害类型，确定对应的道路养护流程。
结合第一方面，在第一方面第二实施方式中，所述对所述巡检数据进行识别，确定道路病害数据，包括：所述道路病害数据包括：道路病害类型、道路病害范围以及道路病害等级，其中，
对所述巡检数据进行图片识别，确定所述道路病害类型；
对所述巡检数据进行数据计算，确定所述道路病害范围；
对所述巡检数据进行数据判定，确定所述道路病害等级。
结合第一方面第二实施方式，在第一方面第三实施方式中，所述对所述巡检数据进行图片识别，确定所述道路病害类型，包括：
获取历史巡检数据；
根据所述历史巡检数据对网络学习模型进行训练，将所述网络学习模型中的卷积层替换为挤压激励块，以确定图像识别模型；
利用所述图像识别模型对所述巡检数据进行图像识别，确定所述道路病害类型。
结合第一方面第二实施方式，在第一方面第四实施方式中，所述对所述巡检数据进行数据计算，确定所述道路病害范围，包括：
基于调频连续波测距原理对所述巡检数据进行第一次测量，确定粗精度距离，并对第一测量结果进行傅里叶变换后确定第一相位值；
基于调频连续波测距原理对所述巡检数据进行第二次测量，对第二测量结果进行傅里叶变换后确定第二相位值；
将所述第一相位值和所述第二相位值做差，得到相位差；
根据所述粗精度距离、相位差以及预设精度系数，确定精确绝对距离，所述精确绝对距离包括道路病害的长度、深度和宽度。
结合第一方面第三实施方式，在第一方面第五实施方式中，所述对所述巡检数据进行数据判定，确定所述道路病害等级，包括：
根据所述道路病害范围对所述巡检数据进行数据判定，确定所述道路病害等级；
所述道路病害等级包括：紧急、一般紧急和不紧急。
本发明实施例提供的基于雷视融合的道路巡检方法，通过对现有视频和雷达设备进行高速病害的类型、范围等进行识别，并通过系统进行病害的上报，快速进行病害工单的流转完成病害的养护尽早排除有效预防和减少病害带来的交通事故发生。
根据第二方面，本发明实施例提供的基于雷视融合的道路巡检装置，包括：
第一处理模块，用于获取巡检数据；
第二处理模块，用于对所述巡检数据进行识别，确定道路病害数据；
第三处理模块，用于根据所述道路病害数据确定道路巡检任务，并利用所述道路巡检任务进行道路巡检，以确定巡检结果。
本实施例提供的基于雷视融合的道路巡检装置，通过对现有视频和雷达设备进行高速病害的类型、范围等进行识别，并通过系统进行病害的上报，快速进行病害工单的流转完成病害的养护尽早排除有效预防和减少病害带来的交通事故发生。
根据第三方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或者第一方面的任意一种实施方式中所述的基于雷视融合的道路巡检方法。
根据第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的基于雷视融合的道路巡检方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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是根据本发明实施例的基于雷视融合的道路巡检方法的流程图；
图2是根据本发明优选实施例的基于雷视融合的道路巡检方法中数据处理过程示意图；
图3是根据本发明实施例的基于雷视融合的道路巡检装置的功能模块示意图；
图4是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
在本实施例中提供了一种基于雷视融合的道路巡检方法，可用于电子设备，例如电脑、手机、平板电脑等。图1是根据本发明实施例的基于雷视融合的道路巡检方法的流程图，为了降低高速道路养护的时间成本和人工成本，提高养护效率，使道路就无法及时得到很好的养护，排除道路病害给交通留下的安全隐患。如图1所示，该流程包括如下步骤：
S11，获取巡检数据。
其中，利用现有方法及技术获取对应道路的巡检数据，主要包括巡查计划制定，系统中进行高速公路的巡查日常、即时巡查计划。本实施例中将病害视频识别算法及雷达病害范围算法导入雷视融合前端装置，利用已有巡查车或无人机加雷视融合前端装置进行高速病害数据的采集，具体处理过程如图2所示，通过毫米波雷达和摄像头等外接设备将数据传输至核心处理器中，对采集的数据进行识别以及处理。同时接收通讯部分、定位部分以及电源部分的数据为核心处理器提供支撑。其中核心处理器包括视频识别模型和雷达面积测算模型。需要说明的是，本实施例中仅以上述采集装置为例进行说明，在实际应用中可以根据实际需求进行选择，本实施例并不以此为限。
S12，对巡检数据进行识别，确定道路病害数据。
本实施例中，对获取到的巡检数据进行数据的识别与计算，根据识别结果确定道路病害数据，其中上述道路病害数据主要包括：道路病害类型、道路病害范围以及道路病害等级，具体地数据形式与内容将在后续实施例中进行详细阐述，本实施例不再赘述。
S13，根据道路病害数据确定道路巡检任务，并利用道路巡检任务进行道路巡检，以确定巡检结果。
本实施例中，利用识别确定的道路病害数据制定道路巡检任务，以对相应道路进行道路巡检，确定最终的巡检结果。具体地，巡检任务可以为养护派单，通过病害类别、等级、范围进行养护任务派单；养护工单流转，养护工单通过养护队的养护进度进行流转，完成养护后工单流转完成。
本实施例提供的基于雷视融合的道路巡检方法，通过对现有视频和雷达设备进行高速病害的类型、范围等进行识别，并通过系统进行病害的上报，快速进行病害工单的流转完成病害的养护尽早排除有效预防和减少病害带来的交通事故发生。
在另一实施例中，还提供了一种基于雷视融合的道路巡检方法，根据本发明实施例的基于雷视融合的道路巡检方法的另一流程图，该流程包括如下步骤：
S21，获取巡检数据。
本实施例中，上述步骤S21具体还包括：
S211，利用预设数据制定巡检计划。根据预设数据例如：巡查单位、巡查人、巡查设备、巡查日期等等数据制定本道路的巡检计划。本实施例中仅仅以上述预设数据为例进行说明，具体地还可以根据实际情况包括其他数据，本实施例并不以此为限。本实施例中，具体制定巡检计划的字段可以包括：名称、类型、巡查单位、巡查人、巡查车辆/巡查无人机、巡查日期等等，需要说明的是，本实施例仅以上述字段为例进行说明，并不以此为限。
S212，根据巡检计划以及各类预设道路病害类型，确定对应的道路养护流程。本实施例中，到了养护流程的字段可以包括：名称、病害类型、派发人/角色、养护人员/角色、复查人员/角色等等，需要说明的是，本实施例仅以上述字段为例进行说明，并不以此为限。
本实施例仅以上述养护流程为例进行说明，具体可根据实际需求进行调整，本实施例并不以此为限。
S22，对巡检数据进行识别，确定道路病害数据。
详细参见步骤S12，本实施例不再赘述。
S23，根据道路病害数据确定道路巡检任务，并利用道路巡检任务进行道路巡检，以确定巡检结果。
详细参见步骤S13，本实施例不再赘述。
本实施例中提供的一种基于雷视融合的道路巡检方法，通过对现有视频和雷达设备进行高速病害的类型、范围等进行识别，并通过系统进行病害的上报，快速进行病害工单的流转完成病害的养护尽早排除有效预防和减少病害带来的交通事故发生。
在另一实施例中，还提供了一种基于雷视融合的道路巡检方法，根据本发明实施例的基于雷视融合的道路巡检方法的另一流程图，该流程包括如下步骤：
S31，获取巡检数据。
详细参见步骤S21，本实施例不再赘述。
S32，对巡检数据进行识别，确定道路病害数据。
本实施例中，上述步骤S32具体还包括：
S321，对巡检数据进行图片识别，确定道路病害类型；
具体地上述步骤S321还包括如下步骤：
(1)获取历史巡检数据；
(2)根据历史巡检数据对网络学习模型进行训练，将网络学习模型中的卷积层替换为挤压激励块，以确定图像识别模型；
(3)利用图像识别模型对巡检数据进行图像识别，确定道路病害类型。
具体地，获取待识别图像；基于AI算法建立机器学习模型，机器学习模型包括卷积层；将机器学习模型中的卷积层替换为挤压激励块；利用历史图像训练替换挤压激励块之后的机器学习模型，得到图像识别模型。将待识别图像输入到图像识别模型，得到识别结果，以确定最终的道路病害类型。在实际应用中，前端装置对采集的道路病害进行识别，包括如下字段：病害类型、病害位置、采集无人机/车辆等等，需要说明的是，本实施例仅以上述字段为例进行说明，并不以此为限。
前端装置对采集的病害通过雷达目标反射原理进行范围计算，包括如下字段：病害类型、病害位置、采集无人机/车辆、病害面积等等，需要说明的是，本实施例仅以上述字段为例进行说明，并不以此为限。
S322，对巡检数据进行数据计算，确定道路病害范围；
具体地上述步骤S322还包括如下步骤：
(1)基于调频连续波测距原理对巡检数据进行第一次测量，确定粗精度距离，并对第一测量结果进行傅里叶变换后确定第一相位值；
(2)基于调频连续波测距原理对巡检数据进行第二次测量，对第二测量结果进行傅里叶变换后确定第二相位值；
(3)将第一相位值和第二相位值做差，得到相位差；
(4)根据粗精度距离、相位差以及预设精度系数，确定精确绝对距离，精确绝对距离包括道路病害的长度、深度和宽度。
在实际应用中，基于调频连续波测距原理进行第一次测量，对测量数据进行傅里叶变换(FFT)后获取回波信号中得到的粗精度距离，并获取对应的第一次相位值；基于调频连续波测距原理进行第二次测量，对测量数据进行傅里叶变换后获取对应的第二次相位值；
将第一次相位值和第二次相位值做差得到相位差，获取精确绝对距离＝粗精度距离+相位差*精度系数。其中，需要满足两次测量的频率差的波长等于FFT阱分辨率的两倍。在上述的方法，第一次测量所使用的电磁波波长为L1，频率为F1，扫频带宽为B，频率的相位为W1，粗测距分辨率Rc＝C/2B，C为光速，目标距离为D；将该次测量的数据进行第一次FFT，则目标落入的FFT阱序号为INT(D/Rc)，目标落入距离是Dcoarse＝INT(D/Rc)*Rc的FFT阱中，在INT(D/Rc)的FFT变换阱处的第一次相位值W1。
在第二次测量，此时使用的电磁波波长为L2，将该次测量的数据进行第二次FFT，获得第二次测量结果的FFT数据的INT(D/Rc)FFT阱处的第二次相位W2。满足两次测量的频率差的波长等于FFT阱分辨率的两倍，即L1-L2＝(L1*L2*B)/C，或L2-L1＝(L1*L2*B)/C。
满足两次测量的频率差的波长等于FFT阱分辨率的两倍，即C/(F1-F2)＝C/B,或者C/(F2-F1)＝C/B。其中精度系数包括圆周率Pi、光速C以及扫频带宽B，精确绝对距离基于波长为C/B测量D的时候的整周数N为判据，其中，C/B两次测量的波长之差：当N为偶数，D＝Dcoarse+(W1-W2)*(C/2B)/Pi[0017]当N为奇数，D＝Dcoarse+(2*(W1-W2)-1)*(C/2B)/Pi。其中，Dcoarse通过第一次测量数据的FFT得到，W1-W2通过两次测量的相位差得到，C为光速常量，B为带宽。
S323，对巡检数据进行数据判定，确定道路病害等级。
根据道路病害范围对巡检数据进行数据判定，确定道路病害等级；道路病害等级包括：紧急、一般紧急和不紧急。具体地，不同病害类型根据病害的范围是直接决定病害等级的因素，主要通过如裂缝宽度，坑槽面积、深度等大小进行病害等级判定，等级主要分为紧急、一般紧急、不紧急三等；工单根据紧急、较紧急、不紧急优先级依次降低。
本实施例中，病害等级识别根据病害范围进行等级划分，等级一般按照病害范围进行判定，以下为部分判定标准，根据病害的轻、中、重三级病害等级对应为不紧急、较紧急、紧急三级，具体如表1所示：
表1病害等级表
S33，根据道路病害数据确定道路巡检任务，并利用道路巡检任务进行道路巡检，以确定巡检结果。其中，根据巡查得到的病害类型等级等进行派单操作；养护工单派发到养护单位/人员，工单包括病害的类型、等级、面积、位置等信息；养护人员到达目的地进行病害的修复养护，并上报养护结果包括完成情况、照片、完成时间、养护详情等信息；修复养护人员完成后工单流转到复查人员/角色进行复合，完成复合后工单任务完成。
详细参见步骤S23，本实施例不再赘述。
本实施例中提供的一种基于雷视融合的道路巡检方法，通过对现有视频和雷达设备进行高速病害的类型、范围等进行识别，并通过系统进行病害的上报，快速进行病害工单的流转完成病害的养护尽早排除有效预防和减少病害带来的交通事故发生。
在本实施例中还提供了一种基于雷视融合的道路巡检装置，如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本发明公开了基于雷视融合的道路巡检装置，如图3所示，包括：
第一处理模块01，用于获取巡检数据；
第二处理模块02，用于对巡检数据进行识别，确定道路病害数据；
第三处理模块03，用于根据道路病害数据确定道路巡检任务，并利用道路巡检任务进行道路巡检，以确定巡检结果。
本发明实施例提供的基于雷视融合的道路巡检装置，通过对现有视频和雷达设备进行高速病害的类型、范围等进行识别，并通过系统进行病害的上报，快速进行病害工单的流转完成病害的养护尽早排除有效预防和减少病害带来的交通事故发生。
本发明实施例还提供一种电子设备，请参阅图4，图4是本发明可选实施例提供的一种电子设备的结构示意图，如图4所示，该电子设备可以包括：至少一个处理器601，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口603，存储器604，至少一个通信总线602。其中，通信总线602用于实现这些组件之间的连接通信。其中，通信接口603可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口603还可以包括标准的有线接口、无线接口。存储器604可以是高速RAM存储器(Random Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器604可选的还可以是至少一个位于远离前述处理器601的存储装置。其中处理器601可以结合所描述的装置，存储器604中存储应用程序，且处理器601调用存储器604中存储的程序代码，以用于执行上述任一方法步骤。
其中，通信总线602可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线602可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器604可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器604还可以包括上述种类的存储器的组合。
其中，处理器601可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，处理器601还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。
可选地，存储器604还用于存储程序指令。处理器601可以调用程序指令，实现如本申请图实施例中所示的基于雷视融合的道路巡检方法。
本发明实施例还提供了一种非暂态计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于雷视融合的道路巡检方法。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (9)

1.一种基于雷视融合的道路巡检方法，其特征在于，包括：
获取巡检数据；
对所述巡检数据进行识别，确定道路病害数据；
根据所述道路病害数据确定道路巡检任务，并利用所述道路巡检任务进行道路巡检，以确定巡检结果。
2.根据权利要求1所述的方法，其特征在于，所述获取巡检数据，包括：
利用预设数据制定巡检计划；
根据所述巡检计划以及各类预设道路病害类型，确定对应的道路养护流程。
3.根据权利要求1所述的方法，其特征在于，所述对所述巡检数据进行识别，确定道路病害数据，包括：所述道路病害数据包括：道路病害类型、道路病害范围以及道路病害等级，其中，
对所述巡检数据进行图片识别，确定所述道路病害类型；
对所述巡检数据进行数据计算，确定所述道路病害范围；
对所述巡检数据进行数据判定，确定所述道路病害等级。
4.根据权利要求3所述的方法，其特征在于，所述对所述巡检数据进行图片识别，确定所述道路病害类型，包括：
获取历史巡检数据；
根据所述历史巡检数据对网络学习模型进行训练，将所述网络学习模型中的卷积层替换为挤压激励块，以确定图像识别模型；
利用所述图像识别模型对所述巡检数据进行图像识别，确定所述道路病害类型。
5.根据权利要求3所述的方法，其特征在于，所述对所述巡检数据进行数据计算，确定所述道路病害范围，包括：
基于调频连续波测距原理对所述巡检数据进行第一次测量，确定粗精度距离，并对第一测量结果进行傅里叶变换后确定第一相位值；
基于调频连续波测距原理对所述巡检数据进行第二次测量，对第二测量结果进行傅里叶变换后确定第二相位值；
将所述第一相位值和所述第二相位值做差，得到相位差；
根据所述粗精度距离、相位差以及预设精度系数，确定精确绝对距离，所述精确绝对距离包括道路病害的长度、深度和宽度。
6.根据权利要求4所述的方法，其特征在于，所述对所述巡检数据进行数据判定，确定所述道路病害等级，包括：
根据所述道路病害范围对所述巡检数据进行数据判定，确定所述道路病害等级；
所述道路病害等级包括：紧急、一般紧急和不紧急。
7.一种基于雷视融合的道路巡检装置，其特征在于，包括：
第一处理模块，用于获取巡检数据；
第二处理模块，用于对所述巡检数据进行识别，确定道路病害数据；
第三处理模块，用于根据所述道路病害数据确定道路巡检任务，并利用所述道路巡检任务进行道路巡检，以确定巡检结果。
8.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-6中任一项所述的基于雷视融合的道路巡检方法。
9.一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存储有计算机指令，所述计算机指令用于使计算机执行权利要求1-6中任一项所述的基于雷视融合的道路巡检方法。
CN202310200142.1A 2023-03-04 2023-03-04 一种基于雷视融合的道路巡检方法及装置 Pending CN116797891A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310200142.1A CN116797891A (zh) 2023-03-04 2023-03-04 一种基于雷视融合的道路巡检方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310200142.1A CN116797891A (zh) 2023-03-04 2023-03-04 一种基于雷视融合的道路巡检方法及装置

Publications (1)

Publication Number Publication Date
CN116797891A true CN116797891A (zh) 2023-09-22

Family

ID=88033361

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310200142.1A Pending CN116797891A (zh) 2023-03-04 2023-03-04 一种基于雷视融合的道路巡检方法及装置

Country Status (1)

Country Link
CN (1) CN116797891A (zh)

Similar Documents

Publication Publication Date Title
Wu et al. Road pothole extraction and safety evaluation by integration of point cloud and images derived from mobile mapping sensors
CN108318043B (zh) 用于更新电子地图的方法、装置和计算机可读存储介质
CN109489584B (zh) 一种基于3d技术的隧道限界检测系统及隧道限界识别方法
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
CN111221808A (zh) 一种无人值守的高精度地图质检方法和装置
Alzraiee et al. Detecting of pavement marking defects using faster R-CNN
CN107918762B (zh) 一种公路遗撒物快速检测系统及方法
Li et al. A novel evaluation method for pavement distress based on impact of ride comfort
CN112764013B (zh) 自动驾驶车辆感知系统测试方法、装置、设备及存储介质
CN115331190A (zh) 一种基于雷视融合的道路隐患识别方法及装置
CN114882316A (zh) 目标检测模型训练方法、目标检测方法及装置
CN116434525A (zh) 一种高速公路智能管理预警系统
CN116486289A (zh) 一种多源数据和知识驱动下的燃气管道高后果区识别方法
CN113538963A (zh) 用于输出信息的方法、装置、设备以及存储介质
Jiang et al. Automatic concrete sidewalk deficiency detection and mapping with deep learning
CN117372979A (zh) 道路巡检方法、装置、电子设备及存储介质
DE102019117136A1 (de) Kommunikation und steuerung für verkehrsinfrastruktur
Amieghemen et al. Deep convolutional neural network ensemble for pavement crack detection using high elevation UAV images
Mehajabin et al. Real-time deep learning based road deterioration detection for smart cities
Shao et al. Crack detection and measurement using PTZ camera–based image processing method on expressways
CN116797891A (zh) 一种基于雷视融合的道路巡检方法及装置
CN116579608A (zh) 一种道桥工地台风预警期安全防控方法及系统
CN112861701B (zh) 违章停车识别方法、装置、电子设备以及计算机可读介质
Al-Suleiman et al. Assessment of the effect of alligator cracking on pavement condition using WSN-image processing
Talha et al. A LiDAR-camera fusion approach for automated detection and assessment of potholes using an autonomous vehicle platform

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