CN117079147B - 一种道路内部病害识别方法、电子设备及存储介质 - Google Patents

一种道路内部病害识别方法、电子设备及存储介质 Download PDF

Info

Publication number
CN117079147B
CN117079147B CN202311336937.1A CN202311336937A CN117079147B CN 117079147 B CN117079147 B CN 117079147B CN 202311336937 A CN202311336937 A CN 202311336937A CN 117079147 B CN117079147 B CN 117079147B
Authority
CN
China
Prior art keywords
road
matrix
image
internal image
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.)
Active
Application number
CN202311336937.1A
Other languages
English (en)
Other versions
CN117079147A (zh
Inventor
孟安鑫
邹雄伟
赵海云
孙茂棚
阚倩
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.)
Shenzhen Urban Transport Planning Center Co Ltd
Original Assignee
Shenzhen Urban Transport Planning Center 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 Shenzhen Urban Transport Planning Center Co Ltd filed Critical Shenzhen Urban Transport Planning Center Co Ltd
Priority to CN202311336937.1A priority Critical patent/CN117079147B/zh
Publication of CN117079147A publication Critical patent/CN117079147A/zh
Application granted granted Critical
Publication of CN117079147B publication Critical patent/CN117079147B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • 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
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/12—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with electromagnetic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Geophysics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Image Processing (AREA)

Abstract

一种道路内部病害识别方法、电子设备及存储介质，属于道路内部病害识别技术领域。为提高道路内部病害识别的准确度。本发明采用探地雷达采集道路内部图像；将采集的道路内部图像构建道路内部图像数据矩阵，进行图像降噪处理，得到重构的道路内部图像；将得到的重构的道路内部图像设置增益系数，对重构后的道路内部图像进行初步病害识别，得到初步病害识别的道路内部图像；将得到的初步病害识别的道路内部图像进行病害目标区域的提取，得到病害识别的道路内部脱空区域图像数据。本发明提出了量化评价指标，通过对病害区域的形状信息量化评价病害是否存在以及病害的类型，为道路内部病害识别提供了方法依据，且极大提高了病害识别的准确率。

Description

一种道路内部病害识别方法、电子设备及存储介质
技术领域
本发明属于道路内部病害识别技术领域，具体涉及一种道路内部病害识别方法、电子设备及存储介质。
背景技术
道路是车辆安全行驶的基础。近年来，受到城市道路地下管网漏损、雨水冲刷、周边施工扰动等因素的影响，道路内部会出现材料松散，并逐渐演化为脱空，进而引发道路塌陷等事件。
探地雷达技术作为一种结构内部检测技术，可通过合理设置测线和采集频率，实现整个道路内部断面结构状态的检测。然而，道路内部状态评价的准确性，与检测图像的解译准确率相关，图谱解译的准确率受到图像噪声和解译方法的影响。
申请号为202111316862.1、发明名称为“针对地下空间数据的三维探地雷达实时解译方法及系统”的发明专利，分别采用雷达图像的垂直切片和水平切片进行目标分类和目标检测，结合病害的经纬度信息和现场图像，实现病害位置的快速定位。
申请号为202011049464.3、发明名称为“一种用于三维探地雷达的数据解译和识别方法”的专利，通过读取三维探地雷达采集的数据，对数据进行预处理，然后采用基于深度学习的人工智能方法对三维探地雷达数据进行解译和识别。
上述方法均是通过识别无损区域和病害区域在探地雷达成像中特征差异进行病害识别，然而，受到电磁波传播特性的影响，导致病害识别准确率不高。另一方面，探地雷达的病害检测，主要是基于道路材料与病害介电常数存在差异引起的。而当电磁波跨介质传播时，其相位转变规律存在差异。
发明内容
本发明要解决的问题是提高道路内部病害识别的准确度，提出一种道路内部病害识别方法、电子设备及存储介质。
为实现上述目的，本发明通过以下技术方案实现：
一种道路内部病害识别方法，包括如下步骤：
S1、采用探地雷达采集道路内部图像；
S2、将步骤S1采集的道路内部图像构建道路内部图像数据矩阵，进行图像降噪处理，得到重构的道路内部图像；
S3、将步骤S2得到的重构的道路内部图像设置增益系数，对重构后的道路内部图像进行初步病害识别，得到初步病害识别的道路内部图像；
步骤S3的具体实现方法包括如下步骤：
S3.1、将步骤S2得到的重构的道路内部图像沿图像的竖直方向进行划分，设置划分数量为Nh，每张划分图像的高度为Hh，宽度为a；
S3.2、设置第i个划分图像的图像矩阵为，则得到第i个划分图像的图像矩阵的平均值/>，表达式为：
；
S3.3、基于步骤S3.2得到的划分图像的图像矩阵的平均值构建均值矩阵，然后计算/>与/>的差值矩阵/>，表达式为：
；
S3.4、对步骤S3.3得到的差值矩阵进行全部元素取绝对值运算，构建差值矩阵的绝对值矩阵，表达式为：
；
然后计算差值矩阵的绝对值矩阵的标准差，表达式为：
；
S3.5、根据步骤S3.4得到的差值矩阵的绝对值矩阵的标准差构建标准差矩阵；
S3.6、设定临界标准差为，将标准差矩阵的标准差/>与临界标准差/>进行对比，当/>时，设置增益系数为/>，/>的值根据实际地质条件、道路材料类型、雷达参数、病害类型参数确定；当/>时，设置增益系数为1；
S3.7、根据步骤S3.6计算得到的增益系数，构建标准差矩阵对应的增益系数矩阵/>，用于对道路内部病害区域位置回波图像的特征增强，得到初步病害识别的道路内部图像；
S4、将步骤S3得到的初步病害识别的道路内部图像进行病害目标区域的提取，得到病害识别的道路内部脱空区域图像数据。
进一步的，步骤S2的具体实现方法包括如下步骤：
S2.1、将步骤S1采集的道路内部图像构建为道路内部图像数据矩阵A，
；
其中，为采集的道路内部图像的第i个波的时域数据，m为通道总数；
；
其中，为采集的道路内部图像的第i个波的第/>个振幅数据，n为总个数；
S2.2、构建道路内部图像的背景噪声频率矩阵：
S2.2.1、建立直角坐标系，其中，以道路内部图像左上角的顶点为坐标原点，水平向右为x轴正方向，竖直向下为y轴正方向，并定义1个像素的长度为单位长度，设置道路内部图像尺寸为a*b，a为沿x轴方向的图像长度，b为沿y轴方向的图像长度；
S2.2.2、人工选定没有病害的道路区域位置，并随机框选出10*b尺寸的没有病害的道路区域，设置没有病害的道路区域的波形时域数据矩阵为R，包括10个单道波的波形时域数据，表达式为：
；
；
其中，为第i个单道波的波形时域数据，/>为第i个单道波中第g个振幅数据，T为矩阵转置；
S2.2.3、采用小波变换的方式，分别将单道波形时域数据转换为单道波形频域数据，计算表达式为：
；
；
；
其中，为第i个单道波的波形频域数据，/>为时间，/>为尺度，ω为频率，/>为平移量，/>为时间t、平移量/>、尺度/>对应的基本小波；
然后得到没有病害的道路区域的波形频域数据矩阵；
S2.2.4、根据步骤S2.2.2和步骤S2.2.3计算每个单道波的波形时域数据的频率，构建背景噪声频率矩阵，其中，/>为第i个单道波的波形时域数据计算得到的频率，m为通道总数；
S2.3、对步骤S2.1得到的道路内部图像数据矩阵进行频域转变，然后基于步骤S2.2构建的背景噪声频率矩阵进行遍历，得到遍历后的道路内部图像的波形频域数据矩阵；
S2.3.1、将步骤S2.1得到的道路内部图像的时域数据转换为频域数据，转换表达式为：
；
；
；
其中，为采集的道路内部图像的第i个波的频域数据，得到采集的道路内部图像的波形频域数据矩阵/>；
S2.3.2、根据步骤S2.3.1将采集的道路内部图像的波形时域数据计算频率，构建道路内部图像的频率矩阵，其中，/>为采集的道路内部图像的第i个波形时域数据计算的频率；
S2.3.3、以步骤S2.2构建的背景噪声频率矩阵C为比较对象，遍历L中所有元素，删除L中与C相同的元素，然后删除F中对应的元素，得到遍历后的道路内部图像的波形频域数据矩阵，其中Gp为第p个遍历后的道路内部图像的波形频域数据；
S2.4、将步骤S2.3得到的遍历后的道路内部图像的波形频域数据矩阵转变为时域矩阵，采用小波变换的方法，计算表达式为：
；
其中，为第i个遍历后的道路内部图像的波形频域数据对应的时域数据，/>为/>的共轭；
得到遍历后的道路内部图像的波形频域数据矩阵对应的时域矩阵H为：
；
；
其中，为第i个遍历后的道路内部图像的波形频域数据对应的时域数据的第个 振幅数据；
S2.5、将步骤S2.4得到的遍历后的道路内部图像的波形频域数据矩阵对应的时域矩阵进行图像重构；
S2.5.1、首先将遍历后的道路内部图像的波形频域数据矩阵对应的时域矩阵H中的进行遍历，得到最大值/>和最小值/>；
S2.5.2、对H中的振幅数据进行标准化处理，映射到灰度图像的灰度值范围0~255区间内，计算表达式为：
；
其中，为/>标准化处理后的振幅数据；
S2.5.3、基于步骤S2.5.2标准化处理后的振幅数据构建单道矩阵，表达式为，然后基于单道矩阵构建全部通道矩阵；
S2.5.4、将步骤S2.5.3得到的全部通道矩阵K中的元素值作为灰度值，以二维图像的x轴方向作为雷达采样数据的运动方向，以二维图像的y轴方向作为道路深度方向，绘制灰度图M，得到重构的道路内部图像。
进一步的，步骤S4的具体实现方法包括如下步骤：
S4.1、采用最大类间方差法，对步骤S3得到的初步病害识别的道路内部图像进行二值化处理；
S4.2、将步骤S4.1二值化处理后的初步病害识别的道路内部图像统计全部连通区域内像素总数量，然后删除像素总数量小于500的连通区域，保留像素总数量大于等于500的连通区域，并将删除像素处理后的初步病害识别的道路内部图像的连通区域编号为N1，N2…Ni…Nc；
S4.3、对步骤S4.2删除像素处理后的初步病害识别的道路内部图像建立坐标系，以图像左上角的顶点为坐标原点，水平向右为x轴正方向，竖直向下为y轴正方向，提取删除像素处理后的初步病害识别的道路内部图像的全部连通区域中像素的坐标点，设置连通区域Ni的最左侧像素点坐标为、最右侧像素点坐标为/>、最顶端像素点坐标为/>，定义坐标表达式为：
；
；
；
其中，为连通区域Ni的最左侧像素点的x轴坐标，/>为连通区域Ni的最左侧像素点的y轴坐标；
S4.4、采用计算倾角的方法筛选出具有双曲线特征的区域，分别求取顶端像素点到最左侧像素点、最右侧像素点的倾角Ag1和Ag2，表达式为：
；
；
然后提取顶端像素点到最左侧像素点、最右侧像素点的倾角的最大值，记为，表达式为：
；
设置临界角度，提取连通区域Ni中/>的区域为双曲线区域/>；
S4.5、提取所有连通区域的双曲线区域，进行重新编号为，其中，/>为双曲线区域的总数量；
S4.6、基于步骤S4.5得到的所有双曲线区域的全部双曲线的顶点坐标，依次提取所有双曲线区域过顶点坐标的单道波形时域数据，依次记录为：，
其中，，/>为第i个双曲线区域过顶点坐标的单道波形时域数据，/>为第i个双曲线区域过顶点坐标的单道波形时域数据中的第l个振幅数据；
S4.7、采用小波变换的方法将步骤S4.6得到的双曲线区域过顶点坐标的单道波形时域数据转换为频域数据，计算表达式为：
；
；
其中，为第i个双曲线区域过顶点坐标的单道波形频域数据，/>为尺度，/>为平移量，/>为基本小波；
然后计算第i个双曲线区域过顶点坐标的单道波形的相位，计算表达式为：
；
其中，为/>的虚部，/>为/>的实部；
S4.8、基于电磁波理论设置发射位置处电磁波为，将反射位置处电磁波为/>，构建方向函数/>，表达式为：
；
计算方向函数，当时，表明电磁波从高介电常数向低介电常数介质传播，病害位置处材料的介电常数小于发射位置，判断第i个双曲线区域为病害道路内部脱空区域；
S4.9、计算所有双曲线区域过顶点坐标的单道波形的相位，判断所有双曲线区域的道路内部脱空情况，得到病害识别的道路内部脱空区域图像数据。
电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现所述的一种道路内部病害识别方法的步骤。
计算机可读存储介质，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所述的一种道路内部病害识别方法。
本发明的有益效果：
本发明所述的一种道路内部病害识别方法，首先开展了道路内部探地雷达图像降噪，提高了像素的质量，为病害识别提供了更为有效的图像基础；然后，本发明在对电磁波传播特性分析的基础上，提出了基于道路内部探地雷达图像降噪方法的病害识别方法，该方法中，通过时频域转换技术，获取了单道波数据的相位信息，在原有双曲线形状和灰度分析的基础上，融合了电磁波相位信息的分析，提高了病害识别和分类的准确性。
本发明所述的一种道路内部病害识别方法，相比于视觉或人工识别方法依赖于主观判断、且难以分辨病害类型，本发明提出了量化评价指标，通过对病害区域的形状信息，量化评价病害是否存在以及病害的类型，为道路内部病害识别提供了方法依据，且极大提高了病害识别的准确率。为进一步指导数字化、精细化养护维修工作，提供了技术支持。
本发明所述的一种道路内部病害识别方法，实现了对道路内部的病害的长期监测和跟踪，监测道路病害的演变和变化情况，能够及时发现和处理新出现的病害，防止其进一步扩大和加剧，减少道路损坏和事故的发生。
附图说明
图1为本发明所述的一种道路内部病害识别方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施方式，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅用以解释本发明，并不用于限定本发明，即所描述的具体实施方式仅仅是本发明一部分实施方式，而不是全部的具体实施方式。通常在此处附图中描述和展示的本发明具体实施方式的组件可以以各种不同的配置来布置和设计，本发明还可以具有其他实施方式。
因此，以下对在附图中提供的本发明的具体实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定具体实施方式。基于本发明的具体实施方式，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他具体实施方式，都属于本发明保护的范围。
为能进一步了解本发明的发明内容、特点及功效，兹例举以下具体实施方式，并配合附图1详细说明如下 ：
具体实施方式一：
一种道路内部病害识别方法，包括如下步骤：
S1、采用探地雷达采集道路内部图像；
S2、将步骤S1采集的道路内部图像构建道路内部图像数据矩阵，进行图像降噪处理，得到重构的道路内部图像；
进一步的，步骤S2的具体实现方法包括如下步骤：
S2.1、将步骤S1采集的道路内部图像构建为道路内部图像数据矩阵A，
；
其中，为采集的道路内部图像的第i个波的时域数据，m为通道总数；
；
其中，为采集的道路内部图像的第i个波的第/>个振幅数据，n为总个数；
S2.2、构建道路内部图像的背景噪声频率矩阵：
S2.2.1、建立直角坐标系，其中，以道路内部图像左上角的顶点为坐标原点，水平向右为x轴正方向，竖直向下为y轴正方向，并定义1个像素的长度为单位长度，设置道路内部图像尺寸为a*b，a为沿x轴方向的图像长度，b为沿y轴方向的图像长度；
S2.2.2、人工选定没有病害的道路区域位置，并随机框选出10*b尺寸的没有病害的道路区域，设置没有病害的道路区域的波形时域数据矩阵为R，包括10个单道波的波形时域数据，表达式为：
；
；
其中，为第i个单道波的波形时域数据，/>为第i个单道波中第g个振幅数据，T为矩阵转置；
S2.2.3、采用小波变换的方式，分别将单道波形时域数据转换为单道波形频域数据，计算表达式为：
；
；
；
其中，为第i个单道波的波形频域数据，/>为时间，/>为尺度，ω为频率，/>为平移量，/>为时间t、平移量/>、尺度/>对应的基本小波；
然后得到没有病害的道路区域的波形频域数据矩阵；
S2.2.4、根据步骤S2.2.2和步骤S2.2.3计算每个单道波的波形时域数据的频率，构建背景噪声频率矩阵，其中，/>为第i个单道波的波形时域数据计算得到的频率，m为通道总数；
S2.3、对步骤S2.1得到的道路内部图像数据矩阵进行频域转变，然后基于步骤S2.2构建的背景噪声频率矩阵进行遍历，得到遍历后的道路内部图像的波形频域数据矩阵；
S2.3.1、将步骤S2.1得到的道路内部图像的时域数据转换为频域数据，转换表达式为：
；
；
；
其中，为采集的道路内部图像的第i个波的频域数据，得到采集的道路内部图像的波形频域数据矩阵/>；
S2.3.2、根据步骤S2.3.1将采集的道路内部图像的波形时域数据计算频率，构建道路内部图像的频率矩阵，其中，/>为采集的道路内部图像的第i个波形时域数据计算的频率；
S2.3.3、以步骤S2.2构建的背景噪声频率矩阵C为比较对象，遍历L中所有元素，删除L中与C相同的元素，然后删除F中对应的元素，得到遍历后的道路内部图像的波形频域数据矩阵，其中Gp为第p个遍历后的道路内部图像的波形频域数据；
S2.4、将步骤S2.3得到的遍历后的道路内部图像的波形频域数据矩阵转变为时域矩阵，采用小波变换的方法，计算表达式为：
；
其中，为第i个遍历后的道路内部图像的波形频域数据对应的时域数据，/>为/>的共轭；
得到遍历后的道路内部图像的波形频域数据矩阵对应的时域矩阵H为：
；
；
其中，为第i个遍历后的道路内部图像的波形频域数据对应的时域数据的第/>个振幅数据；
S2.5、将步骤S2.4得到的遍历后的道路内部图像的波形频域数据矩阵对应的时域矩阵进行图像重构；
S2.5.1、首先将遍历后的道路内部图像的波形频域数据矩阵对应的时域矩阵H中的进行遍历，得到最大值/>和最小值/>；
S2.5.2、对H中的振幅数据进行标准化处理，映射到灰度图像的灰度值范围0~255区间内，计算表达式为：
；
其中，为/>标准化处理后的振幅数据；
S2.5.3、基于步骤S2.5.2标准化处理后的振幅数据构建单道矩阵，表达式为，然后基于单道矩阵构建全部通道矩阵；
S2.5.4、将步骤S2.5.3得到的全部通道矩阵K中的元素值作为灰度值，以二维图像的x轴方向作为雷达采样数据的运动方向，以二维图像的y轴方向作为道路深度方向，绘制灰度图M，得到重构的道路内部图像；
S3、将步骤S2得到的重构的道路内部图像设置增益系数，对重构后的道路内部图像进行初步病害识别，得到初步病害识别的道路内部图像；
进一步的，步骤S3的具体实现方法包括如下步骤：
S3.1、将步骤S2得到的重构的道路内部图像沿图像的竖直方向进行划分，设置划分数量为Nh，每张划分图像的高度为Hh，宽度为；
S3.2、设置第i个划分图像的图像矩阵为，则得到第i个划分图像的图像矩阵的平均值/>，表达式为：
；
S3.3、基于步骤S3.2得到的划分图像的图像矩阵的平均值构建均值矩阵，然后计算/>与/>的差值矩阵/>，表达式为：
；
S3.4、对步骤S3.3得到的差值矩阵进行全部元素取绝对值运算，构建差值矩阵的绝对值矩阵，表达式为：
；
然后计算差值矩阵的绝对值矩阵的标准差，表达式为：
；
S3.5、根据步骤S3.4得到的差值矩阵的绝对值矩阵的标准差构建标准差矩阵；
S3.6、设定临界标准差为，将标准差矩阵的标准差/>与临界标准差/>进行对比，当/>时，设置增益系数为/>，/>的值根据实际地质条件、道路材料类型、雷达参数、病害类型参数确定；当/>时，设置增益系数为1；
S3.7、根据步骤S3.6计算得到的增益系数，构建标准差矩阵对应的增益系数矩阵/>，用于对道路内部病害区域位置回波图像的特征增强，得到初步病害识别的道路内部图像；
S4、将步骤S3得到的初步病害识别的道路内部图像进行病害目标区域的提取，得到病害识别的道路内部脱空区域图像数据；
进一步的，步骤S4的具体实现方法包括如下步骤：
S4.1、采用最大类间方差法，对步骤S3得到的初步病害识别的道路内部图像进行二值化处理；
S4.2、将步骤S4.1二值化处理后的初步病害识别的道路内部图像统计全部连通区域内像素总数量，然后删除像素总数量小于500的连通区域，保留像素总数量大于等于500的连通区域，并将删除像素处理后的初步病害识别的道路内部图像的连通区域编号为N1，N2…Ni…Nc；
S4.3、对步骤S4.2删除像素处理后的初步病害识别的道路内部图像建立坐标系，以图像左上角的顶点为坐标原点，水平向右为x轴正方向，竖直向下为y轴正方向，提取删除像素处理后的初步病害识别的道路内部图像的全部连通区域中像素的坐标点，设置连通区域Ni的最左侧像素点坐标为、最右侧像素点坐标为/>、最顶端像素点坐标为/>，定义坐标表达式为：
；
；
；
其中，为连通区域Ni的最左侧像素点的x轴坐标，/>为连通区域Ni的最左侧像素点的y轴坐标；
S4.4、采用计算倾角的方法筛选出具有双曲线特征的区域，分别求取顶端像素点到最左侧像素点、最右侧像素点的倾角Ag1和Ag2，表达式为：
；
；
然后提取顶端像素点到最左侧像素点、最右侧像素点的倾角的最大值，记为，表达式为：
；
设置临界角度，提取连通区域Ni中/>的区域为双曲线区域/>；
S4.5、提取所有连通区域的双曲线区域，进行重新编号为，其中，为双曲线区域的总数量；
S4.6、基于步骤S4.5得到的所有双曲线区域的全部双曲线的顶点坐标，依次提取所有双曲线区域过顶点坐标的单道波形时域数据，依次记录为：，
其中，，/>为第i个双曲线区域过顶点坐标的单道波形时域数据，/>为第i个双曲线区域过顶点坐标的单道波形时域数据中的第l个振幅数据；
S4.7、采用小波变换的方法将步骤S4.6得到的双曲线区域过顶点坐标的单道波形时域数据转换为频域数据，计算表达式为：
；
；
其中，为第i个双曲线区域过顶点坐标的单道波形频域数据，/>为尺度，/>为平移量，/>为基本小波；
然后计算第i个双曲线区域过顶点坐标的单道波形的相位，计算表达式为：
；
其中，为/>的虚部，/>为/>的实部；
S4.8、基于电磁波理论设置发射位置处电磁波为，将反射位置处电磁波为/>，构建方向函数/>，表达式为：
；/>
计算方向函数，当时，表明电磁波从高介电常数向低介电常数介质传播，病害位置处材料的介电常数小于发射位置，判断第i个双曲线区域为病害道路内部脱空区域；
当时，表明电磁波从低介电常数向高介电常数介质传播，病害位置处材料的介电常数大于发射位置；
S4.9、计算所有双曲线区域过顶点坐标的单道波形的相位，判断所有双曲线区域的道路内部脱空情况，得到病害识别的道路内部脱空区域图像数据。
本实施方式所述的一种道路内部病害识别方法，在图像降噪的基础上，实现了病害的准确识别。对比本实施方式与传统方法可知，传统方法（视觉或人工识别）基本依赖于主观判断，且难以分辨病害类型；而本发明提出了量化评价指标，可通过对病害区域的形状信息，量化评价病害是否存在以及病害的类型，为道路内部病害识别提供了方法依据，且极大提高了病害识别的准确率。为进一步指导数字化、精细化养护维修工作，提供了技术支持。
具体实施方式二：
电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现所述的一种道路内部病害识别方法的步骤。
本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的一种道路内部病害识别方法的步骤。 所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。 所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（FlashCard）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
具体实施方式三：
计算机可读存储介质，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所述的一种道路内部病害识别方法。
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的基于CREO软件的可修改由关系驱动的建模数据的建模方法的步骤。 所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然在上文中已经参考具体实施方式对本申请进行了描述，然而在不脱离本申请的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本申请所披露的具体实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本申请并不局限于文中公开的特定具体实施方式，而是包括落入权利要求的范围内的所有技术方案。

Claims (5)

1.一种道路内部病害识别方法，其特征在于，包括如下步骤：
S1、采用探地雷达采集道路内部图像；
S2、将步骤S1采集的道路内部图像构建道路内部图像数据矩阵，进行图像降噪处理，得到重构的道路内部图像；
S3、将步骤S2得到的重构的道路内部图像设置增益系数，对重构后的道路内部图像进行初步病害识别，得到初步病害识别的道路内部图像；
步骤S3的具体实现方法包括如下步骤：
S3.1、将步骤S2得到的重构的道路内部图像沿图像的竖直方向进行划分，设置划分数量为Nh，每张划分图像的高度为Hh，宽度为a；
S3.2、设置第i个划分图像的图像矩阵为，则得到第i个划分图像的图像矩阵的平均值/>，表达式为：
；
S3.3、基于步骤S3.2得到的划分图像的图像矩阵的平均值构建均值矩阵，然后计算/>与/>的差值矩阵/>，表达式为：
；
S3.4、对步骤S3.3得到的差值矩阵进行全部元素取绝对值运算，构建差值矩阵的绝对值矩阵，表达式为：
；
然后计算差值矩阵的绝对值矩阵的标准差，表达式为：
；
S3.5、根据步骤S3.4得到的差值矩阵的绝对值矩阵的标准差构建标准差矩阵；
S3.6、设定临界标准差为，将标准差矩阵的标准差/>与临界标准差/>进行对比，当/>时，设置增益系数为/>，/>的值根据实际地质条件、道路材料类型、雷达参数、病害类型参数确定；当/>时，设置增益系数为1；
S3.7、根据步骤S3.6计算得到的增益系数，构建标准差矩阵对应的增益系数矩阵，用于对道路内部病害区域位置回波图像的特征增强，得到初步病害识别的道路内部图像；
S4、将步骤S3得到的初步病害识别的道路内部图像进行病害目标区域的提取，得到病害识别的道路内部脱空区域图像数据。
2.根据权利要求1所述的一种道路内部病害识别方法，其特征在于，步骤S2的具体实现方法包括如下步骤：
S2.1、将步骤S1采集的道路内部图像构建为道路内部图像数据矩阵A，
；
其中，为采集的道路内部图像的第i个波的时域数据，m为通道总数；
；
其中，为采集的道路内部图像的第i个波的第/>个振幅数据，n为总个数；
S2.2、构建道路内部图像的背景噪声频率矩阵：
S2.2.1、建立直角坐标系，其中，以道路内部图像左上角的顶点为坐标原点，水平向右为x轴正方向，竖直向下为y轴正方向，并定义1个像素的长度为单位长度，设置道路内部图像尺寸为a*b，a为沿x轴方向的图像长度，b为沿y轴方向的图像长度；
S2.2.2、人工选定没有病害的道路区域位置，并随机框选出10*b尺寸的没有病害的道路区域，设置没有病害的道路区域的波形时域数据矩阵为R，包括10个单道波的波形时域数据，表达式为：
；
；
其中，为第i个单道波的波形时域数据，/>为第i个单道波中第g个振幅数据，T为矩阵转置；
S2.2.3、采用小波变换的方式，分别将单道波形时域数据转换为单道波形频域数据，计算表达式为：
；
；
；
其中，为第i个单道波的波形频域数据，/>为时间，/>为尺度，ω为频率，/>为平移量，为时间t、平移量/>、尺度/>对应的基本小波；
然后得到没有病害的道路区域的波形频域数据矩阵；
S2.2.4、根据步骤S2.2.2和步骤S2.2.3计算每个单道波的波形时域数据的频率，构建背景噪声频率矩阵，其中，/>为第i个单道波的波形时域数据计算得到的频率，m为通道总数；
S2.3、对步骤S2.1得到的道路内部图像数据矩阵进行频域转变，然后基于步骤S2.2构建的背景噪声频率矩阵进行遍历，得到遍历后的道路内部图像的波形频域数据矩阵；
S2.3.1、将步骤S2.1得到的道路内部图像的时域数据转换为频域数据，转换表达式为：
；
；
；
其中，为采集的道路内部图像的第i个波的频域数据，得到采集的道路内部图像的波形频域数据矩阵/>；
S2.3.2、根据步骤S2.3.1将采集的道路内部图像的波形时域数据计算频率，构建道路内部图像的频率矩阵，其中，/>为采集的道路内部图像的第i个波形时域数据计算的频率；
S2.3.3、以步骤S2.2构建的背景噪声频率矩阵C为比较对象，遍历L中所有元素，删除L中与C相同的元素，然后删除F中对应的元素，得到遍历后的道路内部图像的波形频域数据矩阵，其中Gp为第p个遍历后的道路内部图像的波形频域数据；
S2.4、将步骤S2.3得到的遍历后的道路内部图像的波形频域数据矩阵转变为时域矩阵，采用小波变换的方法，计算表达式为：
；
其中，为第i个遍历后的道路内部图像的波形频域数据对应的时域数据，/>为/>的共轭；
得到遍历后的道路内部图像的波形频域数据矩阵对应的时域矩阵H为：
；
；
其中，为第i个遍历后的道路内部图像的波形频域数据对应的时域数据的第/>个振幅数据；
S2.5、将步骤S2.4得到的遍历后的道路内部图像的波形频域数据矩阵对应的时域矩阵进行图像重构；
S2.5.1、首先将遍历后的道路内部图像的波形频域数据矩阵对应的时域矩阵H中的进行遍历，得到最大值/>和最小值/>；
S2.5.2、对H中的振幅数据进行标准化处理，映射到灰度图像的灰度值范围0~255区间内，计算表达式为：
；
其中，为/>标准化处理后的振幅数据；
S2.5.3、基于步骤S2.5.2标准化处理后的振幅数据构建单道矩阵，表达式为，然后基于单道矩阵构建全部通道矩阵；
S2.5.4、将步骤S2.5.3得到的全部通道矩阵K中的元素值作为灰度值，以二维图像的x轴方向作为雷达采样数据的运动方向，以二维图像的y轴方向作为道路深度方向，绘制灰度图M，得到重构的道路内部图像。
3.根据权利要求2所述的一种道路内部病害识别方法，其特征在于，步骤S4的具体实现方法包括如下步骤：
S4.1、采用最大类间方差法，对步骤S3得到的初步病害识别的道路内部图像进行二值化处理；
S4.2、将步骤S4.1二值化处理后的初步病害识别的道路内部图像统计全部连通区域内像素总数量，然后删除像素总数量小于500的连通区域，保留像素总数量大于等于500的连通区域，并将删除像素处理后的初步病害识别的道路内部图像的连通区域编号为N1，N2…Ni…Nc；
S4.3、对步骤S4.2删除像素处理后的初步病害识别的道路内部图像建立坐标系，以图像左上角的顶点为坐标原点，水平向右为x轴正方向，竖直向下为y轴正方向，提取删除像素处理后的初步病害识别的道路内部图像的全部连通区域中像素的坐标点，设置连通区域Ni的最左侧像素点坐标为、最右侧像素点坐标为/>、最顶端像素点坐标为/>，定义坐标表达式为：
；
；
；
其中，为连通区域Ni的最左侧像素点的x轴坐标，/>为连通区域Ni的最左侧像素点的y轴坐标；
S4.4、采用计算倾角的方法筛选出具有双曲线特征的区域，分别求取顶端像素点到最左侧像素点、最右侧像素点的倾角Ag1和Ag2，表达式为：
；
；
然后提取顶端像素点到最左侧像素点、最右侧像素点的倾角的最大值，记为，表达式为：
；
设置临界角度，提取连通区域Ni中/>的区域为双曲线区域/>；
S4.5、提取所有连通区域的双曲线区域，进行重新编号为，其中，/>为双曲线区域的总数量；
S4.6、基于步骤S4.5得到的所有双曲线区域的全部双曲线的顶点坐标，依次提取所有双曲线区域过顶点坐标的单道波形时域数据，依次记录为：，
其中，，/>为第i个双曲线区域过顶点坐标的单道波形时域数据，/>为第i个双曲线区域过顶点坐标的单道波形时域数据中的第l个振幅数据；
S4.7、采用小波变换的方法将步骤S4.6得到的双曲线区域过顶点坐标的单道波形时域数据转换为频域数据，计算表达式为：
；
；
其中，为第i个双曲线区域过顶点坐标的单道波形频域数据，/>为尺度，/>为平移量，为基本小波；
然后计算第i个双曲线区域过顶点坐标的单道波形的相位，计算表达式为：
；
其中，为/>的虚部，/>为/>的实部；
S4.8、基于电磁波理论设置发射位置处电磁波为，将反射位置处电磁波为/>，构建方向函数/>，表达式为：
；
计算方向函数，当时，表明电磁波从高介电常数向低介电常数介质传播，病害位置处材料的介电常数小于发射位置，判断第i个双曲线区域为病害道路内部脱空区域；
S4.9、计算所有双曲线区域过顶点坐标的单道波形的相位，判断所有双曲线区域的道路内部脱空情况，得到病害识别的道路内部脱空区域图像数据。
4.电子设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1-3任一项所述的一种道路内部病害识别方法的步骤。
5.计算机可读存储介质，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权利要求1-3任一项所述的一种道路内部病害识别方法。
CN202311336937.1A 2023-10-17 2023-10-17 一种道路内部病害识别方法、电子设备及存储介质 Active CN117079147B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311336937.1A CN117079147B (zh) 2023-10-17 2023-10-17 一种道路内部病害识别方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311336937.1A CN117079147B (zh) 2023-10-17 2023-10-17 一种道路内部病害识别方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN117079147A CN117079147A (zh) 2023-11-17
CN117079147B true CN117079147B (zh) 2024-02-27

Family

ID=88713777

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311336937.1A Active CN117079147B (zh) 2023-10-17 2023-10-17 一种道路内部病害识别方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117079147B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021004402A1 (zh) * 2019-07-05 2021-01-14 深圳数字生命研究院 图像识别方法及装置、存储介质和处理器
CN115424232A (zh) * 2022-11-04 2022-12-02 深圳市城市交通规划设计研究中心股份有限公司 一种路面坑槽的识别和评价方法、电子设备及存储介质
CN115578430A (zh) * 2022-11-24 2023-01-06 深圳市城市交通规划设计研究中心股份有限公司 一种路面车辙病害的三维重构方法、电子设备及存储介质
CN115661765A (zh) * 2022-10-31 2023-01-31 辽宁科技学院 一种路面病害检测方法
CN115908526A (zh) * 2022-11-24 2023-04-04 深圳市城市交通规划设计研究中心股份有限公司 一种基于路面车辙病害三维重构的车辙长度计算方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021004402A1 (zh) * 2019-07-05 2021-01-14 深圳数字生命研究院 图像识别方法及装置、存储介质和处理器
CN115661765A (zh) * 2022-10-31 2023-01-31 辽宁科技学院 一种路面病害检测方法
CN115424232A (zh) * 2022-11-04 2022-12-02 深圳市城市交通规划设计研究中心股份有限公司 一种路面坑槽的识别和评价方法、电子设备及存储介质
CN115578430A (zh) * 2022-11-24 2023-01-06 深圳市城市交通规划设计研究中心股份有限公司 一种路面车辙病害的三维重构方法、电子设备及存储介质
CN115908526A (zh) * 2022-11-24 2023-04-04 深圳市城市交通规划设计研究中心股份有限公司 一种基于路面车辙病害三维重构的车辙长度计算方法

Also Published As

Publication number Publication date
CN117079147A (zh) 2023-11-17

Similar Documents

Publication Publication Date Title
Butnor et al. Utility of ground‐penetrating radar as a root biomass survey tool in forest systems
CN115291210B (zh) 一种结合注意力机制的3d-cnn探地雷达三维图像管线识别方法
Butnor et al. Surface-based GPR underestimates below-stump root biomass
CN115311531A (zh) 一种RefineDet网络模型的探地雷达地下空洞目标自动检测方法
CN116931101A (zh) 地下浅层病害体探测方法、装置、电子设备及存储介质
CN117079147B (zh) 一种道路内部病害识别方法、电子设备及存储介质
Steinbacher et al. Integrated full-waveform analysis and classification approaches for topo-bathymetric data processing and visualization in hydroVISH
CN116977851A (zh) 一种基于变化检测的弃耕识别方法及装置
CN115311532A (zh) 一种基于ResNet网络模型的探地雷达地下空洞目标自动识别方法
CN114240940B (zh) 一种基于遥感影像的云及云阴影检测方法和装置
CN116596911A (zh) 一种水下平面型结构体声呐图像裂缝量化方法
CN117077450B (zh) 道路脱空区域体积演化预测方法、电子设备及存储介质
CN117115049B (zh) 探地雷达道路内部图像的降噪方法、电子设备及存储介质
CN117077448B (zh) 道路脱空区域面积演化预测方法、电子设备及存储介质
CN115542278A (zh) 一种基于探地雷达原始数据的路面病害区域判断方法
Luo et al. A Depth-Adaptive Filtering Method for Effective GPR Tree Roots Detection in Tropical Area
Qian et al. Deep Learning-Augmented Stand-off Radar Scheme for Rapidly Detecting Tree Defects
CN117077500B (zh) 道路内部脱空的数值模拟建模方法、电子设备及存储介质
CN117079268B (zh) 一种道路内部病害三维数据集构建方法及其使用方法
CN112561806B (zh) 一种微电阻率扫描测井仪图像增强方法及系统
CN117077449B (zh) 道路脱空区域高度演化预测方法、电子设备及存储介质
CN112269175B (zh) 一种结合斯皮尔曼系数的分布式散射体选取方法
CN115661815B (zh) 基于全局特征映射的病理图像分类方法、图像分类装置
KR102420573B1 (ko) 신호 증폭 필터를 이용한 공동 예측 시스템 및 방법
KR102420578B1 (ko) 노이즈 제거 필터를 이용한 공동 예측 시스템 및 방법

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