CN117129527A - 一种城市道路铺设质量检测方法及系统 - Google Patents
一种城市道路铺设质量检测方法及系统 Download PDFInfo
- Publication number
- CN117129527A CN117129527A CN202311103613.3A CN202311103613A CN117129527A CN 117129527 A CN117129527 A CN 117129527A CN 202311103613 A CN202311103613 A CN 202311103613A CN 117129527 A CN117129527 A CN 117129527A
- Authority
- CN
- China
- Prior art keywords
- road
- information
- defect
- global
- region
- 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 93
- 230000007547 defect Effects 0.000 claims abstract description 137
- 230000002159 abnormal effect Effects 0.000 claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000003331 infrared imaging Methods 0.000 claims abstract description 36
- 238000005204 segregation Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000001931 thermography Methods 0.000 claims abstract description 18
- 238000003856 thermoforming Methods 0.000 claims abstract description 13
- 230000006698 induction Effects 0.000 claims abstract description 12
- 238000001303 quality assessment method Methods 0.000 claims abstract description 7
- 230000015654 memory Effects 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 28
- 238000013507 mapping Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000013441 quality evaluation Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 claims 1
- 238000003384 imaging method Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000010426 asphalt Substances 0.000 description 1
- 239000011384 asphalt concrete Substances 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/72—Investigating presence of flaws
-
- E—FIXED CONSTRUCTIONS
- E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
- E01C—CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE; MACHINES OR AUXILIARY TOOLS FOR CONSTRUCTION OR REPAIR
- E01C23/00—Auxiliary devices or arrangements for constructing, repairing, reconditioning, or taking-up road or like surfaces
- E01C23/01—Devices or auxiliary means for setting-out or checking the configuration of new surfacing, e.g. templates, screed or reference line supports; Applications of apparatus for measuring, indicating, or recording the surface configuration of existing surfacing, e.g. profilographs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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]
-
- 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
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种城市道路铺设质量检测方法及系统,涉及智能检测技术领域,所述方法包括:利用望远型热成像镜头对目标道路进行全局红外成像,再对所获取的道路全局红外图像信息进行特征提取,得到道路温度分布特征;基于所述道路温度分布特征进行铺设检测分析,确定道路铺设偏析异常信息,以此对道路全局红外图像信息进行感兴趣区域标记,确定目标异常感兴趣区域;通过显微型热成型镜头对目标异常感兴趣区域进行细化感应识别,获取道路铺设缺陷特征信息;基于所述道路铺设缺陷特征信息进行质量评估,确定城市道路铺设质量检测结果。达到通过红外成像探测设备智能化成像分析,提高道路铺设检测结果精确性,进而保证道路应用质量的技术效果。
Description
技术领域
本发明涉及智能检测技术领域,尤其涉及一种城市道路铺设质量检测方法及系统。
背景技术
随着城市化速度的发展,对城市道路交通的要求也随之越来越高。市政道路是城市的基础性建设,也承担着人们交通出行、优化城市布局、物流运输等方面的重要作用,因此需对其铺设质量做到精准检测把控,避免出现安全隐患问题。然而,现有技术道路铺设质量检测智能化程度较低,进而导致质量检测结果精确性较低。
发明内容
本申请通过提供一种城市道路铺设质量检测方法及系统,解决了现有技术道路铺设质量检测智能化程度较低,进而导致质量检测结果精确性较低的技术问题,达到通过红外成像探测设备智能化成像分析,提高道路铺设检测结果精确性,进而保证道路应用质量的技术效果。
鉴于上述问题,本发明提供了一种城市道路铺设质量检测方法及系统。
第一方面,本申请提供了一种城市道路铺设质量检测方法,所述方法包括:搭载红外成像探测设备,所述红外成像探测设备包括望远型热成像镜头和显微型热成型镜头;利用所述望远型热成像镜头对目标道路进行全局红外成像,获取道路全局红外图像信息;对所述道路全局红外图像信息进行特征提取,得到道路温度分布特征;基于所述道路温度分布特征进行铺设检测分析,确定道路铺设偏析异常信息;依据所述道路铺设偏析异常信息对所述道路全局红外图像信息进行感兴趣区域标记,确定目标异常感兴趣区域;通过所述显微型热成型镜头对所述目标异常感兴趣区域进行细化感应识别,获取道路铺设缺陷特征信息;基于所述道路铺设缺陷特征信息进行质量评估,确定城市道路铺设质量检测结果。
另一方面,本申请还提供了一种城市道路铺设质量检测系统,所述系统包括:探测设备搭载模块,用于搭载红外成像探测设备,所述红外成像探测设备包括望远型热成像镜头和显微型热成型镜头;全局红外成像模块,用于利用所述望远型热成像镜头对目标道路进行全局红外成像,获取道路全局红外图像信息;温度特征提取模块,用于对所述道路全局红外图像信息进行特征提取,得到道路温度分布特征;铺设检测分析模块,用于基于所述道路温度分布特征进行铺设检测分析,确定道路铺设偏析异常信息;感兴趣区域标记模块,用于依据所述道路铺设偏析异常信息对所述道路全局红外图像信息进行感兴趣区域标记,确定目标异常感兴趣区域;细化感应识别模块,用于通过所述显微型热成型镜头对所述目标异常感兴趣区域进行细化感应识别,获取道路铺设缺陷特征信息;道路铺设质量评估模块,用于基于所述道路铺设缺陷特征信息进行质量评估,确定城市道路铺设质量检测结果。
第三方面,本申请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面,本申请还提供了一种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上述任意一项所述方法中的步骤。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了利用望远型热成像镜头对目标道路进行全局红外成像,再对所获取的道路全局红外图像信息进行特征提取,得到道路温度分布特征,基于此进行铺设检测分析,确定道路铺设偏析异常信息;依据所述道路铺设偏析异常信息对所述道路全局红外图像信息进行感兴趣区域标记,确定目标异常感兴趣区域,通过显微型热成型镜头对所述目标异常感兴趣区域进行细化感应识别,获取道路铺设缺陷特征信息,进而基于所述道路铺设缺陷特征信息进行质量评估,确定城市道路铺设质量检测结果的技术方案。进而达到通过红外成像探测设备智能化成像分析,提高道路铺设检测结果精确性,进而保证道路应用质量的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请一种城市道路铺设质量检测方法的流程示意图;
图2为本申请一种城市道路铺设质量检测方法中得到道路温度分布特征的流程示意图;
图3为本申请一种城市道路铺设质量检测系统的结构示意图;
图4为本申请示例性电子设备的结构示意图。
附图标记说明:探测设备搭载模块11,全局红外成像模块12,温度特征提取模块13,铺设检测分析模块14,感兴趣区域标记模块15,细化感应识别模块16,道路铺设质量评估模块17,总线1110,处理器1120,收发器1130,总线接口1140,存储器1150,操作系统1151,应用程序1152和用户接口1160。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的系统、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1所示,本申请提供了一种城市道路铺设质量检测方法,所述方法包括:
步骤S1:搭载红外成像探测设备,所述红外成像探测设备包括望远型热成像镜头和显微型热成型镜头;
步骤S2:利用所述望远型热成像镜头对目标道路进行全局红外成像,获取道路全局红外图像信息;
具体的,随着城市化速度的发展,对城市道路交通的要求也随之越来越高。市政道路是城市的基础性建设,也承担着人们交通出行、优化城市布局、物流运输等方面的重要作用,因此需对其铺设质量做到精准检测把控,避免出现安全隐患问题。
为实现智能化道路铺设质量检测分析,通过无人机等其它方式搭载红外成像探测设备,所述红外成像探测设备是通过非接触探测红外热量,并将其转换生成热图像和温度值,进而显示在显示器上,并可以对温度值进行计算的一种检测设备。且所述红外成像探测设备具体包括望远型热成像镜头,即广角热成像镜头,用于对道路进行全景成像;和显微型热成型镜头,即微距成像镜头,用于对道路进行局部高精度成像,通过以上两种红外镜头配合成像,提高道路红外成像全面性和信息采集精确性。首先利用所述望远型热成像镜头对目标道路进行全局红外成像,其中,目标道路为待检测城市道路路段,成像获取道路全局红外图像信息,即道路全景红外图像信息。
步骤S3:对所述道路全局红外图像信息进行特征提取,得到道路温度分布特征;
如图2所示,进一步而言,所述得到道路温度分布特征,本申请步骤还包括:
对所述道路全局红外图像信息进行预处理,获取标准道路全局红外图像信息;
基于所述标准道路全局红外图像信息进行色彩区域划分,获得红外热图像色域划分信息;
获取所述红外热图像色域划分信息和热分布温度的色域-温度分布映射关系;
基于所述色域-温度分布映射关系对所述道路全局红外图像信息进行温度特征提取,得到所述道路温度分布特征。
进一步而言,所述获取标准道路全局红外图像信息,本申请步骤还包括:
对所述道路全局红外图像信息进行滤波预处理,获取去噪全局红外图像信息;
将所述去噪全局红外图像信息进行灰度图转换,生成道路全局灰度图像信息;
构建灰度值分布坐标系,将所述道路全局灰度图像信息映射至所述灰度值分布坐标系中,得到道路全局红外灰度直方图;
对所述道路全局红外灰度直方图进行均衡化处理,获取所述标准道路全局红外图像信息。
具体的,对所述道路全局红外图像信息进行温度特征提取,为保证图像处理精确性,需对所述道路全局红外图像信息进行预处理。首先对所述道路全局红外图像信息进行滤波预处理,通过红外图像滤波需求利用高斯滤波、小波去噪等滤波算法进行图像滤波处理,去除图像中因设备等原因造成的噪声,进而获取滤波后的去噪全局红外图像信息。再将所述去噪全局红外图像信息进行灰度图转换,将红外温度场图像映射转换生成为单通道的道路全局灰度图像信息。构建灰度值分布坐标系,所述图像灰度分布坐标系以灰度值大小为横坐标,灰度值个数为纵坐标。将所述道路全局灰度图像信息映射至所述灰度值分布坐标系中,得到该图像的灰度值频率分布的道路全局红外灰度直方图。最后对所述道路全局红外灰度直方图进行均衡化处理,依据图像灰度均衡变换需求,通过自适应直方图均衡算法、对数均衡算法等实现图像均衡化,获取处理后的标准道路全局红外图像信息,实现图像均衡增强,改善图像的亮度和对比度。
基于预处理后的所述标准道路全局红外图像信息进行色彩区域划分,即对红外图像中出现的色彩区域进行色相分割,将相同色相区域划分为一类,获得相应的红外热图像色域划分信息。再通过所述红外成像探测设备的成像原理获取所述红外热图像色域划分信息和热分布温度的色域-温度分布映射关系,所述色域-温度分布映射关系用于展现红外图像中不同色域与温度分布情况的关联,示例性的,白色区代表高温50度,红色区代表40度左右,黄色区则是20-28度左右,蓝色区则是5-19度左右。基于所述色域-温度分布映射关系对所述道路全局红外图像信息进行温度特征提取,得到道路温度分布特征,所述道路温度分布特征用于可视化展示道路铺设温度分布。实现道路全局铺设温度分布智能化无损分析,特征提取结果直观可视化,且特征检测处理灵敏度、准确性较高。
步骤S4:基于所述道路温度分布特征进行铺设检测分析,确定道路铺设偏析异常信息;
具体的,基于所述道路温度分布特征进行铺设检测分析,当沥青混合料摊铺温度不均匀会造成路面质量差异,且严重偏析会影响路面寿命,如严重的局部车辙深度、裂缝、局部漏油、坑槽、泥浆泵送、表面破坏、松动、新沥青混凝土路面结构深度不均匀等,都与温度偏析有关。通过道路温度分布特征可快速准确的直接确定其中温度不均的道路铺设偏析异常信息,所述道路铺设偏析异常信息包括道路异常温度区域以及该区域的分布位置,以作为后续精确检测的初步依据。
步骤S5:依据所述道路铺设偏析异常信息对所述道路全局红外图像信息进行感兴趣区域标记,确定目标异常感兴趣区域;
进一步而言,所述确定目标异常感兴趣区域,本申请步骤还包括:
依据所述道路铺设偏析异常信息对所述道路全局红外图像信息进行异常位置区域标记,获取道路异常区域信息;
基于全局阈值法对所述道路异常区域信息进行二值化处理,得到异常区域二值化图像;
对所述异常区域二值化图像进行边缘增强处理,确定异常区域图像边缘信息;
基于所述异常区域图像边缘信息进行感兴趣区域划分,确定所述目标异常感兴趣区域。
具体的,依据所述道路铺设偏析异常信息对所述道路全局红外图像信息进行感兴趣区域标记,首先依据所述道路铺设偏析异常信息对所述道路全局红外图像信息进行异常温度分布的位置区域标记,获取道路异常区域信息。再基于全局阈值法对所述道路异常区域信息进行二值化处理,全局阈值法是指对于整幅红外图像设置一个全局阈值,可通过道路异常区域信息进行阈值设定,以此将图像分为两个部分:大于该阈值的异常区域像素点为一个部分,小于该阈值的正常道路区域像素点为另一个部分,处理得到异常区域二值化图像,增强红外图像异常区域对比度。
再对所述异常区域二值化图像进行异常区域的边缘增强处理,确定异常区域图像边缘信息,基于所述异常区域图像边缘信息进行感兴趣区域划分,确定目标异常感兴趣区域,所述目标异常感兴趣区域用于作为后续道路异常特征微观检测区域。对道路图像异常区域进行感兴趣区域标记,聚焦目标异常区域再次处理,加快质量检测处理速度,减少处理时间,进而增加道路铺设质量检测精度。
步骤S6:通过所述显微型热成型镜头对所述目标异常感兴趣区域进行细化感应识别,获取道路铺设缺陷特征信息;
进一步而言,所述获取道路铺设缺陷特征信息,本申请步骤还包括:
通过所述显微型热成型镜头对所述目标异常感兴趣区域进行细化感应,采集获取道路局部红外图像信息;
获取道路铺设红外图像数据库,所述道路铺设红外图像数据库包括历史城市道路的铺设红外图像数据和道路铺设缺陷检测数据;
使用神经网络结构对所述道路铺设红外图像数据库进行训练,生成道路红外缺陷识别网络;
基于所述道路红外缺陷识别网络对所述道路局部红外图像信息进行缺陷识别,得到所述道路铺设缺陷特征信息。
具体的,为提高道路缺陷识别精确性,通过所述显微型热成型镜头对所述目标异常感兴趣区域进行细化感应,微观采集获取该区域的道路局部红外图像信息。通过大数据技术获取道路铺设红外图像数据库,所述道路铺设红外图像数据库包括历史城市道路的铺设红外图像数据以及对应的道路铺设缺陷检测数据。对所述道路铺设红外图像数据库中的缺陷特征进行样本标注,再使用神经网络结构对标注后的所述道路铺设红外图像数据库进行训练,生成道路红外缺陷识别网络,所述道路红外缺陷识别网络为前馈神经网络模型,用于对道路红外图像进行缺陷数据快速识别。
基于所述道路红外缺陷识别网络对所述道路局部红外图像信息进行缺陷识别,再对缺陷识别结果进行特征提取,得到道路铺设缺陷特征信息,所述道路铺设缺陷特征信息包括缺陷形态、面积以及缺陷位置信息。通过训练道路红外缺陷识别网络快速识别获取铺设缺陷特征,提高缺陷识别精确性和识别效率。
步骤S7:基于所述道路铺设缺陷特征信息进行质量评估,确定城市道路铺设质量检测结果。
进一步而言,所述确定城市道路铺设质量检测结果,本申请步骤还包括:
构建城市道路缺陷标签库,所述城市道路缺陷标签库包括横向裂纹、纵向裂纹、龟裂、坑洞;
基于所述城市道路缺陷标签库对所述道路铺设缺陷特征信息进行缺陷分类,获取道路铺设缺陷聚类信息;
依据所述道路铺设缺陷聚类信息进行路面状况评估,生成路面缺陷状况指数;
基于所述路面缺陷状况指数,确定所述城市道路铺设质量检测结果。
进一步而言,所述生成路面缺陷状况指数,本申请步骤还包括:
依据所述道路铺设缺陷聚类信息进行损坏程度分析,生成道路缺陷类型损坏因子;
基于所述道路铺设缺陷聚类信息分别进行区域定位,获得缺陷区域定位面积信息;
将所述道路缺陷类型损坏因子和所述缺陷区域定位面积信息依次进行缺陷特征值融合计算,生成所述路面缺陷状况指数。
具体的,基于所述道路铺设缺陷特征信息进行质量评估,首先通过城市道路铺设的历史出现缺陷统计信息构建城市道路缺陷标签库,所述城市道路缺陷标签库用于对于道路缺陷进行具体分类,主要包括横向裂纹、纵向裂纹、龟裂、坑洞等,可依据实际缺陷检测添加标签。基于所述城市道路缺陷标签库对识别的所述道路铺设缺陷特征信息依次进行缺陷分类,并将缺陷类型标签相同的特征信息聚为一类,整合获取分类后的道路铺设缺陷聚类信息。依据所述道路铺设缺陷聚类信息进行路面状况评估,首先基于所述道路铺设缺陷聚类信息分别对各类型缺陷进行损坏程度分析,通过历史缺陷数据对各类型缺陷造成的道路质量损失进行评估,生成各类型缺陷对应的道路缺陷类型损坏因子,损坏因子越大,表明该缺陷类型造成的道路质量损失越大。
基于所述道路铺设缺陷聚类信息分别进行区域定位,对各曲线的发生区域定位积分,计算获得对应的缺陷区域定位面积信息。再将所述道路缺陷类型损坏因子和所述缺陷区域定位面积信息依次进行缺陷特征值融合计算,即将各类型缺陷的损坏因子和其相应的区域面积进行乘积加和计算,融合生成路面缺陷状况指数,所述路面缺陷状况指数用于表明道路路面缺陷状况的严重程度。通过城市道路应用标准经验设置缺陷质量划分等级表,基于所述路面缺陷状况指数与缺陷质量划分等级表匹配分析,确定其对应的道路质量等级,进而生成城市道路铺设质量检测结果,用于表明所述目标道路的铺设质量是否达到应用标准。通过红外成像探测设备智能化成像分析,提高道路铺设检测结果精确性,进而保证道路应用质量。
综上所述,本申请所提供的一种城市道路铺设质量检测方法及系统具有如下技术效果:
由于采用了利用望远型热成像镜头对目标道路进行全局红外成像,再对所获取的道路全局红外图像信息进行特征提取,得到道路温度分布特征,基于此进行铺设检测分析,确定道路铺设偏析异常信息;依据所述道路铺设偏析异常信息对所述道路全局红外图像信息进行感兴趣区域标记,确定目标异常感兴趣区域,通过显微型热成型镜头对所述目标异常感兴趣区域进行细化感应识别,获取道路铺设缺陷特征信息,进而基于所述道路铺设缺陷特征信息进行质量评估,确定城市道路铺设质量检测结果的技术方案。进而达到通过红外成像探测设备智能化成像分析,提高道路铺设检测结果精确性,进而保证道路应用质量的技术效果。
实施例二
基于与前述实施例中一种城市道路铺设质量检测方法同样发明构思,本发明还提供了一种城市道路铺设质量检测系统,如图3所示,所述系统包括:
探测设备搭载模块11,用于搭载红外成像探测设备,所述红外成像探测设备包括望远型热成像镜头和显微型热成型镜头;
全局红外成像模块12,用于利用所述望远型热成像镜头对目标道路进行全局红外成像,获取道路全局红外图像信息;
温度特征提取模块13,用于对所述道路全局红外图像信息进行特征提取,得到道路温度分布特征;
铺设检测分析模块14,用于基于所述道路温度分布特征进行铺设检测分析,确定道路铺设偏析异常信息;
感兴趣区域标记模块15,用于依据所述道路铺设偏析异常信息对所述道路全局红外图像信息进行感兴趣区域标记,确定目标异常感兴趣区域;
细化感应识别模块16,用于通过所述显微型热成型镜头对所述目标异常感兴趣区域进行细化感应识别,获取道路铺设缺陷特征信息;
道路铺设质量评估模块17,用于基于所述道路铺设缺陷特征信息进行质量评估,确定城市道路铺设质量检测结果。
进一步的,所述系统还包括:
图像预处理单元,用于对所述道路全局红外图像信息进行预处理,获取标准道路全局红外图像信息;
色彩区域划分单元,用于基于所述标准道路全局红外图像信息进行色彩区域划分,获得红外热图像色域划分信息;
分布映射关系获取单元,用于获取所述红外热图像色域划分信息和热分布温度的色域-温度分布映射关系;
温度特征提取单元,用于基于所述色域-温度分布映射关系对所述道路全局红外图像信息进行温度特征提取,得到所述道路温度分布特征。
进一步的,所述系统还包括:
滤波预处理单元,用于对所述道路全局红外图像信息进行滤波预处理,获取去噪全局红外图像信息;
灰度图转换单元,用于将所述去噪全局红外图像信息进行灰度图转换,生成道路全局灰度图像信息;
灰度直方图获得单元,用于构建灰度值分布坐标系,将所述道路全局灰度图像信息映射至所述灰度值分布坐标系中,得到道路全局红外灰度直方图;
均衡化处理单元,用于对所述道路全局红外灰度直方图进行均衡化处理,获取所述标准道路全局红外图像信息。
进一步的,所述系统还包括:
异常位置区域标记单元,用于依据所述道路铺设偏析异常信息对所述道路全局红外图像信息进行异常位置区域标记,获取道路异常区域信息;
二值化处理单元,用于基于全局阈值法对所述道路异常区域信息进行二值化处理,得到异常区域二值化图像;
边缘增强处理单元,用于对所述异常区域二值化图像进行边缘增强处理,确定异常区域图像边缘信息;
感兴趣区域划分单元,用于基于所述异常区域图像边缘信息进行感兴趣区域划分,确定所述目标异常感兴趣区域。
进一步的,所述系统还包括:
细化感应单元,用于通过所述显微型热成型镜头对所述目标异常感兴趣区域进行细化感应,采集获取道路局部红外图像信息;
数据库获取单元,用于获取道路铺设红外图像数据库,所述道路铺设红外图像数据库包括历史城市道路的铺设红外图像数据和道路铺设缺陷检测数据;
数据库训练单元,用于使用神经网络结构对所述道路铺设红外图像数据库进行训练,生成道路红外缺陷识别网络;
缺陷识别单元,用于基于所述道路红外缺陷识别网络对所述道路局部红外图像信息进行缺陷识别,得到所述道路铺设缺陷特征信息。
进一步的,所述系统还包括:
缺陷标签库构建单元,用于构建城市道路缺陷标签库,所述城市道路缺陷标签库包括横向裂纹、纵向裂纹、龟裂、坑洞;
缺陷分类单元,用于基于所述城市道路缺陷标签库对所述道路铺设缺陷特征信息进行缺陷分类,获取道路铺设缺陷聚类信息;
路面状况评估单元,用于依据所述道路铺设缺陷聚类信息进行路面状况评估,生成路面缺陷状况指数;
质量检测结果确定单元,用于基于所述路面缺陷状况指数,确定所述城市道路铺设质量检测结果。
进一步的,所述系统还包括:
损坏程度分析单元,用于依据所述道路铺设缺陷聚类信息进行损坏程度分析,生成道路缺陷类型损坏因子;
区域定位单元,用于基于所述道路铺设缺陷聚类信息分别进行区域定位,获得缺陷区域定位面积信息;
融合计算单元,用于将所述道路缺陷类型损坏因子和所述缺陷区域定位面积信息依次进行缺陷特征值融合计算,生成所述路面缺陷状况指数。
前述图1实施例一中的一种城市道路铺设质量检测方法的各种变化方式和具体实例同样适用于本实施例的一种城市道路铺设质量检测系统,通过前述对一种城市道路铺设质量检测方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种城市道路铺设质量检测系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
示例性电子设备
具体的,参见图4所示,本申请还提供了一种电子设备,该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本申请中,该电子设备还包括:存储在存储器1150上并可在处理器1120上运行的计算机程序,计算机程序被处理器1120执行时实现上述控制输出数据的方法实施例的各个过程。
收发器1130,用于在处理器1120的控制下接收和发送数据。
本申请中,总线架构(用总线1110来代表),总线1110可以包括任意数量互联的总线和桥,总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个,包括存储器总线和存储器控制器、外围总线、加速图形端口、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制,这样的体系结构包括:工业标准体系结构总线、微通道体系结构总线、扩展总线、视频电子标准协会、外围部件互连总线。
处理器1120可以是一种集成电路芯片,具有信号处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括:通用处理器、中央处理器、网络处理器、数字信号处理器、专用集成电路、现场可编程门阵列、复杂可编程逻辑器件、可编程逻辑阵列、微控制单元或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本申请中公开的各方法、步骤和逻辑框图。例如,处理器可以是单核处理器或多核处理器,处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本申请所公开的方法步骤可以直接由硬件译码处理器执行完成,或者由译码处理器中的硬件和软件模块组合执行完成。软件模块可以位于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
总线1110还可以将,例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起,总线接口1140在总线1110和收发器1130之间提供接口,这些都是本领域所公知的。因此,本申请不再对其进行进一步描述。
收发器1130可以是一个元件,也可以是多个元件,例如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。例如:收发器1130从其他设备接收外部数据,收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机装置的性质,还可以提供用户接口1160,例如:触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解,在本申请中,存储器1150可进一步包括相对于处理器1120远程设置的存储器,这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络、内联网、外联网、虚拟专用网、局域网、无线局域网、广域网、无线广域网、城域网、互联网、公共交换电话网、普通老式电话业务网、蜂窝电话网、无线网络、无线保真网络以和两个或更多个上述网络的组合。例如,蜂窝电话网和无线网络可以是全球移动通信装置、码分多址装置、全球微波互联接入装置、通用分组无线业务装置、宽带码分多址装置、长期演进装置、LTE频分双工装置、LTE时分双工装置、先进长期演进装置、通用移动通信装置、增强移动宽带装置、海量机器类通信装置、超可靠低时延通信装置等。
应理解,本申请中的存储器1150可以是易失性存储器或非易失性存储器,或可包括易失性存储器和非易失性存储器两者。其中,非易失性存储器包括:只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器,或闪存。
易失性存储器包括:随机存取存储器,其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如:静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本申请描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本申请中,存储器1150存储了操作系统1151和应用程序1152的如下元素:可执行模块、数据结构,或者其子集,或者其扩展集。
具体而言,操作系统1151包含各种装置程序,例如:框架层、核心库层、驱动层等,用于实现各种基础业务和处理基于硬件的任务。应用程序1152包含各种应用程序,例如:媒体播放器、浏览器,用于实现各种应用业务。实现本申请方法的程序可以包含在应用程序1152中。应用程序1152包括:小程序、对象、组件、逻辑、数据结构和其他执行特定任务或实现特定抽象数据类型的计算机装置可执行指令。
此外,本申请还提供了一种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上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请披露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种城市道路铺设质量检测方法,其特征在于,所述方法包括:
搭载红外成像探测设备,所述红外成像探测设备包括望远型热成像镜头和显微型热成型镜头;
利用所述望远型热成像镜头对目标道路进行全局红外成像,获取道路全局红外图像信息;
对所述道路全局红外图像信息进行特征提取,得到道路温度分布特征;
基于所述道路温度分布特征进行铺设检测分析,确定道路铺设偏析异常信息;
依据所述道路铺设偏析异常信息对所述道路全局红外图像信息进行感兴趣区域标记,确定目标异常感兴趣区域;
通过所述显微型热成型镜头对所述目标异常感兴趣区域进行细化感应识别,获取道路铺设缺陷特征信息;
基于所述道路铺设缺陷特征信息进行质量评估,确定城市道路铺设质量检测结果。
2.如权利要求1所述的方法,其特征在于,所述得到道路温度分布特征,包括:
对所述道路全局红外图像信息进行预处理,获取标准道路全局红外图像信息;
基于所述标准道路全局红外图像信息进行色彩区域划分,获得红外热图像色域划分信息;
获取所述红外热图像色域划分信息和热分布温度的色域-温度分布映射关系;
基于所述色域-温度分布映射关系对所述道路全局红外图像信息进行温度特征提取,得到所述道路温度分布特征。
3.如权利要求2所述的方法,其特征在于,所述获取标准道路全局红外图像信息,包括:
对所述道路全局红外图像信息进行滤波预处理,获取去噪全局红外图像信息;
将所述去噪全局红外图像信息进行灰度图转换,生成道路全局灰度图像信息;
构建灰度值分布坐标系,将所述道路全局灰度图像信息映射至所述灰度值分布坐标系中,得到道路全局红外灰度直方图;
对所述道路全局红外灰度直方图进行均衡化处理,获取所述标准道路全局红外图像信息。
4.如权利要求1所述的方法,其特征在于,所述确定目标异常感兴趣区域,包括:
依据所述道路铺设偏析异常信息对所述道路全局红外图像信息进行异常位置区域标记,获取道路异常区域信息;
基于全局阈值法对所述道路异常区域信息进行二值化处理,得到异常区域二值化图像;
对所述异常区域二值化图像进行边缘增强处理,确定异常区域图像边缘信息;
基于所述异常区域图像边缘信息进行感兴趣区域划分,确定所述目标异常感兴趣区域。
5.如权利要求1所述的方法,其特征在于,所述获取道路铺设缺陷特征信息,包括:
通过所述显微型热成型镜头对所述目标异常感兴趣区域进行细化感应,采集获取道路局部红外图像信息;
获取道路铺设红外图像数据库,所述道路铺设红外图像数据库包括历史城市道路的铺设红外图像数据和道路铺设缺陷检测数据;
使用神经网络结构对所述道路铺设红外图像数据库进行训练,生成道路红外缺陷识别网络;
基于所述道路红外缺陷识别网络对所述道路局部红外图像信息进行缺陷识别,得到所述道路铺设缺陷特征信息。
6.如权利要求1所述的方法,其特征在于,所述确定城市道路铺设质量检测结果,包括:
构建城市道路缺陷标签库,所述城市道路缺陷标签库包括横向裂纹、纵向裂纹、龟裂、坑洞;
基于所述城市道路缺陷标签库对所述道路铺设缺陷特征信息进行缺陷分类,获取道路铺设缺陷聚类信息;
依据所述道路铺设缺陷聚类信息进行路面状况评估,生成路面缺陷状况指数;
基于所述路面缺陷状况指数,确定所述城市道路铺设质量检测结果。
7.如权利要求6所述的方法,其特征在于,所述生成路面缺陷状况指数,包括:
依据所述道路铺设缺陷聚类信息进行损坏程度分析,生成道路缺陷类型损坏因子;
基于所述道路铺设缺陷聚类信息分别进行区域定位,获得缺陷区域定位面积信息;
将所述道路缺陷类型损坏因子和所述缺陷区域定位面积信息依次进行缺陷特征值融合计算,生成所述路面缺陷状况指数。
8.一种城市道路铺设质量检测系统,其特征在于,所述系统包括:
探测设备搭载模块,用于搭载红外成像探测设备,所述红外成像探测设备包括望远型热成像镜头和显微型热成型镜头;
全局红外成像模块,用于利用所述望远型热成像镜头对目标道路进行全局红外成像,获取道路全局红外图像信息;
温度特征提取模块,用于对所述道路全局红外图像信息进行特征提取,得到道路温度分布特征;
铺设检测分析模块,用于基于所述道路温度分布特征进行铺设检测分析,确定道路铺设偏析异常信息;
感兴趣区域标记模块,用于依据所述道路铺设偏析异常信息对所述道路全局红外图像信息进行感兴趣区域标记,确定目标异常感兴趣区域;
细化感应识别模块,用于通过所述显微型热成型镜头对所述目标异常感兴趣区域进行细化感应识别,获取道路铺设缺陷特征信息;
道路铺设质量评估模块,用于基于所述道路铺设缺陷特征信息进行质量评估,确定城市道路铺设质量检测结果。
9.一种城市道路铺设质量检测电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
10.一种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如权利要求1-7中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311103613.3A CN117129527A (zh) | 2023-08-30 | 2023-08-30 | 一种城市道路铺设质量检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311103613.3A CN117129527A (zh) | 2023-08-30 | 2023-08-30 | 一种城市道路铺设质量检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117129527A true CN117129527A (zh) | 2023-11-28 |
Family
ID=88854213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311103613.3A Pending CN117129527A (zh) | 2023-08-30 | 2023-08-30 | 一种城市道路铺设质量检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117129527A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117911735A (zh) * | 2024-03-20 | 2024-04-19 | 苏州先准电子科技有限公司 | 一种印刷电路板质量检测方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5963662A (en) * | 1996-08-07 | 1999-10-05 | Georgia Tech Research Corporation | Inspection system and method for bond detection and validation of surface mount devices |
CN1508535A (zh) * | 2002-12-20 | 2004-06-30 | 宝山钢铁股份有限公司 | 扫描式带钢表面检测方法和装置 |
CN2699266Y (zh) * | 2004-04-15 | 2005-05-11 | 河南省高远公路养护技术有限公司 | 红外路面温度测试仪 |
CN102182137A (zh) * | 2011-02-25 | 2011-09-14 | 广州飒特电力红外技术有限公司 | 路面缺陷检测系统及方法 |
CN110658209A (zh) * | 2019-09-24 | 2020-01-07 | 江西交通职业技术学院 | 一种随车道路缺陷智能快速检测方法 |
CN113406211A (zh) * | 2021-07-29 | 2021-09-17 | 上海市建筑科学研究院有限公司 | 一种剪力墙水平接缝缺陷快速定量化超声检测装置及方法 |
CN113538503A (zh) * | 2021-08-21 | 2021-10-22 | 西北工业大学 | 一种基于红外图像的太阳能板缺陷检测方法 |
CN116052110A (zh) * | 2023-03-28 | 2023-05-02 | 四川公路桥梁建设集团有限公司 | 一种路面标线缺损智能定位方法及系统 |
CN116402781A (zh) * | 2023-03-31 | 2023-07-07 | 广东利元亨智能装备股份有限公司 | 缺陷检测方法、装置、计算机设备及介质 |
CN116596889A (zh) * | 2023-05-19 | 2023-08-15 | 北京理工大学珠海学院 | 基于深度学习的x射线工业检测缺陷识别方法及系统 |
-
2023
- 2023-08-30 CN CN202311103613.3A patent/CN117129527A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5963662A (en) * | 1996-08-07 | 1999-10-05 | Georgia Tech Research Corporation | Inspection system and method for bond detection and validation of surface mount devices |
CN1508535A (zh) * | 2002-12-20 | 2004-06-30 | 宝山钢铁股份有限公司 | 扫描式带钢表面检测方法和装置 |
CN2699266Y (zh) * | 2004-04-15 | 2005-05-11 | 河南省高远公路养护技术有限公司 | 红外路面温度测试仪 |
CN102182137A (zh) * | 2011-02-25 | 2011-09-14 | 广州飒特电力红外技术有限公司 | 路面缺陷检测系统及方法 |
CN110658209A (zh) * | 2019-09-24 | 2020-01-07 | 江西交通职业技术学院 | 一种随车道路缺陷智能快速检测方法 |
CN113406211A (zh) * | 2021-07-29 | 2021-09-17 | 上海市建筑科学研究院有限公司 | 一种剪力墙水平接缝缺陷快速定量化超声检测装置及方法 |
CN113538503A (zh) * | 2021-08-21 | 2021-10-22 | 西北工业大学 | 一种基于红外图像的太阳能板缺陷检测方法 |
CN116052110A (zh) * | 2023-03-28 | 2023-05-02 | 四川公路桥梁建设集团有限公司 | 一种路面标线缺损智能定位方法及系统 |
CN116402781A (zh) * | 2023-03-31 | 2023-07-07 | 广东利元亨智能装备股份有限公司 | 缺陷检测方法、装置、计算机设备及介质 |
CN116596889A (zh) * | 2023-05-19 | 2023-08-15 | 北京理工大学珠海学院 | 基于深度学习的x射线工业检测缺陷识别方法及系统 |
Non-Patent Citations (2)
Title |
---|
何再兴 等: "基于缺陷特征与种子填充的轮毂缺陷检测方法", 浙江大学学报(工学版), vol. 43, no. 07, 15 July 2009 (2009-07-15), pages 1230 - 1237 * |
邵振峰 等: "遥感图像解译", 31 May 2022, 武汉大学出版社, pages: 211 - 220 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117911735A (zh) * | 2024-03-20 | 2024-04-19 | 苏州先准电子科技有限公司 | 一种印刷电路板质量检测方法及系统 |
CN117911735B (zh) * | 2024-03-20 | 2024-05-17 | 苏州先准电子科技有限公司 | 一种印刷电路板质量检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Pavement crack detection and classification based on fusion feature of LBP and PCA with SVM | |
CN111612763B (zh) | 手机屏幕缺陷检测方法、装置及系统、计算机设备及介质 | |
Hadjidemetriou et al. | Automated pavement patch detection and quantification using support vector machines | |
Eisenbach et al. | How to get pavement distress detection ready for deep learning? A systematic approach | |
Akagic et al. | Pothole detection: An efficient vision based method using rgb color space image segmentation | |
WO2021051601A1 (zh) | 利用Mask R-CNN选择检测框的方法及系统、电子装置及存储介质 | |
Hadjidemetriou et al. | Vision-and entropy-based detection of distressed areas for integrated pavement condition assessment | |
CN111274926B (zh) | 图像数据筛选方法、装置、计算机设备和存储介质 | |
Safaei et al. | Efficient road crack detection based on an adaptive pixel-level segmentation algorithm | |
CN108537286B (zh) | 一种基于关键区域检测的复杂目标精准识别方法 | |
CN111899246B (zh) | 玻片数字化信息质量检测方法、装置、设备及介质 | |
CN114998852A (zh) | 一种基于深度学习的公路路面病害智能检测方法 | |
CN117129527A (zh) | 一种城市道路铺设质量检测方法及系统 | |
CN116433629A (zh) | 一种基于GA-Unet的机场道面缺陷识别方法 | |
CN117147561A (zh) | 用于金属拉链的表面质量检测方法及系统 | |
CN115359471A (zh) | 图像处理及联合检测模型训练方法、装置、设备和存储介质 | |
Wang et al. | Feature extraction and segmentation of pavement distress using an improved hybrid task cascade network | |
Huang et al. | Deep learning–based autonomous road condition assessment leveraging inexpensive rgb and depth sensors and heterogeneous data fusion: Pothole detection and quantification | |
Li et al. | Automatic crack classification and segmentation on concrete bridge images using convolutional neural networks and hybrid image processing | |
CN115376106A (zh) | 基于雷达图的车型识别方法、装置、设备及介质 | |
CN113408514A (zh) | 一种基于深度学习检测路侧停车场泊位的方法及装置 | |
Kageyama et al. | Recognition of speed limit signs in night scene images in Japan | |
CN117146739B (zh) | 用于光学瞄准镜的测角检定方法及系统 | |
Hadjidemetriou et al. | Pavement condition and traffic indices for prioritizing road maintenance | |
CN116401111B (zh) | 脑机接口的功能检测方法、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 |