CN117350985A - 井盖病害检测方法、装置、计算机设备及存储介质 - Google Patents
井盖病害检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117350985A CN117350985A CN202311388234.3A CN202311388234A CN117350985A CN 117350985 A CN117350985 A CN 117350985A CN 202311388234 A CN202311388234 A CN 202311388234A CN 117350985 A CN117350985 A CN 117350985A
- Authority
- CN
- China
- Prior art keywords
- well lid
- area
- information
- result
- severity
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 75
- 201000010099 disease Diseases 0.000 title claims abstract description 61
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 61
- 230000006378 damage Effects 0.000 claims abstract description 79
- 230000011218 segmentation Effects 0.000 claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000008859 change Effects 0.000 claims description 47
- 238000007781 pre-processing Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000004075 alteration Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 16
- 238000005070 sampling Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了井盖病害检测方法、装置、计算机设备及存储介质。所述方法包括：获取待检测图像；将待检测图像输入至分割模型内进行像素级分割，以得到分割结果，其中，分割结果包括在识别道路内的井盖的坐标信息以及置信度信息；对坐标信息进行外扩处理，以得到外扩结果；对所述外扩结果进行井盖破损轮廓的检测，并确定破损区域的面积；根据破损区域的面积确定井盖破损严重程度，以得到严重程度信息；当所述置信度信息超过设定阈值时，将在识别道路内的井盖的坐标信息、所述严重程度信息以及所述井盖所在的图像发送至云服务器。通过实施本发明实施例的方法可实现提高井盖病害检测细节的完整度，提升井盖病害检测的准确率以及效率，适用性强。
Description
技术领域
本发明涉及目标检测方法，更具体地说是指井盖病害检测方法、装置、计算机设备及存储介质。
背景技术
随着城市交通系统的发展和车辆保有量的持续增加，道路交通安全越来越受到人们重视，井盖存在于城市中的大街小巷中，及时监控井盖的丢失、破损状态，有助于避免交通事故并减少伤害和死亡等危害，井盖的破损检测属于井盖病害检测。
现有的井盖病害检测方式多是利用矩形框对目标井盖框取，对于井盖的破损细节把握不够完整；缺乏对井盖病害严重程度的划分，如中国专利CN111914634B公开了一种抗复杂场景干扰的井盖类别自动检测方法和系统，该专利涉及井盖分类和识别，将井盖分类为完好、破损及丢失三种情形，但是不涉及破损面积和破损严重程度，只是提到了模型网络层的构建，也不涉及具体的分类处理，无法为养护单位提供更加专业化，标准化的养护信息；而且目前都是通过人工巡检方式发现，但人工测量效率极低，问题的发现效率与反馈效率慢，问题处置不够及时，且由于道路通行的要求，针对于大量的路面的井盖病害检测采用人工巡检不可行。
因此，有必要设计一种新的方法，实现提高井盖病害检测细节的完整度，提升井盖病害检测的准确率以及效率，适用性强。
发明内容
本发明的目的在于克服现有技术的缺陷，提供井盖病害检测方法、装置、计算机设备及存储介质。
为实现上述目的，本发明采用以下技术方案：井盖病害检测方法，包括：
获取待检测图像；
将所述待检测图像输入至分割模型内进行像素级分割，以得到分割结果，其中，所述分割结果包括在识别道路内的井盖的坐标信息以及置信度信息；
对所述坐标信息进行外扩处理，以得到外扩结果；
对所述外扩结果进行井盖破损轮廓的检测，并确定破损区域的面积；
根据破损区域的面积确定井盖破损严重程度，以得到严重程度信息；
当所述置信度信息超过设定阈值时，将在识别道路内的井盖的坐标信息、所述严重程度信息以及所述井盖所在的图像发送至云服务器。
其进一步技术方案为：所述分割模型将不同网络输出的特征进行结合，并修改网络结构参数，输出与图片像素数量相同的掩码数量，并过滤掩码置信度低于设定值的信息，将过滤后的信息与原图叠加，形成分割结果。
其进一步技术方案为：所述对所述坐标信息进行外扩处理，以得到外扩结果，包括：
对所述坐标信息以目标井盖大小为依据进行坐标范围外扩，以得到外扩结果。
其进一步技术方案为：所述对所述外扩结果进行井盖破损轮廓的检测，并确定破损区域的面积，包括：
对所述待检测图像关于所述外扩结果的区域进行预处理，以得到预处理结果；
对所述预处理结果采用色差变化率进行井盖破损轮廓的检测，以得到破损轮廓；
根据所述破损轮廓确定破损区域的面积。
其进一步技术方案为：所述对所述预处理结果采用色差变化率进行井盖破损轮廓的检测，以得到破损轮廓，包括：
计算所述预处理结果内的每个区域的图像色差的水平梯度变化率和垂直梯度变化率，以得到计算结果；
根据所述计算结果求差，以得到每个区域与周围区域的色差变化率；
当区域与周围区域的色差变化率超过阈值，确定所述区域为破损轮廓。
其进一步技术方案为：所述根据破损区域的面积确定井盖破损严重程度，以得到严重程度信息，包括：
计算所述破损区域的面积与在识别道路内的井盖的坐标信息确定的面积的比值；
根据所述比值确定井盖破损严重程度，以得到严重程度信息。
其进一步技术方案为：所述严重程度信息包括正常、轻度破损、重度破损。
本发明还提供了井盖病害检测装置，包括：
图像获取单元，用于获取待检测图像；
分割单元，用于将所述待检测图像输入至分割模型内进行像素级分割，以得到分割结果，其中，所述分割结果包括在识别道路内的井盖的坐标信息以及置信度信息；
外扩单元，用于对所述坐标信息进行外扩处理，以得到外扩结果；
检测单元，用于对所述外扩结果进行井盖破损轮廓的检测，并确定破损区域的面积；
严重程度确定单元，用于根据破损区域的面积确定井盖破损严重程度，以得到严重程度信息；
发送单元，用于当所述置信度信息超过设定阈值时，将在识别道路内的井盖的坐标信息、所述严重程度信息以及所述井盖所在的图像发送至云服务器。
本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
本发明与现有技术相比的有益效果是：本发明通过采用深度学习技术对待检测图像进行像素级分割，针对在识别道路内的井盖所确定的坐标信息进行外扩处理，增加周边的细节，对外扩结果进行破损轮廓检测以及确定井盖破损严重程度，对于符合要求的井盖的信息进行上报，实现提高井盖病害检测细节的完整度，提升井盖病害检测的准确率以及效率，适用性强。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例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例，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为本发明实施例提供的井盖病害检测方法的应用场景示意图；
图2为本发明实施例提供的井盖病害检测方法的流程示意图；
图3为本发明实施例提供的井盖病害检测方法的子流程示意图；
图4为本发明实施例提供的井盖病害检测方法的子流程示意图；
图5为本发明实施例提供的井盖病害检测方法的子流程示意图；
图6为本发明实施例提供的待检测图像的示意图；
图7为本发明实施例提供的分割结果的示意图；
图8为本发明实施例提供的外扩结果的示意图；
图9为本发明实施例提供的井盖破损轮廓的检测的示意图；
图10为本发明实施例提供的破损区域的示意图；
图11为本发明实施例提供的检测最终结果的示意图；
图12为本发明实施例提供的井盖病害检测装置的示意性框图；
图13为本发明实施例提供的井盖病害检测装置的检测单元的示意性框图；
图14为本发明实施例提供的井盖病害检测装置的破损轮廓确定子单元的示意性框图；
图15为本发明实施例提供的井盖病害检测装置的严重程度确定单元的示意性框图；
图16为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
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，本领域普通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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1和图2，图1为本发明实施例提供的井盖病害检测方法的应用场景示意图。图2为本发明实施例提供的井盖病害检测方法的示意性流程图。该井盖病害检测方法应用于服务器中。该服务器与云服务器以及摄像头进行数据交互，其中，摄像头用于拍摄待检测图像，并输入至服务器内以进行图像的像素级分割，并根据分割结果确定破损轮廓、对应的面积，进而确定破损严重程度，当置信度信息超过设定阈值，则将在识别道路内的井盖的坐标信息、所述严重程度信息结合图像一起发送至云服务器，在破损轮廓确定的过程中，对分割后的井盖坐标信息进行范围外扩，实现提高井盖病害检测细节的完整度，而且采用像素级分割，提升井盖病害检测的准确率以及效率，自动化检测井盖病害，适用性强。
图2是本发明实施例提供的井盖病害检测方法的流程示意图。如图2所示，该方法包括以下步骤S110至S160。
S110、获取待检测图像。
在本实施例中，如图6所示，待检测图像是指由摄像头拍摄所得的某区域的图像。
在本实施例中，可以通过固定车载摄像头拍摄待检测图像，实现对路面井盖破损检测低成本的实时连续监控。
S120、将所述待检测图像输入至分割模型内进行像素级分割，以得到分割结果，其中，所述分割结果包括在识别道路内的井盖的坐标信息以及置信度信息。
在本实施例中，所述分割模型将不同网络输出的特征进行结合，并修改网络结构参数，输出与图片像素数量相同的掩码数量，并过滤掩码置信度低于设定值的信息，将过滤后的信息与原图叠加，形成分割结果。
在本实施例中，修改网络结构参数可以采用修改网络层的通道数的方式实现，还可以通过调整其他网络架构参数实现，如网络层的卷积核大小、网络的层数、池化，策略等，以加强不同网络输出的特征之间的联系。综上所述，可以利用不同网络结构参数如网络层通道数，池化策略等改进分割模型。
具体地，所述分割模型将浅层网络所提取的井盖整体特征与深层网络所提取的井盖局部特征进行结合，且依据像素数量修改设定网络结构参数，并由输出层输出与图片像素数量相同的掩码数量，过滤所述输出层的掩码置信度低于设定值的目标的位置信息，将过滤后的信息与原图叠加，以得到分割结果。
该分割模型在训练时，通过车载摄像头拍摄多个图像，由于是采用同一型号的车载摄像头去采集图片，尺寸固定，但车行驶的路况多变，对于停车、等红绿灯或者缓慢行驶等状态下会产生重复性图像，因此，需要进行筛选去重，具体地，采用结构相似性指数指标对摄像头拍摄的多个图像进行去重，主要通过亮度、对比度、结构三个方面判别图像的相似度，在以上操作后依次进行尺寸调整、填充等前处理操作，保证分割模型的输入时为同尺寸图片，经由上述操作后，任意尺寸的输入图像将被处理为正方形标准化图像，然后对井盖目标的坐标信息进行图像标注，以此作为样本集训练神经网络构成的分割网络。
对于上述的分割模型而言，为了保证更多细节特征的保留和删减冗余的操作，提升了对整个井盖的特征的提取效果，将不同网络输出的特征进行结合，比如修改了分割模型的骨干网络的第一个卷积层，在所有的特征提取网络中增加了许多跳层链接，具体是将浅层网络所提取的井盖整体特征与深层网络所提取的井盖局部特征进行结合，有效且包含了更多井盖的局部细节，提升了像素级特征提取的能力，保留了井盖与其他的区别特征。对于下采样层和上采样层根据像素数量进行了通道的调整，这些下采样层以及上采样层的选择可以依据实际情况而定，可以是全部都进行通道的调整，也可以是部分进行调整，调整的原则是使得最终输出层获取到了所需井盖该目标的多边形位置信息和它的识别置信度。
上述的分割模型可以分割出道路路面的分割结果，具体是井盖的位置信息以及置信度。在检测出图像中的井盖后，首先根据置信度过滤掉置信度过于低的目标，以初步提高检测的准确率，其次，将井盖的坐标信息结合分割图像后得到的路面多边形坐标信息进行二次判定，判定依据为该井盖是否在识别道路内；本实施例的方法只针对在识别道路内的井盖进行破损检测，因此，通过二次判定便可以准确地筛选出符合要求的井盖。通过深度学习对道路的井盖以及路面的井盖实行像素级分割，以提升识别准确性，抑制非路面情况下的识别误报。
道路路面图像比较复杂，有人流、绿化带、车流等复杂因素影响，采用更精细的像素级分割区分井盖特征，然后再将区分出来的井盖判断是否处于道路的包含关系，若包含，则代表该井盖属于所要判定的范围内，接着进一步的判断该井盖的严重程度，对其的问题和治理做数据归档；若不包含，则表明该井盖不属于判定范围。通过两个精细化操作，对图片的细节把握有效提升。
对于上述的像素级分割，除了对于的分割模型的骨干网络进行调整之后，还调整了下采样层与上采样层之间的直接连接层，在本实施例中，可以是每个下采样层都直接与上采样层增加了额外的连接，直接增加了每个单独像素对于整个目标的所有像素的联系，当然，于其他实施例，还可以是筛选部分下采样层都直接与上采样层建立额外的直接连接层，其次，还针对整个网络的最后几层包含最后的输出层调整结构，对连接输出层的网络层依据像素数量进行调整通道数，此处修改通道数量的网络层的个数可以依据实际情况而定，输出层输出与输入的图片像素数量相同的掩码数量，每一个掩码则代表了一个像素的分类，最后将其与输入的图像叠加获取最终的分割结果，如图7所示，包含井盖的位置信息以及井盖的置信度。
S130、对所述坐标信息进行外扩处理，以得到外扩结果。
在本实施例中，外扩结果是指对井盖的位置信息进行范围扩大，以囊括周围的细节，提高井盖病害检测细节的完整度。
具体地，对所述坐标信息以目标井盖大小为依据进行坐标范围外扩，以得到外扩结果。
在本实施例中，坐标信息是指包含井盖的多边形的位置信息，将井盖的多边形坐标进行外扩处理，外扩范围以目标井盖大小为依据，扩大的面积为一倍井盖的面积大小，外扩目的是包含可能存在破损所有的周边区域，以保证检测细节的完整度。
S140、对所述外扩结果进行井盖破损轮廓的检测，并确定破损区域的面积。
在本实施例中，破损区域的面积是指破损轮廓所囊括的区域的面积。
在一实施例中，请参阅图3，上述的步骤S140可包括步骤S141～S143。
S141、对所述待检测图像关于所述外扩结果的区域进行预处理，以得到预处理结果。
在本实施例中，预处理结果是指对外扩结果所包括的区域进行灰度化、去噪、边缘增强等操作，这些操作属于现有技术，此处不再赘述。
S142、对所述预处理结果采用色差变化率进行井盖破损轮廓的检测，以得到破损轮廓。
在本实施例中，如图9所示，破损轮廓是指井盖破损区域对应的轮廓线。
在一实施例中，请参阅图4，上述的步骤S142可包括步骤S1421～S1422。
S1421、计算所述预处理结果内的每个区域的图像色差的水平梯度变化率和垂直梯度变化率，以得到计算结果。
在本实施例中，计算结果是指预处理结果内的每个区域的图像色差的水平梯度变化率和垂直梯度变化率。
具体地，先对外扩结果进行预处理，以增强对比性，从而提高检测准确率，在计算预处理后的外扩结果该范围内的每个区域的图像色差的水平梯度变化率和垂直梯度变化率，此处的区域划分可以按照实际情况确定，比如要求精准度高一些，划分为区域的面积则小一些，要求检测速度快一些，则划分为区域的面积大一些。
S1422、根据所述计算结果求差，以得到每个区域与周围区域的色差变化率。
在本实施例中，每个区域与周围区域的色差变化率是指每个区域与周围区域的水平梯度变化率的差值和垂直梯度变化率的差值。
S1423、当区域与周围区域的色差变化率超过阈值，确定所述区域为破损轮廓。
具体地，通过算子来计算图像色差的水平和垂直梯度变化率，以区分破损轮廓，区分轮廓的依据主要是根据破损地方与周围地区的色差变化率，色差变化率大的地方则被认为是破损的区域，破损效果如图10所示，图中两条粗实线之间的花纹为破损纹理；椭圆粗实线内的花纹是井盖正常的纹理；根据与待检测图像对比可以看出，在破损严重的区域，色差变化明显。在井盖的破损轮廓检测中需设定相关参数如轮廓面积阈值，以调整轮廓检测效果，依据色差变化率检测出整个图片的破损轮廓。
S143、根据所述破损轮廓确定破损区域的面积。
在本实施例中，破损区域的面积是指根据破损轮廓围合形成的区域进行面积计算所得的结果。
S150、根据破损区域的面积确定井盖破损严重程度，以得到严重程度信息。
在本实施例中，严重程度信息是指井盖破损的程度。
在一实施例中，请参阅图5，上述的步骤S150可包括步骤S151～S152。
S151、计算所述破损区域的面积与在识别道路内的井盖的坐标信息确定的面积的比值；
S152、根据所述比值确定井盖破损严重程度，以得到严重程度信息。
具体地，井盖的破损严重程度分为3个等级：正常、轻度破损、重度破损。划分井盖的破损严重程度依据主要是在于井盖周围破损程度，对井盖周围破损程度按照破损区域的面积占比井盖面积划分轻重程度。例如，当比值在1.2-1.5时，判定井盖周围破损程度为轻度，当比值大于1.5时，判定为重度；低于1.2时确定为正常，以此对图像识别所得内的井盖进行破损严重程度划分。
S160、当所述置信度信息超过设定阈值时，将在识别道路内的井盖的坐标信息、所述严重程度信息以及所述井盖所在的图像发送至云服务器。
在本实施例中，根据置信度对结果准确性进行阈值筛选，置信度信息超过设定阈值的井盖，将井盖该问题点信息以及图片传输至云服务器，其中，问题点信息包括在识别道路内的井盖的坐标信息、所述严重程度信息，这些信息可以标注在待检测图像上，将该图像发送至云服务器即可。
对于上述的设定阈值，可以根据不同等级的井盖病害按照经验值设置不同的置信度阈值，比如轻度破损的设定阈值为c1，重度破损的设定阈值为c2，正常的井盖不需要推送。发送给云服务器的信息如图11所示，包括井盖坐标信息、置信度、破损严重程度以及破损面积占比。
通过获取井盖对象的置信度与破损严重程度对应的设定阈值，确定是否需要进行数据上报，对城市井盖问题与治理做数据归档。
上述的井盖病害检测方法，通过采用深度学习技术对待检测图像进行像素级分割，针对在识别道路内的井盖所确定的坐标信息进行外扩处理，增加周边的细节，对外扩结果进行破损轮廓检测以及确定井盖破损严重程度，对于符合要求的井盖的信息进行上报，实现提高井盖病害检测细节的完整度，提升井盖病害检测的准确率以及效率，适用性强。
图12是本发明实施例提供的一种井盖病害检测装置300的示意性框图。如图12所示，对应于以上井盖病害检测方法，本发明还提供一种井盖病害检测装置300。该井盖病害检测装置300包括用于执行上述井盖病害检测方法的单元，该装置可以被配置于服务器中。具体地，请参阅图12，该井盖病害检测装置300包括图像获取单元301、分割单元302、外扩单元303、检测单元304、严重程度确定单元305以及发送单元306。
图像获取单元301，用于获取待检测图像；分割单元302，用于将所述待检测图像输入至分割模型内进行像素级分割，以得到分割结果，其中，所述分割结果包括在识别道路内的井盖的坐标信息以及置信度信息；外扩单元303，用于对所述坐标信息进行外扩处理，以得到外扩结果；检测单元304，用于对所述外扩结果进行井盖破损轮廓的检测，并确定破损区域的面积；严重程度确定单元305，用于根据破损区域的面积确定井盖破损严重程度，以得到严重程度信息；发送单元306，用于当所述置信度信息超过设定阈值时，将在识别道路内的井盖的坐标信息、所述严重程度信息以及所述井盖所在的图像发送至云服务器。
在一实施例中，所述外扩单元303，用于对所述坐标信息以目标井盖大小为依据进行坐标范围外扩，以得到外扩结果。
在一实施例中，如图13所示，所述检测单元304包括预处理子单元3041、破损轮廓确定子单元3042以及面积确定子单元3043。
预处理子单元3041，用于对所述待检测图像关于所述外扩结果的区域进行预处理，以得到预处理结果；破损轮廓确定子单元3042，用于对所述预处理结果采用色差变化率进行井盖破损轮廓的检测，以得到破损轮廓；面积确定子单元3043，用于根据所述破损轮廓确定破损区域的面积。
在一实施例中，如图14所示，所述破损轮廓确定子单元3042包括计算模块30421、求差模块30422以及轮廓确定模块30423。
计算模块30421，用于计算所述预处理结果内的每个区域的图像色差的水平梯度变化率和垂直梯度变化率，以得到计算结果；求差模块30422，用于根据所述计算结果求差，以得到每个区域与周围区域的色差变化率；轮廓确定模块30423，用于当区域与周围区域的色差变化率超过阈值，确定所述区域为破损轮廓。
在一实施例中，如图15所示，所述严重程度确定单元305包括比值确定子单元3051以及程度确定子单元3052。
比值确定子单元3051，用于计算所述破损区域的面积与在识别道路内的井盖的坐标信息确定的面积的比值；程度确定子单元3052，用于根据所述比值确定井盖破损严重程度，以得到严重程度信息。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述井盖病害检测装置300和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述井盖病害检测装置300可以实现为一种计算机程序的形式，该计算机程序可以在如图16所示的计算机设备上运行。
请参阅图16，图16是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器，其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图16，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种井盖病害检测方法。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种井盖病害检测方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图16中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：
获取待检测图像；将所述待检测图像输入至分割模型内进行像素级分割，以得到分割结果，其中，所述分割结果包括在识别道路内的井盖的坐标信息以及置信度信息；对所述坐标信息进行外扩处理，以得到外扩结果；对所述外扩结果进行井盖破损轮廓的检测，并确定破损区域的面积；根据破损区域的面积确定井盖破损严重程度，以得到严重程度信息；当所述置信度信息超过设定阈值时，将在识别道路内的井盖的坐标信息、所述严重程度信息以及所述井盖所在的图像发送至云服务器。
其中，所述分割模型将不同网络输出的特征进行结合，并修改网络结构参数，输出与图片像素数量相同的掩码数量，并过滤掩码置信度低于设定值的信息，将过滤后的信息与原图叠加，形成分割结果。
所述严重程度信息包括正常、轻度破损、重度破损。
在一实施例中，处理器502在实现所述对所述坐标信息进行外扩处理，以得到外扩结果步骤时，具体实现如下步骤：
对所述坐标信息以目标井盖大小为依据进行坐标范围外扩，以得到外扩结果。
在一实施例中，处理器502在实现所述对所述外扩结果进行井盖破损轮廓的检测，并确定破损区域的面积步骤时，具体实现如下步骤：
对所述待检测图像关于所述外扩结果的区域进行预处理，以得到预处理结果；对所述预处理结果采用色差变化率进行井盖破损轮廓的检测，以得到破损轮廓；根据所述破损轮廓确定破损区域的面积。
在一实施例中，处理器502在实现所述对所述预处理结果采用色差变化率进行井盖破损轮廓的检测，以得到破损轮廓步骤时，具体实现如下步骤：
计算所述预处理结果内的每个区域的图像色差的水平梯度变化率和垂直梯度变化率，以得到计算结果；根据所述计算结果求差，以得到每个区域与周围区域的色差变化率；当区域与周围区域的色差变化率超过阈值，确定所述区域为破损轮廓。
在一实施例中，处理器502在实现所述根据破损区域的面积确定井盖破损严重程度，以得到严重程度信息步骤时，具体实现如下步骤：
计算所述破损区域的面积与在识别道路内的井盖的坐标信息确定的面积的比值；根据所述比值确定井盖破损严重程度，以得到严重程度信息。
应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal 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。其中，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。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行如下步骤：
获取待检测图像；将所述待检测图像输入至分割模型内进行像素级分割，以得到分割结果，其中，所述分割结果包括在识别道路内的井盖的坐标信息以及置信度信息；对所述坐标信息进行外扩处理，以得到外扩结果；对所述外扩结果进行井盖破损轮廓的检测，并确定破损区域的面积；根据破损区域的面积确定井盖破损严重程度，以得到严重程度信息；当所述置信度信息超过设定阈值时，将在识别道路内的井盖的坐标信息、所述严重程度信息以及所述井盖所在的图像发送至云服务器。
其中，所述分割模型将不同网络输出的特征进行结合，并修改网络结构参数，输出与图片像素数量相同的掩码数量，并过滤掩码置信度低于设定值的信息，将过滤后的信息与原图叠加，形成分割结果。
所述严重程度信息包括正常、轻度破损、重度破损。
在一实施例中，所述处理器在执行所述计算机程序而实现所述对所述坐标信息进行外扩处理，以得到外扩结果步骤时，具体实现如下步骤：
对所述坐标信息以目标井盖大小为依据进行坐标范围外扩，以得到外扩结果。
在一实施例中，所述处理器在执行所述计算机程序而实现所述对所述外扩结果进行井盖破损轮廓的检测，并确定破损区域的面积步骤时，具体实现如下步骤：
对所述待检测图像关于所述外扩结果的区域进行预处理，以得到预处理结果；对所述预处理结果采用色差变化率进行井盖破损轮廓的检测，以得到破损轮廓；根据所述破损轮廓确定破损区域的面积。
在一实施例中，所述处理器在执行所述计算机程序而实现所述对所述预处理结果采用色差变化率进行井盖破损轮廓的检测，以得到破损轮廓步骤时，具体实现如下步骤：
计算所述预处理结果内的每个区域的图像色差的水平梯度变化率和垂直梯度变化率，以得到计算结果；根据所述计算结果求差，以得到每个区域与周围区域的色差变化率；当区域与周围区域的色差变化率超过阈值，确定所述区域为破损轮廓。
在一实施例中，所述处理器在执行所述计算机程序而实现所述根据破损区域的面积确定井盖破损严重程度，以得到严重程度信息步骤时，具体实现如下步骤：
计算所述破损区域的面积与在识别道路内的井盖的坐标信息确定的面积的比值；根据所述比值确定井盖破损严重程度，以得到严重程度信息。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，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。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明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，也可以是两个或两个以上单元集成在一个单元中。
该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，可以存储在一个存储介质中。基于这样的理解，本发明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介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.井盖病害检测方法，其特征在于，包括：
获取待检测图像；
将所述待检测图像输入至分割模型内进行像素级分割，以得到分割结果，其中，所述分割结果包括在识别道路内的井盖的坐标信息以及置信度信息；
对所述坐标信息进行外扩处理，以得到外扩结果；
对所述外扩结果进行井盖破损轮廓的检测，并确定破损区域的面积；
根据破损区域的面积确定井盖破损严重程度，以得到严重程度信息；
当所述置信度信息超过设定阈值时，将在识别道路内的井盖的坐标信息、所述严重程度信息以及所述井盖所在的图像发送至云服务器。
2.根据权利要求1所述的井盖病害检测方法，其特征在于，所述分割模型将不同网络输出的特征进行结合，并修改网络结构参数，输出与图片像素数量相同的掩码数量，并过滤掩码置信度低于设定值的信息，将过滤后的信息与原图叠加，形成分割结果。
3.根据权利要求1所述的井盖病害检测方法，其特征在于，所述对所述坐标信息进行外扩处理，以得到外扩结果，包括：
对所述坐标信息以目标井盖大小为依据进行坐标范围外扩，以得到外扩结果。
4.根据权利要求1所述的井盖病害检测方法，其特征在于，所述对所述外扩结果进行井盖破损轮廓的检测，并确定破损区域的面积，包括：
对所述待检测图像关于所述外扩结果的区域进行预处理，以得到预处理结果；
对所述预处理结果采用色差变化率进行井盖破损轮廓的检测，以得到破损轮廓；
根据所述破损轮廓确定破损区域的面积。
5.根据权利要求4所述的井盖病害检测方法，其特征在于，所述对所述预处理结果采用色差变化率进行井盖破损轮廓的检测，以得到破损轮廓，包括：
计算所述预处理结果内的每个区域的图像色差的水平梯度变化率和垂直梯度变化率，以得到计算结果；
根据所述计算结果求差，以得到每个区域与周围区域的色差变化率；
当区域与周围区域的色差变化率超过阈值，确定所述区域为破损轮廓。
6.根据权利要求1所述的井盖病害检测方法，其特征在于，所述根据破损区域的面积确定井盖破损严重程度，以得到严重程度信息，包括：
计算所述破损区域的面积与在识别道路内的井盖的坐标信息确定的面积的比值；
根据所述比值确定井盖破损严重程度，以得到严重程度信息。
7.根据权利要求1所述的井盖病害检测方法，其特征在于，所述严重程度信息包括正常、轻度破损、重度破损。
8.井盖病害检测装置，其特征在于，包括：
图像获取单元，用于获取待检测图像；
分割单元，用于将所述待检测图像输入至分割模型内进行像素级分割，以得到分割结果，其中，所述分割结果包括在识别道路内的井盖的坐标信息以及置信度信息；
外扩单元，用于对所述坐标信息进行外扩处理，以得到外扩结果；
检测单元，用于对所述外扩结果进行井盖破损轮廓的检测，并确定破损区域的面积；
严重程度确定单元，用于根据破损区域的面积确定井盖破损严重程度，以得到严重程度信息；
发送单元，用于当所述置信度信息超过设定阈值时，将在识别道路内的井盖的坐标信息、所述严重程度信息以及所述井盖所在的图像发送至云服务器。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的方法。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311388234.3A CN117350985B (zh) | 2023-10-24 | 2023-10-24 | 井盖病害检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311388234.3A CN117350985B (zh) | 2023-10-24 | 2023-10-24 | 井盖病害检测方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117350985A true CN117350985A (zh) | 2024-01-05 |
| CN117350985B CN117350985B (zh) | 2024-04-19 |
Family
ID=89362834
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311388234.3A Active CN117350985B (zh) | 2023-10-24 | 2023-10-24 | 井盖病害检测方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117350985B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5628401B1 (ja) * | 2013-11-20 | 2014-11-19 | 日本電信電話株式会社 | マンホール鉄蓋最大段差量測定装置および方法、並びにこれに用いられる画素分解能算出装置、マンホール鉄蓋最大段差箇所検知装置、画素分解能算出方法、マンホール鉄蓋最大段差箇所検知方法 |
| CN104331877A (zh) * | 2014-10-13 | 2015-02-04 | 西北工业大学 | 融合色调梯度的彩色图像边缘检测方法 |
| CN112329845A (zh) * | 2020-11-03 | 2021-02-05 | 深圳云天励飞技术股份有限公司 | 更换纸币的方法、装置、终端设备及计算机可读存储介质 |
| CN112419229A (zh) * | 2020-10-15 | 2021-02-26 | 合肥联宝信息技术有限公司 | 一种显示屏线状缺陷检测方法、装置及存储介质 |
| CN112700433A (zh) * | 2021-01-11 | 2021-04-23 | 地平线(上海)人工智能技术有限公司 | 图像处理方法、装置、电子设备以及计算机可读存储介质 |
| CN113643300A (zh) * | 2021-07-13 | 2021-11-12 | 郑州大学 | 一种基于Seg-CapsNet算法的路面裂缝像素级别检测方法 |
| CN113989305A (zh) * | 2021-12-27 | 2022-01-28 | 城云科技（中国）有限公司 | 目标语义分割方法及应用其的街道目标异常检测方法 |
| CN114007039A (zh) * | 2021-10-12 | 2022-02-01 | 泰华智慧产业集团股份有限公司 | 一种基于视频ai的井盖联动监测系统及方法 |
| CN114332802A (zh) * | 2022-03-15 | 2022-04-12 | 北京中科慧眼科技有限公司 | 基于双目相机的路面平坦度语义分割方法和系统 |
| CN114399735A (zh) * | 2022-02-17 | 2022-04-26 | 上海同陆云交通科技有限公司 | 一种城市道路问题井盖巡查方法和系统 |
| CN114858214A (zh) * | 2022-04-27 | 2022-08-05 | 中徽建技术有限公司 | 一种城市道路性能监测系统 |
| CN115170525A (zh) * | 2022-07-18 | 2022-10-11 | 文思海辉元辉科技(无锡)有限公司 | 一种图像差异检测方法及装置 |
| CN115883803A (zh) * | 2022-09-29 | 2023-03-31 | 海信视像科技股份有限公司 | 投影设备及投影画面矫正方法 |
| CN116228775A (zh) * | 2023-05-10 | 2023-06-06 | 实德电气集团有限公司 | 基于机器视觉的接触器完整性检测方法 |
| CN116542975A (zh) * | 2023-07-05 | 2023-08-04 | 成都数之联科技股份有限公司 | 一种玻璃面板的缺陷分类方法、装置、设备和介质 |
| CN116912805A (zh) * | 2023-09-07 | 2023-10-20 | 山东博昂信息科技有限公司 | 一种基于无人清扫车的井盖异常智能检测识别方法及系统 |
-
2023
- 2023-10-24 CN CN202311388234.3A patent/CN117350985B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5628401B1 (ja) * | 2013-11-20 | 2014-11-19 | 日本電信電話株式会社 | マンホール鉄蓋最大段差量測定装置および方法、並びにこれに用いられる画素分解能算出装置、マンホール鉄蓋最大段差箇所検知装置、画素分解能算出方法、マンホール鉄蓋最大段差箇所検知方法 |
| CN104331877A (zh) * | 2014-10-13 | 2015-02-04 | 西北工业大学 | 融合色调梯度的彩色图像边缘检测方法 |
| CN112419229A (zh) * | 2020-10-15 | 2021-02-26 | 合肥联宝信息技术有限公司 | 一种显示屏线状缺陷检测方法、装置及存储介质 |
| CN112329845A (zh) * | 2020-11-03 | 2021-02-05 | 深圳云天励飞技术股份有限公司 | 更换纸币的方法、装置、终端设备及计算机可读存储介质 |
| CN112700433A (zh) * | 2021-01-11 | 2021-04-23 | 地平线(上海)人工智能技术有限公司 | 图像处理方法、装置、电子设备以及计算机可读存储介质 |
| CN113643300A (zh) * | 2021-07-13 | 2021-11-12 | 郑州大学 | 一种基于Seg-CapsNet算法的路面裂缝像素级别检测方法 |
| CN114007039A (zh) * | 2021-10-12 | 2022-02-01 | 泰华智慧产业集团股份有限公司 | 一种基于视频ai的井盖联动监测系统及方法 |
| CN113989305A (zh) * | 2021-12-27 | 2022-01-28 | 城云科技（中国）有限公司 | 目标语义分割方法及应用其的街道目标异常检测方法 |
| CN114399735A (zh) * | 2022-02-17 | 2022-04-26 | 上海同陆云交通科技有限公司 | 一种城市道路问题井盖巡查方法和系统 |
| CN114332802A (zh) * | 2022-03-15 | 2022-04-12 | 北京中科慧眼科技有限公司 | 基于双目相机的路面平坦度语义分割方法和系统 |
| CN114858214A (zh) * | 2022-04-27 | 2022-08-05 | 中徽建技术有限公司 | 一种城市道路性能监测系统 |
| CN115170525A (zh) * | 2022-07-18 | 2022-10-11 | 文思海辉元辉科技(无锡)有限公司 | 一种图像差异检测方法及装置 |
| CN115883803A (zh) * | 2022-09-29 | 2023-03-31 | 海信视像科技股份有限公司 | 投影设备及投影画面矫正方法 |
| CN116228775A (zh) * | 2023-05-10 | 2023-06-06 | 实德电气集团有限公司 | 基于机器视觉的接触器完整性检测方法 |
| CN116542975A (zh) * | 2023-07-05 | 2023-08-04 | 成都数之联科技股份有限公司 | 一种玻璃面板的缺陷分类方法、装置、设备和介质 |
| CN116912805A (zh) * | 2023-09-07 | 2023-10-20 | 山东博昂信息科技有限公司 | 一种基于无人清扫车的井盖异常智能检测识别方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| HANGZHANG等: "Efficient approach to automated pavement manholecover detection with modified faster R-CNN", 《INTELLIGENT TRANSPORTATION INFRASTRUCTURE》, vol. 1, no. 1, 31 December 2022 (2022-12-31), pages 1 - 12 * |
| WEI LIU等: "Small Manhole Cover Detection in Remote Sensing Imagery with Deep Convolutional Neural Networks", 《INTERNATIONAL JOURNAL OF GEO-INFORMATION》, vol. 8, 19 January 2019 (2019-01-19), pages 1 - 12 * |
| 江焜: "基于卷积神经网络的城市井盖检测系统设计与实现", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 01, 15 January 2022 (2022-01-15), pages 038 - 1751 * |
| 胡珉: "公路隧道视频预处理和病害识别算法", 《华侨大学学报（自然科学版）》, vol. 41, no. 5, 30 September 2020 (2020-09-30), pages 595 - 604 * |
| 赖国良等: "基于语义似然与高精度地图匹配的智能车辆同时定位与检测", 《上海交通大学学报》, 23 April 2023 (2023-04-23), pages 5 - 6 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117350985B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106934795B (zh) | 一种混凝土桥梁裂缝的自动检测方法和预测方法 | |
| CN112308826B (zh) | 一种基于卷积神经网络的桥梁结构表面缺陷检测方法 | |
| CN102314599A (zh) | 一种车道识别偏离检测方法 | |
| CN102073851A (zh) | 一种城市交通事故自动识别方法和系统 | |
| CN109670515A (zh) | 一种用于无人机影像中建筑物变化的检测方法及系统 | |
| CN109711264A (zh) | 一种公交车道占道检测方法及装置 | |
| CN111488808B (zh) | 基于交通违法图像数据的车道线检测方法 | |
| CN112528868A (zh) | 一种基于改进Canny边缘检测算法的违章压线判别方法 | |
| CN110060221B (zh) | 一种基于无人机航拍图像的桥梁车辆检测方法 | |
| CN113537037A (zh) | 路面病害识别方法、系统、电子设备及存储介质 | |
| CN111832461A (zh) | 一种基于视频流的非机动车骑行人员头盔佩戴检测方法 | |
| CN110660065A (zh) | 一种红外故障检测识别算法 | |
| Liu et al. | Robust image-based crack detection in concrete structure using multi-scale enhancement and visual features | |
| CN106022268A (zh) | 一种限速标识的识别方法和装置 | |
| CN110276318A (zh) | 夜间公路下雨识别方法、装置、计算机设备及存储介质 | |
| CN113313071A (zh) | 一种道路区域识别方法及系统 | |
| CN111524121A (zh) | 一种基于机器视觉技术的路桥病害自动检测方法 | |
| CN108090425B (zh) | 一种车道线检测方法、装置及终端 | |
| CN117350985B (zh) | 井盖病害检测方法、装置、计算机设备及存储介质 | |
| CN117670791A (zh) | 基于多尺度融合策略和改进YOLOv5的道路病害检测方法及装置 | |
| CN112052768A (zh) | 基于无人机的城市违章停车检测方法、装置及存储介质 | |
| Danilescu et al. | Road anomalies detection using basic morphological algorithms | |
| KR102585146B1 (ko) | 딥러닝 기반의 도로손상 탐지 장치 및 방법 | |
| Yoshimori et al. | License plate detection system in rainy days | |
| CN110321973B (zh) | 一种基于视觉的组合车辆检测方法 |
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 |