CN117474870B - 一种基于大数据筛选的公路路面裂缝识别决策方法及系统 - Google Patents
一种基于大数据筛选的公路路面裂缝识别决策方法及系统 Download PDFInfo
- Publication number
- CN117474870B CN117474870B CN202311451403.3A CN202311451403A CN117474870B CN 117474870 B CN117474870 B CN 117474870B CN 202311451403 A CN202311451403 A CN 202311451403A CN 117474870 B CN117474870 B CN 117474870B
- Authority
- CN
- China
- Prior art keywords
- road
- crack
- traffic
- image
- area
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012216 screening Methods 0.000 title claims abstract description 16
- 238000012423 maintenance Methods 0.000 claims abstract description 33
- 230000009471 action Effects 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 64
- 239000010426 asphalt Substances 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 23
- 239000004568 cement Substances 0.000 claims description 18
- 238000005516 engineering process Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 13
- 239000004575 stone Substances 0.000 claims description 13
- 238000007689 inspection Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 230000008439 repair process Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000007500 overflow downdraw method Methods 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 206010039203 Road traffic accident Diseases 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 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
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06V10/77—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于大数据筛选的公路路面裂缝识别决策方法及系统,涉及公路裂缝识别技术领域,该系统通过自动化识别路面裂缝和遮挡物,系统有助于早期发现和解决潜在的道路安全隐患。这有助于减少交通事故的发生,保护驾驶员和行人的生命安全。通过综合考虑裂缝、遮挡物和交通密度等多个因素,系统能够为不同路段提供个性化的维护建议。传统的公路维护通常需要大量人力和时间进行巡检和评估。该系统的自动化识别功能减少了对人力的依赖,加速了维护流程,减少了对交通的干扰。通过分析交通密度和其他因素,系统可以提前预测潜在的问题区域,并采取适当的措施。这有助于延长公路的寿命,减少紧急维修的需求。
Description
技术领域
本发明涉及公路裂缝识别技术领域,具体为一种基于大数据筛选的公路路面裂缝识别决策方法及系统。
背景技术
公路路面的安全和可维护性一直是交通管理和道路维护的重要问题。路面裂缝是公路路面的一种常见缺陷,它们可能导致交通事故和路面损坏,因此及时准确地识别和管理裂缝对于维护公路安全至关重要。然而,传统的公路裂缝识别方法受到了许多限制,例如依赖于人工巡检和视觉检查,效率低下且容易出现错误。因此,开发一种基于先进技术的自动化公路路面裂缝识别方法和系统已成为研究和实践的热点。
在过去的几年里,随着大数据技术的发展,研究人员开始探索如何利用大数据来改进公路路面裂缝识别和决策。传统的裂缝检测方法主要依赖于图像处理技术,但它们通常无法有效地处理多源数据,如监控摄像头、卫星图像和传感器数据等。此外,这些方法往往忽视了交通热力对裂缝的影响,而交通热力是衡量公路使用情况的重要指标之一,它可能与裂缝的形成和发展有关。因此,现有技术往往不能提供全面的公路裂缝信息,也不能为维护决策提供足够的支持。
发明内容
针对现有技术的不足,本发明提供了一种基于大数据筛选的公路路面裂缝识别决策方法及系统,该系统通过自动化识别路面裂缝和遮挡物,系统有助于早期发现和解决潜在的道路安全隐患。这有助于减少交通事故的发生,保护驾驶员和行人的生命安全。通过综合考虑裂缝、遮挡物和交通密度等多个因素,系统能够为不同路段提供个性化的维护建议。传统的公路维护通常需要大量人力和时间进行巡检和评估。该系统的自动化识别功能减少了对人力的依赖,加速了维护流程,减少了对交通的干扰。通过分析交通密度和其他因素,系统可以提前预测潜在的问题区域,并采取适当的措施。这有助于延长公路的寿命,减少紧急维修的需求。
为实现以上目的,本发明通过以下技术方案予以实现:一种基于大数据筛选的公路路面裂缝识别决策方法,包括以下步骤:
集合大数据不同来源采集公路路面图像、传感器数据和交通数据,不同来源包括监控摄像头、巡检车辆拍摄照片、卫星图像以及集成不同传感器数据;包括摄像头、激光雷达和红外传感器,获得不同时间、地点和路况的公路段图像数据;并对采集的公路段图像数据进行预处理,包括去噪、图像增强和尺寸标准化,建立公路数据集和遮挡物图像数据集;并将公路数据集和遮挡物图像数据集标定地理坐标信息并进行第一分组,进行融合,并贴上路况标签;并建立新数据集;
建立路面裂缝识别模型和交通密度识别模型,对新数据集内提取公路纹理特征,将同类型的公路纹理特征进行第二分组;使用图像分割技术,包括语义分割和实例分割,将第二分组后的新数据集的遮挡物与背景分离,提取分割后遮挡物特征,包括形状、颜色和纹理;使用目标检测技术,建立目标检测模型,识别不同遮挡物类型,包括树木和车辆,识别检测到遮挡物后,并计算边界框的位置坐标提取遮挡物的位置和图片信息;
计算边界框的位置坐标提取遮挡物的位置和图片信息作为第一信息,传递至路面裂缝识别模型进行输入;提取新数据集中的裂缝特征,将裂缝特征作为第二信息,传递至路面裂缝识别模型进行输入;
由路面裂缝识别模型依据遮挡物特征和裂缝特征,计算获得:区域裂缝指数Lf、遮挡物障碍指数Zd和裂缝深度面积系数Sd;
并依据交通密度识别模型,依据所述交通数据计算出区域内交通热力值JT,并将区域裂缝指数Lf、遮挡物障碍指数Zd以相对应区域内的交通热力值JT进行相关联分析,获得综合指数R,并将综合指数R分别与第一评估阈值Threshold1和第二评估阈值Threshold2进行对比,获得不同评估结果,并根据不同评估结果生成相对应的决策方案。
优选的,通过地理信息系统对公路数据集和遮挡物图像数据,对于不同时间和地点的公路路数据集和遮挡物图像数据,使用地点信息将这些信息对齐到相同的地理坐标;
并对公路数据集进行路况分类,分为不同的路况类别,包括晴天、雨天和雪天,进行第一分组,将相似的路况图像放在同一组中,并贴上路况标签;
对于每组公路图像,选择相应时间、地点和路况条件下的遮挡物图像数据集,根据时间戳、地理坐标以及路况标签,进行匹配相应的遮挡物图像;
对于每组公路图像和相应匹配后的遮挡物图像,使用图像处理技术进行融合,图像融合方法包括叠加和透明图混合;并建立新数据集,将融合后的图像数据集保存在新数据集中,确保每个图像都包括时间、地点、路况和遮挡物信息标签。
优选的,对新数据集内提取公路纹理特征,将同类型的公路纹理特征进行第二分组;所述第二分组的具体步骤包括:
对新数据集中的每个图像提取公路纹理特征,包括柏油路纹理特征、水泥路纹理特征、沥青路纹理特征、石子路面特征和道路标线标志特征;建立柏油路组、水泥路组、沥青路组和石子路组,并将具有相似的纹理特征的公路纹理特征,属于同一类型的分组,并贴上类型标签。
优选的,将第二分组后的新数据集,取背景是晴天分组的图像,将遮挡物与公路背景分离;
在遮挡物图像中,以遮挡物特征中心像素点处的灰度数据为/>,计算以像素点/>为中心大小,向周围延伸,设置为/>,构成第一局部窗口区域,并在第一局部窗口区域中不同位置的像素点进行计算分析,设置与中心像素点/>位置遮挡物区间/>的像素点数量记为/>,通过以下公式计算获取像素点/>位置遮挡物障碍指数Zd的具体数值:
式中,Norm表示为归一化函数,M表示以像素点/>为中心的第一局部窗口区域中,除去/>的剩余像素点个数,n表示了对应第一局部窗口区域中的遮挡物位置的下标索引,/>表示为第一局部窗口区域中第n个像素点位置处的遮挡物像素点素质大小,/>表示为对应像素点区域中遮挡物的最大像素点数值,/>表示为对应像素点区域中遮挡物的最小像素点数值;b表示误差因子,具体表示为遮挡物和裂缝特征结合处的像素点数量值;/>表示为修正常数。
优选的,将第二分组后的新数据集,取背景是晴天分组的公路数据集图像;
在公路数据集图像中,提取裂缝纹理特征,基于裂缝纹理中心像素点x处的灰度数据为,计算以像素点x为中心向周围延伸,设置为/>,构成第二局部窗口区域,并在第二局部窗口区域中不同位置的像素点进行计算分析,设置与中心像素点x位置裂缝区间的像素点数量记为/>,通过以下公式计算获取像素点x位置区域裂缝指数Lf的具体数值:
式中,Norm表示为归一化函数,y表示以像素点x为中心的局部窗口区域中,除去/>的剩余像素点个数,h表示了对应局部窗口区域中的裂缝位置的下标索引,/>表示为局部窗口区域中第y个像素点位置处的裂缝像素点素质大小,/>表示为对应像素点区域中裂缝的最大像素点数值,/>表示为对应像素点区域中裂缝的最小像素点数值;b表示误差因子,具体表示为遮挡物和裂缝特征结合处的像素点数量值;/>表示为修正常数。
优选的,在公路数据集图像中,提取裂缝纹理特征,基于裂缝纹理中心像素点x处的灰度数据为,将灰度数据/>按照灰度深浅颜色进行排序,获得/>,对应/>估算灰度数据对应裂缝的深浅值,获得深度值/>,并计算获得裂缝深度面积系数Sd,所述裂缝深度面积系数Sd通过以下公式计算获得:
式中:U为以裂缝深度变色的区域,表示以像素点T为中心构成的截至区域中,与中心像素点x在所有像素点缝区间/>的总个数;M1表示为与深度值T1的总像素值,M2表示为与深度值T2的总像素值,M3表示为与深度值T3的总像素值,M4表示为与深度值T5的总像素值,/>表示为修正常数;
公式的含义为,缝深度面积系数Sd反映了裂缝深度和面积的信息,深度越大,Sd值越高。
优选的,将新数据集分成若干个区域,并对区域内交通状况进行分析,获得区域内交通热力值JT;
所述交通热力值JT通过以下进行计算:
式中,rL表示为公路区域的固定时间轴内的人流量值,cL表示公路区域的固定时间轴内的车流量值,GLkd表示为公路区域的宽度值w1、w2和w3表示为权重值,且/>,/>,/>,且,/>,θ为修正系数,且/>。
优选的,并将区域裂缝指数Lf、遮挡物障碍指数Zd以相对应区域内的交通热力值JT进行相关联分析,通过以下公式生成综合指数R:
式中,F1、F2和F3表示为权重值,且/>,,/>,且,/>。
优选的,设置第一评估阈值Threshold1和第二评估阈值Threshold2;
并将综合指数R分别与第一评估阈值Threshold1和第二评估阈值Threshold2对比,获得以下评估结果和相对应决策,包括:
如果R<Threshold1,则触发第一级评估结果,并按照第一级评估结果进行决策包括:区域内的交通热力、公路裂缝以及遮挡物影响较低,不需要立即采取紧急措施;进行例行检查和维护;
如果Threshold1≤R≤Threshold2,则触发第二级评估结果,并按照第二级评估结果进行决策包括:区域内的交通热力处于中度水平,裂缝和遮挡物比较危险,存在中度风险问题,需要进行更详细的检查和修复,以改善区域的状况;
如果R>Threshold2,则触发第三级评估结果,并按照第三级评估结果进行决策包括:需要立即采取紧急措施修复裂缝,紧急维修、道路封闭和遮挡物移除。
一种基于大数据筛选的公路路面裂缝识别决策系统,包括数据采集模块,数据预处理模块、地理信息整合模块、第一分组模块、第二分组模块、遮挡物处理模块、裂缝特征提取模块、交通密度识别模块、综合指数R计算模块和评估和决策模块;
数据采集模块用于从不同来源采集公路路面图像、传感器数据和交通数据,包括监控摄像头、巡检车辆拍摄照片、卫星图像以及传感器数据;
数据预处理模块用于对采集的公路路面图像数据进行预处理,包括去噪、图像增强和尺寸标准化,以建立公路数据集和遮挡物图像数据集;
地理信息整合模块用于通过地理信息系统将不同时间和地点的公路数据集和遮挡物图像数据对齐到相同的地理坐标,以确保数据的一致性和可比性;
第一分组模块用于对公路数据集进行路况分类,将图像分为不同的路况类别,如晴天、雨天和雪天,以便在后续分析中选择相似条件下的图像;
第二分组模块用于对公路数据集图像提取公路纹理特征,包括不同类型的公路纹理特征,包括柏油路、水泥路、沥青路、石子路面和道路标线标志特征;
遮挡物处理模块用于使用图像处理技术,包括图像分割和目标检测,将遮挡物与背景分离,并提取遮挡物特征,包括形状、颜色和纹理,获得遮挡物障碍指数Zd;
裂缝特征提取模块用于对公路数据集图像提取裂缝纹理特征,基于灰度数据计算裂缝深度和面积信息,获得路面裂缝指数Lf和裂缝深度面积系数Sd;
交通密度识别模块用于对区域内交通状况进行分析,计算区域内的交通热力值JT;
综合指数R计算模块用于将路面裂缝指数Lf、遮挡物障碍指数Zd和裂缝深度面积系数Sd与交通热力值JT相关联,生成综合指数R;
评估和决策模块用于根据综合指数R与第一评估阈值Threshold1和第二评估阈值Threshold2进行比较,触发不同级别的评估结果和决策,包括是否需要紧急措施、更详细的检查和维护。
本发明提供了一种基于大数据筛选的公路路面裂缝识别决策方法及系统。具备以下有益效果:
(1)该系统通过综合考虑多个因素,包括裂缝、遮挡物和交通密度,可以更准确地识别潜在的公路安全问题。这有助于减少交通事故和提高驾驶员的安全性。能够自动评估裂缝和遮挡物对公路的影响程度,并根据综合指数R触发不同级别的评估结果和决策。这有助于优化公路维护计划,确保资源的有效使用。通过自动化的裂缝和遮挡物识别,系统减少了对人工巡检和视觉检查的依赖,提高了维护效率。这有助于节省时间和成本。不仅识别已经存在的问题,还可以根据交通密度等因素预测可能的未来问题。这使得维护可以更加预防性地进行,减少了紧急维修的需求。
(2)通过图像处理技术对公路图像和遮挡物图像进行融合,确保每个图像都包括时间、地点、路况和遮挡物信息标签。这种融合可以提供更全面的数据,有助于精确识别和分析公路路面上的裂缝情况。帮助相关机构更好地监测和维护公路路面,提高交通安全性。
(3)建立不同类型的公路路面组,如柏油路组、水泥路组、沥青路组和石子路组。每个组包含具有相似纹理特征的公路图像。将每个图像分配到适当的路面类型组中,并为每个组贴上相应的类型标签。这样做的好处在于,它有助于识别和区分不同类型的公路路面,而不同类型的路面可能需要不同的裂缝识别方法和维护策略。例如,针对柏油路的裂缝识别方法可能与水泥路有所不同,因为它们的纹理特征不同。通过将公路图像分组为不同类型的路面,可以为每个组选择适当的裂缝识别算法,从而提高准确性。不同类型的公路路面可能需要不同的维护策略,例如柏油路的维护可能涉及补漏沥青,而水泥路可能需要修复混凝土。将图像按类型分组并贴上标签有助于更好地组织和管理数据,使其易于检索和分析。
(4)区域裂缝指数Lf用于表示每个区域内裂缝的程度或密度。不同区域可能具有不同的Lf值,反映了裂缝的不同情况。遮挡物障碍指数Zd用于表示每个区域内遮挡物对裂缝识别的影响程度。不同区域可能具有不同的Zd值,反映了遮挡物的不同情况。交通热力值JT用于表示每个区域内的交通状况。通过与交通热力值JT相关联,综合指数R反映了交通对裂缝识别的影响,有助于更好地理解裂缝问题的全貌。
附图说明
图1为本发明一种基于大数据筛选的公路路面裂缝识别决策系统框图流程示意图;
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,所描述的实施例仅仅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。
公路路面的安全和可维护性一直是交通管理和道路维护的重要问题。路面裂缝是公路路面的一种常见缺陷,它们可能导致交通事故和路面损坏,因此及时准确地识别和管理裂缝对于维护公路安全至关重要。然而,传统的公路裂缝识别方法受到了许多限制,例如依赖于人工巡检和视觉检查,效率低下且容易出现错误。因此,开发一种基于先进技术的自动化公路路面裂缝识别方法和系统已成为研究和实践的热点。
在过去的几年里,随着大数据技术的发展,研究人员开始探索如何利用大数据来改进公路路面裂缝识别和决策。传统的裂缝检测方法主要依赖于图像处理技术,但它们通常无法有效地处理多源数据,如监控摄像头、卫星图像和传感器数据等。此外,这些方法往往忽视了交通热力对裂缝的影响,而交通热力是衡量公路使用情况的重要指标之一,它可能与裂缝的形成和发展有关。因此,现有技术往往不能提供全面的公路裂缝信息,也不能为维护决策提供足够的支持。
此外,公路裂缝识别还面临着其他挑战,例如遮挡物和不同类型公路的存在。遮挡物,如树木、建筑物和车辆,可能会部分遮挡裂缝,使得传统的图像处理方法难以准确识别裂缝。而不同类型的公路,如柏油路、水泥路和沥青路,它们的表面纹理和特性各不相同,因此需要针对不同类型的公路进行裂缝识别和分类。
实施例1
本发明提供一种基于大数据筛选的公路路面裂缝识别决策方法,包括以下步骤:
集合大数据不同来源采集公路路面图像、传感器数据和交通数据,不同来源包括监控摄像头、巡检车辆拍摄照片、卫星图像以及集成不同传感器数据;包括摄像头、激光雷达和红外传感器,获得不同时间、地点和路况的公路段图像数据;并对采集的公路段图像数据进行预处理,包括去噪、图像增强和尺寸标准化,建立公路数据集和遮挡物图像数据集;并将公路数据集和遮挡物图像数据集标定地理坐标信息并进行第一分组,进行融合,并贴上路况标签;并建立新数据集;
建立路面裂缝识别模型和交通密度识别模型,对新数据集内提取公路纹理特征,将同类型的公路纹理特征进行第二分组;使用图像分割技术,包括语义分割和实例分割,将第二分组后的新数据集的遮挡物与背景分离,提取分割后遮挡物特征,包括形状、颜色和纹理;使用目标检测技术,建立目标检测模型,识别不同遮挡物类型,包括树木和车辆,识别检测到遮挡物后,并计算边界框的位置坐标提取遮挡物的位置和图片信息;
计算边界框的位置坐标提取遮挡物的位置和图片信息作为第一信息,传递至路面裂缝识别模型进行输入;提取新数据集中的裂缝特征,将裂缝特征作为第二信息,传递至路面裂缝识别模型进行输入;
由路面裂缝识别模型依据遮挡物特征和裂缝特征,计算获得:区域裂缝指数Lf、遮挡物障碍指数Zd和裂缝深度面积系数Sd;
并依据交通密度识别模型,依据所述交通数据计算出区域内交通热力值JT,并将区域裂缝指数Lf、遮挡物障碍指数Zd以相对应区域内的交通热力值JT进行相关联分析,获得综合指数R,并将综合指数R分别与第一评估阈值Threshold1和第二评估阈值Threshold2进行对比,获得不同评估结果,并根据不同评估结果生成相对应的决策方案。、
本实施例中,本发明方法综合考虑遮挡物特征、裂缝特征和交通数据,本发明的路面裂缝识别模型计算出了区域裂缝指数Lf、遮挡物障碍指数Zd和裂缝深度面积系数Sd。同时,依据交通密度识别模型计算了区域内的交通热力值JT,并将这些指标与阈值Threshold1和Threshold2进行比较,从而生成不同评估结果和相应的决策方案。本发明为公路路面裂缝识别和决策提供了一种创新的、综合性的方法。它有效地克服了传统方法的限制,提高了识别的准确性和全面性,同时考虑了遮挡物和交通因素。这一方法有望在交通管理和道路维护领域产生积极的社会和经济效益,有着广泛的应用前景。
实施例2
本实施例是在实施例1中进行的解释说明,具体的,通过地理信息系统对公路数据集和遮挡物图像数据,对于不同时间和地点的公路路数据集和遮挡物图像数据,使用地点信息将这些信息对齐到相同的地理坐标;
并对公路数据集进行路况分类,分为不同的路况类别,包括晴天、雨天和雪天,进行第一分组,将相似的路况图像放在同一组中,并贴上路况标签;这种分类和分组可以帮助研究人员更好地理解不同路况下的裂缝情况,有助于制定相应的维护策略和决策。
对于每组公路图像,选择相应时间、地点和路况条件下的遮挡物图像数据集,根据时间戳、地理坐标以及路况标签,进行匹配相应的遮挡物图像;匹配相应时间、地点和路况条件下的遮挡物图像数据集,这使得在分析裂缝时可以考虑到遮挡物的存在。遮挡物可能会影响裂缝的可见性,因此将遮挡物图像与公路图像进行匹配是非常重要的。
对于每组公路图像和相应匹配后的遮挡物图像,使用图像处理技术进行融合,图像融合方法包括叠加和透明图混合;并建立新数据集,将融合后的图像数据集保存在新数据集中,确保每个图像都包括时间、地点、路况和遮挡物信息标签。
本实施例中,通过图像处理技术对公路图像和遮挡物图像进行融合,确保每个图像都包括时间、地点、路况和遮挡物信息标签。这种融合可以提供更全面的数据,有助于精确识别和分析公路路面上的裂缝情况。帮助相关机构更好地监测和维护公路路面,提高交通安全性。
实施例3
本实施例是在实施例1中进行的解释说明,具体的,对新数据集内提取公路纹理特征,将同类型的公路纹理特征进行第二分组;所述第二分组的具体步骤包括:
对新数据集中的每个图像提取公路纹理特征,包括柏油路纹理特征、水泥路纹理特征、沥青路纹理特征、石子路面特征和道路标线标志特征;建立柏油路组、水泥路组、沥青路组和石子路组,并将具有相似的纹理特征的公路纹理特征,属于同一类型的分组,并贴上类型标签。
本实施例中,提取公路纹理特征:首先,从新数据集中的每个图像中提取公路纹理特征。这些特征可以包括柏油路、水泥路、沥青路、石子路面和道路标线标志等。每种类型的路面都有其独特的纹理特征,例如柏油路可能具有平滑均匀的表面,水泥路可能有明显的块状纹理,沥青路可能有较为粗糙的表面,石子路面可能显示出颗粒感,而道路标线标志可能包括路面上的标线和标志物。
根据提取的纹理特征,建立不同类型的公路路面组,如柏油路组、水泥路组、沥青路组和石子路组。每个组包含具有相似纹理特征的公路图像。将每个图像分配到适当的路面类型组中,并为每个组贴上相应的类型标签。这样做的好处在于,它有助于识别和区分不同类型的公路路面,而不同类型的路面可能需要不同的裂缝识别方法和维护策略。例如,针对柏油路的裂缝识别方法可能与水泥路有所不同,因为它们的纹理特征不同。通过将公路图像分组为不同类型的路面,可以为每个组选择适当的裂缝识别算法,从而提高准确性。不同类型的公路路面可能需要不同的维护策略,例如柏油路的维护可能涉及补漏沥青,而水泥路可能需要修复混凝土。将图像按类型分组并贴上标签有助于更好地组织和管理数据,使其易于检索和分析。
实施例4
本实施例是在实施例1中进行的解释说明,具体的,将第二分组后的新数据集,取背景是晴天分组的图像,将遮挡物与公路背景分离;
在遮挡物图像中,以遮挡物特征中心像素点处的灰度数据为/>,计算以像素点/>为中心大小,向周围延伸,设置为/>,构成第一局部窗口区域,并在第一局部窗口区域中不同位置的像素点进行计算分析,设置与中心像素点/>位置遮挡物区间/>的像素点数量记为/>,通过以下公式计算获取像素点/>位置遮挡物障碍指数Zd的具体数值:
式中,Norm表示为归一化函数,M表示以像素点/>为中心的第一局部窗口区域中,除去/>的剩余像素点个数,n表示了对应第一局部窗口区域中的遮挡物位置的下标索引,/>表示为第一局部窗口区域中第n个像素点位置处的遮挡物像素点素质大小,/>表示为对应像素点区域中遮挡物的最大像素点数值,/>表示为对应像素点区域中遮挡物的最小像素点数值;b表示误差因子,具体表示为遮挡物和裂缝特征结合处的像素点数量值;/>表示为修正常数。
本实施例中,从第二分组后的新数据集中选择晴天背景的图像,这些图像通常不包含天气遮挡物,如雨雪或浓雾。这些晴天背景图像将用于分析裂缝,而不受天气遮挡物的影响。对于选定的晴天背景图像中的遮挡物图像,从每个遮挡物图像中选择一个中心像素点,获取该中心像素点处的灰度数据。这个中心像素点将作为分析的起点。以选定的中心像素点为中心,构建一个局部窗口区域。这个局部窗口的大小由一个参数定义,通常是一个正方形或矩形区域,以像素点为中心,向周围延伸。通过计算遮挡物障碍指数Zd,可以量化遮挡物对裂缝的影响程度。这有助于更准确地识别和评估裂缝的严重程度。使用第一局部窗口区域分析遮挡物的灰度数据,可以考虑到遮挡物的不均匀性和多样性,从而提高了分析的精度。
实施例5
本实施例是在实施例1中进行的解释说明,具体的,将第二分组后的新数据集,取背景是晴天分组的公路数据集图像;
在公路数据集图像中,提取裂缝纹理特征,基于裂缝纹理中心像素点x处的灰度数据为,计算以像素点x为中心向周围延伸,设置为/>,构成第二局部窗口区域,并在第二局部窗口区域中不同位置的像素点进行计算分析,设置与中心像素点x位置裂缝区间的像素点数量记为/>,通过以下公式计算获取像素点x位置区域裂缝指数Lf的具体数值:
式中,Norm表示为归一化函数,y表示以像素点x为中心的局部窗口区域中,除去/>的剩余像素点个数,h表示了对应局部窗口区域中的裂缝位置的下标索引,/>表示为局部窗口区域中第y个像素点位置处的裂缝像素点素质大小,/>表示为对应像素点区域中裂缝的最大像素点数值,/>表示为对应像素点区域中裂缝的最小像素点数值;b表示误差因子,具体表示为遮挡物和裂缝特征结合处的像素点数量值;/>表示为修正常数。
本实施例中,对于选定的公路数据集图像,进行裂缝纹理特征的提取。这一步骤旨在捕捉图像中裂缝的纹理信息,以便进行后续分析。裂缝纹理特征通常包括裂缝的纹理、颜色和形状等方面的信息。以裂缝纹理中心像素点x为中心,构建第二局部窗口区域。这个局部窗口的大小由一个参数定义,通常是一个正方形或矩形区域,以像素点x为中心,向周围延伸。
通过计算裂缝指数Lf,可以量化裂缝在图像中的分布和密度,有助于更准确地识别和评估裂缝的严重程度。使用第二局部窗口区域分析裂缝的灰度数据,可以考虑到裂缝的不均匀性和多样性,提高了分析的精度。
实施例6
本实施例是在实施例1中进行的解释说明,具体的,在公路数据集图像中,提取裂缝纹理特征,基于裂缝纹理中心像素点x处的灰度数据为,将灰度数据/>按照灰度深浅颜色进行排序,获得/>,对应/>估算灰度数据对应裂缝的深浅值,获得深度值T1、T2、T3和T4,并计算获得裂缝深度面积系数Sd,所述裂缝深度面积系数Sd通过以下公式计算获得:
式中:U为以裂缝深度变色的区域,表示以像素点T为中心构成的截至区域中,与中心像素点x在所有像素点缝区间/>的总个数;M1表示为与深度值T1的总像素值,M2表示为与深度值T2的总像素值,M3表示为与深度值T3的总像素值,M4表示为与深度值T5的总像素值,/>表示为修正常数;
公式的含义为,缝深度面积系数Sd反映了裂缝深度和面积的信息,深度越大,Sd值越高。
本实施例中,通过估算裂缝的深度值和计算深度面积系数Sd,可以定量地评估裂缝的深度和面积,有助于了解裂缝的严重程度。深度值的排序和估算使得对裂缝深浅的描述更加精确。裂缝深度面积系数Sd提供了有关裂缝深度和面积的综合信息,可以用于进一步的分析和决策制定。
实施例7
本实施例是在实施例1中进行的解释说明,具体的,将新数据集分成若干个区域,并对区域内交通状况进行分析,获得区域内交通热力值JT;
所述交通热力值JT通过以下进行计算:
式中,rL表示为公路区域的固定时间轴内的人流量值,cL表示公路区域的固定时间轴内的车流量值,GLkd表示为公路区域的宽度值w1、w2和w3表示为权重值,且/>,/>,/>,且,/>,θ为修正系数,且/>。
本实施例中,将新数据集分割成若干个区域。这些区域可以是公路上的不同部分,每个区域可能具有不同的交通情况和特征。将数据集分成区域允许更精确地分析不同部分的交通情况,有助于了解公路使用的局部特征。通过综合考虑人流量、车流量和公路宽度,交通热力值JT提供了对交通状况的综合评估。交通热力值JT的计算为后续的综合指数R计算提供了一个重要的输入,有助于维护决策的制定。
实施例8
本实施例是在实施例1中进行的解释说明,具体的,并将区域裂缝指数Lf、遮挡物障碍指数Zd以相对应区域内的交通热力值JT进行相关联分析,通过以下公式生成综合指数R:
式中,F1、F2和F3表示为权重值,且/>,,/>,且,/>。
本实施例中,区域裂缝指数Lf:这是之前步骤中计算的,用于表示每个区域内裂缝的程度或密度。不同区域可能具有不同的Lf值,反映了裂缝的不同情况。遮挡物障碍指数Zd:这也是之前步骤中计算的,用于表示每个区域内遮挡物对裂缝识别的影响程度。不同区域可能具有不同的Zd值,反映了遮挡物的不同情况。交通热力值JT:这是之前步骤中计算的,用于表示每个区域内的交通状况。通过与交通热力值JT相关联,综合指数R反映了交通对裂缝识别的影响,有助于更好地理解裂缝问题的全貌。
实施例9
本实施例是在实施例8中进行的解释说明,具体的,设置第一评估阈值Threshold1和第二评估阈值Threshold2;第一评估阈值Threshold1小于第二评估阈值Threshold2;
并将综合指数R分别与第一评估阈值Threshold1和第二评估阈值Threshold2对比,获得以下评估结果和相对应决策,包括:
如果R<Threshold1,则触发第一级评估结果,并按照第一级评估结果进行决策包括:区域内的交通热力、公路裂缝以及遮挡物影响较低,不需要立即采取紧急措施;进行例行检查和维护;
如果Threshold1≤R≤Threshold2,则触发第二级评估结果,并按照第二级评估结果进行决策包括:区域内的交通热力处于中度水平,裂缝和遮挡物比较危险,存在中度风险问题,需要进行更详细的检查和修复,以改善区域的状况;
如果R>Threshold2,则触发第三级评估结果,并按照第三级评估结果进行决策包括:需要立即采取紧急措施修复裂缝,紧急维修、道路封闭和遮挡物移除。
本实施例中,通过设定不同的评估阈值,可以根据综合指数R的数值将问题分为不同的级别,有助于优先考虑和处理最紧急的情况。不同级别的评估结果和相应的决策可以帮助交通管理和道路维护人员更有效地分配资源和采取优先或及时的行动。这种分级方法有助于提高公路路面的安全性和可维护性,减少交通事故和路面损坏的风险。
实施例10
一种基于大数据筛选的公路路面裂缝识别决策系统,请参照图1,包括数据采集模块,数据预处理模块、地理信息整合模块、第一分组模块、第二分组模块、遮挡物处理模块、裂缝特征提取模块、交通密度识别模块、综合指数R计算模块和评估和决策模块;
数据采集模块用于从不同来源采集公路路面图像、传感器数据和交通数据,包括监控摄像头、巡检车辆拍摄照片、卫星图像以及传感器数据;
数据预处理模块用于对采集的公路路面图像数据进行预处理,包括去噪、图像增强和尺寸标准化,以建立公路数据集和遮挡物图像数据集;
地理信息整合模块用于通过地理信息系统将不同时间和地点的公路数据集和遮挡物图像数据对齐到相同的地理坐标,以确保数据的一致性和可比性;
第一分组模块用于对公路数据集进行路况分类,将图像分为不同的路况类别,如晴天、雨天和雪天,以便在后续分析中选择相似条件下的图像;
第二分组模块用于对公路数据集图像提取公路纹理特征,包括不同类型的公路纹理特征,包括柏油路、水泥路、沥青路、石子路面和道路标线标志特征;
遮挡物处理模块用于使用图像处理技术,包括图像分割和目标检测,将遮挡物与背景分离,并提取遮挡物特征,包括形状、颜色和纹理,获得遮挡物障碍指数Zd;
裂缝特征提取模块用于对公路数据集图像提取裂缝纹理特征,基于灰度数据计算裂缝深度和面积信息,获得路面裂缝指数Lf和裂缝深度面积系数Sd;
交通密度识别模块用于对区域内交通状况进行分析,计算区域内的交通热力值JT;
综合指数R计算模块用于将路面裂缝指数Lf、遮挡物障碍指数Zd和裂缝深度面积系数Sd与交通热力值JT相关联,生成综合指数R;
评估和决策模块用于根据综合指数R与第一评估阈值Threshold1和第二评估阈值Threshold2进行比较,触发不同级别的评估结果和决策,包括是否需要紧急措施、更详细的检查和维护。
本发明系统考虑了多种因素,包括路况、遮挡物、裂缝特征和交通密度,以支持有效的维护和安全决策。这可以有助于减少交通事故和路面损坏,提高公路的可靠性和安全性。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种基于大数据筛选的公路路面裂缝识别决策方法,其特征在于:包括以下步骤:
集合大数据不同来源采集公路路面图像、传感器数据和交通数据,不同来源包括监控摄像头、巡检车辆拍摄照片、卫星图像以及集成不同传感器数据;包括摄像头、激光雷达和红外传感器,获得不同时间、地点和路况的公路段图像数据;并对采集的公路段图像数据进行预处理,包括去噪、图像增强和尺寸标准化,建立公路数据集和遮挡物图像数据集;并将公路数据集和遮挡物图像数据集标定地理坐标信息并进行第一分组,进行融合,并贴上路况标签;并建立新数据集;
融合的方法具体为:通过地理信息系统对公路数据集和遮挡物图像数据,对于不同时间和地点的公路路数据集和遮挡物图像数据,使用地点信息将这些信息对齐到相同的地理坐标;
并对公路数据集进行路况分类,分为不同的路况类别,包括晴天、雨天和雪天,进行第一分组,将相似的路况图像放在同一组中,并贴上路况标签;
对于每组公路图像,选择相应时间、地点和路况条件下的遮挡物图像数据集,根据时间戳、地理坐标以及路况标签,进行匹配相应的遮挡物图像;
对于每组公路图像和相应匹配后的遮挡物图像,使用图像处理技术进行融合,图像融合方法包括叠加和透明图混合;并建立新数据集,将融合后的图像数据集保存在新数据集中,确保每个图像都包括时间、地点、路况和遮挡物信息标签;
建立路面裂缝识别模型和交通密度识别模型,对新数据集内提取公路纹理特征,将同类型的公路纹理特征进行第二分组;使用图像分割技术,包括语义分割和实例分割,将第二分组后的新数据集的遮挡物与背景分离,提取分割后遮挡物特征,包括形状、颜色和纹理;使用目标检测技术,建立目标检测模型,识别不同遮挡物类型,包括树木和车辆,识别检测到遮挡物后,并计算边界框的位置坐标提取遮挡物的位置和图片信息;
计算边界框的位置坐标提取遮挡物的位置和图片信息作为第一信息,传递至路面裂缝识别模型进行输入;提取新数据集中的裂缝特征,将裂缝特征作为第二信息,传递至路面裂缝识别模型进行输入;由路面裂缝识别模型依据遮挡物特征和裂缝特征,计算获得:区域裂缝指数Lf、遮挡物障碍指数Zd和裂缝深度面积系数Sd;
将第二分组后的新数据集,取背景是晴天分组的图像,将遮挡物与公路背景分离;
在遮挡物图像中,以遮挡物特征中心像素点处的灰度数据为/>,计算以像素点/>为中心大小,向周围延伸,设置为/>,构成第一局部窗口区域,并在第一局部窗口区域中不同位置的像素点进行计算分析,设置与中心像素点/>位置遮挡物区间/>的像素点数量记为/>,通过以下公式计算获取像素点/>位置遮挡物障碍指数Zd的具体数值:
式中,Norm表示为归一化函数,M表示以像素点/>为中心的第一局部窗口区域中,除去/>的剩余像素点个数,n表示了对应第一局部窗口区域中的遮挡物位置的下标索引,/>表示为第一局部窗口区域中第n个像素点位置处的遮挡物像素点素质大小,/>表示为对应像素点区域中遮挡物的最大像素点数值,/>表示为对应像素点区域中遮挡物的最小像素点数值;b表示误差因子,具体表示为遮挡物和裂缝特征结合处的像素点数量值;/>表示为修正常数;
将第二分组后的新数据集,取背景是晴天分组的公路数据集图像;
在公路数据集图像中,提取裂缝纹理特征,基于裂缝纹理中心像素点x处的灰度数据为,计算以像素点x为中心向周围延伸,设置为/>,构成第二局部窗口区域,并在第二局部窗口区域中不同位置的像素点进行计算分析,设置与中心像素点x位置裂缝区间的像素点数量记为/>,通过以下公式计算获取像素点x位置区域裂缝指数Lf的具体数值:
式中,Norm表示为归一化函数,y表示以像素点x为中心的局部窗口区域中,除去/>的剩余像素点个数,h表示了对应局部窗口区域中的裂缝位置的下标索引,/>表示为局部窗口区域中第y个像素点位置处的裂缝像素点素质大小,表示为对应像素点区域中裂缝的最大像素点数值,/>表示为对应像素点区域中裂缝的最小像素点数值;b表示误差因子,具体表示为遮挡物和裂缝特征结合处的像素点数量值;/>表示为修正常数;
在公路数据集图像中,提取裂缝纹理特征,基于裂缝纹理中心像素点x处的灰度数据为,将灰度数据/>按照灰度深浅颜色进行排序,获得/>,对应估算灰度数据对应裂缝的深浅值,获得深度值T1、T2、T3和T4,并计算获得裂缝深度面积系数Sd,所述裂缝深度面积系数Sd通过以下公式计算获得:
式中:U为以裂缝深度变色的区域,表示以像素点T为中心构成的截至区域中,与中心像素点x在所有像素点缝区间/>的总个数;M1表示为与深度值T1的总像素值,M2表示为与深度值T2的总像素值,M3表示为与深度值T3的总像素值,M4表示为与深度值T5的总像素值,/>表示为修正常数;
公式的含义为,缝深度面积系数Sd反映了裂缝深度和面积的信息,深度越大,Sd值越高;
将新数据集分成若干个区域,并对区域内交通状况进行分析,获得区域内交通热力值JT;
所述交通热力值JT通过以下进行计算:
式中,rL表示为公路区域的固定时间轴内的人流量值,cL表示公路区域的固定时间轴内的车流量值,GLkd表示为公路区域的宽度值w1、w2和w3表示为权重值,且/>,/>,/>,且,/>,θ为修正系数,且/>;
并依据交通密度识别模型,依据所述交通数据计算出区域内交通热力值JT,将新数据集分成若干个区域,并对区域内交通状况进行分析,获得区域内交通热力值JT;
所述交通热力值JT通过以下进行计算:
式中,rL表示为公路区域的固定时间轴内的人流量值,cL表示公路区域的固定时间轴内的车流量值,GLkd表示为公路区域的宽度值w1、w2和w3表示为权重值,且/>,/>,/>,且,/>,θ为修正系数,且/>;
并将区域裂缝指数Lf、遮挡物障碍指数Zd以相对应区域内的交通热力值JT进行相关联分析,通过以下公式生成综合指数R:
式中,F1、F2和F3表示为权重值,且/>,,/>,且,/>;
并将综合指数R分别与第一评估阈值Threshold1和第二评估阈值Threshold2进行对比,获得不同评估结果,并根据不同评估结果生成相对应的决策方案。
2.根据权利要求1所述的一种基于大数据筛选的公路路面裂缝识别决策方法,其特征在于:对新数据集内提取公路纹理特征,将同类型的公路纹理特征进行第二分组;所述第二分组的具体步骤包括:
对新数据集中的每个图像提取公路纹理特征,包括柏油路纹理特征、水泥路纹理特征、沥青路纹理特征、石子路面特征和道路标线标志特征;建立柏油路组、水泥路组、沥青路组和石子路组,并将具有相似的纹理特征的公路纹理特征,属于同一类型的分组,并贴上类型标签。
3.根据权利要求1所述的一种基于大数据筛选的公路路面裂缝识别决策方法,其特征在于:设置第一评估阈值Threshold1和第二评估阈值Threshold2;
并将综合指数R分别与第一评估阈值Threshold1和第二评估阈值Threshold2对比,获得以下评估结果和相对应决策,包括:
如果R<Threshold1,则触发第一级评估结果,并按照第一级评估结果进行决策包括:区域内的交通热力、公路裂缝以及遮挡物影响较低,不需要立即采取紧急措施;进行例行检查和维护;
如果Threshold1≤R≤Threshold2,则触发第二级评估结果,并按照第二级评估结果进行决策包括:区域内的交通热力处于中度水平,裂缝和遮挡物比较危险,存在中度风险问题,需要进行更详细的检查和修复,以改善区域的状况;
如果R>Threshold2,则触发第三级评估结果,并按照第三级评估结果进行决策包括:需要立即采取紧急措施修复裂缝,紧急维修、道路封闭和遮挡物移除。
4.一种基于大数据筛选的公路路面裂缝识别决策系统,包括上述权利要求1~3任一所述的一种基于大数据筛选的公路路面裂缝识别决策方法,其特征在于:包括数据采集模块,数据预处理模块、地理信息整合模块、第一分组模块、第二分组模块、遮挡物处理模块、裂缝特征提取模块、交通密度识别模块、综合指数R计算模块和评估和决策模块;
数据采集模块用于从不同来源采集公路路面图像、传感器数据和交通数据,包括监控摄像头、巡检车辆拍摄照片、卫星图像以及传感器数据;
数据预处理模块用于对采集的公路路面图像数据进行预处理,包括去噪、图像增强和尺寸标准化,以建立公路数据集和遮挡物图像数据集;
地理信息整合模块用于通过地理信息系统将不同时间和地点的公路数据集和遮挡物图像数据对齐到相同的地理坐标,以确保数据的一致性和可比性;
第一分组模块用于对公路数据集进行路况分类,将图像分为不同的路况类别,如晴天、雨天和雪天,以便在后续分析中选择相似条件下的图像;
第二分组模块用于对公路数据集图像提取公路纹理特征,包括不同类型的公路纹理特征,包括柏油路、水泥路、沥青路、石子路面和道路标线标志特征;
遮挡物处理模块用于使用图像处理技术,包括图像分割和目标检测,将遮挡物与背景分离,并提取遮挡物特征,包括形状、颜色和纹理,获得遮挡物障碍指数Zd;
裂缝特征提取模块用于对公路数据集图像提取裂缝纹理特征,基于灰度数据计算裂缝深度和面积信息,获得路面裂缝指数Lf和裂缝深度面积系数Sd;
交通密度识别模块用于对区域内交通状况进行分析,计算区域内的交通热力值JT;
综合指数R计算模块用于将路面裂缝指数Lf、遮挡物障碍指数Zd和裂缝深度面积系数Sd与交通热力值JT相关联,生成综合指数R;
评估和决策模块用于根据综合指数R与第一评估阈值Threshold1和第二评估阈值Threshold2进行比较,触发不同级别的评估结果和决策,包括是否需要紧急措施、更详细的检查和维护。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311451403.3A CN117474870B (zh) | 2023-11-03 | 2023-11-03 | 一种基于大数据筛选的公路路面裂缝识别决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311451403.3A CN117474870B (zh) | 2023-11-03 | 2023-11-03 | 一种基于大数据筛选的公路路面裂缝识别决策方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117474870A CN117474870A (zh) | 2024-01-30 |
CN117474870B true CN117474870B (zh) | 2024-05-07 |
Family
ID=89632592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311451403.3A Active CN117474870B (zh) | 2023-11-03 | 2023-11-03 | 一种基于大数据筛选的公路路面裂缝识别决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117474870B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974753A (zh) * | 2024-04-01 | 2024-05-03 | 中交第三航务工程勘察设计院有限公司 | 一种桥梁隧道裂缝深度测量方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516127A (zh) * | 2021-09-14 | 2021-10-19 | 南通辑兴紧固件科技有限公司 | 基于人工智能的智慧城市公路养护方法及系统 |
CN116052105A (zh) * | 2023-02-09 | 2023-05-02 | 中咨数据有限公司 | 路面裂缝识别分类及面积计算方法、系统、设备及终端 |
CN116704771A (zh) * | 2023-06-21 | 2023-09-05 | 中咨数据有限公司 | 基于拥堵路段交通信息实时定位指挥处理系统 |
CN116883831A (zh) * | 2023-02-01 | 2023-10-13 | 上海勘测设计研究院有限公司 | 一种被遮挡的隧道表面裂缝识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1789924A2 (en) * | 2004-09-16 | 2007-05-30 | Imaging Therapeutics, Inc. | System and method of predicting future fractures |
WO2013090830A1 (en) * | 2011-12-16 | 2013-06-20 | University Of Southern California | Autonomous pavement condition assessment |
DE112013006943B4 (de) * | 2013-04-12 | 2022-08-11 | Toyota Jidosha Kabushiki Kaisha | Fahrumgebungsbewertungssystem, Fahrumgebungsbewertungsverfahren, Fahrerassistenzvorrichtung und Fahrumgebungsanzeigevorrichtung |
US11836802B2 (en) * | 2014-04-15 | 2023-12-05 | Speedgauge, Inc. | Vehicle operation analytics, feedback, and enhancement |
WO2016172827A1 (zh) * | 2015-04-27 | 2016-11-03 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
CA3099638A1 (en) * | 2017-05-07 | 2018-11-15 | Manam Applications Ltd. | System and method for construction 3d modeling and analysis |
-
2023
- 2023-11-03 CN CN202311451403.3A patent/CN117474870B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516127A (zh) * | 2021-09-14 | 2021-10-19 | 南通辑兴紧固件科技有限公司 | 基于人工智能的智慧城市公路养护方法及系统 |
CN116883831A (zh) * | 2023-02-01 | 2023-10-13 | 上海勘测设计研究院有限公司 | 一种被遮挡的隧道表面裂缝识别方法 |
CN116052105A (zh) * | 2023-02-09 | 2023-05-02 | 中咨数据有限公司 | 路面裂缝识别分类及面积计算方法、系统、设备及终端 |
CN116704771A (zh) * | 2023-06-21 | 2023-09-05 | 中咨数据有限公司 | 基于拥堵路段交通信息实时定位指挥处理系统 |
Non-Patent Citations (2)
Title |
---|
基于改进U-net模型的路面裂缝智能识别;陈泽斌 等;《数据采集与处理》;20200315;第70-79页 * |
路面裂缝检测识别系统设计;韩美林;《舰船电子工程》;20201231;第40卷(第8期);第1-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117474870A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6453056B2 (en) | Method and apparatus for generating a database of road sign images and positions | |
Hadjidemetriou et al. | Automated detection of pavement patches utilizing support vector machine classification | |
CN110210451B (zh) | 一种斑马线检测方法 | |
CN117474870B (zh) | 一种基于大数据筛选的公路路面裂缝识别决策方法及系统 | |
KR20190094005A (ko) | 도로 노면 손상 탐지를 위한 영상 처리 및 딥러닝 이미지 분류 장치 및 방법 | |
US20230306573A1 (en) | Systems and methods for assessing infrastructure | |
CN110188606B (zh) | 基于高光谱成像的车道识别方法、装置及电子设备 | |
CN110619279A (zh) | 一种基于跟踪的路面交通标志实例分割方法 | |
US11605158B2 (en) | System and method for early identification and monitoring of defects in transportation infrastructure | |
Mertz et al. | City-wide road distress monitoring with smartphones | |
CN113903008A (zh) | 基于深度学习和轨迹跟踪的匝道出口车辆违法识别方法 | |
CN112633722A (zh) | 车载道路安全风险评估系统及方法 | |
KR101347886B1 (ko) | 도로 영역 및 기하학적 정보를 이용한 차로 인식 방법 및 장치 | |
Kaushik et al. | Pothole Detection System: A Review of Different Methods Used for Detection | |
CN111598885B (zh) | 高速公路团雾图片能见度等级自动标注方法 | |
CN116229396B (zh) | 高速路面病害识别及告警方法 | |
CN115294774B (zh) | 基于深度学习的非机动车道路违停检测方法及装置 | |
Hadjidemetriou et al. | Patch defects in images using support vector machines | |
Kulambayev et al. | Real-Time Road Surface Damage Detection Framework based on Mask R-CNN Model | |
CN108986542B (zh) | 一种城市交叉路口事故隐患黑点的自动判别方法 | |
Park et al. | Potholeeye+: Deep-learning based pavement distress detection system toward smart maintenance | |
Serafim et al. | Automated Detection of Defects and Vertical Signs on Roadways Using Images Produced by Drivers | |
CN116884214B (zh) | 市政车辆的监测预警方法及系统 | |
CN113283309A (zh) | 一种根据实时路面图像识别道路施工状态的方法与系统 | |
Wang et al. | Exploration of using GDOT's existing videolog images and pavement surface imaging data to support statewide maintenance practices |
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 |