CN117541555A - 一种道路路面病害检测方法及系统 - Google Patents
一种道路路面病害检测方法及系统 Download PDFInfo
- Publication number
- CN117541555A CN117541555A CN202311530451.1A CN202311530451A CN117541555A CN 117541555 A CN117541555 A CN 117541555A CN 202311530451 A CN202311530451 A CN 202311530451A CN 117541555 A CN117541555 A CN 117541555A
- Authority
- CN
- China
- Prior art keywords
- model
- road
- pavement
- disease detection
- road surface
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 97
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 97
- 238000001514 detection method Methods 0.000 title claims abstract description 78
- 238000011161 development Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 28
- 238000013135 deep learning Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 230000007547 defect Effects 0.000 claims description 14
- 238000013136 deep learning model Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 12
- 238000012423 maintenance Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000013140 knowledge distillation Methods 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 4
- 238000013508 migration Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 239000012467 final product Substances 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000006866 deterioration Effects 0.000 claims 1
- 230000009471 action Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 241000282326 Felis catus Species 0.000 description 2
- 241000234295 Musa Species 0.000 description 2
- 235000018290 Musa x paradisiaca Nutrition 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000270722 Crocodylidae Species 0.000 description 1
- 241000220225 Malus Species 0.000 description 1
- 241000009328 Perro Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- LNNWVNGFPYWNQE-GMIGKAJZSA-N desomorphine Chemical compound C1C2=CC=C(O)C3=C2[C@]24CCN(C)[C@H]1[C@@H]2CCC[C@@H]4O3 LNNWVNGFPYWNQE-GMIGKAJZSA-N 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000011202 physical detection method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation 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
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- 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
- G06N3/0495—Quantised networks; Sparse networks; Compressed networks
-
- 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
- G06N3/094—Adversarial learning
-
- 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
- G06N3/096—Transfer learning
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种道路路面病害检测方法及系统，在数字化道路管理开发方面，针对我国的路面情况，设计路面病害检测的分类标准，并构建出一整套针对路面病害分析软硬件系统，在真实的路面进行测试，从而可构建道路状况数据库，并可为在新技术背景下的国家道路病害标准提供依据，在技术研究方面，采用低阶视觉和高阶视觉相结合的多模态深度学习模型、采用基于元学习的模型训练方法、开发半自动数据集标注系统以及用于路面病害分析软硬件系统框架设计皆具创新性，解决当前道路巡检养护工作由于缺乏智能化的检测手段和信息化的管理平台而无法满足我国道路养护增长的需求的问题。
Description
技术领域
本发明涉及道路管理技术领域，具体为一种道路路面病害检测方法及系统。
背景技术
道路路面病害检测和提取对公路养护和维护十分有意义，现有技术用于公路路面病害检测的常见方法主要有：
1、物理检测方法,常见的物理检测方法，主要包含超声波检测、激光扫描检测、探地雷达检测等方法，这些方法以检测到公路内部的异常结构，具有检测不间断性、精度高等优点，但在公路路面病害的检测过程中缺乏对不同类型病害的识别分类；
2、基于机器视觉的检测方法，主要有灰度变换、中值滤波器边缘检测等方法，这些方法是基于灰度值的相似性以及不连续性的性质，然而在实际复杂多变环境的应用中检测效果往往表现不佳；
3、基于机器学习的检测方法，主要是基于传统机器学习的公路路面病害检测方法和基于深度学习的病害检测方法，然而传统机器学习方法往往只是针对某种外部环境状态下有较好的效果，但是容易受到天气等环境因素影响，自适应效果差，学习速度慢；
基于深度学习的目标检测方法可以更好地实现目标特征的学习和分类，具有检测精度高、鲁棒性强等特点，采用深度学习的实现思路相对于传统的方法有较大的优势，但深度学习在训练过程中，需要有大量标注过的数据集来对模型进行训练，因此需要针对路面病害状态产生出大量的标注数据集。当前针对路面病害已有一些公开的公路路面病害数据集Crack Forest、Crack 500和GRDDC数据集等，其中GRDDC数据集是从印度、日本和捷克共和国收集的26336个道路图像损伤类型主要是以裂缝数据为主，包括有纵向裂缝、横向裂缝、鳄鱼裂缝和坑洼裂缝等；
综合上述对路面病害检测方法的调研得出越来越多的方法开始采用深度学习思路来实现，并获得了较好的效果。但是在深度学习方法实现的细节方面还有待进一步提升，例如在深度学习网络模型结松的改进、深度学习模型训练的方法、制作适合本国路面特点的病害分类数据集以及数据集标注方法方面还有待进一步改进。基于以上的原因，本发明提出一种道路路面病害检测方法及系统。
发明内容
本发明解决的技术问题在于克服现有技术的缺陷，提供一种道路路面病害检测方法及系统。
为实现上述目的，本发明提供如下技术方案：一种道路路面病害检测方法，包括以下步骤：
S1：对道路路面病害进行数据采集；
S2：生成对抗网络，并结合元学习与迁移学习建立起路面病害检测的深度学习模型；
S3：对路面病害检测的深度学习模型开展研究；
S4：根据路面情况制定路面病害检测的测试标准；
S5：路面病害样本集的制作方法研究；
S6：搭建路面病害检测系统的软硬件平台。
优选的，所述步骤2中的生成对抗网络包括以下步骤：
S21：基于生成对抗网络进行图像修复，从低质量的数据中恢复出高质量的数据、数据增强生成更多的数据来增加训练数据集的大小，从而解决数据稀缺的问题、提高模型的泛化能力；
S22：基于注意力机制根据输入数据的不同特征和重要性，动态地调整模型对不同输入数据的关注度，帮助模型更好地理解输入数据中的关系和上下文信息，从而提高模型的性能和准确度；
S23：基于知识蒸馏进行模型压缩，将大型模型压缩为小型模型，从而在计算资源有限的情况下提高模型的效率。
优选的，所述步骤2中用元学习来训练生成对抗网络的生成器和判别器，使它们能够更快地适应新的数据集，并用元学习对道路病害检测模型进行结构和超参数的自动优化调整，从而提高模型性能。
优选的，所述步骤3中对路面病害检测方法拟采用基于低阶视觉特征和高阶视觉特征融合的多模态模型进行实现，其中，低阶视觉特征模型拟采用Resnet152网络进行特征提取，高阶视觉特征模型拟采用YOLOv5网络模型实现目标检测特征提取，同时为了加强对路面病害的关注，采用注意力机制的思路，因此这两种特征通过多头注意力机制网络来进行融合。
优选的，所述步骤4中的测试标准根据长年的路面病害检测实际经验来划定对路面病害检测的标准。
优选的，所述步骤5中开发出一整套面向路面病害检测的样本集制作工具，用于制作训练深度学习模型所需的标注样本集。
优选的，所述步骤6中的软硬件平台包括车载路面病害自动化巡检设备的配置，数据集半自动标注软件系统的开发，面向路面病害检测的多模态深度学习网络模型设计和实现以及面向路面病害检测的深度学习网络训练方法研究和实现。
一种道路路面病害检测系统，建立基于边缘计算和深度学习的道路病害自动识别算法的道路路面病害检测系统和道路智慧养护管理平台；
道路路面病害检测系统采用先进的微服务、大数据、YOLOv5等技术，实现道路病害自动化检测和分析，及时发掘道路病害隐患，自动派发工单执行，提高道路养护工作效率；
最终产品达到以下技术指标：
道路路面病害检测系统满足每天1TB的数据采集、解码与合成；道路路面病害检测系统满足单指标查询2秒内响应，综合查询10秒内响应；道路路面病害检测系统可提供车辆在巡查时自动化发现道路病害，病害综合平均查全率达到80％，病害综合平均查准率达到50％。
与现有技术相比，本发明的有益效果是：
1、解决当前道路巡检养护工作由于缺乏智能化的检测手段和信息化的管理平台而无法满足我国道路养护增长的需求的问题，通过改进标注方法和深度学习模型分别解决现有标注方法效率低和模型识别准确率不足的问题；
2、在数字化道路管理开发方面，针对我国的路面情况，设计路面病害检测的分类标准，并构建出一整套针对路面病害分析软硬件系统，在真实的路面进行测试，从而可构建道路状况数据库，并可为在新技术背景下的国家道路病害标准提供依据，在技术研究方面，采用低阶视觉和高阶视觉相结合的多模态深度学习模型、采用基于元学习的模型训练方法、开发半自动数据集标注系统以及用于路面病害分析软硬件系统框架设计皆具创新性。
附图说明
图1为本发明一种道路路面病害检测方法流程图；
图2为本发明生成对抗网络的流程图；
图3为本发明知识蒸馏的作用结构图。
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。
请参阅图1-3，本发明提供一种技术方案：一种道路路面病害检测方法，包括以下步骤：
S1：对道路路面病害进行数据采集；
S2：生成对抗网络，并结合元学习与迁移学习建立起路面病害检测的深度学习模型，用元学习来训练生成对抗网络的生成器和判别器，使它们能够更快地适应新的数据集，并用元学习对道路病害检测模型进行结构和超参数的自动优化调整，从而提高模型性能；
生成对抗网络包括以下步骤：
S21：基于生成对抗网络进行图像修复，从低质量的数据中恢复出高质量的数据、数据增强生成更多的数据来增加训练数据集的大小，从而解决数据稀缺的问题、提高模型的泛化能力；
S22：基于注意力机制根据输入数据的不同特征和重要性，动态地调整模型对不同输入数据的关注度，帮助模型更好地理解输入数据中的关系和上下文信息，从而提高模型的性能和准确度；
S23：基于知识蒸馏进行模型压缩，将大型模型压缩为小型模型，从而在计算资源有限的情况下提高模型的效率，所述知识蒸馏与迁移学习在模型优化中的应用为：一般地，大模型往往是单个复杂网络或者是若干网络的集合，拥有良好的性能和泛化能力，而小模型因为网络规模较小，表达能力有限，因此，可以利用大模型学习到的知识去指导小模型训练，使得小模型具有与大模型相当的性能，但是参数数量大幅降低，从而实现模型压缩与加速；
其中知识蒸馏包括以下三个作用：
作用1：提升模型精度，如果对目前的网络模型A的精度不是很满意，那么可以先训练一个更高精度的teacher模型B(通常参数量更多，时延更大)，然后用这个训练好的teacher模型B对student模型A进行知识蒸馏，得到一个更高精度的A模型；
作用2：降低模型时延，压缩网络参数，如果对目前的网络模型A的时延不满意，可以先找到一个时延更低，参数量更小的模型B，通常来讲，这种模型精度也会比较低，然后通过训练一个更高精度的teacher模型C来对这个参数量小的模型B进行知识蒸馏，使得该模型B的精度接近最原始的模型A，从而达到降低时延的目的；
作用3：标签之间的域迁移，假如使用狗和猫的数据集训练了一个teacher模型A，使用香蕉和苹果训练了一个teacher模型B，那么就可以用这两个模型同时蒸馏出一个可以识别狗、猫、香蕉以及苹果的模型，将两个不同域的数据集进行集成和迁移。
S3：对路面病害检测的深度学习模型开展研究，对路面病害检测方法采用基于低阶视觉特征和高阶视觉特征融合的多模态模型进行实现，其中，低阶视觉特征模型拟采用Resnet152网络进行特征提取，高阶视觉特征模型拟采用YOLOv5网络模型实现目标检测特征提取，同时为了加强对路面病害的关注，采用注意力机制的思路，因此这两种特征通过多头注意力机制网络来进行融合；
S4：根据路面情况制定路面病害检测的测试标准，测试标准根据长年的路面病害检测实际经验来划定对路面病害检测的标准，并根据此标准开发系统识别检测此这些病害类别，同时在开发中对这些标准进行改进，使其能够为我国的路面信息化道路描述标准提供参考；
S5：路面病害样本集的制作方法研究，开发出一整套面向路面病害检测的样本集制作工具，用于制作训练深度学习模型所需的标注样本集；
S6：搭建路面病害检测系统的软硬件平台，软硬件平台包括车载路面病害自动化巡检设备的配置，数据集半自动标注软件系统的开发，面向路面病害检测的多模态深度学习网络模型设计和实现以及面向路面病害检测的深度学习网络训练方法研究和实现。
一种道路路面病害检测系统，建立基于边缘计算和深度学习的道路病害自动识别算法的道路路面病害检测系统和道路智慧养护管理平台；
道路路面病害检测系统采用先进的微服务、大数据、YOLOv5等技术，实现道路病害自动化检测和分析，及时发掘道路病害隐患，自动派发工单执行，提高道路养护工作效率；
最终产品达到以下技术指标：
道路路面病害检测系统满足每天1TB的数据采集、解码与合成；道路路面病害检测系统满足单指标查询2秒内响应，综合查询10秒内响应；道路路面病害检测系统可提供车辆在巡查时自动化发现道路病害，病害综合平均查全率达到80％，病害综合平均查准率达到50％。
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 (8)
1.一种道路路面病害检测方法，其特征在于，包括以下步骤：
S1：对道路路面病害进行数据采集；
S2：生成对抗网络，并结合元学习与迁移学习建立起路面病害检测的深度学习模型；
S3：对路面病害检测的深度学习模型开展研究；
S4：根据路面情况制定路面病害检测的测试标准；
S5：路面病害样本集的制作方法研究；
S6：搭建路面病害检测系统的软硬件平台。
2.根据权利要求1所述的一种道路路面病害检测方法，其特征在于：所述步骤2中的生成对抗网络包括以下步骤：
S21：基于生成对抗网络进行图像修复，从低质量的数据中恢复出高质量的数据、数据增强生成更多的数据来增加训练数据集的大小，从而解决数据稀缺的问题、提高模型的泛化能力；
S22：基于注意力机制根据输入数据的不同特征和重要性，动态地调整模型对不同输入数据的关注度，帮助模型更好地理解输入数据中的关系和上下文信息，从而提高模型的性能和准确度；
S23：基于知识蒸馏进行模型压缩，将大型模型压缩为小型模型，从而在计算资源有限的情况下提高模型的效率。
3.根据权利要求1所述的一种道路路面病害检测方法，其特征在于：所述步骤2中用元学习来训练生成对抗网络的生成器和判别器，使它们能够更快地适应新的数据集，并用元学习对道路病害检测模型进行结构和超参数的自动优化调整，从而提高模型性能。
4.根据权利要求1所述的一种道路路面病害检测方法，其特征在于：所述步骤3中对路面病害检测方法采用基于低阶视觉特征和高阶视觉特征融合的多模态模型进行实现，其中，低阶视觉特征模型拟采用Resnet152网络进行特征提取，高阶视觉特征模型拟采用YOLOv5网络模型实现目标检测特征提取，同时为了加强对路面病害的关注，采用注意力机制的思路，因此这两种特征通过多头注意力机制网络来进行融合。
5.根据权利要求1所述的一种道路路面病害检测方法，其特征在于：所述步骤4中的测试标准根据长年的路面病害检测实际经验来划定对路面病害检测的标准。
6.根据权利要求1所述的一种道路路面病害检测方法，其特征在于：所述步骤5中开发出一整套面向路面病害检测的样本集制作工具，用于制作训练深度学习模型所需的标注样本集。
7.根据权利要求1所述的一种道路路面病害检测方法，其特征在于：所述步骤6中的软硬件平台包括车载路面病害自动化巡检设备的配置，数据集半自动标注软件系统的开发，面向路面病害检测的多模态深度学习网络模型设计和实现以及面向路面病害检测的深度学习网络训练方法研究和实现。
8.根据权利要求1-7任一项所述的一种道路路面病害检测系统，其特征在于：建立基于边缘计算和深度学习的道路病害自动识别算法的道路路面病害检测系统和道路智慧养护管理平台；
道路路面病害检测系统采用先进的微服务、大数据、YOLOv5等技术，实现道路病害自动化检测和分析，及时发掘道路病害隐患，自动派发工单执行，提高道路养护工作效率；
最终产品达到以下技术指标：
道路路面病害检测系统满足每天1TB的数据采集、解码与合成；
道路路面病害检测系统满足单指标查询2秒内响应，综合查询10秒内响应；道路路面病害检测系统可提供车辆在巡查时自动化发现道路病害，病害综合平均查全率达到80％，病害综合平均查准率达到50％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311530451.1A CN117541555A (zh) | 2023-11-16 | 2023-11-16 | 一种道路路面病害检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311530451.1A CN117541555A (zh) | 2023-11-16 | 2023-11-16 | 一种道路路面病害检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117541555A true CN117541555A (zh) | 2024-02-09 |
Family
ID=89783742
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311530451.1A Pending CN117541555A (zh) | 2023-11-16 | 2023-11-16 | 一种道路路面病害检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117541555A (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109961142A (zh) * | 2019-03-07 | 2019-07-02 | 腾讯科技（深圳）有限公司 | 一种基于元学习的神经网络优化方法及装置 |
| CN112364894A (zh) * | 2020-10-23 | 2021-02-12 | 天津大学 | 一种基于元学习的对抗网络的零样本图像分类方法 |
| CN113724233A (zh) * | 2021-09-02 | 2021-11-30 | 国网安徽省电力有限公司铜陵供电公司 | 基于融合数据生成和迁移学习技术的变电设备外观图像缺陷检测方法 |
| CN114022368A (zh) * | 2021-10-08 | 2022-02-08 | 郑州大学 | 基于生成对抗网络的路面病害数据增强方法 |
| CN114048843A (zh) * | 2021-11-19 | 2022-02-15 | 天津大学 | 一种基于选择性特征迁移的小样本学习网络 |
| CN114693615A (zh) * | 2022-03-17 | 2022-07-01 | 常州工学院 | 一种基于域适应的深度学习混凝土桥梁裂缝实时检测方法 |
| CN115273135A (zh) * | 2022-06-14 | 2022-11-01 | 浙江理工大学 | 基于DC-Res2Net和特征融合注意力模块的手势图像分类方法 |
| CN115374931A (zh) * | 2021-12-09 | 2022-11-22 | 兰州理工大学 | 一种基于元对抗训练的深度神经网络鲁棒性增强方法 |
| CN115861641A (zh) * | 2022-10-31 | 2023-03-28 | 浙江工业大学 | 一种基于细粒度注意力的医学影像报告生成方法 |
| WO2023084348A1 (en) * | 2021-11-12 | 2023-05-19 | Sony Group Corporation | Emotion recognition in multimedia videos using multi-modal fusion-based deep neural network |
| CN116309370A (zh) * | 2023-02-22 | 2023-06-23 | 大连理工大学 | 一种混凝土坝表观病害实时检测方法及系统 |
| CN116385958A (zh) * | 2023-03-07 | 2023-07-04 | 云南电网有限责任公司玉溪供电局 | 一种用于电网巡检和监控的边缘智能检测方法 |
| US20230281972A1 (en) * | 2022-05-13 | 2023-09-07 | Nanjing University Of Aeronautics And Astronautics | Few-shot defect detection method based on metric learning |
| CN116740495A (zh) * | 2023-06-05 | 2023-09-12 | 中国电信股份有限公司 | 路桥隧道的病害检测模型的训练方法和病害检测方法 |
| CN116843983A (zh) * | 2023-07-27 | 2023-10-03 | 安徽省路桥试验检测有限公司 | 路面病害识别方法、模型训练方法、电子设备及介质 |
-
2023
- 2023-11-16 CN CN202311530451.1A patent/CN117541555A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109961142A (zh) * | 2019-03-07 | 2019-07-02 | 腾讯科技（深圳）有限公司 | 一种基于元学习的神经网络优化方法及装置 |
| CN112364894A (zh) * | 2020-10-23 | 2021-02-12 | 天津大学 | 一种基于元学习的对抗网络的零样本图像分类方法 |
| CN113724233A (zh) * | 2021-09-02 | 2021-11-30 | 国网安徽省电力有限公司铜陵供电公司 | 基于融合数据生成和迁移学习技术的变电设备外观图像缺陷检测方法 |
| CN114022368A (zh) * | 2021-10-08 | 2022-02-08 | 郑州大学 | 基于生成对抗网络的路面病害数据增强方法 |
| WO2023084348A1 (en) * | 2021-11-12 | 2023-05-19 | Sony Group Corporation | Emotion recognition in multimedia videos using multi-modal fusion-based deep neural network |
| CN114048843A (zh) * | 2021-11-19 | 2022-02-15 | 天津大学 | 一种基于选择性特征迁移的小样本学习网络 |
| CN115374931A (zh) * | 2021-12-09 | 2022-11-22 | 兰州理工大学 | 一种基于元对抗训练的深度神经网络鲁棒性增强方法 |
| CN114693615A (zh) * | 2022-03-17 | 2022-07-01 | 常州工学院 | 一种基于域适应的深度学习混凝土桥梁裂缝实时检测方法 |
| US20230281972A1 (en) * | 2022-05-13 | 2023-09-07 | Nanjing University Of Aeronautics And Astronautics | Few-shot defect detection method based on metric learning |
| CN115273135A (zh) * | 2022-06-14 | 2022-11-01 | 浙江理工大学 | 基于DC-Res2Net和特征融合注意力模块的手势图像分类方法 |
| CN115861641A (zh) * | 2022-10-31 | 2023-03-28 | 浙江工业大学 | 一种基于细粒度注意力的医学影像报告生成方法 |
| CN116309370A (zh) * | 2023-02-22 | 2023-06-23 | 大连理工大学 | 一种混凝土坝表观病害实时检测方法及系统 |
| CN116385958A (zh) * | 2023-03-07 | 2023-07-04 | 云南电网有限责任公司玉溪供电局 | 一种用于电网巡检和监控的边缘智能检测方法 |
| CN116740495A (zh) * | 2023-06-05 | 2023-09-12 | 中国电信股份有限公司 | 路桥隧道的病害检测模型的训练方法和病害检测方法 |
| CN116843983A (zh) * | 2023-07-27 | 2023-10-03 | 安徽省路桥试验检测有限公司 | 路面病害识别方法、模型训练方法、电子设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107527067B (zh) | 一种基于探地雷达的铁路路基病害智能识别方法 | |
| CN109657552B (zh) | 基于迁移学习实现跨场景冷启动的车型识别装置与方法 | |
| Feng et al. | Pavement crack detection and segmentation method based on improved deep learning fusion model | |
| CN112800913B (zh) | 一种基于多源特征融合的路面损伤数据时空分析方法 | |
| CN109710701A (zh) | 一种用于公共安全领域大数据知识图谱的自动化构建方法 | |
| CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
| CN110619258B (zh) | 一种基于高分辨率遥感影像的道路轨迹核查方法 | |
| CN104966132A (zh) | 一种企业运营信息模拟分析方法 | |
| CN112819066A (zh) | 一种Res-UNet单木树种分类技术 | |
| CN111860596A (zh) | 基于深度学习的无监督路面裂缝分类方法及模型建立方法 | |
| CN111797188B (zh) | 一种基于开源地理空间矢量数据的城市功能区定量识别方法 | |
| CN103278616A (zh) | 一种土壤腐蚀性快速评价的多因子方法 | |
| CN113487638A (zh) | 高精度语义分割算法U2-net的地物边缘检测方法 | |
| Gao et al. | Intelligent detection of urban road underground targets by using ground penetrating radar based on deep learning | |
| CN105335758A (zh) | 一种基于视频费舍尔向量描述符的车型识别方法 | |
| CN117541555A (zh) | 一种道路路面病害检测方法及系统 | |
| CN116431828A (zh) | 一种基于神经网络技术构建的电网中台数据资产知识图谱数据库的构建方法 | |
| CN116630683A (zh) | 一种基于扩散的自适应特征提取的道路损伤检测方法 | |
| CN116503750A (zh) | 融合目标检测和视觉注意机制的大范围遥感影像农村街区式居民地提取方法及系统 | |
| CN116434054A (zh) | 一种基于线面结合的密集遥感地物提取方法 | |
| CN105279488A (zh) | 一种公路视频巡检的里程标识牌自动识别方法 | |
| CN113158902B (zh) | 一种基于知识蒸馏的自动化训练识别模型的方法 | |
| CN115345846A (zh) | 一种中低碳钢晶粒度智能评级方法及系统 | |
| CN110084125B (zh) | 一种基于深度学习的农业保险查勘技术方法 | |
| CN110942354A (zh) | 一种基于大数据算法的轨道交通工程造价指标自动计算方法 |
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 |