JP7076932B1 - 舗装健全度評価方法 - Google Patents
舗装健全度評価方法 Download PDFInfo
- Publication number
- JP7076932B1 JP7076932B1 JP2021032798A JP2021032798A JP7076932B1 JP 7076932 B1 JP7076932 B1 JP 7076932B1 JP 2021032798 A JP2021032798 A JP 2021032798A JP 2021032798 A JP2021032798 A JP 2021032798A JP 7076932 B1 JP7076932 B1 JP 7076932B1
- Authority
- JP
- Japan
- Prior art keywords
- damage
- image
- soundness
- pavement
- evaluation
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 68
- 238000004458 analytical method Methods 0.000 claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000011179 visual inspection Methods 0.000 claims abstract description 9
- 238000010191 image analysis Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 14
- 238000013500 data storage Methods 0.000 description 8
- 238000004901 spalling Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012821 model calculation Methods 0.000 description 4
- WUBBRNOQWQTFEX-UHFFFAOYSA-N 4-aminosalicylic acid Chemical compound NC1=CC=C(C(O)=O)C(O)=C1 WUBBRNOQWQTFEX-UHFFFAOYSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 241000270666 Testudines Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000270708 Testudinidae Species 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- 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
-
- 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
- G06T2207/30242—Counting objects in 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
【課題】道路の路面を撮影しながら走行し取得した動画から抽出される、遠近法に基づく路面画像を利用し、路面画像に含まれる路面の映像領域の全部を損傷の検出に用いることを可能とし、更に、損傷誤検出の影響を受けにくい舗装健全度評価システム及び方法を提供する。【解決手段】方法は、遠近法に基づく静止画像に含まれる損傷の映像と損傷の定義が組み合わされた画像データの複数を損傷学習データ1とし使用し物体検知モデルを構築する。そして、解析結果として出力された損傷を囲む矩形の表示された解析結果画像4における矩形の数5と解析結果画像4の目視検査により得られた舗装健全度評価結果6が組み合わされたデータの複数を評価学習データ7として使用し構築された健全度推計モデルを使用して、舗装健全度を評価する。【選択図】図1
Description
本発明は、道路の舗装に生じている損傷に基づき舗装の状態を健全度として評価する舗装健全度評価方法に関するものである。
近年、演算処理装置による画像解析を利用し、路面画像に基づき道路の舗装に生じている損傷を検出する様々な手法が提案されている。例えば、特許第6678267号公報には、前方もしくは後方の道路を撮影した遠近法に基づく一連の画像から道路の不具合を含む画素領域を検出し、検出した画素領域の面積の合計を用いて、区間ごとの道路の不具合率を算出する道路不具合検出装置が提案されている。
損傷を検出する対象となる道路の路面画像は、道路の路面を撮影しながら走行し取得した動画から抽出することにより得られるが、その路面画像は遠近法に基づくものとなり、撮影点から離れた場所と近い場所とでは、実地の撮影領域に対する画素領域が、離れた場所程小さくなってしまい、損傷を検出する精度が低下する問題があった。また、撮影点との距離に応じて撮影領域に対する画素領域が異なるため、損傷を検知した画素領域が同じであっても、実際の損傷領域は撮影点との位置関係によって異なり、画素領域の数値データだけをもって路面の健全度判定を行うことを難しくしていた。
これに対し、上記道路不具合検出装置のように、路面画像における撮影点から近い場所のみを損傷の検出対象とすることも考えられるが、この場合、損傷の検出に用いることができる映像領域は、路面画像の遠近と実地での距離の整合を取ることのできる、平坦な直線区間等の限られた領域となり、適用の難しい場所(例えば、道路のカーブ地点)もあった。しかも、各路面画像に含まれる路面の映像領域において損傷の検出に用いることができるのは一部のみとなるため、多くの路面画像の画像解析が必要となり、損傷の検出に時間を要する問題もあった。
更に、遠近法に基づく路面画像から損傷を検出する場合、利用する画像の画角を決められた値に固定することで損傷誤検出の低減を図ることができるが、そのためには、車両に撮影機材を取り付ける際、厳密なキャリブレーションを必要とし、手間や時間を要する問題があった。また、キャリブレーションが行われたとしても、道路の縦断及び横断勾配は一様でなく走行中に絶え間なく変化することから、撮影中に画角が絶えず変化することで損傷誤検出につながるおそれがあった。また、損傷検出結果から路面の健全度を判定しようとする場合、画角の変化によって撮影領域と画素領域の関係も絶えず変化することから、画像領域の数値データをもって路面の健全度を判定することを難しくしていた。
そこで、本発明は、道路の路面を撮影しながら走行し取得した動画から抽出される、遠近法に基づく路面画像を利用し、路面画像に含まれる路面の映像領域の全部を損傷の検出に用いることを可能とし、更に、損傷誤検出の影響を受けにくい舗装健全度評価システムを提供することを目的とする。
本発明に係る舗装健全度評価方法では、遠近法に基づく静止画像に含まれる損傷の映像と前記損傷の定義が組み合わされた画像データの複数を損傷学習データとし、解析対象画像において検出された対象物が矩形で囲まれた画像を解析結果として出力する画像解析を実行するための物体検知モデルを、前記損傷学習データを使用して構築する。そして、遠近法に基づく路面静止画像に含まれる損傷を、前記物体検知モデルを使用して検出し、解析結果として出力された損傷を囲む矩形の表示された解析結果画像における前記矩形の数と前記解析結果画像の目視検査により得られた舗装健全度評価結果が組み合わされたデータの複数を評価学習データとして使用し健全度推計モデルを構築し、前記健全度推計モデルを使用して舗装健全度を評価することを特徴とする。
前記損傷学習データは前記損傷の複数種類を含むものとされ、前記評価学習データを構成する前記舗装健全度評価結果と前記矩形の数の取得に用いられる前記解析結果画像の複数は、前記解析結果画像の各々における前記損傷の種別毎の前記矩形の数の前記種別毎の総和の標準偏差が20を超えるものとされてもよい。
損傷の種類分けに制限はないが、例えば、以下の種類分けを採用することができる。
「オープンクラック」ひび割れ幅がやや大きいもの。
「クラックシール」ひび割れが補修により閉鎖された痕。
「タイトクラック」ひび割れ幅が狭小のもの。
「パッチング」損傷部分が面的に補修された痕。
「スポーリング」舗装表面が剥離したもの。
「亀甲クラック」亀甲形を形成する複数の小さなひび割れの群。
「ブロッククラック」ひび割れが接続し比較的大きな多角形を形成するもの。
「オープンクラック」ひび割れ幅がやや大きいもの。
「クラックシール」ひび割れが補修により閉鎖された痕。
「タイトクラック」ひび割れ幅が狭小のもの。
「パッチング」損傷部分が面的に補修された痕。
「スポーリング」舗装表面が剥離したもの。
「亀甲クラック」亀甲形を形成する複数の小さなひび割れの群。
「ブロッククラック」ひび割れが接続し比較的大きな多角形を形成するもの。
本発明に係る舗装健全度評価方法では、解析対象画像において検出された対象物が矩形で囲まれた画像を解析結果として出力する画像解析を実行し、解析結果として出力された損傷を囲む矩形の表示された解析結果画像における矩形の数と解析結果画像の目視検査により得られた舗装健全度評価結果が組み合わせである評価学習データにより健全度推計モデルを構築し、その健全度推計モデルを使用して舗装健全度を評価するため、損傷の存在の有無が確認できればよく、損傷の形状を特定する必要がない。そのため、遠近法に基づく路面画像の撮影地点から離れた場所の映像領域も、損傷の検出に用いることができる。
また、評価学習データの作成に用いられる解析結果映像において検知されている矩形の数が多いほど、評価学習データの全体に占める矩形1つ当たりの有意性が低下するため、ある損傷区分で突発的な損傷誤検出が生じた場合でも、その損傷誤検出は推計上有意な影響を持たなくなる。すなわち、損傷誤検出の影響を受けにくいものとなる。
そして、損傷学習データを損傷の複数種類を含むものとし、評価学習データを構成する舗装健全度評価結果と矩形の数の取得に用いられる解析結果画像の複数を、解析結果画像の各々における損傷の種別毎の矩形の数の種別毎の総和の標準偏差が20を超えるものとすることにより、解析結果映像において検知されている矩形の数を、損傷誤検出が推計上有意な影響を持たなくなる範囲とすることができる。
図を参照しながら、本発明に係る舗装健全度評価方法の実施形態を説明する。
この実施形態では、解析対象画像において検知された対象物が矩形で囲まれた画像を解析結果として出力する画像解析を実行するための物体検知モデルと、その解析結果画像に基づいた舗装健全度評価を実行するための健全度推計モデルが使用されている。
この実施形態では、解析対象画像において検知された対象物が矩形で囲まれた画像を解析結果として出力する画像解析を実行するための物体検知モデルと、その解析結果画像に基づいた舗装健全度評価を実行するための健全度推計モデルが使用されている。
画像解析には、オープンソースであるYOLOv4の使用が想定されているが、その他の公知の機械学習モデルを使用してもよい。
物体検知モデルは、遠近法に基づく路面静止画像に含まれる損傷の映像と損傷の定義が組み合わされた画像データの複数を損傷学習データ1とした、機械学習により構築されている。
損傷学習データ1は、遠近法に基づく路面静止画像に含まれる損傷の画像と損傷の定義が組み合わされたものである。この実施形態では、損傷を、オープンクラック、クラックシール、タイトクラック、パッチング、スポーリング、亀甲クラック、及び、ブロッククラックの7つに区分し、これらの損傷の画像に対応する名称をタグ付けすることにより、損傷の画像と損傷の定義が組み合わされたデータの複数が作成されている。そして、画像解析を行うための演算処理装置(以下、「第一の演算処理装置2」とする)の損傷学習データ記憶部11に保存蓄積されている。
演算処理手段2は、必要なデータを入出力するためのキーボード、スクリーン、通信ケーブル等を備えているが、これらの装備はいずれも公知であるため図示は省略する。
物体検知モデルは、第一の演算処理装置2において、損傷学習データ記憶部11に保存蓄積された損傷学習データ1に基づき、物体検知モデル算出部12により構築される。そして、構築されたモデルは、物体検知モデル記憶部13に保存されている。なお、損傷学習データ1を構成する、損傷の映像と損傷の定義が組み合わされたデータの追加や更新があった場合は、その都度モデルの再構築が行われ、再構築されたモデルはバージョンが更新され、物体検知モデル記憶部13に保存される。
物体検知モデル記憶部13に保存されている物体検知モデルは、解析対象となる路面画像データ3の解析処理を実行する損傷検出部14において使用され、損傷検出部14は、解析結果として、検出された損傷が矩形で囲まれた解析結果画像4を出力する。図2に、解析結果画像の一例を示す。
損傷検出部14は、また、解析結果画像4と併せて、解析結果画像4における矩形の数のデータ(矩形数データ5)を出力する。図3に、矩形数データの一例を示す。図3において、破線で囲まれた部分が、損傷の7つの区分毎の矩形数である。また、図3に示すテーブルでは、これらの矩形数が算出された解析結果画像4のファイル名も併せて表示されている。(図3に示すテーブルの最左欄)なお、図3において、「Crack_Open」はオープンクラックを、「Crack_Seal」はクラックシールを、「Crack_Tight」はタイトクラックを、「Patching」はパッチングを、「Spalling」はスポーリングを、「Aligator_Crack」は亀甲クラックを、「Block_Crack」はブロッククラックを意味している。
これら複数の矩形数データ5は、解析結果画像4の目視検査により得られた舗装健全度評価結果6と組み合わされ、評価学習データ7とされる。
解析結果画像4の目視検査による舗装健全度評価を行う手法としては、例えば、米国ウィスコンシン大学が制定しているPASER Manualの手法を採用することができる。その場合、舗装健全度評価結果6は10段階の判定とされる。ただし、健全度判定手法や健全度判定の段階数に制限はなく、評価対象となる路面の状況や性状等を考慮し、適切な手法を採用すればよい。
作成された評価学習データ7は、舗装健全度評価を行うための演算処理装置(以下、「第二の演算処理装置8」とする)の評価学習データ記憶部16に保存蓄積されている。
なお、この実施形態では、画像解析と健全度評価は異なる演算処理装置で行われるものとなっているが、これらを一つの演算処理装置で行うこととしても良い。
健全度推計モデルは、第二の演算処理装置8において、評価学習データ記憶部16に保存蓄積された評価学習データ7を使用し、健全度推計モデル算出部17で実行される機械学習により構築される。そして、構築されたモデルは、健全度推計モデル記憶部18に保存されている。なお、評価学習データ7を構成するデータの追加や更新があった場合は、その都度モデルの再構築が行われ、再構築されたモデルはバージョンが更新され、健全度推計モデル記憶部18に保存される。
健全度推計モデル記憶部18に保存されている健全度推計モデルは、解析結果画像4における矩形の数(矩形数データ5)に基づく評価解析処理を実行する健全度算出部19において使用され、健全度算出部19は、解析結果として、予め定義された舗装健全度の段階評価における段階を含む健全度評価結果データ9を出力する。なお、この実施形態において、健全度評価結果データ9は、健全度評価データ記憶部20への蓄積保存処理を経て第二の演算処理装置8から出力されるものとなっているが、蓄積保存処理と出力は同時に実行されてもよく、或いは出力された健全度評価結果データ8を別の記憶装置に蓄積保存することとしてもよい。
「物体検知モデルの構築」
路上点検作業の結果として得られた、損傷の画像の複数を、その画像に含まれる損傷によりオープンクラック、クラックシール、タイトクラック、パッチング、スポーリング、亀甲クラック、及び、ブロッククラックの7つに区分し、各画像に対応する損傷区分をタグ付けすることにより損傷学習データを作成した。そして、その損傷学習データを使用し、YOLOv4を用いて物体検知モデルを構築した。
路上点検作業の結果として得られた、損傷の画像の複数を、その画像に含まれる損傷によりオープンクラック、クラックシール、タイトクラック、パッチング、スポーリング、亀甲クラック、及び、ブロッククラックの7つに区分し、各画像に対応する損傷区分をタグ付けすることにより損傷学習データを作成した。そして、その損傷学習データを使用し、YOLOv4を用いて物体検知モデルを構築した。
「矩形数データの取得」
撮像装置を搭載した車両を走行させ取得した動画から、遠近法に基づく路面静止画像を複数抽出し、それら路面静止画像の一部について、上記物体検知モデルによる損傷解析を実行し、矩形数データを得た。なお、矩形の検知数が異なる場合において健全度推計モデルの性能がどのように変化するかを確認するため、損傷解析時に用いる信頼水準(Confidence Level)の閾値(以下「CL閾値」とする)を変えることで、解析を実行した画像の各々について検知された矩形の数が異なる3種類の矩形数データを取得した。
撮像装置を搭載した車両を走行させ取得した動画から、遠近法に基づく路面静止画像を複数抽出し、それら路面静止画像の一部について、上記物体検知モデルによる損傷解析を実行し、矩形数データを得た。なお、矩形の検知数が異なる場合において健全度推計モデルの性能がどのように変化するかを確認するため、損傷解析時に用いる信頼水準(Confidence Level)の閾値(以下「CL閾値」とする)を変えることで、解析を実行した画像の各々について検知された矩形の数が異なる3種類の矩形数データを取得した。
「評価学習データの作成」
上記矩形数データの取得に際し得られた解析結果画像の各々について、技術者が視認により健全度評価を行い、矩形の数と舗装健全度評価結果が組み合わされた評価学習データを作成した。なお、舗装健全度評価結果は検知された矩形の数が異なる3種類のデータセットに対して同一のものを用いた。
上記矩形数データの取得に際し得られた解析結果画像の各々について、技術者が視認により健全度評価を行い、矩形の数と舗装健全度評価結果が組み合わされた評価学習データを作成した。なお、舗装健全度評価結果は検知された矩形の数が異なる3種類のデータセットに対して同一のものを用いた。
健全度評価は、PASER Manualの10段階評価を、補修方法が大きく変わる損傷段階に着目して変換した4段階評価に基づき行った。PASER Manualの10段階評価と本実施例の4段階評価の関係を表1に示す。
「健全度推計モデルの構築」
上記3種類の評価学習データを使用し、3種類の異なる機械学習モデルから成るアンサンブルモデルを用い、健全度推計モデル(実施例1、2、3)を構築した。
上記3種類の評価学習データを使用し、3種類の異なる機械学習モデルから成るアンサンブルモデルを用い、健全度推計モデル(実施例1、2、3)を構築した。
「健全度推計モデルを利用した健全度評価」
評価学習データの作成に用いられなかった矩形数データの一部について、上記健全度推計モデルによる健全度評価を行った。また、健全度評価を行った矩形数データに対応する解析結果画像の各々について、技術者が視認により健全度評価を行った。そして、健全度推計モデルによる健全度評価と技術者の視認による健全度評価の比較検証を行った。評価学習データを構成する矩形数データにおける矩形の総数、及び、それら矩形の数の損傷区分の各々に対する標準偏差と併せて、比較検証の結果を表2に示す。
評価学習データの作成に用いられなかった矩形数データの一部について、上記健全度推計モデルによる健全度評価を行った。また、健全度評価を行った矩形数データに対応する解析結果画像の各々について、技術者が視認により健全度評価を行った。そして、健全度推計モデルによる健全度評価と技術者の視認による健全度評価の比較検証を行った。評価学習データを構成する矩形数データにおける矩形の総数、及び、それら矩形の数の損傷区分の各々に対する標準偏差と併せて、比較検証の結果を表2に示す。
表2において、決定係数は、健全度推計モデルによる健全度評価と技術者の視認による健全度評価の差異であり、完全に一致する場合に1となる。また、絶対値誤差は、健全度推計モデルによる健全度評価の技術者の視認による健全度評価に対する誤差である。CL閾値を調整し、評価に反映される矩形数を増やすことにより、決定係数及び絶対値誤差の向上を図れることが確認された。なお、CL閾値の調整に際しては、評価対象路面損傷検出データにより表示される画像の損傷を囲う矩形の損傷区分の各々に対する数の総和の標準偏差(全損傷区分の平均)が20を超えるものとすることが好ましい。
1 損傷学習データ
2 第一の演算処理装置
3 路面画像データ
4 解析結果画像
5 矩形数データ
6 舗装健全度評価結果
7 評価学習データ
8 第二の演算処理装置
9 健全度評価結果データ
11 損傷学習データ記憶部
12 物体検知モデル算出部
13 物体検知モデル記憶部
14 損傷検出部
16 評価学習データ記憶部
17 健全度推計モデル算出部
18 健全度推計モデル記憶部
19 健全度算出部
20 健全度評価データ記憶部
2 第一の演算処理装置
3 路面画像データ
4 解析結果画像
5 矩形数データ
6 舗装健全度評価結果
7 評価学習データ
8 第二の演算処理装置
9 健全度評価結果データ
11 損傷学習データ記憶部
12 物体検知モデル算出部
13 物体検知モデル記憶部
14 損傷検出部
16 評価学習データ記憶部
17 健全度推計モデル算出部
18 健全度推計モデル記憶部
19 健全度算出部
20 健全度評価データ記憶部
Claims (2)
- 遠近法に基づく路面静止画像に含まれる損傷の映像と前記損傷の定義が組み合わされた画像データの複数を損傷学習データとし、解析対象画像において検出された対象物が矩形で囲まれた画像を解析結果として出力する画像解析を実行するための物体検知モデルを、前記損傷学習データを使用して構築し、遠近法に基づく路面静止画像に含まれる損傷を、前記物体検知モデルを使用して検出し、解析結果として出力された損傷を囲む矩形の表示された解析結果画像における前記矩形の数と前記解析結果画像の目視検査により得られた舗装健全度評価結果が組み合わされたデータの複数を評価学習データとして使用し健全度推計モデルを構築し、前記健全度推計モデルを使用して舗装健全度を評価することを特徴とする舗装健全度評価方法。
- 前記損傷学習データは前記損傷の複数種類を含むものとされ、前記評価学習データを構成する前記舗装健全度評価結果と前記矩形の数の取得に用いられる前記解析結果画像の複数は、前記解析結果画像の各々における前記損傷の種別毎の前記矩形の数の前記種別毎の総和の標準偏差が20を超えるものとされる請求項1に記載の舗装健全度評価方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021032798A JP7076932B1 (ja) | 2021-03-02 | 2021-03-02 | 舗装健全度評価方法 |
US17/367,192 US20220284557A1 (en) | 2021-03-02 | 2021-07-02 | Pavement condition rating method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021032798A JP7076932B1 (ja) | 2021-03-02 | 2021-03-02 | 舗装健全度評価方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7076932B1 true JP7076932B1 (ja) | 2022-05-30 |
JP2022133870A JP2022133870A (ja) | 2022-09-14 |
Family
ID=81810810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021032798A Active JP7076932B1 (ja) | 2021-03-02 | 2021-03-02 | 舗装健全度評価方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220284557A1 (ja) |
JP (1) | JP7076932B1 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114841995A (zh) * | 2022-06-02 | 2022-08-02 | 西南交通大学 | 一种基于深度学习的铁路路基挡护设备服役状态评估方法 |
CN116739531A (zh) * | 2023-08-10 | 2023-09-12 | 山东高速集团有限公司创新研究院 | 高速公路资产数字化管理方法与平台 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015007341A (ja) | 2013-06-25 | 2015-01-15 | 川田テクノシステム株式会社 | 路面補修支援装置、路面補修支援プログラム、及び路面補修支援方法 |
WO2017014288A1 (ja) | 2015-07-21 | 2017-01-26 | 株式会社東芝 | ひび割れ解析装置、ひび割れ解析方法及びひび割れ解析プログラム |
WO2017110278A1 (ja) | 2015-12-25 | 2017-06-29 | 富士フイルム株式会社 | 情報処理装置及び情報処理方法 |
JP2018040666A (ja) | 2016-09-07 | 2018-03-15 | 東芝インフラシステムズ株式会社 | ひび割れ解析装置、ひび割れ解析方法及びひび割れ解析プログラム |
JP2018156317A (ja) | 2017-03-16 | 2018-10-04 | 阪神高速技術株式会社 | ひび割れ検出処理装置、およびひび割れ検出処理プログラム |
JP2018154986A (ja) | 2017-03-16 | 2018-10-04 | ニチレキ株式会社 | 舗装の維持修繕計画策定支援装置及び支援方法 |
JP2019139316A (ja) | 2018-02-06 | 2019-08-22 | 国立大学法人 東京大学 | 識別システム、識別装置、識別方法及び識別プログラム |
JP2020144572A (ja) | 2019-03-06 | 2020-09-10 | エヌ・ティ・ティ・コムウェア株式会社 | 道路不具合検出装置、道路不具合検出方法及び道路不具合検出プログラム |
WO2021014754A1 (ja) | 2019-07-23 | 2021-01-28 | 富士フイルム株式会社 | ひび割れ評価装置、ひび割れ評価方法、及びひび割れ評価プログラム |
JP2021060656A (ja) | 2019-10-03 | 2021-04-15 | エヌ・ティ・ティ・コムウェア株式会社 | 道路損傷判定装置、道路損傷判定方法及び道路損傷判定プログラム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6902652B1 (ja) * | 2020-04-17 | 2021-07-14 | エヌ・ティ・ティ・コムウェア株式会社 | 道路不具合検出装置、道路不具合検出方法及び道路不具合検出プログラム |
-
2021
- 2021-03-02 JP JP2021032798A patent/JP7076932B1/ja active Active
- 2021-07-02 US US17/367,192 patent/US20220284557A1/en active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015007341A (ja) | 2013-06-25 | 2015-01-15 | 川田テクノシステム株式会社 | 路面補修支援装置、路面補修支援プログラム、及び路面補修支援方法 |
WO2017014288A1 (ja) | 2015-07-21 | 2017-01-26 | 株式会社東芝 | ひび割れ解析装置、ひび割れ解析方法及びひび割れ解析プログラム |
WO2017110278A1 (ja) | 2015-12-25 | 2017-06-29 | 富士フイルム株式会社 | 情報処理装置及び情報処理方法 |
JP2018040666A (ja) | 2016-09-07 | 2018-03-15 | 東芝インフラシステムズ株式会社 | ひび割れ解析装置、ひび割れ解析方法及びひび割れ解析プログラム |
JP2018156317A (ja) | 2017-03-16 | 2018-10-04 | 阪神高速技術株式会社 | ひび割れ検出処理装置、およびひび割れ検出処理プログラム |
JP2018154986A (ja) | 2017-03-16 | 2018-10-04 | ニチレキ株式会社 | 舗装の維持修繕計画策定支援装置及び支援方法 |
JP2019139316A (ja) | 2018-02-06 | 2019-08-22 | 国立大学法人 東京大学 | 識別システム、識別装置、識別方法及び識別プログラム |
JP2020144572A (ja) | 2019-03-06 | 2020-09-10 | エヌ・ティ・ティ・コムウェア株式会社 | 道路不具合検出装置、道路不具合検出方法及び道路不具合検出プログラム |
WO2021014754A1 (ja) | 2019-07-23 | 2021-01-28 | 富士フイルム株式会社 | ひび割れ評価装置、ひび割れ評価方法、及びひび割れ評価プログラム |
JP2021060656A (ja) | 2019-10-03 | 2021-04-15 | エヌ・ティ・ティ・コムウェア株式会社 | 道路損傷判定装置、道路損傷判定方法及び道路損傷判定プログラム |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114841995A (zh) * | 2022-06-02 | 2022-08-02 | 西南交通大学 | 一种基于深度学习的铁路路基挡护设备服役状态评估方法 |
CN116739531A (zh) * | 2023-08-10 | 2023-09-12 | 山东高速集团有限公司创新研究院 | 高速公路资产数字化管理方法与平台 |
CN116739531B (zh) * | 2023-08-10 | 2024-01-26 | 山东高速集团有限公司创新研究院 | 高速公路资产数字化管理方法与平台 |
Also Published As
Publication number | Publication date |
---|---|
US20220284557A1 (en) | 2022-09-08 |
JP2022133870A (ja) | 2022-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7076932B1 (ja) | 舗装健全度評価方法 | |
JP5764238B2 (ja) | 鋼管内部腐食解析装置及び鋼管内部腐食解析方法 | |
JP6029870B2 (ja) | コンクリート表面の変状検出方法及び装置 | |
JP5645730B2 (ja) | コンクリート表面の閉合ひび割れ検出方法 | |
DE50304602D1 (de) | Verfahren und vorrichtung zum absichern eines gefahrenbereichs | |
CN108229475A (zh) | 车辆跟踪方法、系统、计算机设备及可读存储介质 | |
CN111539927B (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测方法 | |
CN101682767B (zh) | 用于测量视频编解码器块中细节损失的系统和方法 | |
CN112446870A (zh) | 管道损伤检测方法、装置、设备及存储介质 | |
WO2005076077A3 (en) | Mask inspection apparatus and method | |
CN112365461A (zh) | 紧固件松动识别方法、系统、终端及存储介质 | |
CN114596266B (zh) | 一种基于ConcreteCrackSegNet模型的混凝土裂缝检测方法 | |
JP2019020220A (ja) | 画像処理装置、及び画像処理方法、ならびにプログラム | |
CN105718931A (zh) | 用于确定采集图像中的杂斑的系统和方法 | |
CN113096121A (zh) | 基于交叉断裂力学和图像处理的路面裂缝检测方法和系统 | |
CN115578326A (zh) | 一种道路病害识别方法、系统、设备及存储介质 | |
JP2008267943A (ja) | ひび割れ検出方法 | |
CN109902326A (zh) | 一种有限元仿真实验效果测评方法 | |
JP4604357B2 (ja) | 補修コスト計算システム、補修コスト計算システムをコンピュータにより実現するためのプログラム、およびこのプログラムを記録したコンピュータ読取可能な記録媒体 | |
CN112434582A (zh) | 一种车道线颜色识别方法、系统、电子设备及存储介质 | |
KR101498726B1 (ko) | 구조물 검사 장치 및 방법 | |
CN116071335A (zh) | 墙面验收方法、装置、设备及存储介质 | |
Zhang et al. | A combined approach to single-camera-based lane detection in driverless navigation | |
CN114663353A (zh) | 神经网络训练方法、焊接接头裂纹检测方法、装置和介质 | |
KR101793091B1 (ko) | 불량화소의 검출방법 및 검출장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210322 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220517 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220517 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7076932 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |