TWM600416U - 人工智慧道路巡查檢測系統 - Google Patents
人工智慧道路巡查檢測系統 Download PDFInfo
- Publication number
- TWM600416U TWM600416U TW109205308U TW109205308U TWM600416U TW M600416 U TWM600416 U TW M600416U TW 109205308 U TW109205308 U TW 109205308U TW 109205308 U TW109205308 U TW 109205308U TW M600416 U TWM600416 U TW M600416U
- Authority
- TW
- Taiwan
- Prior art keywords
- damage
- artificial intelligence
- road
- upload
- information
- Prior art date
Links
Images
Landscapes
- Traffic Control Systems (AREA)
- Road Repair (AREA)
Abstract
一種人工智慧道路巡查檢測系統,包含:一相機,其係裝設在一巡查車輛上,用以擷取一道路影像;一本機,耦接相機,並具有一人工智慧辨識演算法,能即時監測該道路影像,且道路影像可分解成連續照片,並擷取照片進行自動辨識是否具有一破壞資訊,若有破壞資訊,則進行破壞資訊上傳,並本機儲存道路影像後,則進行照片上傳;一里程紀錄器,耦接該本機,每移動d公尺送發收一次觸發訊號;一GPS接收機,耦接本機,每隔一秒鐘上傳GPS軌跡;一雲端平台,連結一FTP伺服器及一網頁伺服器,FTP伺服器提供上傳偵測影像及網頁伺服器提供上傳偵測資訊,且雲端平台連結本機,若本機收到觸發訊號後,則上傳偵測道路影像及照片至FTP伺服器及上傳偵測破壞資訊至網頁伺服器,同時,上傳偵測GPS軌跡至網頁伺服器;以及一螢幕,耦接本機,提供偵測影像顯示在螢幕上,用以顯示道路影像。
Description
本創作係有關一種人工智慧道路巡查檢測系統,尤指一種以人工智慧自動辨識,引領最便捷的道路檢測方法。
按,傳統的道路巡查檢測檢測作業,除了進行鋪面高程量測與鋪面影像擷取外,通常還會配合其餘設備進行資料蒐集,盡可能在一次檢測過程中將道路上所有訊息保留,習知有利用數位相機拍攝街景以達到路面影像收集之效果,但數位相機拍攝之畫面僅能呈現部分影像,而無法有效的呈現路面狀況,進而發展出街景實錄技術,該項技術可輔助其餘系統中之數位資料所無法呈現的道路實況,工程師將獲得更多可供視覺判斷之資訊,然而目前之街景實錄為了使拍攝視野更廣而將錄影機架設於車頂上,但此種方式導致錄影機飽受日曬雨淋容易損壞。再者,國外雖有專門分析道路之自動道路分析儀(Automatic Road Analyzer,ARAN),該設備可於高速下施測,其完整的系統能同時收集並測定道路狀況、表面粗糙度、裂縫、坑洞、車轍深度、道路曲線半徑、縱斷剖面、橫斷剖面、結構層數、表面摩擦係數、全球衛星定位、地理座標、路權攝影、標線反光度等等各種數據。
惟查,近年來國內引進一部功能只包含道路狀況、表面粗糙度、裂縫、坑洞、車轍深度、全球衛星定位、路權攝影,此功能未齊全的檢測車,採購費用高達千萬元,不僅價格不斐,且此檢測車係由國外引進,修護保養不易,另外,此檢測車在台灣地區之適用性、普及性上仍有待考驗,例如:其在巡查作業端,可能因為現場交通情形無法下車拍照,另外傳統的巡修方式有可能廠商為了達到巡查覆蓋率進,而無法仔細尋找路面各項缺失並做記錄,僅能針對坑洞做臨時性修補,針對隱性的路面破壞也無法進行監控,為其最大的問題點。
是以,針對上述習知的道路檢測系統所存在之問題點,如何開發一種更具理想實用性之創新結構,乃為本創作所欲解決的課題。
緣是,本創作之主要目的,提供一種人工智慧道路巡查檢測系統,其自動化的人工智慧巡查,可將道路上的破壞進行辨識後,即時記錄並且上傳資料,系統之後台人員可視破壞的嚴重程度進行養護派工,不會讓現場施工人員浪費多餘時間進行拍照紀錄,並且修補人員可依據系統將GPS轉換的地址,到現場進行專業修補,省去尋找破壞的時間,進而具有即時性之功效增進。
本創作之又一目的,提供一種人工智慧道路巡查檢測系統,其人工智慧能夠依據yolo v3 Keras及Mask-RCNN的訓練結果進行判讀破壞並請分類相較以往以人工方式判別,減少傳統巡查方式,因為人為經驗不足造成誤判破壞種類,人工智慧巡查在判定破壞的標準一致,不會因時間、速度等影響造成誤判,進而具有智慧性與準確性之功效增進。
本創作之另一目的,提供一種人工智慧道路巡查檢測系統,其破壞的判識標準可依據國際標準ASTM D6433,也可依據各縣市道路主管單位的需求進行調整符合本土化的辨識依據,使人工智慧巡查可更具有可控性、適應性與本土性,進而具有本土化之功效增進。
為達上述目的,本創作所採用之技術手段:一相機,其係裝設在一巡查車輛上,用以擷取一道路影像;一本機,該本機耦接該相機,並具有一人工智慧辨識演算法,能即時監測該道路影像,且該道路影像可分解成連續照片,並擷取該照片進行自動辨識是否具有一破壞資訊,若有該破壞資訊,則進行該破壞資訊上傳,並該本機儲存該道路影像後,則進行該照片上傳;一里程紀錄器,該里程紀錄器耦接該本機,每移動d公尺送發收一次觸發訊號;一GPS接收機,該GPS接收機耦接該本機,每隔一秒鐘上傳GPS軌跡;一雲端平台,該雲端平台連結一FTP伺服器及一網頁伺服器,該FTP伺服器提供上傳偵測影像及該網頁伺服器提供上傳偵測資訊,且該雲端平台連結該本機,若該本機收到該觸發訊號後,則上傳偵測該道路影像及該照片至該FTP伺服器及上傳偵測該破壞資訊至該網頁伺服器,同時,上傳偵測該GPS軌跡至該網頁伺服器;以及一螢幕,該螢幕耦接該本機,提供偵測影像顯示在該螢幕上,用以顯示該道路影像。
依據前揭特徵,該人工智慧辨識演算法包括一YOLO訓練模型,該YOLO訓練模型以一感興趣區域選圈該照片上之該破壞資訊,並由該YOLO訓練模型學習該破壞資訊之樣本進行訓練後,則可辨識出該破壞資訊。
依據前揭特徵,該破壞資訊包括一破壞類型,該破壞類型為坑洞、補綻、鱷魚狀裂縫、縱橫向裂縫、人手孔或凹凸其中之一所構成。
依據前揭特徵,該破壞資訊包括一破壞程度,當該破壞類型為該坑洞,則該破壞程度之嚴重程度判斷準則為直徑;當該破壞類型為該補綻,則該破壞程度之嚴重程度判斷準則為是否方正及多邊形;當該破壞類型為該鱷魚狀裂縫,則該破壞程度之嚴重程度判斷準則為裂縫寬度;當該破壞類型為該縱橫向裂縫,則該破壞程度之嚴重程度判斷準則為裂縫寬度及裂縫長度;當該破壞類型為該人手孔,則該破壞程度之嚴重程度判斷準則為記錄位置。
依據前揭特徵,該坑洞之直徑在10公分以下為輕級、10~20公分為中級、20公分以上為重級;該補綻是方正為輕級、方正但不平整為中級、不規則形狀為重級;該鱷魚狀裂縫之裂縫寬度在6mm以下為輕級、6mm~20mm為中級、20mm以上為重級;該縱橫向裂縫之裂縫寬度在10mm以下與裂縫長度未限制為輕級、裂縫寬度在10mm以上與裂縫長度在7.5m以下為中級、裂縫寬度在10mm以上與裂縫長度大於7.5m為重級。
依據前揭特徵,該人工智慧辨識演算法包括一opencv資料庫,該opencv資料庫與該YOLO訓練模型相互配合。
依據前揭特徵,上傳該破壞資訊至該雲端平台後,並利用一Mask-RCNN訓練模型以該感興趣區域補充選圈該破壞資訊。
依據前揭特徵,該網頁伺服器能將上傳該破壞資訊、該GPS軌跡至網頁呈現,並配合該FTP伺服器所上傳該道路影像及該照片,而雲端運算一鋪面狀況指標。
依據前揭特徵,該GPS接收機之GPS定位轉換市區地址。
藉助上揭技術構成,本創作所揭露的人工智慧道路巡查檢測系統,其相較於傳統道路檢測系統,具有如下之功效增進者:
一、強化巡查作業與道路維護管理成效
過去巡查作業僅針對坑洞或大型破壞進行修補,所以道路上有修補才會有破壞紀錄,中級或輕級破壞的各類破壞狀況,無法進入縣市政府的道路維護管理系統,政府無法有效掌握巡查成效與道路實際的服務狀況,改為智慧人工辨識可減少繁雜的人工作業,讓巡查作業人員更加輕鬆,維護管理成效更加顯著。相對於人眼辨識,可以將更加準確抓出所要修復的損毀。相較於人眼辨識時容易會有死角或是疏失等等,可以透過人工智慧彌補傳統道路檢測時所容易疏失的部分。
二、動態監測道路狀況
採用本案之技術可將破壞的里程與GPS定位進行紀錄,並且可長期、定期的監控道路狀況,並對道路破壞轉變的情況進行監控,可針對道路進行預防性養護。建立的照片資料為即時性的,因此可以更加有效的回報道路破損情況並讓現場做立即做簡易的修復(例如:坑洞)。即時回報破壞種類並且即時記錄發現時間、位置與破壞種類大小。
為充分瞭解本創作,茲藉由下述具體之實施例,並配合所附之圖式,對本創作做一詳細說明。本領域技術人員可由本說明書所公開的內容瞭解本創作的目的、特徵及功效。須注意的是,本創作可通過其他不同的具體實施例加以實施或應用,本說明書中的各項細節亦可基於不同觀點,在不悖離本創作的精神下進行各種變更。另外,本創作所附之圖式僅為簡單示意說明,並非依實際尺寸的描繪。以下的實施方式將進一步詳細說明本創作的相關技術內容,但所公開的內容並非用以限制本創作的技術範圍。說明如後:
首先,如圖1至圖10所示,本創作人工智慧道路巡查檢測系統,其較佳實施包含:一相機10,其係裝設在一巡查車輛上,用以擷取一道路影像(P),在本實施例中,該道路影像(P)擷取設定為30fps、4k畫面,並配合步驟S
1與步驟T
1。
一本機20,該本機耦接該相機10,並具有一人工智慧辨識演算法(AI),能即時監測該道路影像(P),在本實施例中,該本機20為工業電腦或手持電腦,配合步驟S
2與步驟T
2。
一里程紀錄器30為編碼器,該里程紀錄器30耦接該本機20,每移動d公尺送發收一次觸發訊號31,配合步驟S
3與步驟T
3。
一GPS接收機40,該GPS接收機40耦接該本機10,每隔一秒鐘上傳GPS軌跡41,且該GPS接收機40可放在該巡查車輛上,而該本機10可得知巡查車號,也能以GPS定位轉換市區地址,並配合步驟S
3與步驟T
4~T
5。
進一步說明,該道路影像(P)可分解成連續照片(Pn),擷取該照片(Pn)進行自動辨識是否具有一破壞資訊(I),並配合步驟S
4;若有該破壞資訊(I),則進行該破壞資訊(I)、該GPS軌跡41、該巡查車號上傳,並配合步驟S
5,同時,於固定里程儲存,使該本機20儲存該道路影像(P)為4k畫質後,則進行該照片(Pn)上傳,並配合步驟S
6。
一雲端平台50,該雲端平台50連結一FTP伺服器51及一網頁伺服器52,該FTP伺服器51提供上傳偵測影像及該網頁伺服器52提供上傳偵測資訊,且該雲端平台50連結該本機20,若該本機20收到該觸發訊號31後,則上傳偵測該道路影像(P)及該照片(Pn)至該FTP伺服器51及上傳偵測該破壞資訊(I)至該網頁伺服器52,同時,上傳偵測該GPS軌跡41至該網頁伺服器52,並配合步驟S
7與步驟T
6~T
9。
進一步說明,該網頁伺服器52能將該破壞資訊(I)、該GPS軌跡41、該巡查車號上傳至網頁(W)呈現,並配合該FTP伺服器51所上傳該道路影像(P)及該照片(Pn),而雲端運算出一鋪面狀況指標(Pavement Condition Index,PCI)(PCI),並配合步驟S
8~S
9。
一螢幕60,該螢幕60耦接該本機20,提供偵測影像顯示在該螢幕60上,用以顯示該道路影像(P),並配合步驟T
9。此外,上傳該破壞資訊(I)至該雲端平台50後,並利用一Mask-RCNN訓練模型(MR)以該感興趣區域(R)補充選圈該破壞資訊(I)。
如圖4所示,該人工智慧辨識演算法(AI)包括一YOLO訓練模型(AI
1),該YOLO訓練模型(AI
1)以一感興趣區域(R)選圈該照片(Pn)上之該破壞資訊(I),並由該YOLO訓練模型(AI
1)學習該破壞資訊(I)之樣本進行訓練後,則可辨識出該破壞資訊(I),而該破壞資訊(I)參考美國材料試驗學會標準測試(American Society for Testing and Materials,ASTM)所制定之ASTM D6433,且該人工智慧辨識演算法(AI)包括一opencv資料庫(AI
2),該opencv資料庫(AI
2)與該YOLO訓練模型(AI
1)相互配合。
承上,在本實施例中,該破壞資訊(I)包括一破壞類型(I
1),該破壞類型(I
1)為坑洞(Potholes)(I
11)、補綻(Patch)(I
12)、鱷魚狀裂縫(Alligator Cracking)(I
13)、縱橫向裂縫(Cracking)(I
14)、人手孔(Cover)(I
15)或凹凸(I
16)其中之一所構成,但不限定於此。
承上,在本實施例中,該破壞資訊(I)包括一破壞程度(I
2),當該破壞類型(I
1)為該坑洞(I
11),則該破壞程度(I
2)之嚴重程度判斷準則為直徑(I
21);當該破壞類型(I
1)為該補綻(I
12),則該破壞程度(I
2)之嚴重程度判斷準則為是否方正及多邊形(I
22);當該破壞類型(I
1)為該鱷魚狀裂縫(I
13),則該破壞程度(I
2)之嚴重程度判斷準則為裂縫寬度(I
23);當該破壞類型(I
1)為該縱橫向裂縫(I
14),則該破壞程度(I
2)之嚴重程度判斷準則為裂縫寬度及裂縫長度(I
24);當該破壞類型(I
1)為該人手孔(I
15),則該破壞程度(I
2)之嚴重程度判斷準則為記錄位置(I
25),但不限定於此。
承上,在本實施例中,該坑洞(I
11)之直徑在10公分以下為輕級、10~20公分為中級、20公分以上為重級;該補綻(I
12)是方正為輕級、方正但不平整為中級、不規則形狀為重級;該鱷魚狀裂縫(I
13)之裂縫寬度在6mm以下為輕級、6mm~20mm為中級、20mm以上為重級;該縱橫向裂縫(I
14)之裂縫寬度在10mm以下與裂縫長度未限制為輕級、裂縫寬度在10mm以上與裂縫長度在7.5m以下為中級、裂縫寬度在10mm以上與裂縫長度大於7.5m為重級,但不限定於此。
基於如此之構成,如圖5A、5B所示,該道路影像(P)之該照片(Pn)中,顯示出該破壞資訊(I),進一步說明,如圖6A所示,該破壞資訊(I)自動辨識該破壞類型(I
1)為該鱷魚狀裂縫(I
13)及該破壞程度(I
2)為74%,與如圖6B所示,該破壞資訊(I)自動辨識該破壞類型(I
1)為該補綻(I
12)及該破壞程度(I
2)為62%,上述所達成之功效,主要在於如圖7所示,在該照片(Pn)以該感興趣區域(R)框選出該破壞類型(I
1)與該破壞程度(I
2),而為訓練該破壞資訊(I)之樣本,訓練次數越高,準確率越高,且如圖8所示,該本機20執行,並配合該相機10、該里程紀錄器30、該GPS接收機40、該FTB伺服器51後,而在該螢幕60所呈現該道路影像(P),及如圖9、圖10所示,藉由該網頁伺服器52,使該網頁(W)呈現該鋪面狀況指標(PCI)之畫面不限定於此,且資料上傳格式包括ID、時間開始、時間結束、該巡查車輛車號,照片名稱,GPS之經緯度、該破壞類型(I
1)、該破壞程度(I
2),但該資料上傳格式不限定於此。
進一步說明,本創作採用Yolo v3進行道路破壞即時辨識,該道路影像(P)以工業相機10拍攝(4k畫質,30fps)之後,利用該里程記錄器30進行觸發,等距離儲存道路圖像,再利用巡查車上的工作站進行即時辨識,分類該破壞類型(I
1)、該破壞程度(I
2),再以影像處理方式進行破壞範圍的圈選,並計算破壞的長度、寬度、面積等進行紀錄,再將破壞的辨識資訊、GPS點位、道路里程與破壞照片等,即時傳送到雲端的道路巡查平台系統供辦公室的系統人員近行查詢或派工。又可以在該雲端平台50上,使用該Mask-RCNN訓練模型(MR),在該雲端平台50進行補充圈選,以減少破壞辨識錯誤。因此,(1)採用深度學習(卷積神經網路)技術進行辨識,(2)採用機器視覺技術進行破壞圈選,(3)使用儀控技術進行距離感測進行外部觸發,(4)GPS定位轉換市區地址。
綜上所述,本創作所揭示之技術手段,確具「新穎性」、「進步性」及「可供產業利用」等新型專利要件,祈請 鈞局惠賜專利,以勵創作,無任德感。
惟,上述所揭露之圖式、說明,僅為本創作之較佳實施例,大凡熟悉此項技藝人士,依本案精神範疇所作之修飾或等效變化,仍應包括在本案申請專利範圍內。
10:相機
20:本機
30:里程紀錄器
31:觸發訊號
40:GPS接收機
41:GPS軌跡
50:雲端平台
51:FTB伺服器
52:網頁伺服器
60:螢幕
AI:人工智慧辨識演算法
AI1:YOLO訓練模型
AI2:opencv資料庫
I:破壞資訊
I1:破壞類型
I11:坑洞
I12:補綻
I13:鱷魚狀裂縫
I14:縱橫向裂縫
I15:人手孔
I16:凹凸
I2:破壞程度
I21:直徑
I22:是否方正及多邊形
I23:裂縫寬度
I24:裂縫寬度及裂縫長度
I25:記錄位置
P:道路影像
Pn:照片
R:感興趣區域
W:網頁
PCI:鋪面狀況指標
S1~S9:步驟
T1~T9:步驟
圖1係本創作資料處理之流程圖。
圖2係本創作程式處理之流程圖。
圖3係本創作之電路方塊圖。
圖4係本創作訓練破壞資訊之樣本示意圖。
圖5A係本創作擷取道路影像之影像辨識圖。
圖5B係本創作擷取道路影像之另一影像辨識圖。
圖6A係本創作自動辨識破壞類型為鱷魚狀裂縫之影像辨識圖。
圖6B係本創作自動辨識破壞類型為補綻之影像辨識圖。
圖7係本創作感興趣區域框選出破壞類型與破壞程度之影像示意圖。
圖8係本創作螢幕顯示道路影像之影像示意圖。
圖9係本創作網頁呈現之使用狀態圖。
圖10係本創作網頁呈現之另一使用狀態圖。
10:相機
20:本機
30:里程紀錄器
31:觸發訊號
40:GPS接收機
41:GPS軌跡
50:雲端平台
51:FTB伺服器
52:網頁伺服器
60:螢幕
AI:人工智慧辨識演算法
I:破壞資訊
P:道路影像
Pn:照片
MR:Mask-RCNN訓練模型
PCI:鋪面狀況指標
Claims (9)
- 一種人工智慧道路巡查檢測系統,包含: 一相機,其係裝設在一巡查車輛上,用以擷取一道路影像; 一本機,該本機耦接該相機,並具有一人工智慧辨識演算法,能即時監測該道路影像,且該道路影像可分解成連續照片,並擷取該照片進行自動辨識是否具有一破壞資訊,若有該破壞資訊,則進行該破壞資訊上傳,並該本機儲存該道路影像後,則進行該照片上傳; 一里程紀錄器,該里程紀錄器耦接該本機,每移動d公尺送發收一次觸發訊號; 一GPS接收機,該GPS接收機耦接該本機,每隔一秒鐘上傳GPS軌跡; 一雲端平台,該雲端平台連結一FTP伺服器及一網頁伺服器,該FTP伺服器提供上傳偵測影像及該網頁伺服器提供上傳偵測資訊,且該雲端平台連結該本機,若該本機收到該觸發訊號後,則上傳偵測該道路影像及該照片至該FTP伺服器及上傳偵測該破壞資訊至該網頁伺服器,同時,上傳偵測該GPS軌跡至該網頁伺服器;以及 一螢幕,該螢幕耦接該本機,提供偵測影像顯示在該螢幕上,用以顯示該道路影像。
- 如請求項1所述之人工智慧道路巡查檢測系統,其中,該人工智慧辨識演算法包括一YOLO訓練模型,該YOLO訓練模型以一感興趣區域選圈該照片上之該破壞資訊,並由該YOLO訓練模型學習該破壞資訊之樣本進行訓練後,則可辨識出該破壞資訊。
- 如請求項2所述之人工智慧道路巡查檢測系統,其中,該破壞資訊包括一破壞類型,該破壞類型為坑洞、補綻、鱷魚狀裂縫、縱橫向裂縫、人手孔或凹凸其中之一所構成。
- 如請求項3所述之人工智慧道路巡查檢測系統,其中,該破壞資訊包括一破壞程度,當該破壞類型為該坑洞,則該破壞程度之嚴重程度判斷準則為直徑;當該破壞類型為該補綻,則該破壞程度之嚴重程度判斷準則為是否方正及多邊形;當該破壞類型為該鱷魚狀裂縫,則該破壞程度之嚴重程度判斷準則為裂縫寬度;當該破壞類型為該縱橫向裂縫,則該破壞程度之嚴重程度判斷準則為裂縫寬度及裂縫長度;當該破壞類型為該人手孔,則該破壞程度之嚴重程度判斷準則為記錄位置。
- 如請求項4所述之人工智慧道路巡查檢測系統,其中,該坑洞之直徑在10公分以下為輕級、10~20公分為中級、20公分以上為重級;該補綻是方正為輕級、方正但不平整為中級、不規則形狀為重級;該鱷魚狀裂縫之裂縫寬度在6mm以下為輕級、6mm~20mm為中級、20mm以上為重級;該縱橫向裂縫之裂縫寬度在10mm以下與裂縫長度未限制為輕級、裂縫寬度在10mm以上與裂縫長度在7.5m以下為中級、裂縫寬度在10mm以上與裂縫長度大於7.5m為重級。
- 如請求項2所述之人工智慧道路巡查檢測系統,其中,該人工智慧辨識演算法包括一opencv資料庫,該opencv資料庫與該YOLO訓練模型相互配合。
- 如請求項2所述之人工智慧道路巡查檢測系統,其中,上傳該破壞資訊至該雲端平台後,並利用一Mask-RCNN訓練模型以該感興趣區域補充選圈該破壞資訊。
- 如請求項1所述之人工智慧道路巡查檢測系統,其中,該網頁伺服器能將上傳該破壞資訊、該GPS軌跡至網頁呈現,並配合該FTP伺服器所上傳該道路影像及該照片,而雲端運算一鋪面狀況指標。
- 如請求項1所述之人工智慧道路巡查檢測系統,其中,該GPS接收機之GPS定位轉換市區地址。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109205308U TWM600416U (zh) | 2020-05-04 | 2020-05-04 | 人工智慧道路巡查檢測系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109205308U TWM600416U (zh) | 2020-05-04 | 2020-05-04 | 人工智慧道路巡查檢測系統 |
Publications (1)
Publication Number | Publication Date |
---|---|
TWM600416U true TWM600416U (zh) | 2020-08-21 |
Family
ID=73004773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109205308U TWM600416U (zh) | 2020-05-04 | 2020-05-04 | 人工智慧道路巡查檢測系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWM600416U (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033634A (zh) * | 2021-03-12 | 2021-06-25 | 重庆交通职业学院 | 一种基于机器学习的道路材料微图像处理方法和装置 |
TWI736245B (zh) * | 2020-05-04 | 2021-08-11 | 覺華工程科技股份有限公司 | 人工智慧道路巡查檢測系統 |
-
2020
- 2020-05-04 TW TW109205308U patent/TWM600416U/zh unknown
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI736245B (zh) * | 2020-05-04 | 2021-08-11 | 覺華工程科技股份有限公司 | 人工智慧道路巡查檢測系統 |
CN113033634A (zh) * | 2021-03-12 | 2021-06-25 | 重庆交通职业学院 | 一种基于机器学习的道路材料微图像处理方法和装置 |
CN113033634B (zh) * | 2021-03-12 | 2022-11-22 | 重庆交通职业学院 | 一种基于机器学习的道路材料微图像处理方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6713505B2 (ja) | 舗装情報収集点検システム、舗装情報収集点検方法、及びプログラム | |
JP5291149B2 (ja) | 路面欠陥検出システム及び方法 | |
JP6652915B2 (ja) | 移動式くぼみ検出システム及び方法 | |
US7562563B2 (en) | Apparatus for automatically inspecting road surface pavement condition | |
CN101826260B (zh) | 一种交通违法行为自动抓拍的方法和系统 | |
CN103778681B (zh) | 一种车载高速公路巡检系统及数据获取和处理方法 | |
Koch et al. | Pothole detection in asphalt pavement images | |
TWI736245B (zh) | 人工智慧道路巡查檢測系統 | |
CN109763409B (zh) | 公路裂缝检测系统 | |
TWM600416U (zh) | 人工智慧道路巡查檢測系統 | |
CN106920291A (zh) | 基于增强现实的结构表面巡检和分析系统 | |
US20240167962A1 (en) | System and method for automatic monitoring of pavement condition | |
JP7333511B2 (ja) | 道路維持管理システム、舗装種別判定装置、修繕優先度判定装置、道路維持管理方法、舗装種別判定方法、修繕優先度判定方法 | |
Radopoulou et al. | A framework for automated pavement condition monitoring | |
Benmhahe et al. | Automated pavement distress detection, classification and measurement: A review | |
CN201896286U (zh) | 路面缺陷检测系统 | |
TWI765558B (zh) | 智慧型機車道路巡查檢測系統 | |
JP3399656B2 (ja) | 舗装路面巡視装置 | |
TWM618014U (zh) | 智慧型機車道路巡查檢測系統 | |
Kong et al. | Detecting type and size of road crack with the smartphone | |
TW200925354A (en) | Robot and method for automatically detecting flatness and surface breakage | |
Ahlborn et al. | Evaluation of bridge decks using non-destructive evaluation (NDE) at near highway speeds for effective asset management. | |
TW201013589A (en) | A detection method and device for violation of traffic rules | |
TWM631891U (zh) | 智慧型道路巡查車輛 | |
TWM632247U (zh) | 智慧型道路巡查機車 |