一种基于尺寸标定布的路面坑槽面积检测方法及装置 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及交通路面坑槽检测技术领域，具体涉及一种基于尺寸标定布的路面坑槽面积检测方法及装置。背景技术：2.道路交通是人们一直密切关注的话题。虽然道路基础设施在不断完善，但公路路面在实际运营过程中，由于温度、水分、风化以及荷载等因素的影响，路面结构强度会逐渐降低，最终导致道路表面产生多种病害特征。坑槽是道路病害特征的一种，是由于道路交通和恶劣天气在道路表面形成的一种凹陷的洞。道路表面的坑槽会导致汽车爆胎、轮胎损坏，甚至有可能导致车祸发生，严重地影响了道路的行驶安全，在缩短了道路的使用寿命的同时，也提高了交通事故发生的风险。3.近年来，随着人工智能和智能交通的发展，越来越多的国内外研究者开始关注道路交通事件及道路病害识别问题。目前针对道路坑槽面积的检测主要是通过人工测量，或者通过机器学习获得预测模型的方式对道路坑槽的面积进行预测。前者费时费力，而后者运算量大，精度低。因此，本技术设计一种运算简单，精度较高的道路坑槽面积检测方法。技术实现要素：4.针对现有技术存在的不足，本发明提出一种基于尺寸标定布的路面坑槽面积检测方法及装置，降低了运算量的同时，提高了检测精度。5.第一方面，本发明提供了一种基于尺寸标定布的路面坑槽面积检测方法。6.在第一种可实现方式中，一种基于尺寸标定布的路面坑槽面积检测方法，包括：构建路面坑槽分割模型；获取路面坑槽图像；将路面坑槽图像输入路面坑槽分割模型，获得分割结果图；根据尺寸标定布和分割结果图获取路面坑槽面积。7.结合第一种可实现方式，在第二种可实现方式中，构建路面坑槽分割模型，包括：通过拍摄装置采集路面坑槽实验图像；对路面坑槽实验图像进行初步筛选，获得初始数据集；对初始数据集进行数据增广，获得实验数据集；根据实验数据集对语义分割网络模型进行训练，获得路面坑槽分割模型。8.结合第二种可实现方式，在第三种可实现方式中，对初始数据集进行数据增广，获得实验数据集，包括：对初始数据集中的路面坑槽实验图像分别进行图像灰度化处理、高斯滤波处理和直方图均衡化处理，获得初始实验数据集；按照预设比例将初始实验数据集划分为训练集和验证集；对训练集和验证集中的路面坑槽实验图像打标签，获得最终的实验数据集；标签为路面坑槽实验图像对应的实际像素值。9.结合第二种可实现方式，在第四种可实现方式中，语义分割网络模型为deeplabv3，主干网络为轻量化深度神经网络mobilenetv2。10.结合第三种可实现方式，在第五种可实现方式中，根据实验数据集对语义分割网络模型进行训练，获得路面坑槽分割模型，包括：将训练集中的路面坑槽实验图像作为语义分割网络模型的输入，将训练集中的路面坑槽实验图像的标签作为语义分割网络模型的期望输出，根据语义分割网络模型的输入和期望输出进行训练；将验证集中的路面坑槽实验图像输入训练后的语义分割网络模型，获得模型验证结果；将路面坑槽实验图像的标签与对应的模型验证结果进行对比，获得训练后的语义分割网络模型的正确率；在正确率大于第一预设阈值的情况下，将训练后的语义分割网络模型确定为路面坑槽分割模型。11.结合第一种可实现方式，在第六种可实现方式中，根据尺寸标定布和分割结果图获取路面坑槽面积，包括：根据尺寸标定布获取图像像素与路面实际面积之间的转换系数；根据转换系数和分割结果图获取路面坑槽面积。12.结合第六种可实现方式，在第七种可实现方式中，根据尺寸标定布获取图像像素与路面实际面积之间的转换系数，包括：获取尺寸标定布的实际面积；获取尺寸标定布图像的像素值；将尺寸标定布的实际面积除以尺寸标定布图像的像素值，获得图像像素与路面实际面积之间的转换系数。13.结合第六种可实现方式，在第八种可实现方式中，根据转换系数和分割结果图获取路面坑槽面积，包括：将转换系数乘以分割结果图，获得路面坑槽面积。14.第二方面，本发明提供了一种基于尺寸标定布的路面坑槽面积检测装置。15.在第九种可实现方式中，一种基于尺寸标定布的路面坑槽面积检测装置，包括：路面坑槽分割模型构建模块，被配置为构建路面坑槽分割模型；路面坑槽图像获取模块，被配置为获取路面坑槽图像；分割结果图获取模块，被配置为将路面坑槽图像输入路面坑槽分割模型，获得分割结果图；路面坑槽面积获取模块，被配置为根据尺寸标定布和分割结果图获取路面坑槽面积。16.第三方面，本发明提供了另一种基于尺寸标定布的路面坑槽面积检测装置，包括处理器和存储有程序指令的存储器，处理器被配置为在运行程序指令时，执行如上述的基于尺寸标定布的路面坑槽面积检测方法。17.由上述技术方案可知，本发明的有益技术效果如下：利用路面坑槽分割模型获得路面坑槽图像的分割结果图，再通过尺寸标定布获得每个像素对应的真实尺寸面积，从而获得分割结果图对应的路面坑槽面积。相比现有技术中利用机器学习得到预测模型，再将图像输入预测模型得到路面坑槽面积，本发明仅需要对分割模型获得的分割结果图进行简单的计算即可获得路面坑槽面积，降低了运算量，提高了运算效率和检测精度。附图说明18.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。19.图1为本发明提供的一种基于尺寸标定布的路面坑槽面积检测方法的示意图；20.图2为本发明提供的一种尺寸标定布的示意图；21.图3为本发明提供的一种基于尺寸标定布的路面坑槽面积检测装置的示意图。具体实施方式22.下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。23.需要注意的是，除非另有说明，本技术使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。24.结合图1所示，本实施例提供了一种基于尺寸标定布的路面坑槽面积检测方法，包括：25.步骤s01、构建路面坑槽分割模型；26.步骤s02、获取路面坑槽图像；27.步骤s03、将路面坑槽图像输入路面坑槽分割模型，获得分割结果图；28.步骤s04、根据尺寸标定布和分割结果图获取路面坑槽面积。29.可选地，构建路面坑槽分割模型，包括：通过拍摄装置采集路面坑槽实验图像；对路面坑槽实验图像进行初步筛选，获得初始数据集；对初始数据集进行数据增广，获得实验数据集；根据实验数据集对语义分割网络模型进行训练，获得路面坑槽分割模型。30.在一些实施例中拍摄装置为车载摄像头或航拍摄像头。通过车载摄像头或航拍摄像头采集路面坑槽实验图像，对路面坑槽实验图像进行初步筛选，去除无坑槽的或坑槽拍摄不完整的图像后，仅保留含有路面坑槽的图像。31.可选地，对初始数据集进行数据增广，获得实验数据集，包括：对初始数据集中的路面坑槽实验图像分别进行图像灰度化处理、高斯滤波处理和直方图均衡化处理，获得初始实验数据集；按照预设比例将初始实验数据集划分为训练集和验证集；对训练集和验证集中的路面坑槽实验图像打标签，获得最终的实验数据集；标签为路面坑槽实验图像对应的实际像素值。32.在一些实施例中，高斯滤波处理中的高斯核采用3x3大小，直方图均衡化处理中颜色对比度的阈值为2，像素均衡化的网格为10x10大小。通过灰度化、高斯滤波、直方图均衡化等数字图像处理技术对初始数据集中的路面坑槽实验图像进行处理，极大地降低了路面坑槽实验图像的噪声影响，更好地保留了路面坑槽实验图像的特征信息，从而能够更好地根据路面坑槽实验图像进行分割模型训练，提高了路面坑槽分割模型的精度。33.在一些实施例中，预设比例为4∶1。按照4∶1的比例将初始实验数据集划分为训练集和验证集，并对训练集和验证集中的路面坑槽实验图像设置标签，标签为路面坑槽实验图像对应的实际像素值，从而获得最终的实验数据集。34.可选地，语义分割网络模型为deeplabv3，主干网络为轻量化深度神经网络mobilenetv2。通过语义分割网络模型deeplabv3进行训练，从而获得路面坑槽分割模型，相比现有技术中利用机器学习获得预测模型，语义分割模型的训练更加简单，对样本数量的要求也更少，运算量也更少。再引入主干网络mobilenetv2，进一步提升了训练效率。35.可选地，根据实验数据集对语义分割网络模型进行训练，获得路面坑槽分割模型，包括：将训练集中的路面坑槽实验图像作为语义分割网络模型的输入，将训练集中的路面坑槽实验图像的标签作为语义分割网络模型的期望输出，根据语义分割网络模型的输入和期望输出进行训练；将验证集中的路面坑槽实验图像输入训练后的语义分割网络模型，获得模型验证结果；将路面坑槽实验图像的标签与对应的模型验证结果进行对比，获得训练后的语义分割网络模型的正确率；在正确率大于第一预设阈值的情况下，将训练后的语义分割网络模型确定为路面坑槽分割模型。36.在一些实施例中，将训练集中的路面坑槽实验图像输入训练后的语义分割网络模型后，获得各路面坑槽实验图像对应的模型验证结果；将各路面坑槽实验图像对应的模型验证结果与其对应的标签进行对比，若一致，则模型验证正确，若不一致，则模型验证失败；统计路面坑槽实验图像对应的模型验证结果与其对应的标签对比一致的数量，将该对比一致的数量除以训练集中的路面坑槽实验图像的总数量，获得训练后的语义分割网络模型的正确率。在正确率大于第一预设阈值的情况下，将训练后的语义分割网络模型确定为路面坑槽分割模型。正确率小于或等于第一预设阈值的情况下，继续对语义分割网络模型进行训练，直到正确率大于第一预设阈值或训练次数超过第二预设阈值为止。37.可选地，将路面坑槽图像输入路面坑槽分割模型，获得分割结果图，包括：对路面坑槽图像进行图像灰度化处理、高斯滤波处理和直方图均衡化处理后，再输入路面坑槽分割模型，获得分割结果图。38.可选地，根据尺寸标定布和分割结果图获取路面坑槽面积，包括：根据尺寸标定布获取图像像素与路面实际面积之间的转换系数；根据转换系数和分割结果图获取路面坑槽面积。通过路面坑槽分割模型获取路面坑槽图像的分割结果图，再利用尺寸标定布获取图像像素与路面实际面积之间的转换系数，进而利用转换系数对分割结果图进行计算，获得路面坑槽面积。这样，通过尺寸标定布获得每个像素对应的真实尺寸面积，从而估算出被识别的路面坑槽的真实面积，仅需要对分割模型获得的分割结果图进行简单的计算即可获得路面坑槽面积，运算量小，运算效率高，精度也较高。39.可选地，根据尺寸标定布获取图像像素与路面实际面积之间的转换系数，包括：获取尺寸标定布的实际面积；获取尺寸标定布图像的像素值；将尺寸标定布的实际面积除以尺寸标定布图像的像素值，获得图像像素与路面实际面积之间的转换系数。40.可选地，结合图2所示，尺寸标定布为1200x1600mm的方形布，尺寸标定布的实际面积即为1200x1600mm2。方形布中划分有颜色不同、形状相同的两类小方形格子，两类小方形格子在横向和竖向均呈间隔排列。通过车载摄像头对展平铺在路面的尺寸标定布进行拍照，获得含有尺寸标定布的图像，根据含有尺寸标定布的图像获得尺寸标定布图像的像素值。41.可选地，通过以下公式获得图像像素与路面实际面积之间的转换系数α：[0042][0043]在上式中，m为尺寸标定布对应的实际面积，n为尺寸标定布图像的像素值。[0044]可选地，根据转换系数和分割结果图获取路面坑槽面积，包括：将图像像素与路面实际面积之间的转换系数乘以分割结果图，获得路面坑槽面积。[0045]可选地，通过以下公式获得路面坑槽面积s：[0046]s＝dwh*α[0047]在上式中，dwh为分割结果图，α为图像像素与路面实际面积之间的转换系数。[0048]在一些实施例中，通过车载摄像头对路面坑槽进行拍摄，对拍摄后的图像进行初步筛选，获得路面坑槽图像。对路面坑槽图像进行图像灰度化处理、高斯滤波处理和直方图均衡化处理后，再输入路面坑槽分割模型，获得分割结果图，利用图像像素与路面实际面积之间的转换系数乘以分割结果图，获得路面坑槽面积为0.2m2。[0049]结合图3所示，本实施例提供一种基于尺寸标定布的路面坑槽面积检测装置，包括：路面坑槽分割模型构建模块101、路面坑槽图像获取模块102、分割结果图获取模块103和路面坑槽面积获取模块104。路面坑槽分割模型构建模块101被配置为构建路面坑槽分割模型；路面坑槽图像获取模块102被配置为获取路面坑槽图像；分割结果图获取模块103被配置为将路面坑槽图像输入路面坑槽分割模型，获得分割结果图；路面坑槽面积获取模块104被配置为根据尺寸标定布和分割结果图获取路面坑槽面积。[0050]可选地，本实施例提供一种基于尺寸标定布的路面坑槽面积检测装置，包括处理器和存储有程序指令的存储器，处理器被配置为在运行程序指令时，执行如上述的基于尺寸标定布的路面坑槽面积检测方法。[0051]最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!