基于YOLOv7和图像分块的车道线破损检测算法

提出了一种结合YOLOv7和图像分块的车道线破损检测方法。首先,利用YOLOv7模型检测并提取车道线区域。其次,运用Otsu法计算每个子块的阈值及子块背景区域和目标区域的灰度均值差值,以此实现二值化。然后,采用双线性插值法平滑图像,实现车道线分割,并利用拓扑结构分析法提取车道线轮廓。最后,设计了像素统计、直线拟合、割断检测3种方法判断车道线是否破损。实验结果表明:在不同场景下,该算法在破损车道线检测中的精确率为91.79%,具有较好的检测效果和一定的应用价值。

基于2D与3D激光图像的轨道扣件状态智能检测

传统的轨道扣件检测主要依靠二维图像,存在检测精度低等问题。因此,提出一种基于2D与3D激光图像的轨道扣件状态智能检测方法。通过图像灰度化与线性加权融合处理构建三组轨道扣件数据库;利用YOLOv5进行轨道扣件状态的自动检测与螺栓区域定位;提出基于区域收敛的螺栓分类法,区分道钉与螺母区域;结合三维深度信息并确定阈值,实现螺栓松动检测。实验结果表明:经过线性加权融合处理的模型精确率比另两组实验高3.2%、11.3%;同时,提出的检测方法能够实现轨道扣件状态智能检测及螺栓松动的自动检测,具有较强的适用性。

面向高速公路的公里桩检测及误检改进

公里桩是高速公路的位置信息载体,自动检测公里桩是实现高速公路路面信息定位的前提。针对高速公路公里桩自动检测中存在的问题,通过车载道路巡检设备采集公里桩数据信息,训练公里桩检测模型。结合Hu不变矩法和公里桩独特的图像特征,提出基于二维图像的公里桩自动检测及误检改进方法,为交通标志的日常巡检作业提供新思路。以测试段高速公路为例进行研究,结果表明:YOLOv5s检测模型对公里桩的召回率达到100%,准确率为52.7%,运用Hu不变矩法对检测结果进行误检排除,召回率降低5.6%,准确率提升35.7%,检测速度和精度能够满足实际巡检需求,并可为其他目标物检测定位提供帮助。