公路病害检测中的图像平滑算法研究

在对公路路面裂缝类病害的检测过程中 ,通过认真分析路面病害图像特征 ,研究适合于路面病害识别的图像平滑算法。采用加权的邻域平均噪声滤除算法对病害图像进行平滑处理 ,裂缝的边缘得到了很好的保护。该算法用于对公路路面裂缝类病害的识别检测过程中 。

车载轻量化公路病害自动检测系统方案研究

针对目前我国公路日常巡检工作中效率低、安全性差和成本高等问题,文章提出了由终端多传感器融合控制、云端智能算法与管理平台构成的车载轻量化公路病害自动检测系统,实现对公路路面病害及交安设施损坏高效、安全的自动检测,为公路精细化管养提供新思路和新方案。

公路病害精准检测机器人在工程中的应用

随着公路通行时间及交通荷载增加,公路病害的长期积累与恶化成为影响公路通行能力及行车安全的首要风险。目前,传统的公路检测手段主要依赖人工(人工目视、人工手持仪器检测)、半自动(车载仪器检测)手段,存在主观性强、数据精度差等诸多问题,难以满足逐年增大的检测工程量。该文依托智能检测机器人系统装备,提出基于检测机器人的公路病害全结构、全断面精准检测应用技术,并在山东省内某国省干道开展工程验证和示范应用,验证基于机器人的公路病害精准检测技术的有效性和先进性。

基于探地雷达信号频带介电谱特征的公路早期病害检测

现有的探地雷达(GPR)技术都是在公路病害产生后进行病害定位;而不是在病害发生的早期对病害进行预测。为了实现公路早期病害检测,构建了公路早期病害识别系统;该系统充分利用GPR信号的频带介电谱特征,分别抽取训练样本和测试样本的频带介电谱特征向量,以识别公路早期病害情况。实验结果表明:频带介电谱特征向量可较好地表征GPR信号对应的地电信息,适用于GPR信号的分类;该系统能对公路基层的密实度特征和含水量特征进行有效识别,为公路早期病害检测提供了技术保障。此外,该系统具有很强的实时性,对各个测试样本进行特征向量提取和识别的平均耗时不大于0.8 ms。

基于深度学习的公路路面病害检测算法

针对公路路面病害图像存在背景干扰多、病害信息弱、尺度差异大等问题,提出了一种基于深度学习的公路路面病害检测方法。以YOLOv4算法为基础,在检测网络中引入可变形卷积,并提出基于路径聚合网络(path aggregation network,PANet)的自适应空间特征融合结构,充分学习公路路面病害的细节特征,实现不同尺度特征信息的高效融合;采用平均准确率损失(average precision loss,AP-loss)函数作为分类损失函数,促使网络在训练过程中更加注重于正样本。实验表明,在公路路面病害检测中,改进YOLOv4算法的平均准确率达到了95.34%,每张图像的平均检测时间为0.071 s。与快速基于区域的卷积神经网络(faster region-based convolutional neural networks,Faster R-CNN)算法相比,所提出的算法在持有较高检测准确率的同时,减少了运算时间,可以满足公路路面病害检测的准确性与实时性需求。

公路病害智能检测分析解决方案研究

文章以基于深度学习的图像识别技术为基础,依托卫星定位技术、移动通信技术、大数据技术、地理信息系统技术、可视化技术,构建完善的公路病害智能检测分析解决方案,实现公路养护的全流程管理,为公路养护提供新思路与新理念。

高空飞行无人机的路面提取

无人机技术日益成熟,不断推动着公路检测技术与方法的革新,高空飞行无人机的路面提取技术成为人们重点关注话题。采用无人机技术,对公路路面进行高空飞行检测,提取路面上的信息,关键在于提高无人机拍摄效率,增强HSV颜色空间的使用方法。为了进一步促进无人机技术在公路检测中运用,特利用HSV颜色空间将路面信息初步提取,利用连通域去除小块无用信息,利用形态学闭运算填补路面空隙,再将最大连通域做为道路保留,剔除非道路数据。最终效果明显,可以得到清晰的路面图像。