一种路面破损检测方法、装置及终端设备制造方法及图纸

本发明专利技术适用于图像识别技术领域，提供了一种路面破损检测方法、装置及终端设备，所述方法包括：本发明专利技术首先获取采集装置采集到的路面图像；然后将路面图像输入第一深度学习模型，得到路面异常检测结果；最后将路面异常检测结果发送至监控中心，以使监控中心根据路面异常检测结果进行告警。本发明专利技术通过采集装置采集路面图像，并通过图像识别的方法将路面图像输入第一深度学习模型中进行计算，得到路面异常检测结果，提高了路面破损检测的精度，同时，将第一深度学习模型预置在终端设备中，能够在终端设备中即完成路面图像的检测，从而分散路面检测任务，提高路面破损的检测效率，并进一步为路面养护工作提供高效、高质的数据支持。

A Pavement Damage Detection Method, Device and Terminal Equipment

The invention is applicable to the field of image recognition technology, and provides a pavement damage detection method, device and terminal equipment. The method includes: firstly, the pavement image collected by the acquisition device is acquired; secondly, the pavement image is input into the first depth learning model to obtain the pavement abnormal detection result; finally, the pavement abnormal detection result is sent to the monitoring center for monitoring. The center alarms according to the results of abnormal road surface detection. The invention collects road surface images by the acquisition device and calculates the road surface images into the first depth learning model by the method of image recognition, obtains the road surface abnormal detection results, improves the accuracy of road surface damage detection, and presets the first depth learning model in the terminal equipment, which can complete the road surface image detection in the terminal equipment, thus dispersing the road. The task of surface detection can improve the detection efficiency of pavement damage, and further provide efficient and high-quality data support for pavement maintenance work.

【技术实现步骤摘要】
一种路面破损检测方法、装置及终端设备
本专利技术属于图像识别
，尤其涉及一种路面破损检测方法、装置及终端设备。
技术介绍
交通量的增加以及车辆大型化、超载严重等现象导致路面破损的出现，严重影响道路交通的安全性和舒适性。路面养护是公路养护的重点，而路面破损状况作为路面养护管理工作的依据，在路面养护决策中站着十分重要的地位，路面破损种类有裂痕、纵向裂痕、横向裂痕、龟裂等多种类型。目前，路面破损检测主要依靠人工检测的方法，即养路工人在路面巡检，发现路面破损后拍照上传，然后有关部门再根据拍摄的图像进行处理。但是，人工检测的处理方法往往处理效率慢，而且存在漏检、错检的现象，从而造成路面破损检测精度低下的问题。
技术实现思路
有鉴于此，本专利技术实施例提供了一种路面破损检测方法、装置及终端设备，以解决现有技术中路面破损检测精度低下的问题。本专利技术实施例的第一方面提供了一种路面破损检测方法，包括：获取采集装置采集到的路面图像；将路面图像输入预置在终端设备中的第一深度学习模型，得到路面异常检测结果；将路面异常检测结果发送至监控中心，以使监控中心根据路面异常检测结果进行告警。本专利技术实施例的第二方面提供了一种路面破损检测装置，包括：图像采集模块，用于获取采集装置采集到的路面图像；检测结果获取模块，用于将路面图像输入预置在终端设备中的第一深度学习模型，得到路面异常检测结果；检测结果发送模块，用于将路面异常检测结果发送至监控中心，以使监控中心根据路面异常检测结果进行告警。本专利技术实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述路面破损检测方法的步骤。本专利技术实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述路面破损检测方法的步骤。本专利技术实施例与现有技术相比存在的有益效果是：本专利技术实施例首先获取采集装置采集到的路面图像；然后将路面图像输入预置在终端设备中的第一深度学习模型，得到路面异常检测结果；最后将路面异常检测结果发送至监控中心，以使监控中心根据路面异常检测结果进行告警。本专利技术实施例通过采集装置采集路面图像，并通过图像识别的方法将路面图像输入第一深度学习模型中进行计算，得到路面异常检测结果，提高了路面破损检测的精度，同时，将第一深度学习模型预置在终端设备中，能够在终端设备中即完成路面图像的检测，从而分散路面检测的任务，提高路面破损的检测效率，进一步为路面养护工作提供高效、高质的数据支持。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的一种路面破损检测方法的实现流程示意图；图2是本专利技术实施例提供的一种路面破损检测方法的实现流程示意图；图3是本专利技术实施例提供的一种路面破损检测装置的结构示意图；图4是本专利技术实施例提供的一种路面破损检测装置的结构示意图；图5是本专利技术实施例提供的终端设备的示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。本专利技术的说明书和权利要求书及上述附图中的术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法或系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。为了说明本专利技术的技术方案，下面通过具体实施例来进行说明。实施例1：图1示出了本专利技术的一个实施例提供的一种路面破损检测方法的实现流程，其过程详述如下：在S101中，获取采集装置采集到的路面图像。在本实施例中，采集装置可以包括车载摄像头、无人机摄像头及监控摄像头。其中，车载摄像头可以设置在车辆的底部或者车辆的前端，从而在车辆行驶的过程中动态的拍摄前进路面的路面图像；监控摄像头可以设置在交通道路的两旁，通过监控摄像头获取固定路面的路面图像；无人机摄像头在飞行过程中拍摄动态的路面图像。在本实施例中，路面图像可以包括视频和图片。在S102中，将路面图像输入预置在终端设备中的第一深度学习模型，得到路面异常检测结果。在本实施例中，终端设备可以包括车载终端、机载终端和监控终端，终端设备中存储有第一深度学习模型，将路面图像输入第一深度学习模型，得到路面异常检测结果。在本实施例中，终端设备数据库中还保存有破损样本，破损样本用于判断路面破损的种类，破损种类包括但不限于裂缝和其他损坏类型，其中裂缝包括线性裂缝和路面龟裂，线性裂缝包括纵向裂缝和横向裂缝，纵向裂缝和横向裂缝又分别均包括不规则裂缝和规则裂缝两种类型，路面龟裂分为整个路面龟裂和部分路面龟裂两种类型，其他损坏类型可以包括但不限于白线模糊、人行道线模糊、车辙、凹凸路面、坑洞和分裂中的一个或者多个。表1在本实施例中，各个破损种类均标记有对应的编号，将编号、破损种类、及编号与破损种类的对应关系保存在数据库中。以一个具体的应用场景为例，表1示出了本专利技术实施例提供的一种编号与破损类型的对应表格。在本实施例中，路面异常检测结果中标记的破损种类为类型编号，例如，当某段路面出现坑洞时，则该路面异常检测结果中显示D40。在本实施例中，当路面图像为视频时，首先可以将视频分割为一帧一帧的图片，再将图片依次输入第一深度学习模型，通过第一深度学习模型提取图片中的特征信息，根据图片的特征信息判断图片是否存在破损，并判断破损的种类。在本实施例中，第一深度学习模型可以为卷积神经网络模型。在本实施例中，终端设备还可以为与多个采集装置通信的边缘计算网关，边缘计算网关是在靠近终端或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的开放平台。车载摄像头、无人机摄像头或监控摄像头采集路面图像，然后将路面图像发送至边缘计算网关，边缘计算网关根据采集装置发送的路面图像进行破损检测，得出路面异常检测结果，然后将路面异常检测结果发送至监控中心。在S103中，将路面异常检测结果发送至监控中心，以使监控中心根据路面异常检测结果进行告警。在本专利技术实施例中，监控中心可以为服务器，监控中心根据接收到的路面异常检测结果，通知相关的路面养护部门，使路面养护部门的相关人员及时的对路面异常的位置进行修护。从上述实施例可知，本专利技术实施例首先获取采集装置采集到的路面图像；然后将路面图像输入预置在终端设备中的第一深度学习模型，得到路面异常检测结果；最后将路面异常检测结果发送至监控中心，以使监控中心根据路面异常检测结果进行告警。本专利技术实施例通过采集装置采集路面图像，并通过图像识别的方法将路面图像输入第一深度学习模型本文档来自技高网...

【技术保护点】
1.一种路面破损检测方法，其特征在于，应用于终端设备，包括：获取采集装置采集到的路面图像；将所述路面图像输入预置在所述终端设备中的第一深度学习模型，得到路面异常检测结果；将所述路面异常检测结果发送至监控中心，以使所述监控中心根据所述路面异常检测结果进行告警。

【技术特征摘要】
1.一种路面破损检测方法，其特征在于，应用于终端设备，包括：获取采集装置采集到的路面图像；将所述路面图像输入预置在所述终端设备中的第一深度学习模型，得到路面异常检测结果；将所述路面异常检测结果发送至监控中心，以使所述监控中心根据所述路面异常检测结果进行告警。2.如权利要求1所述的一种路面破损检测方法，其特征在于，在所述获取采集装置采集到的路面图像之后，还包括：将所述路面图像发送至所述监控中心，以使所述监控中心将所述路面图像输入第二深度学习模型，对所述第二深度学习模型进行训练。3.如权利要求2所述的一种路面破损检测方法，其特征在于，在所述将所述路面图像发送至所述监控中心之后，还包括：按照预设周期获取所述第一深度学习模型的准确率及所述第二深度学习模型的准确率；对所述第一深度学习模型的准确率及所述第二深度学习模型的准确率进行比较；若所述第二深度学习模型的准确率大于所述第一深度学习模型的准确率，则从所述监控中心获取所述第二深度学习模型；将所述第一深度学习模型替换为所述第二深度学习模型。4.如权利要求1所述的一种路面破损检测方法，其特征在于，所述以使所述监控中心根据所述路面异常检测结果进行告警，包括：向路面维护终端发送报警信息，所述报警信息用于指示所述路面维护终端根据所述报警信息进行报警。5.如权利要求1至4任一项所述的一种路面破损检测方法，其特征在于，所述路面异常检测结果包括路面异常种类及路面异常位置，所述路面异常种类包括路面裂缝，所述终端设备包括车载终端，所述方法还包括：根据所述路面异常位置，在所述车载终端的终端...

【专利技术属性】
技术研发人员：曾光，曹玥，刘奇玮，
申请(专利权)人：深圳市科思创动科技有限公司，
类型：发明
国别省市：广东,44