System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像处理,具体的说是一种基于计算机视觉的路段缝隙分析方法及模型。
技术介绍
1、在道路维护和保养中,缝隙分析是一项重要的任务。路面缝隙能反映路面的使用状况和寿命,对路面的维修和养护有重要影响。传统的路面缝隙分析方法主要依赖人工检测,不仅效率低下,而且易出现误差,不能满足现代道路维护的需求。近年来,计算机视觉技术的快速发展为路面缝隙的自动化分析提供了新的解决方案。然而,现有的计算机视觉方法在路面缝隙检测和分类方面的准确性和鲁棒性有待提高。因此,本专利技术提出了一种基于计算机视觉的路段缝隙分析方法及模型,以提高缝隙检测和分类的准确性和鲁棒性。
技术实现思路
1、本专利技术针对目前技术发展的需求和不足之处,提供一种基于计算机视觉的路段缝隙分析方法及模型,来提高缝隙检测和分类的准确性和鲁棒性。
2、第一方面,本专利技术提供一种基于计算机视觉的路段缝隙分析方法,解决上述技术问题采用的技术方案如下:
3、一种基于计算机视觉的路段缝隙分析方法,其包括如下步骤:
4、s1、对指定路段进行图像采集并预处理;
5、s2、利用计算机视觉技术,从预处理后的图像中提取路面区域,从提取出的路面区域中检测缝隙,对检测出的缝隙进行特征提取;
6、s3、基于缝隙特征提取结果标记预处理后的图像,使用已标记的图像训练深度学习模型unet++;
7、s4、采集新的路面图像,输入步骤s3训练好的深度学习模型unet++,深度学习模型une
8、s5、将步骤s2的缝隙检测结果、特征提取结果和步骤s4的缝隙分类结果进行可视化展示。
9、可选的,执行步骤s1,对图像进行的预处理操作依次为:
10、采用中值滤波或高斯滤波的去噪方法,进行图像去噪;
11、采用直方图均衡化、对比度拉伸的图像增强方法,进行图像增强;
12、采用全局阈值二值化和局部自适应二值化的二值化方法,对图像进行二值化处理。
13、可选的,执行步骤s2,利用图像处理方法从预处理后的图像中提取路面区域,依次利用边缘检测算法、形态学处理、区域生长算法从提取出的路面区域中检测缝隙并对检测撤出的缝隙进行特征提取,提取的缝隙特征包括:缝隙的位置信息、长度信息、宽度信息、方向信息。
14、可选的,步骤s3的具体操作包括:
15、首先,基于特征提取结果,对预处理后的图像进行手动标记;
16、随后,将标记后的图像划分为训练集和测试集,且训练集的标记结果包含缝隙的所有类别;
17、再后,使用训练集训练深度学习模型unet++,使用测试集对应的未标记图像测试训练好的深度学习模型unet++,比较测试集的标记结果和深度学习模型unet++的输出结果,
18、若深度学习模型unet++的测试合格率超出设定阈值,则输出深度学习模型unet++供步骤s4使用,
19、若深度学习模型unet++的测试合格率未超出设定阈值,则扩大训练集的样本数量,重新训练深度学习模型unet++。
20、第二方面,本专利技术提供一种基于计算机视觉的路段缝隙分析模型,解决上述技术问题采用的技术方案如下:
21、一种基于计算机视觉的路段缝隙分析模型,其包括:
22、图像采集模块,用于对指定路段进行图像采集;
23、图像预处理模块,用于对采集图像进行预处理;
24、图像处理模块,用于利用计算机视觉技术,从预处理后的图像中提取路面区域,从提取出的路面区域中检测缝隙,对检测出的缝隙进行特征提取;根据特征提取结果,对预处理后的图像进行手动标记;
25、模型训练模块,用于利用手动标记的图像训练深度学习模型unet++;
26、输入输出模块,用于将新采集的路面图像输入训练好的深度学习模型unet++,并将深度学习模型unet++输出的缝隙分类结果发送至可视化模块;
27、可视化模块,用于将图像处理模块的缝隙检测结果、特征提取结果和输入输出模块的缝隙分类结果进行可视化展示。
28、可选的,所涉及图像预处理模块对采集图像进行的预处理操作依次包括:
29、采用中值滤波或高斯滤波的去噪方法,进行图像去噪;
30、采用直方图均衡化、对比度拉伸的图像增强方法,进行图像增强;
31、采用全局阈值二值化和局部自适应二值化的二值化方法,对图像进行二值化处理。
32、可选的,所涉及图像处理模块利用图像处理方法从预处理后的图像中提取路面区域,依次利用边缘检测算法、形态学处理、区域生长算法从提取出的路面区域中检测缝隙并对检测撤出的缝隙进行特征提取,提取的缝隙特征包括:缝隙的位置信息、长度信息、宽度信息、方向信息。
33、可选的,所涉及路段缝隙分析模型还包括数据划分模块;
34、根据图像处理模块的特征提取结果对预处理后的图像进行手动标记后,使用所述数据划分模块将标记后的图像划分为训练集和测试集,且训练集的标记结果包含缝隙的所有类别;
35、所涉及模型训练模块使用训练集训练深度学习模型unet++,使用测试集对应的未标记图像测试训练好的深度学习模型unet++,比较测试集的标记结果和深度学习模型unet++的输出结果,
36、若深度学习模型unet++的测试合格率超出设定阈值,则输出深度学习模型unet++供步骤s4使用,
37、若深度学习模型unet++的测试合格率未超出设定阈值,则扩大训练集的样本数量,重新训练深度学习模型unet++。
38、本专利技术的一种基于计算机视觉的路段缝隙分析方法及模型,与现有技术相比具有的有益效果是:
39、(1)本专利技术能够自动化地对指定路段进行缝隙检测和分析,提高了工作效率和准确率,为路面的维护和保养提供了重要的参考依据;
40、(2)本专利技术使用深度学习模型unet++对路面图像进行高精度的缝隙检测,具有较高的准确率和召回率;可以同时感知不同尺度的缝隙,从而更好地适应不同大小和形状的缝隙;可以感知全局上下文信息,从而更好地理解路面图像的背景信息和缝隙之间的相互关系,有助于提高缝隙检测和分类的准确性;可以实现路面的自动化分析,大大提高了工作效率和准确率,降低了人为因素的干扰;
41、(3)本专利技术使用的深度学习模型unet++可以进行端到端的训练,这意味着整个模型可以在一个统一的框架下进行训练,避免了多个步骤之间的匹配问题。
本文档来自技高网...【技术保护点】
1.一种基于计算机视觉的路段缝隙分析方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于计算机视觉的路段缝隙分析方法,其特征在于,执行步骤S1,对图像进行的预处理操作依次为:
3.根据权利要求1所述的一种基于计算机视觉的路段缝隙分析方法,其特征在于,执行步骤S2,利用图像处理方法从预处理后的图像中提取路面区域,依次利用边缘检测算法、形态学处理、区域生长算法从提取出的路面区域中检测缝隙并对检测撤出的缝隙进行特征提取。
4.根据权利要求3所述的一种基于计算机视觉的路段缝隙分析方法,其特征在于,提取的缝隙特征包括:缝隙的位置信息、长度信息、宽度信息、方向信息。
5.根据权利要求1所述的一种基于计算机视觉的路段缝隙分析方法,其特征在于,步骤S3的具体操作包括:
6.一种基于计算机视觉的路段缝隙分析模型,其特征在于,其包括:
7.根据权利要求6所述的一种基于计算机视觉的路段缝隙分析模型,其特征在于,所述图像预处理模块对采集图像进行的预处理操作依次包括:
8.根据权利要求6所述的一种基于计算机视
9.根据权利要求8所述的一种基于计算机视觉的路段缝隙分析模型,其特征在于,所述图像处理模块提取的缝隙特征包括:缝隙的位置信息、长度信息、宽度信息、方向信息。
10.根据权利要求6所述的一种基于计算机视觉的路段缝隙分析模型,其特征在于,所述路段缝隙分析模型还包括数据划分模块;
...【技术特征摘要】
1.一种基于计算机视觉的路段缝隙分析方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于计算机视觉的路段缝隙分析方法,其特征在于,执行步骤s1,对图像进行的预处理操作依次为:
3.根据权利要求1所述的一种基于计算机视觉的路段缝隙分析方法,其特征在于,执行步骤s2,利用图像处理方法从预处理后的图像中提取路面区域,依次利用边缘检测算法、形态学处理、区域生长算法从提取出的路面区域中检测缝隙并对检测撤出的缝隙进行特征提取。
4.根据权利要求3所述的一种基于计算机视觉的路段缝隙分析方法,其特征在于,提取的缝隙特征包括:缝隙的位置信息、长度信息、宽度信息、方向信息。
5.根据权利要求1所述的一种基于计算机视觉的路段缝隙分析方法,其特征在于,步骤s3的具体操作包括:
6.一种基于计...
【专利技术属性】
技术研发人员:韩秀艺,张峰,李照川,王冠军,张野,常靓,郭凤,夏允,
申请(专利权)人:浪潮软件科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。