【技术实现步骤摘要】
本专利技术涉及计算机视觉，具体涉及一种基于计算机视觉的道路裂缝自动识别与分析系统。
技术介绍
1、在城市化进程加速的背景下，道路基础设施的智能化维护和管理变得尤为重要。道路裂缝作为路面损坏的主要原因之一，其及时的检测和修复对于延长道路使用寿命、保障行车安全以及优化城市交通具有不可忽视的作用。然而，传统的人工巡查方法成本高昂、效率低下，难以实现全面覆盖，因此，开发一种自动化、高效的道路裂缝识别与分析系统显得尤为迫切。
2、现如今数字影像、激光成像、雷达探测等技术的成熟发展，促进了自动检测领域数据快速采集、存储等技术的发展。因而在公路养护领域前沿技术产学研用联动过程中，逐渐出现了一批关于路面病害智能识别的研究和探索，例如基于卷积神经网络的路表病害识别、针对路面裂缝病害信息的快速识别方法，以及路面隐形病害的识别方法等，然而现有技术并不能针对所有路面状况产生有效识别，在例如恶劣天气，恶劣路况下所采集的特征图无法准确识别，从而产生可能影响决策的错误判断。进一步加强计算机视觉应用于道路裂缝识别筛选能力，精细化定位损坏位置和状况，有利于路政针对具体情况进一步下达决策。
技术实现思路
1、专利技术目的：为解决
技术介绍
中提出的问题，本专利技术公开一种基于计算机视觉的道路裂缝自动识别与分析系统，对目标道路进行数据采集获取控制点坐标并运用双目视觉技术获取目标道路三维几何信息，利用基于高分辨率特征的路面裂缝分割网络筛选出道路裂缝区域定位图，通过多尺度特征融合技术，引入自设裂缝边界细化模块对道路
2、技术方案：
3、本专利技术公开一种基于计算机视觉的道路裂缝自动识别与分析系统，所述系统包括数据采集与处理系统和数据分析可视化系统；
4、数据采集与处理系统包括生成控制点及其坐标模块、图像采集模块、三维重建模块；
5、生成控制点及其坐标模块用于获取目标路段生成控制点及控制点坐标；
6、图像采集模块用于拍摄含控制点图片，并通过相机与所述生成控制点及其坐标模块获取控制点坐标位置求得相机坐标；
7、三维重建模块基于所述生成控制点及其坐标模块获取控制点坐标位置与所述图像采集模块获取的控制点图片与相机坐标，利用双目视觉技术获取场景中物体的三维几何点云信息；
8、数据分析与可视化系统包括数据分析与处理模块和数据可视化与导出模块；
9、数据分析与处理模块内置改进点云形状的特征聚合方法与基于高分辨率特征的路面裂缝分割网络，所述改进点云形状的特征聚合方法用于对所述三维重建模块获取的点云信息进行分组和聚合，所述基于高分辨率特征的路面裂缝分割网络筛选并识别道路表面的异常区域；
10、数据可视化与导出模块用于将所述数据分析与处理模块获取的结果可视化并进行数据导出。
11、进一步地，所述生成控制点及其坐标模块获取目标路段生成控制点及控制点坐标详细步骤为：
12、确定rtk的坐标：通过搭载在移动载体上的rtk设备测量得到rtk的精确坐标，得到rtk的三维坐标；
13、确定相对距离和方位角：测量从rtk到控制点的水平距离，即相对距离d，再通过测量或计算得到控制点与rtk在垂直方向上的高差z，同时，记录或计算从rtk到控制点的方位角θ；
14、应用三角几何关系计算控制点坐标：利用三角几何关系，计算出控制点相对于rtk的偏移量，在x方向上的偏移量是d乘以cos(θ)，在y方向上的偏移量是d乘以sin(θ)，在z方向上的偏移量是高差z；
15、求和得到控制点坐标：将rtk的坐标与计算出的偏移量相加，得到控制点的坐标，在水平方向上，控制点的x坐标是rtk的x坐标加上x方向的偏移量，即x_control＝x_rtk+d×cos(θ)，同理控制点的y坐标是rtk的y坐标加上y方向的偏移量，即y_control＝y_rtk+d×sin(θ)，在垂直方向上，控制点的海拔是rtk的海拔加上高差z，即h_control＝h_rtk+z。
16、进一步地，所述数据分析与处理模块内置改进点云形状的特征聚合方法步骤如下：
17、对点曲线序列进行分组和聚合，给定点云p，特征f和一个同构图g＝(f,e)，其连通性e由p上的knn算法计算得出，在特征空间中长度为l的曲线c被生成为f中的点特征序列，使得c＝{s1,…,sl|s∈f}，为了对曲线进行分组，考虑在同构图g上定义的行走策略π，它从起点s1开始行走并经过l步，起点通过top-k选择方法，使用sigmoid gated mlp来学习f中每个点特征的选择分数，起点是得分最高的点，曲线聚合策略对应注意力机制模块，对分组后的特征进行处理，最终为局部特征g提供更丰富的聚合特征。
18、进一步地，所述数据分析与处理模块内置基于高分辨率特征的路面裂缝分割网络包含语义特征提取分支和高分辨率特征保持分支，语义特征提取分支采用多个卷积层和池化层的组合进行语义特征提取，高分辨率特征保持分支仅包含卷积层，没有池化层，保持特征图处于高分辨率状态，卷积模块依次由卷积层、批量归一化层和激活函数relu组成，上采样模块依次由双线性插值上采样和卷积模块组成，其中卷积模块的卷积核大小为3，步长为1；下采样模块依次由最大池化和两个卷积模块组成，最大池化的窗口大小和步长均为2，卷积模块的卷积核大小为3，步长为1；将语义特征提取分支每个阶段产生的特征图与对应深度的高分辨率特征保持分支产生的特征图进行特征融合，融合后的特征图同时包含丰富的语义特征和图像的细节特征，特征融合方式为向量拼接。
19、进一步地，所述数据分析与处理模块内置基于高分辨率特征的路面裂缝分割网络筛选并识别道路裂缝的详细过程如下：
20、对于一张给定的输入图像，首先经过两次卷积模块，其卷积核大小为3，步长为1，第一次卷积模块的输入通道数为3，输出通道数为32，第二次卷积模块的输入通道数和输出通道数均为32，得到的特征图宽高与输入图像相同，该特征图记为fm，随后，将得到的特征图分别作为语义特征提取分支和高分辨率特征保持分支的输入，在语义特征提取分支中，会依次进行4次下采样模块，每经过一次下采样模块，特征图高和宽减小一半，通道数翻倍，得到的四个下采样特征图依次记为dfm1-dfm4，高分辨率特征保持分支首先将fm作为输入经过一次卷积模块，卷积核的大小为3，步长为1，输入和输出通道数均为32，得到的特征图记为hrfm1，接着将dfm1和hrfm1进行特征融合，由于下采样特征图和高分辨率特征图在宽度和高度维度上大小不同，需要先将下采样特征图送入上采样模块，每经过一次上采样模块，特征图的宽和高翻倍，通道数减少一半，直至得到的特征图高宽与高分辨率特征图相同，然后进行向量拼接，得到融合后的特征图ffm1，ffm1需要经过两次卷积模块，第一次卷积模块的卷积核大小和步长均为1，输入通道数本文档来自技高网...
【技术保护点】
1.一种基于计算机视觉的道路裂缝自动识别与分析系统，其特征在于，所述系统包括数据采集与处理系统和数据分析可视化系统；
2.根据权利要求1所述的基于计算机视觉的道路裂缝自动识别与分析系统，其特征在于，所述生成控制点及其坐标模块获取目标路段生成控制点及控制点坐标详细步骤为：
3.根据权利要求1所述的基于计算机视觉的道路裂缝自动识别与分析系统，其特征在于，所述数据分析与处理模块内置改进点云形状的特征聚合方法步骤如下：
4.根据权利要求1所述的基于计算机视觉的道路裂缝自动识别与分析系统，其特征在于，所述数据分析与处理模块内置基于高分辨率特征的路面裂缝分割网络包含语义特征提取分支和高分辨率特征保持分支，语义特征提取分支采用多个卷积层和池化层的组合进行语义特征提取，高分辨率特征保持分支仅包含卷积层，没有池化层，保持特征图处于高分辨率状态，卷积模块依次由卷积层、批量归一化层和激活函数ReLU组成，上采样模块依次由双线性插值上采样和卷积模块组成，其中卷积模块的卷积核大小为3，步长为1；下采样模块依次由最大池化和两个卷积模块组成，最大池化的窗口大小和步长均为2，
5.根据权利要求1或4所述的基于计算机视觉的道路裂缝自动识别与分析系统，其特征在于，所述数据分析与处理模块内置基于高分辨率特征的路面裂缝分割网络筛选并识别道路裂缝的详细过程如下：
6.根据权利要求5所述的基于计算机视觉的道路裂缝自动识别与分析系统，其特征在于，所述数据分析与处理模块还包括裂缝边界细化模块，对筛选出的裂缝边界进行优化，步骤如下：
7.根据权利要求1所述的基于计算机视觉的道路裂缝自动识别与分析系统，其特征在于，所述数据分析与可视化系统还包括坐标处理与区域划分模块和裂缝数据分析与区域评价模块；
8.根据权利要1-7任一项所述的基于计算机视觉的道路裂缝自动识别与分析系统，其特征在于，所述系统集成于面包车上，实现在国际标准道路上使用，该车辆为全地形测绘车，集成测绘设备包括但不限于激光测距仪、激光发射器、RTK技术、地理信息系统主机以及车载电池。
...【技术特征摘要】
1.一种基于计算机视觉的道路裂缝自动识别与分析系统，其特征在于，所述系统包括数据采集与处理系统和数据分析可视化系统；
2.根据权利要求1所述的基于计算机视觉的道路裂缝自动识别与分析系统，其特征在于，所述生成控制点及其坐标模块获取目标路段生成控制点及控制点坐标详细步骤为：
3.根据权利要求1所述的基于计算机视觉的道路裂缝自动识别与分析系统，其特征在于，所述数据分析与处理模块内置改进点云形状的特征聚合方法步骤如下：
4.根据权利要求1所述的基于计算机视觉的道路裂缝自动识别与分析系统，其特征在于，所述数据分析与处理模块内置基于高分辨率特征的路面裂缝分割网络包含语义特征提取分支和高分辨率特征保持分支，语义特征提取分支采用多个卷积层和池化层的组合进行语义特征提取，高分辨率特征保持分支仅包含卷积层，没有池化层，保持特征图处于高分辨率状态，卷积模块依次由卷积层、批量归一化层和激活函数relu组成，上采样模块依次由双线性插值上采样和卷积模块组成，其中卷积模块的卷积核大小为3，步长为1；下采样模块依次由最大池化和两个卷积模块组成，最大池化的窗口大小和步长均为2，卷积模块的卷积...
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。