[发明专利]一种基于手机视频的道路病害智能检测方法

说明书

本发明公开了道路检测技术领域的一种基于手机视频的道路病害智能检测方法，包括以下步骤：第一步、采集道路病害图像，制作成不同类型的道路病害训练样本集，构建一个深度学习网络，对搜集的样本进行训练，得到一个好的深度学习模型；第二步、用手机采集具有GPS信息的视频，并将视频分割成不同时间序列的图像；第三步、将采集的视频图像代入训练好的模型中，识别出不同类型的道路病害，同时利用语义分割提取道路病害的矢量边界以及相应图像中像素坐标；第四步、对手机参数进行标定，获取单目视觉量测的计算参数，根据获取道路病害边界的像素坐标，计算道路病害的尺寸、面积、实际位置等信息；本发明适用于更多道路病害类型、准确度高。

技术领域

本发明涉及道路检测技术领域，具体涉及一种基于手机视频的道路病害智能检测方法。

背景技术

随着我国基础交通建设的不断完善，道路交通在我国经济和人民生活占有重要的地位。然而随着道路的建设，后期的养护成为主要问题，如何能在道路病害出现初期发现问题，并采取相应的措施，这样可以大大节约路面养护费用，所有如何在不影响正常交通秩序的情况下，快速对整段路面做全面地调查并定位到问题区，成为急待解决的一大难题。传统的基于人工的处理方法已不能适应道路发展的要求。速度慢、危险、影响交通、不精确是人工方法的主要缺点,因此需要研究一种快速的方法来提高检测的效率。传统基于人工视觉的道路病害检测方法已经不能满足道路养护的需求，并存在很多不足，如检测人员的安全、检测效率低下、检测成本高。

近几年，基于图像或者视频的道路病害检测方法的出现大大提高了道路病害的检测效率。如专利CN201410037445.7公开了一种道路病害成因检测顺序的确定方法，包括如下步骤：(1)根据以往养护工程资料进行统计，建立病害现象对应的病害成因发生概率矩阵A；(2)根据以往养护工程资料进行统计，建立病害成因引起各病害现象的概率矩阵B；(3)根据以往养护工程资料进行统计，建立归一化向量h；(4)根据现场技术检测，建立病害现象发生向量w；(5)计算病害成因分布概率p；(6)依据病害成因分布概率的大小，确定病害成因检测顺序。该方法确定病害成因分布概率时，综合考虑了已发生病害现象对道路病害成因的贡献和未发生病害现象对道路病害成因额影响，计算过程更加科学合理，计算结果可靠度更高，能更科学地指导病害成因的检测工作。然而这些基于图像或者视频的检测方法仍存在一些问题，如需要大量图像的预处理工作、采用的模式识别的方法识别道路病害种类有限、检测中一些阈值需要花费大量的人力进行调参。基于此，本发明设计了一种基于手机视频的道路病害智能检测方法，以解决上述问题。

发明内容

本发明的目的在于提供一种基于手机视频的道路病害智能检测方法，以解决上述背景技术中提出的现有装置检测效率低的问题。

为实现上述目的，本发明提供如下技术方案：一种基于手机视频的道路病害智能检测方法，所述具体步骤如下：

第一步：采集各种道路病害图像，制作成不同类型的道路病害训练样本集，构建一个道路病害图像识别的卷积神经网络，并将训练集导入进行训练，使有效特征层层传递，最终训练出一个好的模型。

第二步：采用一个固定姿态的手机对待检测道路进行视频记录，同时采集不同时间视频的GPS位置信息，视频采集完成后，将视频分割成不同时间序列的图像，并对不同时间时间序列图像的GPS信息进行插值，得到不同图像的GPS位置；

第三步：将采集的视频图像代入训练好的模型中，识别出不同类型的道路病害，同时利用语义分割提取道路病害的矢量边界以及相应图像中像素坐标；

第四步：利用已知实际坐标的标靶对与采集视频时相同姿态的手机进行标定，获取单目视觉量测的计算参数，同时利用所述第二步中不同图像GPS信息、所述第三步中获取道路病害边界的像素坐标，计算道路病害的尺寸、面积、实际位置等信息。

优选的，所述深度学习模型是采用事先采集各种道路病害图像样本，制作成不同类型的道路病害训练样本集，通过深度学习方法训练的模型。