基于轻量化车载设备的道路病害检测方法

doi:10.13474/j.cnki.11-2246.2024.0526

测绘通报 ›› 2024, Vol. 0 ›› Issue (5): 147-150.doi: 10.13474/j.cnki.11-2246.2024.0526

• 技术交流 • 上一篇

基于轻量化车载设备的道路病害检测方法

姚楚羡¹, 蔡皓楠¹, 张远波¹, 唐可懿¹, 詹璐¹, 周宝定^1,2

1. 深圳大学土木与交通工程学院, 广东深圳 518060;
2. 深圳大学城市智慧交通与安全运维研究院, 广东深圳 518060

收稿日期:2023-11-01 发布日期:2024-06-12
通讯作者: 周宝定。E-mail:bdzhou@szu.edu.cn
作者简介:姚楚羡(2001—),女,硕士生,研究方向为智能交通。E-mail:yaochuxian2019@email.szu.edu.cn
基金资助:
广东省科技创新战略专项资金(大学生科技创新培育)(pdjh2022a0435)

Road damage detection method based on lightweight vehicle equipment

YAO Chuxian¹, CAI Haonan¹, ZHANG Yuanbo¹, TANG Keyi¹, ZHAN Lu¹, ZHOU Baoding^1,2

1. College of Civil and Transportation Engineering, Shenzhen University, Shenzhen 518060, China;
2. Institute of Urban Smart Transportation & Safety Maintenance, Shenzhen University, Shenzhen 518060, China

Received:2023-11-01 Published:2024-06-12

摘要/Abstract

摘要： 针对传统道路检测方法成本高、检测周期长,无法满足城市道路大规模、短周期检测需求的问题,本文设计了一种轻量化车载道路病害数据获取设备,并提出了基于轻量化车载设备的道路病害检测方法。该设备质量小、成本低,可简易、快速地安装在小汽车、公共汽车等城市常见车辆上,能够同步收集惯性数据、图像、GPS定位信息等数据。基于轻量化车载设备在城市道路上采集道路图片数据并构建数据集,然后建立深度学习模型对其进行训练和评估,检测和识别道路病害,正确率达82.54%,能够满足城市道路日常巡检的要求。

关键词: 道路工程, 道路病害检测, 轻量化车载设备, 深度学习, 目标检测

Abstract: In response to the high cost and long detection cycle of traditional road detection methods, which can not meet the needs of large-scale and short-term detection of urban roads, this paper designs a lightweight vehicle mounted road damage data acquisition device and proposes a road damage detection method based on lightweight vehicle mounted devices. This device has the characteristics of small mass and low cost, and can be easily and quickly installed on common urban vehicles such as cars and buses, and synchronously collect inertial data, images, GPS positioning information, and other data. The road damage detection method proposed in this article is based on lightweight vehicle mounted devices, which collect road image data on urban roads to construct a dataset, establish a deep learning model for training and evaluation, and detect and recognize road damage. The accuracy rate is 82.54%, which can meet the requirements of daily inspection of urban roads.

Key words: road engineering, road damage detection, lightweight on-board equipment, deep learning, target detection

中图分类号:

P258

姚楚羡, 蔡皓楠, 张远波, 唐可懿, 詹璐, 周宝定. 基于轻量化车载设备的道路病害检测方法[J]. 测绘通报, 2024, 0(5): 147-150.

YAO Chuxian, CAI Haonan, ZHANG Yuanbo, TANG Keyi, ZHAN Lu, ZHOU Baoding. Road damage detection method based on lightweight vehicle equipment[J]. Bulletin of Surveying and Mapping, 2024, 0(5): 147-150.

参考文献

[1] 崔新壮,黄丹,刘磊,等. 沥青路面病害力学研究进展[J]. 山东大学学报(工学版),2016,46(5): 68-87.
[2] 马建,赵祥模,贺拴海,等. 路面检测技术综述[J]. 交通运输工程学报,2017,17(5): 121-137.
[3] 刘华盛,李彦志. 基于数字图像分析的公路路面病害检测技术研究[J]. 四川建筑,2017,37(4): 99-100.
[4] 《中国公路学报》编辑部. 中国路面工程学术研究综述·2020[J]. 中国公路学报,2020,33(10): 1-66.
[5] 潘宁,杜豫川,岳劲松,等. 基于点云数据的道路变形类病害自动化检测方法[J]. 同济大学学报(自然科学版),2022,50(3): 399-408.
[6] 王洲. 基于三维激光技术的沥青路面坑槽检测技术研究[D]. 西安: 长安大学,2019.
[7] 陶然,周开利,王越,等. 基于神经网络数据融合的目标识别方法研究[J]. 系统工程与电子技术,2000,22(11): 42-45.
[8] MAEDA H,SEKIMOTO Y,SETO T,et al. Road damage detection and classification using deep neural networks with smartphone images[J]. Computer-Aided Civil and Infrastructure Engineering,2018,33(12): 1127-1141.
[9] CHUN P J,HASHIMOTO K,KATAOKA N,et al. Asphalt pavement crack detection using image processing and naïve Bayes based machine learning approach[J]. Journal of Japan Society of Civil Engineers,Ser E1 (Pavement Engineering),2015,70(3): I1-I8.
[10] 徐融,邱晓晖. 一种改进的YOLO V3目标检测方法[J]. 计算机技术与发展,2020,30(7): 30-33.
[11] FAN Rui,BOCUS M J,ZHU Yilong,et al. Road crack detection using deep convolutional neural network and adaptive thresholding[C]//Proceedings of 2019 IEEE Intelligent Vehicles Symposium (IV).[S.l.]: ACM Press,2019: 474-479.
[12] CHUN Chanjun,RYU S K. Road surface damage detection using fully convolutional neural networks and semi-supervised learning[J].Sensors,2019,19(24):5501.
[13] 常莹,蔡蓉宾.基于卷积神经网络的多类别路面病害识别研究[J].上海电气技术,2020,13(2):61-66.
[14] 王勇.基于车载360°环视影像和深度神经网络的路面坑塘与裂缝检测[J].电气自动化,2020,42(4):99-102.
[15] 侯越,张慧婷,高智伟,等.基于数据深度增强的路面病害智能检测方法研究及比较[J].北京工业大学学报,2022,48(6):622-634.

基于轻量化车载设备的道路病害检测方法

Road damage detection method based on lightweight vehicle equipment

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	王丽霞, 喜文飞, 史正涛, 赵子龙, 钱堂慧, 赵磊, 马奕捷. 深度学习滑坡识别算法中样本不平衡问题的研究[J]. 测绘通报, 2024, 0(5): 12-18.
[2]	林泊锟, 丁勇, 李登华. 一种基于深度学习与图像局部特征提取的边坡异常监测技术[J]. 测绘通报, 2024, 0(4): 23-28.
[3]	庞敏. 基于深度学习的国产卫片图斑提取[J]. 测绘通报, 2024, 0(4): 124-128,134.
[4]	陈昶, 张岩, 李坤衡, 杨润泽, 张俊彬, 梁彦荣. 基于高分七号影像自动提取东北黑土区侵蚀沟的方法[J]. 测绘通报, 2024, 0(3): 1-7.
[5]	张兰兰, 王红雷. 基于深度学习的耕地非农化遥感监测与时空分析——以开阳县为例[J]. 测绘通报, 2024, 0(3): 13-18.
[6]	王鸿雁, 车向红, 徐辛超, 徐胜华, 李洪胜. 利用DeepLabv3+模型提取分析街景图像绿视率——以北京三环内为例[J]. 测绘通报, 2024, 0(3): 88-94.
[7]	马锦山, 贾国焕, 张赛, 张炯. 基于多源高分辨率遥感影像的典型自然资源要素提取[J]. 测绘通报, 2024, 0(3): 123-126,150.
[8]	王红雷, 严文璞. 基于深度学习技术的贵州省耕地占用遥感监测[J]. 测绘通报, 2024, 0(3): 134-139.
[9]	刘丽, 李士垚, 王润, 刘少宇, 宋永飞, 牛瑞卿. 联合深度学习与面向对象分析的卫宁北山露天矿山采场信息提取[J]. 测绘通报, 2024, 0(2): 51-57.
[10]	黄应华, 董振川, 李昊, 陈壮, 刘长睿, 张献州. 城市竣工测绘典型要素语义分割PointNet++深度学习模型适用性分析[J]. 测绘通报, 2024, 0(2): 85-89.
[11]	刘亦博, 吴传文, 周宗锟, 陈华. 融合SuperGlue方法的深度单目视觉惯性导航算法[J]. 测绘通报, 2024, 0(2): 113-117.
[12]	魏德宏, 禤键豪, 杨嘉伟, 张兴福, 余旭. 基于深度BP/ELMAN神经网络的山区GNSS高程转换精度分析[J]. 测绘通报, 2023, 0(9): 113-116,143.
[13]	张宝安, 高小龙, 金仔燕, 马兰花. 甘肃省地表要素遥感解译样本库建设与应用[J]. 测绘通报, 2023, 0(9): 144-149.
[14]	胡荣明, 李鑫, 竞霞, 武建强, 魏青博. YOLOv7在探地雷达B-Scan图像解译中的应用[J]. 测绘通报, 2023, 0(8): 29-33.
[15]	周宝定, 谢沛瑶, 郭文浩, 毛庆洲. 基于激光点云灰度图像的隧道渗水病害检测[J]. 测绘通报, 2023, 0(8): 34-39,90.