一种基于激光雷达的道路养护检测系统及其检测方法技术方案

本发明专利技术公开了一种基于激光雷达的道路养护检测系统及其检测方法，系统主要由传感器、边缘计算模块、边云协同模块、存储模块、通信模块及供电模块，以及中心云组成，传感器连接边缘计算模块，边云协同模块连接边缘计算模块和通信模块，边缘计算模块与边云协同模块交互；传感器包括3D扫描激光雷达。本发明专利技术通过3D激光扫描雷达的使用，实现道路及其附属设施的3D全域数据采集，并且结合多传感器融合算法、基于深度/非深度学习的双模式目标识别算法、云计算与边缘计算的使用，能够应对不同工作场景，实现高效率、高精度、高鲁棒性的异常目标识别与定位。

【技术实现步骤摘要】
一种基于激光雷达的道路养护检测系统及其检测方法
本专利技术涉及道路养护
，尤其涉及是一种基于激光雷达的道路养护检测系统及其检测方法。
技术介绍
我国高速公路总里程已超过14万公里，居世界首位，近40％的货物通过高速公路实现流转。公路网给人们带来便捷生活方式的同时，公路路网路况及附属设施的异常及潜在病害也在严重威胁着交通安全以及人们的生命安全。因此，道路路网路况及附属设施的全域场景养护检测工作就显得尤为重要。目前，国外道路养护检测基本已进入自动化检测的实际应用阶段，而我国的公路路面养护检测技术尚处于发展阶段，大部分地区的道路养护检测仍然主要依靠人工巡检，部分路段使用道路检测车。人工巡检效率低下且缺乏安全性；现有的多功能道路检测车主要由车辆、相机、激光位移传感器、编码器、工控计算机、辅助照明设备和供电设备等设备构成，其中相机对路面进行二维成像，激光位移传感器通过测距实现道路平整度的检测，具有成本高、设备集成度差、资源开销较大、检测成本较高、检测周期较长、数据处理较为耗时等问题，无法满足道路养护检测的需求，性能亟待提升。
技术实现思路
针对现有道路养护检测存在的技术问题，本专利技术提出一种基于激光雷达的道路养护检测系统及其检测方法，具有成本低、设备集成度高、效率高、智能化的优点。本专利技术保护一种基于激光雷达的道路养护检测系统，主要由装载于车辆或无人机上的传感器、边缘计算模块、边云协同模块、存储模块、通信模块及供电模块，以及中心云组成，所述传感器连接所述边缘计算模块，所述边云协同模块连接所述边缘计算模块和所述通信模块，所述边缘计算模块与所述边云协同模块直接交互或者通过所述存储模块交互；所述传感器包括3D扫描激光雷达，用于获取道路路面路况及附属设施的全域场景数据信息；所述边云协同模块用于判断是否进行边云协同，若进行边云协同，则边缘计算模块与中心云协同完成全域场景数据信息的异常目标识别，否则边缘计算模块独立完成全域场景数据信息的异常目标识别。进一步的，边缘计算模块对全域场景数据信息进行异常目标识别，首先判断边缘计算模块的软硬件资源是否充足，若资源充足，则再判断应用场景与用户需求对召回率和稳定性要求的高低，若召回率和稳定性满足其一，则采用基于点云的深度学习算法对全域场景数据信息进行异常目标识别；若资源不充足，或召回率与稳定性均不满足，则采用基于RangeImage的非深度学习算法对全域场景数据信息进行异常目标识别。本专利技术还保护基于上述道路养护检测系统的道路养护检测方法，包括以下步骤：步骤1，3D扫描激光雷达采集点云数据，获取全域场景数据信息；步骤2，边云协同模块根据资源配置情况、资源利用率和预设条件综合判断是否进行边云协同；步骤3，若进行边云协同，则边缘计算模块与中心云协同完成全域场景数据信息的异常目标识别；若不进行边云协同，则判断边缘计算模块的软硬件资源是否充足；步骤4，若资源充足，则再判断应用场景与用户需求对召回率和稳定性要求的高低，若召回率和稳定性满足其一，则边缘计算模采用基于点云的深度学习算法实现全域场景数据信息的异常目标识别；若资源不充足，或召回率与稳定性均不满足，则边缘计算模块采用基于RangeImage的非深度学习算法实现全域场景数据信息的异常目标识别；步骤5，边缘计算模块独立完成全域场景数据信息的异常目标识别后，将全域场景数据信息和识别结果通过通信模块与中心云进行交互，并对识别结果进行可视化显示，中心云对全域场景数据信息和识别结果进行记录和维护。进一步的，传感器还包括相机、定位设备，采用基于点云的深度学习算法对全域场景数据信息进行异常目标识别前，先对来源于3D扫描激光雷达、相机的数据信息进行特征融合，然后通过定位设备引入时间、空间信息，形成时空多维度融合的全域场景数据信息。进一步的，基于RangeImage的非深度学习算法，包括以下步骤：步骤A1，读取3D扫描激光雷达采集的点云数据；步骤A2，对点云数据进行切片处理；步骤A3，对切片处理后的点云数据进行体素网格过滤；步骤A4，对体素网格过滤后的点云数据进行分割、聚类、添加边界框；步骤A4，通过分类器对异常类型进行目标识别；步骤A5，将异常目标识别结果映射至点云数据中。进一步的，基于点云的深度学习算法通过深度神经网络结合点云顺序无关的算子实现两阶段的异常目标检测；第一阶段，利用RPN网络生成点云数据三维候选框，并进一步从点云数据中提取出包含异常目标的三维区域；第二阶段，利用深度神经网络从三维候选区的目标点中提取局部特征，结合第一阶段学习到的全局特征，在标准坐标系下进行三维边框回归参数和置信度预测，最终得到异常目标识别结果。本专利技术的有益效果：1、3D激光扫描雷达的使用，实现多车道及道路附属设施的3D全域数据采集，替代现有检测系统的多类/多个传感器，使得系统高度集成化；2、多传感器融合算法结合基于深度学习的目标识别算法实现高精度、高鲁棒性的目标检测；3、结合云计算与边缘计算，相比于单纯的云端解决方案，包含边缘侧的混合方案可以减少延迟、提高可扩展性、增强对信息的访问量；4、边云协同的异常目标识别配合边缘计算模块的双模式异常目标识别，提高检测效率，支持系统在线实时检测，使得道路检测系统更加全面、更加智能化，能够应对不同场景，实现高精度检测与目标定位。附图说明图1为基于激光雷达的道路养护检测系统架构图；图2为基于激光雷达的道路养护检测方法流程图；图3(a)为路面破损示意图；图3(b)为路面障碍或抛洒物示意图；图3(c)为交通标识牌损坏示意图；图3(d)为护栏损坏示意图；图4(a)为激光雷达鸟瞰图；图4(b)为激光雷达前视图；图4(c)为相机图像；图5为多传感器数据融合后的输出图；图6是基于非深度学习的路面病害及道路附属设施异常目标识别算法流程示意图；图7是基于深度学习的路面病害及道路附属设施异常目标识别算法流程图。具体实施方式下面结合附图和具体实施方式对本专利技术作进一步详细的说明。本专利技术的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本专利技术限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本专利技术的原理和实际应用，并且使本领域的普通技术人员能够理解本专利技术从而设计适于特定用途的带有各种修改的各种实施例。实施例1一种基于激光雷达的道路养护检测系统，主要由装载于车辆或无人机上的传感器、边缘计算模块、边云协同模块、存储模块、通信模块及供电模块，以及中心云组成。所述传感器连接所述边缘计算模块，所述边云协同模块连接所述边缘计算模块和所述通信模块，所述边缘计算模块与所述边云协同模块直接交互或者通过所述存储模块交互，如图1所示。所述传感器包括3D扫描激光雷达，用于获取道路路面路况及附属设施的全域场景数据本文档来自技高网...

【技术保护点】
1.一种基于激光雷达的道路养护检测系统，其特征在于，主要由装载于车辆或无人机上的传感器、边缘计算模块、边云协同模块、存储模块、通信模块及供电模块，以及中心云组成，所述传感器连接所述边缘计算模块，所述边云协同模块连接所述边缘计算模块和所述通信模块，所述边缘计算模块与所述边云协同模块直接交互或者通过所述存储模块交互；/n所述传感器包括3D扫描激光雷达，用于获取道路路面路况及附属设施的全域场景数据信息；/n所述边云协同模块用于判断是否进行边云协同，若进行边云协同，则边缘计算模块与中心云协同完成全域场景数据信息的异常目标识别，否则边缘计算模块独立完成全域场景数据信息的异常目标识别。/n

【技术特征摘要】
1.一种基于激光雷达的道路养护检测系统，其特征在于，主要由装载于车辆或无人机上的传感器、边缘计算模块、边云协同模块、存储模块、通信模块及供电模块，以及中心云组成，所述传感器连接所述边缘计算模块，所述边云协同模块连接所述边缘计算模块和所述通信模块，所述边缘计算模块与所述边云协同模块直接交互或者通过所述存储模块交互；
所述传感器包括3D扫描激光雷达，用于获取道路路面路况及附属设施的全域场景数据信息；
所述边云协同模块用于判断是否进行边云协同，若进行边云协同，则边缘计算模块与中心云协同完成全域场景数据信息的异常目标识别，否则边缘计算模块独立完成全域场景数据信息的异常目标识别。


2.根据权利要求1所述的道路养护检测系统，其特征在于，边缘计算模块对全域场景数据信息进行异常目标识别，首先判断边缘计算模块的软硬件资源是否充足，
若资源充足，则再判断应用场景与用户需求对召回率和稳定性要求的高低，若召回率和稳定性满足其一，则采用基于点云的深度学习算法对全域场景数据信息进行异常目标识别；
若资源不充足，或召回率与稳定性均不满足，则采用基于RangeImage的非深度学习算法对全域场景数据信息进行异常目标识别。


3.基于权利要求1所述道路养护检测系统的道路养护检测方法，其特征在于，包括以下步骤：
步骤1，3D扫描激光雷达采集点云数据，获取全域场景数据信息；
步骤2，边云协同模块根据资源配置情况、资源利用率和预设条件综合判断是否进行边云协同；
步骤3，若进行边云协同，则边缘计算模块与中心云协同完成全域场景数据信息的异常目标识别；若不进行边云协同，则判断边缘计算模块的软硬件资源是否充足；
步骤4，若资源充足，则再判断应用场景与用户需求对召回率和稳定性要求的高低，若召回率和稳定性满足其一，则边缘计算模采用基于点云的深度学习算法实现全域场景...

【专利技术属性】
技术研发人员：陈田，唐金学，
申请(专利权)人：安徽乐道信息科技有限公司，
类型：发明
国别省市：安徽;34