一种基于云边端架构的交通道路病害检测系统及方法技术方案

本发明专利技术涉及交通道路病害检测技术领域，具体为一种基于云边端架构的交通道路病害检测系统及方法，所述系统包括病害风险影响评估模块，所述病害风险影响评估模块结合位置空间模型中的标记结果及上传云端的道路病害特征信息，对待测道路中各个路段病害情况进行病害风险影响评估，得到每个路段对应的病害风险影响评估值

【技术实现步骤摘要】
一种基于云边端架构的交通道路病害检测系统及方法


[0001]本专利技术涉及交通道路病害检测
，具体为一种基于云边端架构的交通道路病害检测系统及方法
。

技术介绍

[0002]随着社会的不断发展，我国道路建设面积正在不断增大，但是，对道路的养护压力也在不断增强，长期行车重复重载荷作用或环境作用侵蚀，会使道路出现病害情况，如裂缝
、
坑槽
、
沉陷等病害症状，进而严重影响道路的通行状态
。
[0003]传统养护方式是通过大量人工巡检查找病害，该方式存在标准化缺失
、
成本高
、
精确度低
、
危险性高等问题；而现有的基于图像识别的交通道路病害检测系统，往往采用视觉图像算法
、
传感器信号分析法对道路病害情况进行分析，但是其分析方式较为单一，由于路面较为粗糙，对光线的反射能力不同，进而分析的画面中会存在部分噪点，进而对分析结果造成干扰，仅仅通过图像进行分析的话，会出现识别不准确的问题；同时，现有技术也没有考虑到不同路段的地势环境及通行状况对道路病害的影响情况，进而现有技术存在较大的缺陷
。

技术实现思路

[0004]本专利技术的目的在于提供一种基于云边端架构的交通道路病害检测系统及方法，以解决上述
技术介绍
中提出的问题
。
[0005]为了解决上述技术问题，本专利技术提供如下技术方案：一种基于云边端架构的交通道路病害检测方法，本专利技术中的云边端分别为数据采集端
、
边缘计算数据处理端及云端，所述方法包括以下步骤：
S1、
将待测道路均匀划分成等长的不同路段，通过道路病害数据采集端内设置的摄像头对各个路段对应道路的灰度图像进行采集，通过道路病害数据采集端内设置的振动传感器分别采集道路病害数据采集端在各个路段匀速运动时的振动信息；结合采集的振动信息，基于边缘计算技术对采集的灰度图像进行预处理，提取出灰度图像中的异常特征信息；结合历史数据库中道路病害对应的特征信息，对提取的灰度图像异常特征信息进行校准，得到道路病害特征信息，并将所得道路病害特征信息与相应的路段进行绑定，将绑定结果上传至云端；
S2、
获取云端数据库中待测道路内各个路段的环境信息及相应路段的历史通行信息；根据待测道路内各个路段的环境信息，构建待测道路所属的位置空间模型；在构建的待测道路所属的位置空间模型中，将
S1
上传的道路病害特征信息对应的位置区域进行标记；
S3、
结合位置空间模型中的标记结果及上传云端的道路病害特征信息，对待测道路中各个路段病害情况进行病害风险影响评估，得到每个路段对应的病害风险影响评估值；
S4、
根据病害风险影响评估值从大到小的顺序，生成各个路段分别对应的病害特
征信息构成的病害信息序列，输出待测道路检测结果，并根据待测道路检测结果，对道路病害管理员进行预警，所述待测道路检测结果为待测道路中各个路段分别对应的病害特征信息构成的病害信息序列
。
[0006]进一步的，所述
S1
中通过道路病害数据采集端内设置的振动传感器分别采集道路病害数据采集端在各个路段匀速运动时的振动数据时，所述振动传感器每隔第一单位时间采集一次车辆的振动数据，所述第一单位时间为数据库中预置的常数；所述基于边缘计算技术对采集的灰度图像进行预处理，提取出灰度图像中的异常特征信息的过程中，计算图像中任意两个相邻像素点之间灰度差的绝对值，并将对应灰度差的绝对值大于
β
的两个相邻像素点中灰度值小的像素点进行标记；所述
β
表示像素标记参照值，且
β
=min{r
×
AM
，
β
1}
，所述
min{r
×
AM
，
β
1}
表示
r
×
AM
与
β1中的最小值，所述
β1表示像素标记参照阈值，所述
r
表示采集相应路段的灰度图像时，获取的各个振动数据的平均值在数据库预置表单内对应的第一异常系数，所述数据库预置表单中每个振动数据对应唯一的第一异常系数，所述
AM
表示待比较的两个相邻像素点所属灰度图像中最大灰度值与最小灰度值的差值；获取灰度图像中标记像素点分别与相邻的各个像素点之间的关系，当标记像素点的灰度值与一个相邻像素点的灰度值之间差值的绝对值小于等于
Q
时，则判定标记像素点的该相邻像素点异常且对该相邻像素点进行标记，并再次获取灰度图像中新标记的像素点分别与相邻的各个像素点之间的关系；所述
Q
表示像素异常判定参照值，且
Q=max{r1
×
AM
，
β
2}
，所述
max{r1
×
AM
，
β
2}
表示
r1
×
AM
与
β2中的最大值，所述
r1
表示采集相应路段的灰度图像时，获取的各个振动数据的平均值在数据库预置表单内对应的第二异常系数，所述数据库预置表单中每个振动数据对应唯一的第二异常系数，所述
β2表示历史数据中各个相邻的异常像素点分别对应的灰度差值的绝对值内的最小值；当标记像素点的灰度值与一个相邻像素点的灰度值之间差值的绝对值大于
Q
时，则判定标记像素点的该相邻像素点正常且无需对该相邻像素点进行标记；将灰度图像上最终标记的像素点的集合作为相应灰度图像中的异常特征信息
。
[0007]本专利技术中振动数据对应的值越大，则该图像存在异常的情况越大，进而需要检测的精度越高，对应的第一异常系数越小，对应的第二异常系数越大；本专利技术中灰度图像中每个像素点存在多个相邻像素点
。
[0008]进一步的，所述
S1
中对提取的灰度图像异常特征信息进行校准的方法包括以下步骤：
S11、
获取待测道路对应的各个采集的灰度图像中，每个灰度图像对应的异常特征信息；
S12、
对灰度图像中异常特征信息内的各个标记像素点所属的异常像素链进行划分，得到每个灰度图像对应的各个异常像素链，所述异常像素链包括一个或多个标记像素点且每个标记像素点作为相应异常像素链的一个节点，同一异常像素链中的各个节点之间相邻且连续，在不同异常像素链中的每个异常像素链内随机抽取一个标记像素点，所抽取的各个标记像素点之间均不相邻；
S13、
得到每个异常像素链对应的链特征，将异常像素链对应的链特征记为
{W1
，
W2
，
W1
×
W2}
，所述
W1
表示异常像素链中任意两个标记像素点在相应灰度图像内的对应像素距离的最大值，所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于云边端架构的交通道路病害检测方法，其特征在于，所述方法包括以下步骤：
S1、
将待测道路均匀划分成等长的不同路段，通过道路病害数据采集端内设置的摄像头对各个路段对应道路的灰度图像进行采集，通过道路病害数据采集端内设置的振动传感器分别采集道路病害数据采集端在各个路段匀速运动时的振动信息；结合采集的振动信息，基于边缘计算技术对采集的灰度图像进行预处理，提取出灰度图像中的异常特征信息；结合历史数据库中道路病害对应的特征信息，对提取的灰度图像异常特征信息进行校准，得到道路病害特征信息，并将所得道路病害特征信息与相应的路段进行绑定，将绑定结果上传至云端；
S2、
获取云端数据库中待测道路内各个路段的环境信息及相应路段的历史通行信息；根据待测道路内各个路段的环境信息，构建待测道路所属的位置空间模型；在构建的待测道路所属的位置空间模型中，将
S1
上传的道路病害特征信息对应的位置区域进行标记；
S3、
结合位置空间模型中的标记结果及上传云端的道路病害特征信息，对待测道路中各个路段病害情况进行病害风险影响评估，得到每个路段对应的病害风险影响评估值；
S4、
根据病害风险影响评估值从大到小的顺序，生成各个路段分别对应的病害特征信息构成的病害信息序列，输出待测道路检测结果，并根据待测道路检测结果，对道路病害管理员进行预警，所述待测道路检测结果为待测道路中各个路段分别对应的病害特征信息构成的病害信息序列
。2.
根据权利要求1所述的一种基于云边端架构的交通道路病害检测方法，其特征在于：所述
S1
中通过道路病害数据采集端内设置的振动传感器分别采集道路病害数据采集端在各个路段匀速运动时的振动数据时，所述振动传感器每隔第一单位时间采集一次车辆的振动数据，所述第一单位时间为数据库中预置的常数；所述基于边缘计算技术对采集的灰度图像进行预处理，提取出灰度图像中的异常特征信息的过程中，计算图像中任意两个相邻像素点之间灰度差的绝对值，并将对应灰度差的绝对值大于
β
的两个相邻像素点中灰度值小的像素点进行标记；所述
β
表示像素标记参照值，且
β
=min{r
×
AM
，
β
1}
，所述
min{r
×
AM
，
β
1}
表示
r
×
AM
与
β1中的最小值，所述
β1表示像素标记参照阈值，所述
r
表示采集相应路段的灰度图像时，获取的各个振动数据的平均值在数据库预置表单内对应的第一异常系数，所述数据库预置表单中每个振动数据对应唯一的第一异常系数，所述
AM
表示待比较的两个相邻像素点所属灰度图像中最大灰度值与最小灰度值的差值；获取灰度图像中标记像素点分别与相邻的各个像素点之间的关系，当标记像素点的灰度值与一个相邻像素点的灰度值之间差值的绝对值小于等于
Q
时，则判定标记像素点的该相邻像素点异常且对该相邻像素点进行标记，并再次获取灰度图像中新标记的像素点分别与相邻的各个像素点之间的关系；所述
Q
表示像素异常判定参照值，且
Q=max{r1
×
AM
，
β
2}
，所述
max{r1
×
AM
，
β
2}
表示
r1
×
AM
与
β2中的最大值，所述
r1
表示采集相应路段的灰度图像时，获取的各个振动数据的平均值在数据库预置表单内对应的第二异常系数，所述数据库预置表单中每个振动数据对应唯一的第二异常系数，所述
β2表示历史数据中各个相邻的异常像素点分别对应的灰度差值的绝对值内的最小值；
当标记像素点的灰度值与一个相邻像素点的灰度值之间差值的绝对值大于
Q
时，则判定标记像素点的该相邻像素点正常且无需对该相邻像素点进行标记；将灰度图像上最终标记的像素点的集合作为相应灰度图像中的异常特征信息
。3.
根据权利要求2所述的一种基于云边端架构的交通道路病害检测方法，其特征在于：所述
S1
中对提取的灰度图像异常特征信息进行校准的方法包括以下步骤：
S11、
获取待测道路对应的各个采集的灰度图像中，每个灰度图像对应的异常特征信息；
S12、
对灰度图像中异常特征信息内的各个标记像素点所属的异常像素链进行划分，得到每个灰度图像对应的各个异常像素链，所述异常像素链包括一个或多个标记像素点且每个标记像素点作为相应异常像素链的一个节点，同一异常像素链中的各个节点之间相邻且连续，在不同异常像素链中的每个异常像素链内随机抽取一个标记像素点，所抽取的各个标记像素点之间均不相邻；
S13、
得到每个异常像素链对应的链特征，将异常像素链对应的链特征记为
{W1
，
W2
，
W1
×
W2}
，所述
W1
表示异常像素链中任意两个标记像素点在相应灰度图像内的对应像素距离的最大值，所述
W2
表示相应异常像素链内，与像素距离最大的两个标记像素点连线垂直的任意两个标记像素点连线对应像素距离的最大值；
S14、
将异常像素链对应的链特征
{W1
，
W2
，
W1
×
W2}
中的链特征阈值
{Wy1
，
Wy2
，
Wy1
×
Wy2}
进行比较，得到道路病害特征信息，当
W1≤Wy1
且
W2≤Wy2
且
W1
×
W2≤Wy1
×
Wy2
时，则判定链特征
{W1
，
W2
，
W1
×
W2}
对应异常像素链作为一个噪点区域，链特征
{W1
，
W2
，
W1
×
W2}
对应异常像素链中的各个标记像素点均为相应灰度图像中的噪点，将链特征
{W1
，
W2
，
W1
×
W2}
对应异常像素链中的各个标记像素点从灰度图像中的异常特征信息内删除；反之，则判定链特征
{W1
，
W2
，
W1
×
W2}
对应异常像素链中的各个标记像素点均正常，将链特征
{W1
，
W2
，
W1
×
W2}
对应异常像素链中的各个标记像素点作为相应灰度图像所属路段对应的道路病害特征信息中的一个元素；所述
Wy1
表示历史数据库内道路病害中，各个噪点区域分别对应链特征内第一个数值的平均值；所述
Wy2
表示历史数据库内道路病害中，各个噪点区域分别对应链特征内第二个数值的平均值；
Wy1
×
Wy2
表示历史数据库内道路病害中，各个噪点区域分别对应链特征内第三个数值的平均值；获取每个路段对应的各个灰度图像，每个路段对应的道路病害特征信息为相应各个灰度图像内不为噪点区域的各个异常像素链中的标记像素点的集合
。4.
根据权利要求1所述的一种基于云边端架构的交通道路病害检测方法，其特征在于：所述
S2
中路段的环境信息包括路段对应区域的地势特征，记为
{R1/R2
，
p1/p2}

【专利技术属性】
技术研发人员：刘沪，李豪，张丽丽，
申请(专利权)人：江苏必安仕安防科技有限公司，
类型：发明
国别省市：