【技术实现步骤摘要】
本专利技术属于路面信息检测相关，更具体地，涉及一种道路损伤实时监控方法及其监控系统。
技术介绍
1、公路作为国民经济的大动脉，随着国家基础设施建设的推进，其总里程和维护费用逐年增加。传统道路状况检测主要依赖人工或专用激光雷达监控车，这种方法效率低，成本高，且无法实现实时监控。随着无人驾驶技术的发展，对道路状况的高精度、实时监控需求也日益增加。因此，提出一种高效、实时、智能化的道路损伤实时监控系统迫在眉睫。
2、目前，已有一些关于道路损伤实时监控系统的研究，如中国专利申请(公开号为：cn220796043u、名称为：道路巡检系统)公开了一种道路巡检系统，包括：车载巡检设备，用于巡检路况并同步采集巡检视频流；边缘计算平台，用于从车载巡检设备接收巡检视频流并对巡检视频流进行智能识别得到渲染带框视频流和格式化结果数据；道路巡检平台，用于从边缘计算平台接收渲染带框视频流和格式化结果数据。该专利申请可以在数据带宽有限时，有效解决大吞吐量并发场景下巡检作业实时展现、巡检原始数据同步、并实时存储同步上传的需求。
3、但是，由于车载巡检设备执行实时巡检，会持续采集并处理大量的信息，对于计算速度和存储能力均具有要求极高，在实际应用时难以进行推广。
技术实现思路
1、针对现有技术的以上缺陷或改进需求，本专利技术提供了一种道路损伤实时监控方法及其监控系统，其目的在于减轻计算和存储负担，使道路监控更容易推广。
2、为实现上述目的，本专利技术提供了一种道路损伤实时监控方法，
3、实时获取车载相机所拍摄的路面图像并识别所述路面图像中的各处路面损伤信息，执行满足时空约束的路面损伤信息的存入操作，所述存入操作包括：根据当前车速和当前路面图像中最远处的路面损伤距离车辆的最大车距更新约束时间，约束时间为当前最大车距除以当前车速，将当前路面图像中符合空间约束条件的路面损伤信息存入存储空间并在约束时间内不允许存入新路面图像的路面损伤信息，直至达到约束时间后重新执行所述存入操作；若当前申请存入存储空间的路面损伤信息的损伤位置与每个已存入存储空间的路面损伤信息的损伤位置之间的距离均大于或等于预设的定位漂移距离，则判定当前申请存入存储空间的路面损伤信息满足空间约束条件；
4、所存入的路面损伤信息用于进行道路损伤实时分析与监控。
5、在可选的实施例中，所述识别所述路面图像中的各处路面损伤信息，包括，通过检测框对所述路面图像中的各处路面损伤进行框定并计算各检测框中路面损伤信息；
6、在更新约束时间之前，先计算当前路面图像中各检测框距离车辆的车距，并选取最大车距更新约束时间；计算检测框距离车辆的车距的方法包括：
7、将检测框各顶点从像素坐标系转换至相机坐标系；
8、分别计算检测框在像素坐标系中的像素面积以及在相机坐标系下的实际面积；
9、计算车距，车距＝(实际面积÷像素面积)×相机焦距。
10、在可选的实施例中，在更新约束时间之前，先确定当前车速，当前车速的确定方法包括：
11、获取imu提供的车辆加速度和角速度以及gps提供的车辆速度，利用卡尔曼滤波对imu所提供的数据和gps所提供的数据进行融合，得到最终用于更新约束时间的当前车速。
12、在可选的实施例中，所述方法利用深度学习模型识别所述路面图像中的各处路面损伤的类别，所述深度学习模型为训练好的深度学习模型；
13、所述方法还包括在新环境下实现所述深度学习模型的主动学习，所述主动学习的过程包括：
14、获取已有深度学习模型在先期环境下训练所得到的各个类别的不确定度；
15、获取车载相机在新环境下所拍摄的路面图像，作为初始图像集；
16、利用已有深度学习模型对所述初始图像集中的各路面图像进行损伤类别的分类，得到各路面图像中各处路面损伤的类别及其置信度；
17、对路面图像中各路面损伤进行类别置信度加权求和，权重为对应类别的不确定度，得到对应路面图像的不确定度；
18、选择不确定度最高的多张路面图像并计算图像相似度，从所述初始图像集中剔除相似度最高的多张路面图像，得到筛选后的图像集；
19、基于筛选后的图像集对已有深度学习模型再次进行训练。
20、在可选的实施例中，所述方法还包括进行道路损伤分析并通过可视化界面展示分析结果。
21、在可选的实施例中，所述道路损伤包含裂缝，所述方法还包括进行道路损伤分析，所述道路损伤分析包括：
22、对裂缝的变化进行追踪，当裂缝的面积增长率超过设定预警阈值时，自动触发预警。
23、本专利技术还提供了一种道路损伤实时监控系统，其包括边端设备、云端服务器；
24、所述边端设备包括可装载至车上的车载相机、传感器、定位模块和边端算力模块和通信模块；所述车载相机用于拍摄路面图像，所述传感器用于采集车辆行驶状态，所述定位模块用于对车辆进行定位，所述边端算力模块用于对边端设备所采集的数据进行初步处理后通过所述通信模块传送给所述云端服务器；
25、所述云端服务器用于接收所述边缘设备所传送的数据并进行道路损伤分析与监控；
26、其中，所述边端设备或所述云端服务器用于执行如上所述的方法。
27、本专利技术还提供了一种实现路损伤实时监控的算力设备，包括存储器和处理器，所述存储器存储有计算机程序，其中，所述处理器执行所述计算机程序时实现如上所述的方法的步骤。
28、本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法的步骤。
29、本专利技术还提供了一种计算机程序产品，包括计算机程序或指令，所述计算机程序或指令被处理器执行时实现如上所述的方法的步骤。
30、总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，本专利技术主要具有以下有益效果：
31、1.本专利技术提出一种关于道路损伤实时监控方法及其应用，在获取到车载照片后，并不会基于每张照片进行实时分析与监控，而是通过时空约束进行信息的筛选，其中，时间约束考量的是车辆行驶速度较慢或者静止状态下(如等红绿灯)时，会连续对同一处路面损伤拍摄大量的图像，导致算力平台进行重复的识别，引入时间约束可以一定程度上减少因上述原因导致的重复识别工作，而空间约束考量的是相机的拍摄帧率通常非常高，在经过同一个路面损伤时，会捕捉到多次该路面损伤的图像，通过进行空间约束，可以确保在定位模块的漂移范围内的裂缝不会被多次计入，由此也可以减轻因上述原因导致的重复识别工作。因此，基于时空约束，可以减轻算力平台和存储空间的负担，更有利于该道路监控方法的推广。
32、2.在可选的实施例中，利用卡尔曼滤波对imu所提供的数据和gps所提供的数据进行融合，得到最终用于更新约束时间的当前车速，可以提高速度估算的精确度。
33、3.在可选的实施例中，当通过深度学习模本文档来自技高网...
【技术保护点】
1.一种道路损伤实时监控方法，其特征在于，包括：
2.如权利要求1所述的道路损伤实时监控方法，其特征在于，所述识别所述路面图像中的各处路面损伤信息，包括：通过检测框对所述路面图像中的各处路面损伤进行框定并计算各检测框中路面损伤信息；
3.如权利要求1所述的道路损伤实时监控方法，其特征在于，在更新约束时间之前，先确定当前车速，当前车速的确定方法包括：
4.如权利要求1所述的道路损伤实时监控方法，其特征在于，所述方法还包括利用深度学习模型识别所述路面图像中的各处路面损伤的类别，所述深度学习模型为训练好的深度学习模型；
5.如权利要求1所述的道路损伤实时监控方法，其特征在于，所述方法还包括进行道路损伤分析并通过可视化界面展示分析结果。
6.如权利要求1所述的道路损伤实时监控方法，其特征在于，所述道路损伤包含裂缝，所述方法还包括进行道路损伤分析，所述道路损伤分析包括：
7.一种道路损伤实时监控系统，其特征在于，包括边端设备、云端服务器；
8.一种实现路损伤实时监控的算力设备，包括存储器和处理器，所述存储器
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序或指令，其特征在于，所述计算机程序或指令被处理器执行时实现如权利要求1至6任一项所述的方法的步骤。
...【技术特征摘要】
1.一种道路损伤实时监控方法，其特征在于，包括：
2.如权利要求1所述的道路损伤实时监控方法，其特征在于，所述识别所述路面图像中的各处路面损伤信息，包括：通过检测框对所述路面图像中的各处路面损伤进行框定并计算各检测框中路面损伤信息；
3.如权利要求1所述的道路损伤实时监控方法，其特征在于，在更新约束时间之前，先确定当前车速，当前车速的确定方法包括：
4.如权利要求1所述的道路损伤实时监控方法，其特征在于，所述方法还包括利用深度学习模型识别所述路面图像中的各处路面损伤的类别，所述深度学习模型为训练好的深度学习模型；
5.如权利要求1所述的道路损伤实时监控方法，其特征在于，所述方法还包括进行道路损伤分析并通过可视化界面展示分析结果。
6....
【专利技术属性】
技术研发人员：周晗，曾世鹏，项翔，黄宇涵，徐琢，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：
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。