[发明专利]一种基于车载激光点云的路面裂缝检测方法

说明书

本申请属于数据分析技术领域，特别是涉及一种基于车载激光点云的路面裂缝检测方法。现有的方法将输入点云投影到图像中进行处理，导致这些方法产生的结果有偏差，不利于准确的道路评估和完善的管理。本申请提供了一种基于车载激光点云的路面裂缝检测方法，所述方法包括如下步骤：1)获取原始路面点云数据，对所述原始路面点云数据进行提取，得到第二点云数据；2)对所述第二点云数据进行结构增强，放大所述第二点云数据中裂缝点与非裂缝点的差异；3)选取训练数据训练图卷积神经网络得到模型；4)通过所述模型获取所述第二点云数据中路面裂缝。能够提供快速、高效的路面裂缝检测。

技术领域

本申请属于数据分析技术领域，特别是涉及一种基于车载激光点云的路面裂缝检测方法。

背景技术

路面裂缝是路面最常见的损坏因素，路面裂缝由自然因素和人为因素(例如交通流量，重量和负载增加，天气和温度变化)产生，路面裂缝的损坏可能会继续变大。路面遇险会对道路的正常使用产生不利影响，并导致交通事故，造成经济损失。同时，路面裂缝是评价道路遇险的必不可少的通用指标。通过量化路面裂缝的大小，形状和深度，可以快速有效地评估道路损坏程度，并制定相应的维护策略。因此，适当的道路维护和持续的路面基础设施视觉检查已成为确保道路安全的关键。

传统的路面裂缝检测采用人工检查方法，耗费时间较长且劳动强度大，而且测量结果依赖检查员的经验。当前的路面检查方法基于图像处理和计算机视觉技术。图像捕获比手动方法更安全有效。但是，基于图像的检测方法的精度会受到诸如光、阴影、噪声等因素的影响，并且图像质量有较大的影响，而使得裂纹检测成为一项艰巨的任务。研究人员提出了各种基于图像的方法，包括阈值检测，边缘检测和区域增长，以克服基于图像的裂缝检测方法存在的各种问题。近年来，计算机视觉在路面工程中的应用为道路裂缝检测开辟了新的思路。基于图像的深度学习方法极大地提高了路面检查的准确性。特别是基于特殊深度学习卷积神经网络(CNN)的模型已被广泛用于识别各种类型的裂缝。尽管这些基于图像的深度学习方法在裂纹检测方面取得了不错的结果，但其精度仍然受到限制。这些方法在很大程度上取决于外部光条件，并且它们对阴影和照明噪声的高灵敏度易于对检测结果造成不利影响。

LiDAR(Light Detection and Ranging)技术飞速发展，与图像相比，LiDAR提供了更可靠的3D信息，而不受外部光照条件的影响，因此更适合提供对物体特征的描述，并有助于获得更准确的检测结果。目前，基于有监督深度学习的方法已在3D点云数据上实现了高精度的检测结果。但是，这些方法中的大多数将输入点云投影到图像中进行处理，导致这些方法产生的结果有偏差，不利于准确的道路评估和完善的管理。

发明内容

1.要解决的技术问题

基于现有的方法将输入点云投影到图像中进行处理，导致这些方法产生的结果有偏差，不利于准确的道路评估和完善的管理的问题，本申请提供了一种基于车载激光点云的路面裂缝检测方法。

2.技术方案

为了达到上述的目的，本申请提供了一种基于车载激光点云的路面裂缝检测方法，所述方法包括如下步骤：1)获取原始路面点云数据，对所述原始路面点云数据进行提取，得到第二点云数据；2)对所述第二点云数据进行结构增强，放大所述第二点云数据中裂缝点与非裂缝点的差异；3)选取训练数据训练图卷积神经网络得到模型；4)通过所述模型获取所述第二点云数据中路面裂缝。

本申请提供的另一种实施方式为：所述步骤1)对所述原始路面点云数据进行提取为对所述原始路面点云数据进行下采样，得到所述第二点云数据。

本申请提供的另一种实施方式为：所述下采样包括：输入所述原始路面点云数据，设置最小距离，采用所述最小距离下采样方法对所述原始路面点云数据进行下采样。

本申请提供的另一种实施方式为：所述步骤2)对所述第二点云数据进行结构增强为对所述第二点云数据进行主特征距离分布空间构造，在所述主特征距离分布空间中为所述第二点云数据构建邻接矩阵。