[发明专利]一种基于红外双目结构光的井盖高差识别方法及系统

说明书

本发明涉及道路工程技术领域，具体公开了一种基于红外双目结构光的井盖高差识别方法及系统，所述方法包括构造训练集，训练高差判定模型和高差计算模型；所述高差判定模型和所述高差计算模型均为神经网络模型；实时采集道路路面的RGB图像和点云图像；将所述RGB图像输入训练好的高差判定模型，判断是否存在井盖高差；当存在井盖高差时，将所述点云图像输入高差计算模型，得到高差尺寸；当所述高差尺寸达到预设的尺寸阈值时，获取坐标位置并上传至云端服务器。本发明在提高巡检人员安全系数的同时，弥补了人工检测可能出现的误判、漏判等情况，更为客观和有效地运用大范围、长距离的井盖高差检测作业任务。

技术领域

本发明涉及道路工程技术领域，具体是一种基于红外双目结构光的井盖高差识别方法及系统。

背景技术

井盖高差是道路窨井高度与路面高程（井框差）的高差。井盖高差是影响城市道路平整度的重要因素之一，也是城市道路养护管理的重要指标。井盖高差过大会使道路高程在短距离内产生较大变化，导致行驶车辆跳车，影响城市道路行驶舒适性，还会增加重载车辆行驶时的动态荷载。这会加速井盖及周围路面结构的损害，增大事故发生概率。针对此类道路病害，现有的识别方法多采用人工检测或激光断面仪检测。人工检测利用测量仪器跨于井盖高差处，用尺测量出井盖高差，既费时费力又缺少安全保障。而激光检测仪成本较高，不适用大范围、全覆盖的井盖高差检测工作。

发明内容

本发明的目的在于提供一种基于红外双目结构光的井盖高差识别方法及系统，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于红外双目结构光的井盖高差识别方法，所述方法包括：

构造训练集，训练高差判定模型和高差计算模型；所述高差判定模型和所述高差计算模型均为神经网络模型；

实时采集道路路面的RGB图像和点云图像；

将所述RGB图像输入训练好的高差判定模型，判断是否存在井盖高差；

当存在井盖高差时，将所述点云图像输入高差计算模型，得到高差尺寸；

当所述高差尺寸达到预设的尺寸阈值时，获取坐标位置并上传至云端服务器。

作为本发明进一步的方案：所述构造训练集，训练高差判定模型和高差计算模型的步骤包括：

采集RGB图像，向人工端发送，接收人工端反馈的标记结果，根据所述标记结果建立第一训练集；

采集深度图像，筛选并识别深度图像中道路区域的点云数据，建立第二训练集；

根据第一训练集训练高差判定模型，根据第二训练集训练高差计算模型；

其中，所述第高差判定模型的输出为是否存在高差，所述高差计算模型的输出为井盖高差所在的点云块。

作为本发明进一步的方案：所述将所述RGB图像输入训练好的高差判定模型，判断是否存在井盖高差的步骤包括：

基于语义分割算法对采集到的RGB图像进行分割，得到路面所在区域；

基于卷积神经网络识别所述路面所在区域中是否存在井盖高差。

作为本发明进一步的方案：所述当存在井盖高差时，将所述点云图像输入高差计算模型，得到高差尺寸的步骤包括：

当存在井盖高差时，基于三维点云目标检测算法识别点云图像中的版面接缝区域，识别点云图像中，板块相接区域是否存在突起或凹陷；

当存在突起和凹陷时，计算突起和凹陷的高差，作为井盖的高差尺寸。

作为本发明进一步的方案：所述当所述高差尺寸达到预设的尺寸阈值时，获取坐标位置并上传至云端服务器的步骤包括：

当所述高差尺寸达到预设的尺寸阈值时，根据GPS采集相机获取井盖高差在当前坐标系中的坐标及自身位置；

根据逆编码算法将井盖高差在当前坐标系中的坐标及自身位置转换为实际坐标；