基于LiDAR传感器的无人机检测道路病害技术方法

技术领域

本发明涉及城市道路病害检测技术领域，具体为基于LiDAR传感器的无人机检测道路病害技术方法。

背景技术

随着社会的不断发展和进步，人们的日常生活己经和交通密不可分，而道路是交通系统的重要组成部分，是国民经济赖的发展的重要基础设施。近年来，我国道路建设有了突飞猛进的发展，通车里程规模不断增大，并且机动车行驶数量迅速增长，导致道路路面损坏速度加快，路面的病害检测工作也变得越来越繁重。

城市道路病害检测是城市基础设施维护和安全的一个关键领域，道路病害通常包括路面上的各种问题，如裂缝、坑洼、沥青损伤、标线模糊，这些问题由于交通流量、气候变化、材料老化或其他因素而产生，如果不及时发现和修复，可能会导致交通事故、交通拥堵以及对车辆和行人的危险，目前现有的城市道路病害检测通常由巡查员巡视道路并手工记录问题的位置和类型，但这种记录方式效率交底、准确性不高，同时对人力资源较为依赖，为了改进这一过程，无人机技术被引入，提高病害检测的效率和准确性，利用无人机，城市道路病害检测变得更加高效、实时，通过配备的摄像头、传感器捕捉道路表面的图像和数据，进行图像处理和计算机视觉技术分析检测和标记道路上的病害，无人机的优势在于能够快速覆盖大面积，提供更全面的道路病害信息，并且可以在短时间内完成任务，实现实时监测，但是传统的无人机系统在处理大量图像数据、实时监测和标记方面存在一些限制，这导致了需求更高效、更准确和更快速的城市道路病害检测方法，来改善道路维护和提高交通安全。

然而传统的无人机系统在道路病害检测方面在面临大量的图像数据处理时，处理速度较慢，难以实现实时监测和标记，特别是在快速变化的交通环境中，慢速的数据处理会导致错过道路上的问题点，从而延迟维护和修复工作，同时传统无人机系统在病害的精确定位上有限，难以将检测结果精确地映射到地图上，导致维护人员难以准确定位问题的具体位置，因此需要更多的手动工作来查找和处理道路上的病害，不仅费时费力，还容易引入误差，因此亟需一种可以进行实时数据处理和自动标注的基于LiDAR传感器的无人机检测道路病害技术方法来解决此类问题。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了基于LiDAR传感器的无人机检测道路病害技术方法，解决现有技术中存在的面临大量的图像数据处理时，处理速度较慢，在病害的精确定位上有限，难以将检测结果精确地映射到地图上的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现，本发明提供了基于LiDAR传感器的无人机检测道路病害技术方法，包括：

路面信息采集模块，包括云端存储单元，用于从无人机的传感器中收集数据，所述路面信息采集模块包括图像采集单元，LiDAR扫描单元，传感器单元；

路面信息数据处理模块，用于对采集到的数据进行处理分析，所述面信息数据处理模块包括图像处理单元，数据归一化单元以及数据标签单元；

病害检测分辨模块，用于采用深度学习模型进行病害检测，所述病害检测分辨模块包括CNN单元、RNN单元以及模型训练和迁移学习单元；

实时数据处理模块，用于处理路面信息采集模块所采集数据，以及进行实时检测和标记道路上的病害，所述实时数据处理模块包括实时检测单元、数据缓存管理单元以及结果标记单元；

GIS集成模块，集成地理信息系统，用于将检测结果与地理信息系统集成，进行地理定位，所述GIS集成模块包括坐标转换单元以及GIS接口单元。

本发明进一步地设置为：所述图像采集单元用于捕获道路表面图像；

所述LiDAR单元用于执行激光扫描以获取道路三维信息；

所述传感器单元用于检测温度和材料变化；

所述路面信息采集模块中：

采用飞行控制软件计划无人机的飞行路径覆盖需要检测的道路区域；

传感器单元与路面信息采集模块采用蓝牙进行信息传输；

将传感器单元采集的数据存储在云端存储单元；

本发明进一步地设置为：所述图像处理单元用于执行亮度、对比度、几何变换图像增强操作；

所述数据归一化单元用于将数据标准化保持一致性；

所述数据标签单元用于自动标注数据从而进行监督学习；

本发明进一步地设置为：所述执行亮度、对比度、几何变换图像增强步骤具体包括；

计算原始图像的均值用于亮度增强，具体为：

其中μ就是原始图像均值，N表示图像宽度，M表示图像高度，I(x,y)表示图像像素值；

定义亮度增益因子，确定亮度增益因子用于控制亮度的增强程度；

对每个像素应用亮度增强，亮度因子确定方式具体为：

I

其中I

算图像均值和标准差用于对比度增强，具体为：

其中N，M同样分别表示图像的宽度和高度，I(x,y)表示图像的像素值，μ为图像均值，σ即图像标准差；

定义对比度增益因子用于控制对比度的增强程度，对每个像素应用对比度增强，具体为：

I

其中I

本发明进一步地设置为：所述CNN单元包括卷积层、池化层、全连接层，用于特征提取；

所述RNN单元用于序列数据的处理，包括检测病害的深度；

所述模型训练和迁移学习单元用于训练和微调深度学习模型；

本发明进一步地设置为：所述病害检测分辨模块中进行病害检测步骤具体包括：

获取包含道路病害的图像数据集，包括病害的位置信息并以标签形式存在；

对数据进行预处理，包括图像大小调整、归一化和数据增强；

采用基于CNN的卷积神经网络构建神经网络架构，包括卷积层、池化层、全连接层；

所述CNN架构具体包括：

卷积层：C

池化层：P

全连接层：O

其中i和j表示不同的层和神经元，X表示输入的图像特征，C

采用交叉熵损失函数定义损失函数；

使用训练数据集对深度学习模型进行训练学习道路病害的特征和位置；

本发明进一步地设置为：所述实时检测单元用于运行深度学习模型进行实时病害检测；

所述数据缓存管理单元用于存储和管理实时数据；

所述结果标记单元用于将检测结果附加到地图上的坐标；

本发明进一步地设置为：所述实时数据处理模块中，进行实时检测和道路病害标记步骤具体包括：

实时接收传感器单元的图像数据，将数据图像表示为连续的图像帧I

将输入图像I

采用亮度调整进行数据增强；

采用卷积神经网络CNN深度学习模型进行实时道路病害检测，监测过程具体包括：

使用卷积层从图像中提取特征F

通过全连接层将特征图F

基于Softmax函数将得分向量S

特征提取：F

类别得分：S

类别预测：

其中Fc表示全连接层，CNN则表示整体卷积神经网络；

本发明进一步地设置为：所述进行实时检测和道路病害标记步骤还包括：

当监测到道路病害时，生成病害标记M

输出带有病害标记的图像地图，以及相应的概率分布P

本发明进一步地设置为：所述坐标转换单元用于将无人机采集的数据转换为地图坐标；

所述GIS接口单元用于与GIS系统集成，将结果地理定位在地图上。

(三)有益效果

本发明提供了基于LiDAR传感器的无人机检测道路病害技术方法。具备以下

有益效果：

本申请所提供的基于LiDAR传感器的无人机检测道路病害技术方法，通过整合图像采集单元、LiDAR扫描单元和传感器单元，综合捕获道路病害相关的多种数据，包括视觉信息、三维结构以及温度和材料变化，全面信息采集有助于更全面地理解道路状况，同时采用云端存储单元，更高效地管理和存储大量的数据，数据可以随时访问，便于后续分析和维护规划，在图像增强上，图像处理单元执行亮度、对比度、几何变换图像增强操作，提高图像质量，使道路病害更容易识别，数据归一化单元保证数据的一致性和标准化，同时数据标签单元自动标注数据，为监督学习提供数据标签，使系统能够不断学习和改进。

同时采用深度学习模型，包括卷积神经网络CNN和循环神经网络RNN，用于特征提取、序列数据处理以及图像分类和病害检测，模型训练和迁移学习单元用于训练和微调深度学习模型，适应不同的道路状况，实时数据处理模块能实时接收传感器数据，运行深度学习模型进行道路病害检测，检测结果通过数据标记单元附加到地图上的坐标，实现实时道路病害标记，使相关部门能够即时了解道路上的问题点。

最后通过GIS集成模块，将检测结果与地理信息系统集成，实现地理定位，使病害检测结果可以精确地定位在地图上，有助于更好地规划和执行道路养护工作。

解决了现有技术中存在的面临大量的图像数据处理时，处理速度较慢，在病害的精确定位上有限，难以将检测结果精确地映射到地图上的问题。

附图说明

图1为本发明的基于LiDAR传感器的无人机检测道路病害技术方法框架图；

图2为本发明的基于LiDAR传感器的无人机检测道路病害技术方法的病害检测分辨流程图1；

图3为本发明的基于LiDAR传感器的无人机检测道路病害技术方法的病害检测分辨流程图2。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

请参阅图1-图3，本发明提供基于LiDAR传感器的无人机检测道路病害技术方法，包括：

S1.路面信息采集模块，包括云端存储单元，用于从无人机的传感器中收集数据，路面信息采集模块包括图像采集单元，LiDAR扫描单元，传感器单元；

图像采集单元用于捕获道路表面图像；

LiDAR单元用于执行激光扫描以获取道路三维信息；

传感器单元用于检测温度和材料变化；

路面信息采集模块中：

采用飞行控制软件计划无人机的飞行路径覆盖需要检测的道路区域；

传感器单元与路面信息采集模块采用蓝牙进行信息传输；

将传感器单元采集的数据存储在云端存储单元；

如图3所示，由图像采集单元、LiDAR单元、传感器单元采集路面信息，将路面信息传输至路面信息数据处理模块进行数据分析，并将数据同步至云端存储单元，同时路面信息数据处理模块将分析后的数据传输至病害检测分辨模块进行病害分辨，再由实时数据处理模块以及GIS集成模块将病害数据进行地图更新；

S2.路面信息数据处理模块，用于对采集到的数据进行处理分析，面信息数据处理模块包括图像处理单元，数据归一化单元以及数据标签单元；

图像处理单元用于执行亮度、对比度、几何变换图像增强操作；

数据归一化单元用于将数据标准化保持一致性；

数据标签单元用于自动标注数据从而进行监督学习；

执行亮度、对比度、几何变换图像增强步骤具体包括；

计算原始图像的均值用于亮度增强，具体为：

其中μ就是原始图像均值，N表示图像宽度，M表示图像高度，I(x,y)表示图像像素值；

定义亮度增益因子，确定亮度增益因子用于控制亮度的增强程度；

对每个像素应用亮度增强，亮度因子确定方式具体为：

I

其中I

算图像均值和标准差用于对比度增强，具体为：

其中N，M同样分别表示图像的宽度和高度，I(x,y)表示图像的像素值，μ为图像均值，σ即图像标准差；

定义对比度增益因子用于控制对比度的增强程度，对每个像素应用对比度增强，具体为：

I

其中I

S3.病害检测分辨模块，用于采用深度学习模型进行病害检测，病害检测分辨模块包括CNN单元、RNN单元以及模型训练和迁移学习单元；

CNN单元包括卷积层和池化层，用于特征提取；

RNN单元用于序列数据的处理，包括检测病害的深度；

模型训练和迁移学习单元用于训练和微调深度学习模型；

病害检测分辨模块中进行病害检测步骤具体包括：

获取包含道路病害的图像数据集，包括病害的位置信息并以标签形式存在；

对数据进行预处理，包括图像大小调整、归一化和数据增强；

采用基于CNN的卷积神经网络构建神经网络架构，包括卷积层、池化层、全连接层；

CNN架构具体包括：

卷积层：C

池化层：P

全连接层：O

其中i和j表示不同的层和神经元，X表示输入的图像特征，C

采用交叉熵损失函数定义损失函数；

使用训练数据集对深度学习模型进行训练学习道路病害的特征和位置；

S4.实时数据处理模块，用于处理路面信息采集模块所采集数据，以及进行实时检测和标记道路上的病害，实时数据处理模块包括实时检测单元、数据缓存管理单元以及结果标记单元；

实时检测单元用于运行深度学习模型进行实时病害检测；

数据缓存管理单元用于存储和管理实时数据；

结果标记单元用于将检测结果附加到地图上的坐标；

实时数据处理模块中，进行实时检测和道路病害标记步骤具体包括：

实时接收传感器单元的图像数据，将数据图像表示为连续的图像帧I

将输入图像I

采用亮度调整进行数据增强；

采用卷积神经网络CNN深度学习模型进行实时道路病害检测，监测过程具体包括：

使用卷积层从图像中提取特征F

通过全连接层将特征图F

基于Softmax函数将得分向量S

特征提取：F

类别得分：S

类别预测：

其中Fc表示全连接层，CNN则表示整体卷积神经网络；

进行实时检测和道路病害标记步骤还包括：

当监测到道路病害时，生成病害标记M

输出带有病害标记的图像地图，以及相应的概率分布P

S5.GIS集成模块，集成地理信息系统，用于将检测结果与地理信息系统集成，进行地理定位，GIS集成模块包括坐标转换单元以及GIS接口单元；

坐标转换单元用于将无人机采集的数据转换为地图坐标；

GIS接口单元用于与GIS系统集成，将结果地理定位在地图上。

采用上述城市道路快速实时病害检测的无人机系统对4处城市道路进行病害检测，并记录检测性能：检测速度、准确性、自动标注效率、数据处理速度，检测速度为数据采集和处理总时间，准确性为检测结果与对比结果一致性，数据处理速度为快速变化交通环境下处理速度，作为分别作为实验1组，实验2组，实验3组和实验4组，在按照申请号CN116665171A的基于RSUNet的道路病害检测方法同样采用无人机监测方式对检测性能进行记录，分别作为对照1组，对照2组，对照3组和对照4组。

表1：实验组检测性能统计

表2：对照组检测性能统计

由表1和表2可知，与对照组相比，实验1-4组的检测速度均明显高于对照1-4组(p<0.05)，由表1和表2可知，与对照组相比，实验1-4组的准确性均高于对照1-4组，而面对高流量的道路检测时，实验1-4组处理速度值同样均明显高于对照组(p<0.05)。

综合以上内容，在本申请中：

本申请所提供的基于LiDAR传感器的无人机检测道路病害技术方法，通过整合图像采集单元、LiDAR扫描单元和传感器单元，综合捕获道路病害相关的多种数据，包括视觉信息、三维结构以及温度和材料变化，全面信息采集有助于更全面地理解道路状况，同时采用云端存储单元，更高效地管理和存储大量的数据，数据可以随时访问，便于后续分析和维护规划，在图像增强上，图像处理单元执行亮度、对比度、几何变换图像增强操作，提高图像质量，使道路病害更容易识别，数据归一化单元保证数据的一致性和标准化，同时数据标签单元自动标注数据，为监督学习提供数据标签，使系统能够不断学习和改进。

同时采用深度学习模型，包括卷积神经网络CNN和循环神经网络RNN，用于特征提取、序列数据处理以及图像分类和病害检测，模型训练和迁移学习单元用于训练和微调深度学习模型，适应不同的道路状况，实时数据处理模块能实时接收传感器数据，运行深度学习模型进行道路病害检测，检测结果通过数据标记单元附加到地图上的坐标，实现实时道路病害标记，使相关部门能够即时了解道路上的问题点。

最后通过GIS集成模块，将检测结果与地理信息系统集成，实现地理定位，使病害检测结果可以精确地定位在地图上，有助于更好地规划和执行维护工作。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。