(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211029447.2 (22)申请日 2022.08.26 (65)同一申请的已公布的文献号 申请公布号 CN 115100207 A (43)申请公布日 2022.09.23 (73)专利权人 北京恒新天创科技有限公司 地址 100085 北京市昌平区回龙观镇金燕 龙大厦8层809 (72)发明人 潘达亮　 (74)专利代理 机构 北京智鸿港知识产权代理事 务所(普通 合伙) 16003 专利代理师 张学府 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/73(2017.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G01N 21/88(2006.01) (56)对比文件 US 2021342 997 A1,2021.1 1.04 审查员 王思文 (54)发明名称 一种基于机器视觉的检测系统及检测方法 (57)摘要 本发明提供了一种基于机器视觉的检测系 统及检测方法， 检测方法包括： 获取待检测路面 图像， 将获取的待检测路面图像进行预处理， 剔 除待检测路面图像中非目标处理图像得到目标 处理图像； 对目标处理图像中的路面损坏区域进 行粗目标框标记； 基于训练好的路面检测深度学 习模型对粗目标框内的 图像进行检测， 识别粗目 标框内的每处路面损坏区域的损坏类型； 基于训 练好的路面检测深度学习模型对粗目标框内的 每处路面损坏区域分别进行回归定位， 从而确定 每处路面损坏区域的具体损坏位置。 本发明在先 对路面损坏区域进行粗目标框标记后， 再对粗目 标框内的每处路面损坏区域分别进行回归定位， 从而能够确定粗目标框内每处路面损坏区域的 具体损坏位置 。 权利要求书6页 说明书13页 附图4页 CN 115100207 B 2022.11.08 CN 115100207 B 1.一种基于 机器视觉的检测方法， 其特 征在于， 包括以下步骤： 步骤1： 获取待检测路面图像， 将获取的待检测路面图像进行预处理， 剔除待检测路面 图像中非目标处 理图像得到目标处 理图像； 步骤2： 对目标处 理图像中的路面损坏区域进行粗目标框标记； 步骤3： 基于训练好的路面检测深度 学习模型对粗目标框内的图像进行检测， 识别粗目 标框内的每处路面损坏区域的损坏类型； 步骤4： 基于训练好的路面检测深度学习模型对粗目标框内的每处路面损坏区域分别 进行回归定位， 从而确定每处路面损坏区域的具体损坏位置； 其中， 基于训练好的路面检测深度学习模型对粗目标框内的图像进行检测， 识别粗目 标框内的每处路面损坏区域的损坏类型之后， 还 包括： 对粗目标框进行分类， 分类过程包括如下步骤： d： 建立路面破损程度评估模型、 路面平整度评估模型和路面承载力评估模型； 所述路 面破损程度评估模型用于对粗目标框内的每处路面损坏区域的破损程度进 行评估， 所述路 面平整度评估模型用于对粗目标框内的每处路面损坏区域的路面平整度进 行评估， 所述路 面承载力评估 模型用于对粗目标框内的每处路面损坏区域的路面承载力进行评估； e： 将粗目标框内的每处路面损坏区域的图像分割， 分别输入路面破损程度评估模型、 路面平整度评估模型和路面承载力评估模型中， 分别得到粗目标框内的每处路面损坏区域 的路面破损程度、 路面平整度和路面承载力评估结果 、 和 ； f： 基于粗目标框内的每处路面损坏区域的路面破损程度、 路面平整度和路面承载力 评 估结果， 对粗目标框内的路面区域进行状态评估， 评估如下： 基于粗目标框 内的每处路面损 坏区域的路面破损程度、 路面平整度和路面承载力 评估 结果 、 和 ， 计算粗目标框内的路面区域的实际综合路面状态系数： 其中， 为粗目标框 内的路面 区域的实际综合路面状态系数， 表示粗目标框内共有 处路面损坏区域， 为粗目标框内的第i处路面损坏区域路面完好程度的权重值， 为 被检测路面的路面类型对路面破损程度的影响系数， 为第i处路面损坏区域对应的路 面损坏类型的权重值， 每种路面损坏类型对应的 取值不同， 为第i处路面损坏区域 的面积， 为粗目标框内的路面区域的总面积， 为被检测 路面的路面类型对路面破损状 况指数的影响系数， 为路面破损程度评估模型输出的路面破损程度等级， 取值为2 ‑9， 为第i处路面损坏区域的实际路面完好程度状况指数，权　利　要　求　书 1/6 页 2 CN 115100207 B 2为第i处路面损坏区域的实际路面破损程度状况指数， 为粗目 标框内的第i处路面损坏区域路面行驶舒适性的权重值， 为自然数， 取值为2.71， Z为路面 基准平整度指 数， 为路面平整度评估模型输出的路面平整度等级， 取值为4 ‑8， 为实 际路面行驶舒适性状况指数， 为粗目标框内的第i处路面损坏区域路面结构承载状况 的权重值， 为路面承载力评估模型输出的路面承载力等级， 取值为7 ‑9， 为路面基准结 构强度系数， 为第i处路面损 坏区域的实际路面结构承载状况指数， 为粗目标框 内损坏区域的标准路面完好程度状况指数， 为粗目标框内损坏区域的标准路面行驶 舒适性状况指数， 为粗目标框内损坏区域的标准路面结构承载状况指数； g： 通过对粗目标框内的路面区域进行状态评估对粗目标框进行分类， 分为无需修补类 粗目标框、 延迟修补类粗目标框和紧急修补类粗目标框， 分类如下： 若粗目标框内的路面区域的实际综合路面状态系数 大于第一预设综合路面状态系 数 ， 则将该粗目标框分为无需修补类粗目标框； 若粗目标框内的路面区域的实际综合路面状态系数 小于第二预设综合路面状态系 数 ， 则将该粗目标框分为紧急修补类粗目标框； 若粗目标框内的路面区域的实际综合路面状态系数 小于第一预设综合路面状态系 数 ， 同时大于第二预设综合路面状态系数 ， 则将该粗目标框分为延迟修补类粗目标 框； h： 基于训练好的路面检测深度学习模型对延迟修补类粗目标框和紧急修补类粗目标 框内的每处路面损坏区域分别进 行回归定位， 从而确定延迟修补类粗目标框和紧急修补类 粗目标框内每处路面损坏区域的具体损坏位置 。 2.如权利要求1所述基于机器视觉的检测方法， 其特征在于， 将 获取的待检测路面图像 进行预处理， 包括： 将获取的待检测路面图像分为 直接处理图像和深度处 理图像； 剔除直接处 理图像和深度处 理图像中的非目标处 理图像得到目标处 理图像。 3.如权利要求2所述的基于机器视觉的检测方法， 其特征在于， 将 获取的待检测路面图 像分为直接处理图像和深度处 理图像， 包括： a： 采用n种图像质量评估算法对基准图像的质量评估值进行计算， 得到基准图像的图 像质量评估值集合： ， 其中 为采用第n种 图像质量 评估算法计算出的基准图像的图像质量评估值； b： 采用n种图像质量评估算法对待检测路面图像的质量评估值进行计算， 得到待检测权　利　要　求　书 2/6 页 3 CN 115100207 B 3