- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈程序员必看
fastRcNN算法路面病害检测_R语言经典算法
Fast R-CNN算法是作者Ross Girshick对R-CNN算法的一种改进。R-CNN虽然取得了不错的成绩，但是其缺点也很明显。Fast R-CNN同样使用VGG-16网络结构，与R-CNN相比训练时间快9倍，测试时间快213倍，准确率从62%提升至66%(再Pascal voc数据集上)。Fast R-CNN主要是解决R-CNN存在的问题：
37510编辑于 2022-10-04 - 来自专栏公路路面检测
51camera公路路面病害巡检系统 精准把脉路面健康
公路交通作为综合交通运输体系的核心组成部分，更是经济发展的大动脉，公路路面检测可以有效保障行车安全，提升运输效率。而传统人工检测容易出现误检、漏检。 51camera公路路面病害巡检系统采用2D+3D融合技术，实现全要素路况（形态+深度）智能检测，为公路养护提供数据支撑和高效决策，保障公路处于安全状态，延长公路使用寿命。 51camera公路路面病害巡检系统是一套融合高速成像、激光测量与智能分析技术的机器视觉解决方案，专为实现路面病害的高精度检测与三维量化分析而设计。 对公路路面进行精准、高效的检测与养护，本质上就是在守护这条国家发展的“生命线”， 51camera公路路面病害巡检系统已实际应用在华东某高速公路段，经现场验证，实现了高效、高精度、安全、标准化、可追溯的智能化检测 ，开启了路面病害立体检测新时代。
18010编辑于 2026-03-05 PaveSync：跨国5.2万张图像路面病害基准，7款模型横评（YOLOv8-v12+Faster R-CNN+DETR）
导读路面病害检测领域长期缺乏统一的大规模基准数据集，各研究使用不同数据源、标注格式和类别定义，导致模型间难以直接比较。 一、路面病害检测为何需要统一基准？ 车辙具有规则的纵向带状特征，视觉上较为明确维修和 井盖次之：形状规则、与周围路面对比度高难检测类别（mAP@50 < 0.50）：泛油最难：最佳仅0.367（YOLOv8）。 （0.365）接近YOLOv8（0.367）DETR的注意力驱动架构对具有明确形状特征的类别召回较高，但在鼓包等视觉特征不明显的类别上精度偏低整体而言，两阶段和Transformer模型在路面病害检测上与 五、总结与讨论：统一基准的意义与局限PaveSync的核心价值在于为路面病害检测提供了一个 可直接回答"该用哪个模型"的统一基准。
22510编辑于 2026-03-16- 来自专栏高速公路那点事儿
智慧养护 | 高速公路智慧巡检产品都可以检测那些对象？
02-基于AI识别的智慧巡检 引用一个厂家的定义：依托道路动静态数据采集，坚持提升养护智慧化水平为导向，以视觉AI算法为核心技术，实现数据采集上传、病害自动识别、智能巡检管理、病害数据管理、设施资产管理 基本的技术要求如下： 1.多车道路面及街景同步采集，高精度定位。 2.可识别类型达数十种，包括路面病害及常见交安设施： （1）沥青路面：坑槽、横向裂缝、纵向裂缝、龟裂、修 补等； （2）水泥路面：坑洞、裂缝、边角剥落、面板破碎、板角断裂等； （3）路产识别：电子情报板 、龙门架、交通信号灯、护栏、交通标志等； （4）路产损坏： 护栏损坏、路框差、井盖破损、交通标志损坏等； 3.病害检测平均准确率达95%以上。 4.检测效率达20-30张/秒。 我们来看看目前智慧巡检产品的检测对象都有哪些。
21810编辑于 2025-07-03 - 来自专栏深度学习和计算机视觉
基于OpenCV的路面质量检测
本期我们将展示一种对路面类型和质量进行分类的方法及其步骤。为了测试这种方法，我们使用了我们制作的RTK数据集。 路面分类 该数据集[1]包含用低成本相机拍摄的图像，以及新兴国家常见的场景，其中包含未铺砌的道路和坑洼。路面类型是有关人或自动驾驶车辆应如何驾驶的重要信息。 在这种方法中，我们对表面类型分类任务使用特定的模型，我们将其定义为以下类别：沥青，已铺设（用于所有其他类型的路面）和未铺设。对于表面质量，我们使用其他三种不同的模型，每种类型的表面都使用一种。 lang=zh-CN 02.路面类型分类 我们使用了Python，TensorFlow和OpenCV。 让我们逐步分析一下… 首先，我们需要建立表面类型分类模型。为此，您将需要准备数据以训练模型。 03.路面质量分类 现在让我们包括质量分类。我们仅使用用于训练表面类型分类模型的相同CNN架构，并分别在每个表面类别上应用每个质量类别。因此，除了现有模型外，我们还培训了3种新模型。
81740编辑于 2022-04-06 - 来自专栏AI算法与图像处理
基于OpenCV的路面质量检测
本期我们将展示一种对路面类型和质量进行分类的方法及其步骤。为了测试这种方法，我们使用了我们制作的RTK数据集。 ? 路面分类 该数据集[1]包含用低成本相机拍摄的图像，以及新兴国家常见的场景，其中包含未铺砌的道路和坑洼。路面类型是有关人或自动驾驶车辆应如何驾驶的重要信息。 在这种方法中，我们对表面类型分类任务使用特定的模型，我们将其定义为以下类别：沥青，已铺设（用于所有其他类型的路面）和未铺设。对于表面质量，我们使用其他三种不同的模型，每种类型的表面都使用一种。 lang=zh-CN 02.路面类型分类 我们使用了Python，TensorFlow和OpenCV。 让我们逐步分析一下… 首先，我们需要建立表面类型分类模型。为此，您将需要准备数据以训练模型。 03.路面质量分类 现在让我们包括质量分类。我们仅使用用于训练表面类型分类模型的相同CNN架构，并分别在每个表面类别上应用每个质量类别。因此，除了现有模型外，我们还培训了3种新模型。
1.4K30发布于 2020-11-05 方案 | 基于无人机视觉AI的智慧交通管理技术方案
事故快速响应机制事故检测采用多模态融合策略。视觉检测方面，训练了专门的事故场景识别模型，能够识别车辆异常姿态、碎片散落、人员聚集等事故特征。热成像数据用于检测车辆引擎过热、起火等危险状况。 道路基础设施巡检道路病害检测是基础设施维护的核心功能。系统采用基于Transformer的分割网络对路面图像进行像素级分析，识别裂缝、坑洼、拥包等病害。 为提高检测精度，无人机在巡检时保持15米的低空飞行高度，确保地面分辨率达到2mm/像素。检测算法不仅标注病害位置，还会计算病害面积、长度等定量指标。标线检测模块专门针对道路标线的磨损程度进行评估。 通过对比标线区域与周围路面的灰度差异，系统可以量化标线的可见度。当可见度低于设定阈值时，自动标记为需要重新划线的路段。护栏检测则重点关注护栏的完整性和稳固性，通过三维重建技术检测护栏的变形和缺失。 通过对比不同时期的检测数据，可以分析病害的发展趋势，预测维护需求。例如，某处裂缝在三个月内宽度增加超过20%，系统会自动提升其维护优先级。
1K01编辑于 2025-08-15亿维股份联合腾讯云：基于AI与边缘计算的公路智能巡检与数字化管养架构
部署云边协同AI巡检系统：实现全要素道路资产动态感知 为实现路面病害检测、养护、管理和服务的实时化与数字化，深圳亿维锐创科技股份有限公司联合腾讯云，构建了融合人工智能、边缘计算与高精定位的“AI道路智能巡检系统 一体化边缘计算智能硬件： 终端设备集成了高清机器视觉相机、GNSS高精度定位模块、4G/5G通信及AI计算单元。支持120km/h的高速巡检，有效识别范围覆盖三车道。 设备支持无网络环境下的断点续传（离线本地缓存），且采用磁吸固定，车辆启动通电即可自动检测，无需人工干预。 多维度特征识别核心算法： 基于深度学习的图像分析技术，系统内置两大核心算法库： 42种病害算法： 精准识别包含网状裂缝、车辙、坑槽、边角剥落等在内的25种路面病害及周边设施异常。 ，大幅降低了日常巡查的人力投入与外包检测成本。
11810编辑于 2026-04-13- 来自专栏AI
基于 YOLOv8 的桥梁病害（八类缺陷、病害高精度）自动检测
基于YOLOv8的桥梁病害（八类缺陷、病害高精度）自动检测[目标检测完整源码]一、背景与问题：桥梁检测为什么需要AI？桥梁作为城市与交通网络中的关键基础设施，其服役周期长、受力复杂、环境影响显著。 传统桥梁检测主要依赖人工目测或人工+仪器结合的方式，普遍存在以下痛点：检测效率低，难以覆盖大规模桥梁资产对检测人员经验依赖强，结果主观性高数据难以结构化，不利于长期健康评估在此背景下，基于计算机视觉的自动化桥梁病害检测逐渐成为智能运维的重要发展方向 三、检测目标设计：让模型“看懂”桥梁问题在桥梁结构表面，病害往往呈现出尺度小、纹理细、形态多样的特点。 针对工程实践需求，系统定义了以下八类检测目标：裂缝收缩裂缝底层收缩裂缝混凝土退化混凝土空洞腐蚀潮湿路面劣化这些类别基本覆盖了常见桥梁表观病害类型，为后续健康评估与维修决策提供了结构化输入。 该方案在提升检测效率、降低人工成本、增强结果一致性方面具有显著优势，为桥梁智能巡检与结构健康监测提供了一条可落地、可扩展的技术路径，也为工业视觉在基础设施领域的应用提供了有价值的实践参考。
35710编辑于 2026-02-02 - 来自专栏技术汇总专栏
基于YOLOv8的桥梁八类缺陷、病害高精度检测项目｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！
腐蚀', '裂缝', '退化混凝土', '混凝土空洞', '潮湿', '路面劣化', '收缩裂缝', '底层收缩裂缝'项目摘要本项目集成了 YOLOv8 桥梁缺陷检测模型 与 PyQt5 图形界面工具， 实现了包括图片、文件夹、视频与摄像头等多种输入方式的桥梁病害自动检测功能。 系统可自动识别 腐蚀、裂缝、退化混凝土、混凝土空洞、潮湿、路面劣化、收缩裂缝、底层收缩裂缝 等八类常见桥梁病害。 项目配套完整源码、标注数据、训练流程与推理界面，方便二次开发与快速部署。 随着计算机视觉与深度学习技术的发展，借助YOLOv8等先进目标检测算法，可以对桥梁缺陷进行高效、自动化检测。 示例：裂缝识别效果展示腐蚀与空洞并存情况检测路面劣化与潮湿复合病害识别3.
50410编辑于 2025-07-24 AI道路智能巡检系统：基于腾讯云技术推动道路养护数字化智能化转型
、坑槽等病害影响行车安全。 系统构成： 智能硬件：AI道路智能巡检终端（一体式设计，集成高清机器视觉相机、GNSS高精度定位模块、4G/5G通信模块、智能AI计算单元；识别范围三车道，支持120km/h巡检车速；GNSS+惯性传感保障信号弱环境定位 核心算法：42种病害算法（含路面病害25种、路基损坏2种、沿线设施10种、交安事件5种）、44种资产算法（含交通安全设施29种、管理设施6种、服务设施4种等）。 量化应用成效与核心价值 客户价值： 提高工作效率，降低劳动强度：车辆正常行驶实现AI全自动识别路面病害及设施异常，检出更快、效率更高。 节省日常养护成本和检测成本：替代每年1-2次低频定检，支撑预防性养护，大幅降本。 贯彻公路养护装备智能化升级：融合AI、高精度定位、大数据，提升技术能力与效率。
19210编辑于 2026-04-13- 来自专栏世隆科技的专栏
探地雷达在路基检测中的应用：施工质量管理、隐蔽病害排查与监测
（二）在役路基：隐蔽病害排查与监测在役路基受行车荷载、环境因素影响，易产生空洞、含水率异常、基层脱空等隐蔽病害，探地雷达可在不中断交通的前提下，精准定位病害位置与规模，为养护提供依据。 1.典型病害识别特征2.病害发展监测应用延伸：对已发现的病害区域，可定期（如每年1次）采用相同参数（天线频率、波速标定值）复测，通过对比反射波特征变化，判断病害是否扩大。 例如某市政道路K1+200段2021年检测发现直径1.0m的空洞，2023年复测显示空洞直径扩大至1.8m，及时触发注浆加固，避免路面塌陷事故。 二、应用中的关键技术要点（一）天线频率选择浅层检测（0.5-2m）：优先选用600MHz-1.0GHz高频天线，分辨率高（可达2-5cm），适合基层厚度、浅层脱空检测；深层检测（2-5m）：选用200- （三）干扰因素排除电磁干扰：避开高压线（距离≥50m）、通信基站附近检测，数据处理时采用“频率滤波+均值滤波”消除电磁噪声；路面杂物：检测前清理路面碎石、积水，避免杂物导致天线与路面贴合不紧密，影响信号采集
62310编辑于 2025-09-24 - 来自专栏YOLO大作战
基于YOLOv8的草莓病害检测，加入EMA注意力和GPFN提升病害检测能力
本文摘要：基于YOLOv8的草莓病害检测，加入EMA注意力和GPFN性能分别从mAP0.5从原始的0.815提升至0.818和0.8311.YOLOv8介绍 Ultralytics YOLOv8 是Ultralytics公司开发的YOLO目标检测和图像分割模型的最新版本。 作为分类损失，使用DFL Loss+CIOU Loss作为分类损失；样本匹配：YOLOv8抛弃了以往的IOU匹配或者单边比例的分配方式，而是使用了Task-Aligned Assigner匹配方式2.草莓病害数据集介绍数据集大小一共
1.9K21编辑于 2023-12-19 - 来自专栏OpenCV与AI深度学习
基于深度学习的路面坑洞检测（详细教程）
导读 本文主要介绍如何使用 YOLOv4 目标检测模型和 Darknet 框架来创建一个路面坑洞检测系统。（公众号：OpenCV与AI深度学习） 背景介绍 高速行驶时，道路上的坑洼会变得非常危险。 但是，如果我们使用深度学习和目标检测来检测前方远处的坑洼呢？这样的系统一定会对我们有所帮助。这正是我们将在本文中所做的。 我们将使用YOLOv4 目标检测模型和 Darknet 框架来创建一个路面坑洞检测系统。 YOLOv4、YOLOv4-Tiny 和 YOLOv4-CSP 是存储库中一些众所周知且广泛使用的对象检测模型。 这有助于模型学习检测更小和更大图像中的对象。但与单分辨率训练相比，它也需要大量的 GPU 内存来训练相同的批量大小。
2K10编辑于 2022-09-26 - 来自专栏拓端tecdat
Python路面平整度检测车辆数据——速度修正
p=31268原文出处：拓端数据部落公众号分析师：Bohao Zhan目前主流的轻量化路面平整度检测技术方案为：使用车载加速度传感器采集车辆在路面上行驶时的竖向振动数据，并按照每100米计算竖向振动数据统计指标 ：均方根值RMS，并建立RMS与路面平整度指标：IRI之间的回归模型。 目前该技术方案的难点在于，对于同一IRI值的路面，若驾驶同一车辆以不同的行驶速度驶过，测得的振动数据统计指标也会不同，即车辆行驶速度是影响检测结果的主要因素之一。 得到各小路段在不同天下车辆的检测数据，且每一天的车辆行驶速度均是不同的，也就得到了对于同一路段（即相同IRI值路面），不同车辆行驶速度下的振动数据统计指标。 从图中可看出不同IRI值路面，检测车辆速度与检测结果统计指标RMS均存在较强的线性关系，对于不同的IRI值路面，其表现出线性的斜率不同。
68900编辑于 2023-01-12 - 来自专栏YOLO大作战
YOLO11叶片病害检测提升 | 具有切片操作的SimAM注意力结合卷积，助力病害检测
高效和卷积结合，代替原始网络的卷积操作；Conv_SWS | mAP50从原始的0.528提升至 0.538，该方法使用其他任务的叶片病害检测任务1.咖啡叶病害检测介绍 原来的数据集包含 1.1咖啡叶病害检测数据集介绍数据集大小：1213 images for training351 Images for validation180 Images for testing类别4类：nc: 'Miner', 'Phoma', 'Rust']细节图：标签可视化分析 2.原理介绍原文链接：YOLOv11全网首发：注意力独家魔改 | 具有切片操作的SimAM注意力，魔改SimAM助力小目标检测 性能如下： 在多个数据集验证涨点，尤其对存在多个尺度的数据集涨点明显提供多种yaml改进方法3.如何提升叶片病害检测精度3.1 原始网络性能 实验结果如下：原始mAP50为0.528YOLO11 summary
33100编辑于 2025-07-17 隧道病害检测系统 守护隧道交通安全
隧道检测的重要性隧道病害检测极其重要，它直接关系到交通安全、运营效率、经济效益和社会的稳定运行。保障交通安全是最重要的，隧道是一个封闭、受限的交通空间，一旦发生结构安全事故，影响巨大。 为提高隧道检测效率和准确性，51camera经过多次验证结合机器视觉先进技术推出了隧道病害检测系统，它是基于多目高速视觉的隧道表面图像的采集、处理与异常状态智能识别系统。 该系统多种巡检模式:1.低速便携式(0-10公里/小时)2.中速自行走式(0-30公里/小时)3.高速车载式(0-100公里/小时)智能检测病害:成功实现了裂缝、渗漏水、脱落、设备异常状态等多种病害的智能检测 多场景应用:可用于混凝土建筑(隧道、桥梁、公路、建筑物等)的表面病害和表面缺陷智能检测。 隧道病害检测系统的优势l 多维先进感知l 先进传感器l 尺寸快速测量、病害智能识别l 实时采集、综合管理、智能分析l 定制化，模块化多功能设计系统组成1、控制单元 集成供电系统降低对外界电源的依赖
15410编辑于 2025-11-12- 来自专栏AIGC 先锋科技
利用增强现实与改进 YOLOv5 检测 ！
路面裂缝和损伤是道路上遇到的最常见问题。 关于路面病害的一阶段检测的研究很少，研究重点在于模型选择、数据集选择和处理以及损失函数的选择。然而，这些研究没有讨论路面病害与一般检测目标区别开来的特征。 标准的用于路面病害检测的一阶段方法模型，如YOLO系列，设计用于检测一般目标，并没有充分考虑路面病害的具体特征。因此，研究如何针对路面病害特征改进这些模型至关重要。 目前，许多学者已经提出了不同的路面病害检测算法，并取得了良好的效果。 通过优化损失函数以降低网络的损失值，作者实现了网络的加速收敛速度，从而提高了整个检测网络的准确性，实现了对路面病害的高精度自动检测和分类。 因此，网络可以增强对路面病害损伤输入特征的注意力，并提高其空间特征选择能力。 该过程可以表示为方程(6)： 在方程(6)中：表示两个矩阵的对应元素相乘。
78211编辑于 2024-07-08 - 来自专栏OpenCV与AI深度学习
实战 | 使用YOLOv8图像分割实现路面坑洞检测（步骤 + 代码）
视觉/图像重磅干货，第一时间送达! 导 读 本文主要介绍使用YOLOv8图像分割实现路面坑洞检测（步骤 + 代码）。 背 景 如上图所示，现实生活中路面坑洞对车辆和驾驶员安全来说存在巨大隐患，本文将介绍如何使用YoloV8图像分割技术来检测路面坑洞，从而提示驾驶员注意避让，尽可能保证安全。 在整个项目中，我们从数据管理到模型训练、推理和评估，揭示了图像分割的复杂性及其在计算机视觉中的变革潜力。 —THE END—
2.6K20编辑于 2024-03-02 - 来自专栏高速公路那点事儿
数字化转型 | 高速公路运行分析与辅助决策平台研究及功能设计
辅助决策功能 （1）养护辅助决策功能 根据路基、路面、桥梁、涵洞、隧道、沿线设施、交通绿花等项目各项指标的检测数据，计算评定道路目前状况和使用性能； 根据路面病害检测情况和路面基层强度情况，系统可自动生成专门针对病害的具体养护处治措施对策和费用分析结果 （系统根据养护质量综合指标MQI得分、病害情况、养护对策费用模型对下季度和下年度的养护费用做出预算）； 根据路面路基、桥涵构造物等综合检测数据和评价结果，系统自动生成宏观养护措施对策和综合费用分析； 根据各项检测指标和评定结果 根据封路数据分析极端天气情况下车流量影响程度，通过气象站采集的能见度、路面水膜厚度、风力、路面温度及各级气象部门的气象数据等，进行数据分析对车辆安全通行的影响。 9. 养护决策模型维护功能 模型由病害对策费用模型、养护对策模型、评价模型、费用模型、决策模型、预估模型组成： 病害对策费用模型 针对病害对策生产而设置，分为路基基层良好和路基基层不足两类； 养护对策模型 针对养护决策生成而设置的
36610编辑于 2025-07-03
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号