(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210939656.4 (22)申请日 2022.08.05 (71)申请人 武汉中观自动化科技有限公司 地址 430000 湖北省武汉市东湖新 技术开 发区光谷大道308号(凤凰园中路交汇 处)光谷动力节能环保产业园内6号楼 5层15号 (72)发明人 卢金　王晓南　成剑华　何源　 张奇源　刘铭　 (74)专利代理 机构 武汉智嘉联合知识产权代理 事务所(普通 合伙) 42231 专利代理师 罗晓声 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01)G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01S 7/48(2006.01) (54)发明名称 基于激光雷达的路面病害检测分类方法、 系 统和存储介质 (57)摘要 本申请提供了一种基于激光雷达的路面病 害检测分类方法、 系统和存储介质， 包括步骤： 基 于激光雷达技术获取路面的3D点云数据； 对3D点 云数据进行分段及聚类处理， 提取路面的病害区 域； 在路面的病害区域收集训练样本， 使用训练 样本训练路面病害分类深度学习模 型； 使用训练 完成的路面病害分类深度学习模型对检测样本 进行路面病害检测分类。 本发明采 取的是基于激 光雷达SLA M技术获取路面3D点 云数据， 然后对点 云数据进行自动分割， 提取病害区域， 然后收集 训练样本， 使用深度学习技术对模型进行训练， 使用训练得到的模型对检测样 本进行预测分类， 在节省人力成本的同时提高了效率。 权利要求书2页 说明书9页 附图3页 CN 115311229 A 2022.11.08 CN 115311229 A 1.一种基于 激光雷达的路面病害检测分类方法， 其特 征在于， 包括以下步骤： 基于激光雷达技 术获取路面的3D点云数据； 对所述3D点云数据进行分段及聚类处 理， 提取所述路面的病害区域； 在所述路面的病 害区域收集训练样本， 使用所述训练样本训练路面病 害分类深度 学习 模型； 使用训练完成的所述路面病害分类深度学习模型对检测样本进行路面病害检测分类。 2.根据权利要求1所述的基于激光雷达的路面病 害检测分类方法， 其特征在于， 对所述 3D点云数据进行分段及聚类处 理， 提取所述路面的病害区域， 包括 步骤： 对所述3D点云数据进行分段处 理得到分段 数据； 对所述分段 数据进行聚类处 理得到多个 类别点云； 对每个所述类别点云进行曲面拟合处 理得到拟合曲面； 将所述3D点云数据的原 始点云与所述拟合曲面进行比对生成色差图； 将所述色差图中色差值超过 预设阈值的点连接， 得到所述路面的病害区域。 3.根据权利要求1或2所述的基于激光雷达的路面病害检测分类方法， 其特征在于， 在 所述路面的病害区域收集训练样本， 使用所述训练样本训练路面病害分类深度学习模型， 包括步骤： 获取包含路面病害的3D点云数据， 并转 化为深度图， 作为所述训练样本； 将所述训练样本打上病 害类别标签， 使用所述训练样本在深度 学习网络 中训练所述路 面病害分类深度学习模型。 4.根据权利要求2所述的基于激光雷达的路面病 害检测分类方法， 其特征在于， 对所述 3D点云数据进行分段处 理得到分段 数据， 包括 步骤： 生成激光雷达的轨 迹图； 沿着所述轨迹图的轨迹方向， 每间隔预设距离将所述3D点云数据进行分段得到分段数 据。 5.根据权利要求3所述的基于激光雷达的路面病 害检测分类方法， 其特征在于， 所述训 练样本的所述病害类别标签至少包括以下任意 一种： 横向裂缝、 纵向裂缝、 块裂、 龟裂、 修补、 坑槽、 车辙和凸包。 6.根据权利要求2所述的基于激光雷达的路面病 害检测分类方法， 其特征在于， 对所述 分段数据进行聚类处 理得到多个 类别点云， 包括 步骤： 计算所述分段 数据的3D点云数据的曲率 值； 按照曲率值的大小对所述3D点云数据由小到大进行排序， 找到最小曲率值点， 并把它 添加到种子点 集； 寻找每个种子点周边的近邻点， 计算每 个近邻点与当前种子点的法线角度差； 若所述近邻点通过了法线角度差检验， 且曲率小于设定的阈值， 将所述近邻点添加到 种子点集； 设置最小点簇的点数和最大点簇的点数， 生成点数在最小点簇的点数和最大点簇的点 数之间的所有所述类别点云。 7.根据权利要求1所述的基于激光雷达的路面病 害检测分类方法， 其特征在于， 使用训 练完成的所述路面病害分类深度学习模型对检测样本进行路面病害检测分类， 包括 步骤：权　利　要　求　书 1/2 页 2 CN 115311229 A 2将待检测 的3D点云数据， 沿着轨迹方向以预设距离为间隔分割成连续的点云片段序 列； 将每个点云片段转换成深度图， 将深度图送入所述路面病 害分类深度 学习模型对检测 样本进行路面病害检测分类。 8.根据权利要求1所述的基于激光雷达的路面病 害检测分类方法， 其特征在于， 所述路 面病害分类深度学习模型包括： CNN模型， 包括： 卷积层， 用于提取特征； 池化层， 用于下采样； 全连接层， 用于对路面病 害进行分类； RNN模型， 与所述CN N模型的输出端连接， 包括： 输入层、 隐藏层和输出层。 9.一种基于激光雷达的路面病害检测分类系统， 其特征在于， 包括： 存储器、 处理器及 存储在所述存储器上并可在所述处理器上运行的计算机程序， 所述处理器执行所述计算机 程序时实现如权利要求1至8中任意 一项所述的基于 激光雷达的路面病害检测分类方法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有计算机可 执行指令， 所述计算机可执行指 令用于使计算机执行如权利要求 1至8中任意一项 所述的基 于激光雷达的路面病害检测分类方法。权　利　要　求　书 2/2 页 3 CN 115311229 A 3