技术领域
[0001] 本申请涉及故障检测技术领域，尤其涉及一种道路路面病害的检测方法和设备。
相关背景技术
[0002] 在道路正常运营过程中，受天气、车辆超载运输以及长时间运营等因素影响，拥包、麻面等道路路面病害的出现，影响道路运行效率与服务质量，甚至威胁人车交通的同行安全。在高速公路中，这个问题更为明显。因此，如何高精度检测道路路面病害尤为重要。
[0003] 相关技术中，一种方式是人工检测，采用巡逻拍照、记录上传方式进行病害检测，精度高但人力成本也高；另一种方式是采用专业设备进行道路数据采集与分析，专业设备的检测成本以及维护成本均较差；再一种方式是实时采集道路场景的视频数据进行分析，但是，由于复杂光线、阴影环境干扰的存在，再加上病害目标特征不显著等特性，检测精度较低，无法精准识别形态差异的病害。
具体实施方式
[0035] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
[0036] 在道路正常运营过程中，受天气、车辆超载运输以及长时间运营等因素影响，拥包、麻面等道路路面病害的出现，影响道路运行效率与服务质量，甚至威胁人车交通的同行安全。在高速公路中，这个问题更为明显。因此，如何高精度检测道路路面病害尤为重要。
[0037] 相关技术中，一种方式是人工检测，采用巡逻拍照、记录上传方式进行病害检测，精度高但人力成本也高；另一种方式是采用专业设备进行道路数据采集与分析，专业设备的检测成本以及维护成本均较差；再一种方式是实时采集道路场景的视频数据进行分析，但是，由于复杂光线、阴影环境干扰的存在，再加上病害目标特征不显著等特性，检测精度较低，无法精准识别形态差异的病害。
[0038] 为此，本申请实施例提供了一种道路路面病害的检测方法，该方法中，可以将路面图像分割为不同的病害目标块，计算用来描述各个病害目标块的至少一个目标特征数据，再根据至少目标特征数据计算病害概率，进而根据病害概率与设定病害概率阈值的关系，确定路面图像中包括的病害的类型。这样的设计，提高了道路路面病害检测的精度。
[0039] 在介绍完本申请实施例的设计思想之后，下面对本申请实施例的技术方案能够适用的应用场景做一些简单介绍，需要说明的是，以下介绍的应用场景仅用于说明本申请实施例而非限定。在具体实施时，可以根据实际需要灵活地应用本申请实施例提供的技术方案。
[0040] 首先，对道路病害的分类进行举例说明，以沥青路面为例，病害类型主要分为裂缝类、松散类、变形类和其他类等。
[0041] (1)裂缝类病害按照裂缝的方向和成因，可以分为龟裂、块状裂缝、纵向裂缝、横向裂缝等。
[0042] (2)松散类病害是一种在雨季频发的病害，主要包含松散和坑槽两类。
[0043] 由于沥青路面水稳定性不足，路面会逐渐出现麻面、松散乃至坑槽、脱皮、啃边等现象。
[0044] (3)变形类病害主要包括沉陷、车辙和波浪拥包等。
[0045] (4)其他类病害，除了裂缝类、松散类和变形类这三类病害类型外，沥青路面还会产生一些其他类型的病害，主要包括泛油、修补等。
[0046] 参考图1，示出了一种道路路面病害的示意图，其中，图1示意出了几种病害类型，11为拥包、12为裂缝、13为坑洼，拥包11和坑洼12通常为曲面形式，裂缝13通常为一条线。
[0047] 为进一步说明本申请实施例提供的技术方案，下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本申请实施例提供的执行顺序。
[0048] 下面结合图1所示的应用场景，参考图2示出的一种道路路面病害的检测方法的流程图，该检测方法可以由道路路面病害的检测设备执行，该检测设备可以是具备数据处理功能的电子设备或者服务器等，参见图2，对本申请实施例提供的技术方案进行说明。
[0049] S201：检测设备获取对待测道路进行拍摄得到的路面图像。
[0050] S202：检测设备根据路面图像包括的像素点的像素值，确定路面图像中包括的病害目标块的至少一个目标特征数据。
[0051] 其中，一个病害目标块包括N个连续的病害像素点，病害像素点的像素值在设定像素值范围内。
[0052] S203：检测设备应用至少一个目标特征数据，与至少一个目标特征数据各自对应的权重，得到病害概率。
[0053] S204：检测设备根据病害概率与设定病害概率阈值的关系，确定路面图像中包括的病害的类型。
[0054] 本申请实施例，获取对待测道路进行拍摄得到的路面图像，由于病害目标的特征不明显的特性，引出病害目标块的概念，一个病害目标块包括N个连续的病害像素点，每个病害像素点的像素值在设定像素值范围内，因此，根据路面图像包括的像素点的像素值，确定路面图像中包括的病害目标块的至少一个目标特征数据。再应用至少一个目标特征数据，与至少一个目标特征数据各自对应的权重，得到病害概率。最后根据病害概率与设定病害概率阈值的关系，确定路面图像中包括的病害的类型。这样的设计，充分结合了道路病害的特点，提高了道路路面病害检测的精度。
[0055] 涉及到S201，检测设备可以与道路监控设备进行通信，用来获取对待测道路进行拍摄得到的路面图像，也可以是对获取的路面视频进行处理，得到路面图像。还可以是通过车载监控相机来获取路面的实时视频流画面，逐帧获取图像并解码，重编码成设定格式的路面图像。
[0056] 涉及到S202，由于病害目标的特征不明显的特性，本申请实施例中，引出病害目标块的概念，一个病害目标块包括N个连续的病害像素点，每个病害像素点的像素值在设定像素值范围内。若路面图像为RGB图像，则可以根据病害的特点，确定设定像素值范围；若对路面图像进行二值化处理，则像素值为1的点为病害像素点，像素值为0的像素点为路面上的非病害像素点。
[0057] 因此，本申请实施例中，根据路面图像包括的像素点的像素值，确定路面图像中包括的病害目标块的至少一个目标特征数据。可选的，一个路面图像中可以包括多个病害目标块，多个病害目标块对应一组目标特征数据，一组目标特征数据包括至少一个目标特征数据。
[0058] 其中，至少一个目标特征数据包括如下数据中的一个或多个：病害目标块的数量M、病害目标块在路面图像中的横向位置X、病害目标块在路面图像中的纵向位置Y、病害特征密度ρ和病害目标块的平均面积S。
[0059] 示例性的，可以以路面图像的左下角为坐标原点，建立直角坐标系。统计连续可连接的相邻的病害像素点连接并形成的病害目标块的数量M，不连续的病害像素点则不连接。统计每个病害目标块中的纵坐标相同的病害像素点的数量X1、X2、…、XM的平均值，作为病害目标块在路面图像中的横向位置X。统计每个病害目标块中的横坐标相同的病害像素点的数量Y1、Y2、…、YM的平均值，作为病害目标块在路面图像中的纵向位置Y。统计各个病害目标块中病害特征像素点的数量之和，与各个病害目标块中的全部像素点的数量之和的比值，作为病害特征密度ρ。统计所有病害目标块的病害像素数，并计算平均面积S。
[0060] 涉及到S203，将病害目标块的数量M、病害目标块在路面图像中的横向位置X、病害目标块在路面图像中的纵向位置Y、病害特征密度P和病害目标块的平均面积S进行均一化处理，应用归一化处理后的至少一个目标特征数据，与至少一个目标特征数据各自对应的权重，得到病害概率。其中，每个目标特征数据各自对应的权重可以是根据特征的重要程度设定的。
[0061] 例如，将归一化处理后的目标特征数据用特征向量V表示，V＝[m,x,y,ρ0,s]，m为M归一化的结果，x为X归一化的结果，y为Y归一化的结果，ρ0为ρ归一化的结果，s为S归一化的结果。权重向量为W＝[w1,w2,w3,w4,w5]，因此，得到病害概率P＝V×W。
[0062] 涉及到S204，检测设备根据病害概率与设定病害概率阈值的关系，确定路面图像中包括的病害的类型，可以用以下几种情况来示意：
[0063] 第一种情况：若病害概率大于或等于病害概率阈值，则确定病害的类型为裂缝。其中，病害概率阈值可以取0.6。
[0064] 第一种情况：若病害概率小于病害概率阈值，则判断特征密度是否大于特征密度阈值，若是，则确定病害的类型为拥包，否则确定病害的类型为麻面。其中，特征密度阈值可以取0.9。
[0065] 上述实施例，根据路面图像得到路面图像中包括的病害的类型的过程，可以通过网络模型实现，具体的，将路面图像输入第一图像检测网络模型，得到路面图像中包括的病害的类型。
[0066] 可选的，本申请实施例中，提出了一种三尺度注意力神经网络模型结合特征融合网络，称为第一图像检测网络模型，可以将路面图像输入第一图像检测网络模型，并应用第一图像检测网络模型中的特征提取网络，来识别路面图像中的至少一个病害特征。
[0067] 其中，注意力采样机制如同人的视觉神经系统，可以主动从众多目标信息中抓取对有用信息，可以学习有用特征，抑制无用特征。通过对特征网络进行学习，使用注意力机制的卷积神经网络，随着网络的深入，注意力模块会自适应地学习，来提取图像的有用信息。针对yolov检测算法在道路病害检测中存在的缺陷，本申请实施例，构建一个三尺度注意力(triple‑attention，TA)模块，进行特征通道的三次强化提取，以此达到强化病害目标块的特征、抑制干扰特征的目的。
[0068] 示例性的，第一图像检测网络模型为yolov检测网络模型，yolov检测网络包括darknet53特征提取器；darknet53特征提取器包括三尺度注意力模块，其中，三尺度注意力模块包括标准注意力模块、第一注意力模块和第二注意力模块，第一注意力模块和第二注意力模块分别与标准注意力模块并联；第一注意力模块用于增强病害目标块的特征，第二注意力模块用于抑制干扰特征。
[0069] 图3示出了一种三尺度注意力模块的示意图，其中，31为标准注意力模块，32为第一注意力模块，32为第二注意力模块。激活函数1可以选用relu激活函数，激活函数2可以选用sigmoid激活函数，激活函数3为Leaky relu激活函数。
[0070] 在图3的示意中，在全局平均池化前面加入1×1pixel和3×3pixel的卷积，可以实现跨通道的信息整合，将其与标准注意力模块相结合，构成三尺度注意力模块，加强不同尺度、不同形态下的道路病害图像的空间联系，加强了多尺度特征的提取能力。最后在三尺度基础上增加一个激活函数3的注意力分支，最大程度保留原始网络中的梯度信息，在增加多形态病害检测的性能同时形成了三尺度注意力网络模块。
[0071] 其中，第一注意力模块包括第一卷积层1×1pixel、第二卷积层3×3pixel的卷积、全局平均池化层、全连接层和激活函数层；第一卷积层和第二卷积层分别用于提取路面图像的不同病害形态下的目标特征。这样的设计，第一注意力模块可以增强病害目标块的特征，第二注意力模块可以抑制干扰特征。
[0072] 综上，本申请实施例中，yolov算法共包含两个部分：cspdarknet53特征提取器和多尺度特征融合。其中，darknet53特征提取器使用一系列的1×1pixel和3×3pixel的卷积，共由5个残差结构构成，残差结构内的卷积层采用跳层连接方式，构成残差网络，经过多次卷积操作可以将416×416pixel×3通道的图像输出为13×13pixel×1024通道的图像。yolov算法的特征融合部分利用特征金字塔网络原理，采用自顶向下的方式，将高层预测层与低层进行融合，加强了特征流的传递，然后预测输出3个不同尺度的特征图。
[0073] 图4为本申请实施例提供的一种第一图像检测网络模型的结构示意图，其中，41为三尺度注意力模块。由于实际应用场景中存在不同形态以及小尺寸道路病害目标，病害识别难度大大增加，考虑多形态变化病害识别特点，需要获取更多的形态特征信息，在此基础上设计了三尺度注意力TA模块，将其嵌入cspdarknet‑53主干网络中。由于在标准注意力模块的基础上增加了第一注意力模块和第二注意力模块，因此，三个注意力模块的权重可以重新分配，分配原则可以与预先设定的识别精度有关。在本申请实施例中，可以平均分配，进行特征通道权重再分配校准，抑制图像中的干扰特征，同时使用特征融合结构，提高病害形态检测精度。
[0074] 图4中，注意力残差网络仅示出了1个，实际可以取多个；DBL包括卷积层、批归一化层和激活函数。整体网络设计过程如下：在cspdarknet‑53网络中，将设计的TA模块嵌入调整后的残差结构中，重新分配特征提取网络中的通道关系的权重，增强道路病害在不同尺度上的空间连接，增强了模型的学习和表达能力；结合原始yolov的特征融合结构，采用自上而下和自下而上的融合结构，加入跳层连接方式，避免增加额外参数的同时，提升对多形态变化病害特征信息的提取能力。
[0075] 在一个具体的例子中，本申请实施例中的yolov可以是yolov3或者yolov5。
[0076] 由于病害类型多种多样，为了更直观清晰的将病害情况展示给维护人员，在确定路面图像中包括的病害的类型之后，还可以确定病害的等级，该等级用于描述病害的严重程度。这样的设计，还可以得到病害的严重程度，更为直观。
[0077] 可选的，图5为本申请实施例提供的一种确定病害等级的流程图。
[0078] S500：检测设备根据病害目标块的尺寸，确定病害的尺寸。
[0079] S501：在检测设备根据病害的类型确定病害为拥包或麻面的情况下，判断病害的尺寸是否大于设定尺寸，若是，则执行S502，否则执行S503。
[0080] 其中，拥抱或麻面病害具备一定的尺寸，可选的，设定尺寸为60*60px，其中，px为像素尺寸。
[0081] S502：检测设备确定病害的等级为一级病害。
[0082] S503：检测设备确定病害的等级为二级病害；
[0083] S504：在检测设备根据病害的类型确定病害为裂缝的情况下，判断病害的尺寸是否满足尺寸条件，若是，则执行S502，否则执行S503。
[0084] 其中，裂缝病害通常包括多个路面点位，每个路面点位可以称为一个检测点，每个病害检测点为一个病害像素点。
[0085] 可选的，本申请实施例中，一级病害的严重程度大于二级病害的严重程度。
[0086] 这样的设计，可以根据病害的类型确定病害的等级，直观准确。
[0087] 需要说明的是，S501、S502和S503的过程与S504、S502和S503的过程并无明显的先后关系，这里只是举例说明，并不形成具体的限定。
[0088] 可选的，参考图6，通过如下方式确定尺寸条件：
[0089] S601：若病害的类型为裂缝，则检测设备获取至少一个病害像素点。
[0090] 其中，例如，病害为裂缝类型的病害，则根据检测精度的要求确定选择的病害检测点的数量。
[0091] S602：检测设备根据至少一个病害像素点的位置，确定包括至少一个病害像素点的病害区域的横向宽度以及纵向宽度。
[0092] 例如，病害像素点的坐标为(x,y)，分别记录多个病害像素点中的横坐标的最小值xmin、横坐标的最大值xmax、纵坐标的最小值ymin以及纵坐标的最大值ymax。该示例中，检测区域的横向宽度为|xmax‑xmin|，纵向宽度为|ymax‑ymin|。
[0093] 假设选取的病害像素点的数量为Z，则可以计算包括这Z个病害像素点的病害区域的横向宽度和纵向宽度。图7为本申请实施例中的一种裂缝病害的病害区域的示意图，图7中示出的病害像素点的数量仅用来示例。
[0094] S603：检测设备确定尺寸条件为：横向宽度和纵向宽度的和大于第一设定宽度，或者，横向宽度和纵向宽度中的任意一个大于第二设定宽度。
[0095] 其中，第一设定宽度为100px，第二设定宽度为60px。
[0096] 这样的设计，与直接根据裂缝的弧线长度来确定病害等级相比，更加全面与准确。
[0097] 为了使本申请的技术方案更完善，图8为本申请实施例提供的一种道路路面病害的检测方法的完整的示意图，检测设备以具备数据处理功能的电子设备为例。
[0098] S800：道路监控设备将获取的对待测路面进行拍摄得到的路面图像发送至电子设备。
[0099] S801：电子设备利用第一图像检测网络模型，根据路面图像包括的像素点的像素值，确定路面图像中包括的病害目标块的至少一个目标特征数据；应用至少一个目标特征数据，与至少一个目标特征数据各自对应的权重，得到病害概率；根据病害概率与设定病害概率阈值的关系，确定路面图像中包括的病害的类型。
[0100] 该步骤的实现方式可参考步骤S202‑S204，这里不再赘述。
[0101] S802：电子设备根据路面图像包括的病害的类型和病害的尺寸，确定病害的等级。
[0102] 该步骤的实现方式可参考步骤S501‑S504，这里不再赘述。
[0103] S803：电子设备将病害的等级发送至控制设备。
[0104] 其中控制设备可以是维护人员的手持终端，或者设置在维修工作室的计算机。
[0105] 本申请实施例，针对复杂光线干扰及多病害形态差异场景下道路病害检测精度不足的问题，基于注意力机制，结合特征融合结构改进yolov检测算法，通过构建三尺度注意力模块，嵌入yolov特征提取网络，对特征通道进行三次语义加强，有效提升算法特征提取能力，针对道路病害关键特征提取识别，实现高精度病害识别应用。
[0106] 如图9所示，基于相同的发明构思，本申请实施例提供一种道路路面病害的检测装置，包括图像获取单元91、数据处理单元92和病害检测单元93。
[0107] 其中，图像获取单元91，用于：获取对待测道路进行拍摄得到的路面图像；
[0108] 数据处理单元92，用于：根据路面图像包括的像素点的像素值，确定路面图像中包括的病害目标块的至少一个目标特征数据；其中，一个病害目标块包括N个连续的病害像素点，病害像素点的像素值在设定像素值范围内；
[0109] 数据处理单元92，还用于：应用至少一个目标特征数据，与至少一个目标特征数据各自对应的权重，得到病害概率；
[0110] 病害检测单元93，用于：根据病害概率与设定病害概率阈值的关系，确定路面图像中包括的病害的类型。
[0111] 在一种可能的实施方式中，至少一个目标特征数据包括如下数据中的一个或多个：
[0112] 病害目标块的数量、病害目标块在路面图像中的横向位置、病害目标块在路面图像中的纵向位置、病害特征密度和病害目标块的平均面积。
[0113] 在一种可能的实施方式中，病害目标块在路面图像中的横向位置为：每个病害目标块中的纵坐标相同的病害像素点的数量的平均值；
[0114] 病害目标块在路面图像中的纵向位置为：每个病害目标块中的横坐标相同的病害像素点的数量的平均值；
[0115] 病害特征密度为：各个病害目标块中病害特征像素点的数量之和，与各个病害目标块中的全部像素点的数量之和的比值。
[0116] 在一种可能的实施方式中，病害检测单元93，具体用于；
[0117] 若病害概率大于或等于病害概率阈值，则确定病害的类型为裂缝；
[0118] 若病害概率小于病害概率阈值，则判断特征密度是否大于特征密度阈值，若是，则确定病害的类型为拥包，否则确定病害的类型为麻面。
[0119] 在一种可能的实施方式中，病害检测单元93还用于：通过如下方式确定路面图像中包括的病害的类型：
[0120] 将路面图像输入第一图像检测网络模型，得到路面图像中包括的病害的类型。
[0121] 在一种可能的实施方式中，第一图像检测网络模型为yolov检测网络模型，yolov检测网络包括darknet53特征提取器；
[0122] darknet53特征提取器包括三尺度注意力模块，其中，三尺度注意力模块包括标准注意力模块、第一注意力模块和第二注意力模块，第一注意力模块和第二注意力模块分别与标准注意力模块并联；第一注意力模块用于增强病害目标块的特征，第二注意力模块用于抑制干扰特征。
[0123] 在一种可能的实施方式中，第一注意力模块包括第一卷积层1×1pixel、第二卷积层3×3pixel的卷积、全局平均池化层、全连接层和激活函数层；第一卷积层和第二卷积层分别用于提取路面图像的病害目标块的特征。
[0124] 在一种可能的实施方式中，还包括等级确定单元，用于在确定路面图像中包括的病害的类型之后：
[0125] 根据病害目标块的尺寸，确定病害的尺寸；
[0126] 若病害的类型为拥包或麻面，则在病害的尺寸大于设定尺寸时，确定病害的等级为一级病害，否则确定病害的等级为二级病害；
[0127] 若根据病害的类型为裂缝，则在病害的尺寸满足尺寸条件时，确定病害的等级为一级病害，否则确定病害的等级为二级病害；
[0128] 一级病害的严重程度大于二级病害的严重程度。
[0129] 在一种可能的实施方式中，等级确定单元具体用于：
[0130] 若病害的类型为裂缝，则获取至少一个病害像素点；
[0131] 根据至少一个病害像素点的位置，确定包括至少一个病害像素点的病害区域的横向宽度以及纵向宽度；
[0132] 尺寸条件包括：横向宽度和纵向宽度的和大于第一设定宽度，或者，横向宽度和纵向宽度中的任意一个大于第二设定宽度。
[0133] 由于该装置即是本申请实施例中的方法中的装置，并且该装置解决问题的原理与该方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。
[0134] 如图10所示，基于相同的发明构思，本申请实施例提供一种道路路面病害的检测设备，该检测设备包括数据传输单元1001和处理器1002。
[0135] 数据传输单元1001，被配置为执行：
[0136] 获取对待测道路进行拍摄得到的路面图像；
[0137] 处理器1002被配置为执行：
[0138] 根据路面图像包括的像素点的像素值，确定路面图像中包括的病害目标块的至少一个目标特征数据；其中，一个病害目标块包括N个连续的病害像素点，病害像素点的像素值在设定像素值范围内；
[0139] 应用至少一个目标特征数据，与至少一个目标特征数据各自对应的权重，得到病害概率；
[0140] 根据病害概率与设定病害概率阈值的关系，确定路面图像中包括的病害的类型。
[0141] 在一种可能的实施方式中，至少一个目标特征数据包括如下数据中的一个或多个：
[0142] 病害目标块的数量、病害目标块在路面图像中的横向位置、病害目标块在路面图像中的纵向位置、病害特征密度和病害目标块的平均面积。
[0143] 在一种可能的实施方式中，病害目标块在路面图像中的横向位置为：每个病害目标块中的纵坐标相同的病害像素点的数量的平均值；
[0144] 病害目标块在路面图像中的纵向位置为：每个病害目标块中的横坐标相同的病害像素点的数量的平均值；
[0145] 病害特征密度为：各个病害目标块中病害特征像素点的数量之和，与各个病害目标块中的全部像素点的数量之和的比值。
[0146] 在一种可能的实施方式中，处理器1002具体被配置为执行；
[0147] 若病害概率大于或等于病害概率阈值，则确定病害的类型为裂缝；
[0148] 若病害概率小于病害概率阈值，则判断特征密度是否大于特征密度阈值，若是，则确定病害的类型为拥包，否则确定病害的类型为麻面。
[0149] 在一种可能的实施方式中，处理器1002具体被配置为执行：通过如下方式确定路面图像中包括的病害的类型：
[0150] 将路面图像输入第一图像检测网络模型，得到路面图像中包括的病害的类型。
[0151] 在一种可能的实施方式中，第一图像检测网络模型为yolov检测网络模型，yolov检测网络包括darknet53特征提取器；
[0152] darknet53特征提取器包括三尺度注意力模块，其中，三尺度注意力模块包括标准注意力模块、第一注意力模块和第二注意力模块，第一注意力模块和第二注意力模块分别与标准注意力模块并联；第一注意力模块用于增强病害目标块的特征，第二注意力模块用于抑制干扰特征。
[0153] 在一种可能的实施方式中，第一注意力模块包括第一卷积层1×1pixel、第二卷积层3×3pixel的卷积、全局平均池化层、全连接层和激活函数层；第一卷积层和第二卷积层分别用于提取路面图像的病害目标块的特征。
[0154] 在一种可能的实施方式中，在确定路面图像中包括的病害的类型之后，处理器1002还被配置为执行，用于：
[0155] 根据病害目标块的尺寸，确定病害的尺寸；
[0156] 若病害的类型为拥包或麻面，则在病害的尺寸大于设定尺寸时，确定病害的等级为一级病害，否则确定病害的等级为二级病害；
[0157] 若根据病害的类型为裂缝，则在病害的尺寸满足尺寸条件时，确定病害的等级为一级病害，否则确定病害的等级为二级病害；
[0158] 一级病害的严重程度大于二级病害的严重程度。
[0159] 在一种可能的实施方式中，处理器1002具体被配置为执行：
[0160] 若病害的类型为裂缝，则获取至少一个病害像素点；
[0161] 根据至少一个病害像素点的位置，确定包括至少一个病害像素点的病害区域的横向宽度以及纵向宽度；
[0162] 尺寸条件包括：横向宽度和纵向宽度的和大于第一设定宽度，或者，横向宽度和纵向宽度中的任意一个大于第二设定宽度。
[0163] 本申请实施例还提供一种计算机存储介质，计算机存储介质中存储有计算机程序指令，当指令在计算机上运行时，使得计算机执行上述道路路面病害的检测方法的步骤。
[0164] 本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产品的形式。
[0165] 本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0166] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0167] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0168] 显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
