路面裂缝无损检测图像采集系统设计

针对路面裂缝无损检测要求,设计了基于单片机、GPS和线阵摄像机的路面图像采集系统。解决了单片机对线阵摄像机外触发信号的控制问题,完成了对动态图像进行高速实时的拍摄控制的要求。同时设计了基于VC＋＋和MIL软件的图像采集软件系统。包括采集参数设置,路面动态图像实时显示,GPS信号的接收和数据库信息存储。系统实现了对路面裂缝图像的动态拍摄并将其保存在计算机硬盘里,为后续图像处理提供可靠数据。试验结果表明,系统能够有效地对路面图像信息进行实时采集,并对海量信息进行存储,获得了良好的动态图像抓拍效果。     

基于小波变换的线阵CCD车辆检测算法

传统的车辆视频检测算法都是基于带有复杂背景的面阵CCD图像,不利于对象分割和特征提取。线阵CCD图像的背景比较单一,且帧率远高于面阵CCD,可以实现高精度的车辆检测。提出基于小波变换的线阵CCD图像的车辆检测算法。试验结果证明该算法能有效降低光照和汽车阴影等因素造成的误检率。     

双目视觉技术在城市道路路面裂缝检测中的应用

针对传统城市道路路面裂缝检测效率低下、成本过高等问题,提出了一套基于双目视觉与数字化图像处理的自动化检测方法。用一对CCD工业相机同时采集道路表面裂缝,再对图像进行数字二值化处理以提取裂缝特征点,根据双目视觉理论计算特征点的坐标,由此计算路面裂缝的最大宽度和最大长度,从而实现对城市道路路面裂缝的快速自动化测量。计算结果表明:被测路面裂缝的最大宽度与最大长度测量误差分别控制在10%和1%以内,符合相关技术标准要求,且检测耗时大为缩短。     

路面裂缝图像自动识别算法综述

路面裂缝自动检测对于路面养护管理、路面性能评价与预测、路面材料和结构设计具有重要的实用价值,但快速、准确、全面且稳定地识别路面裂缝一直是个难题.为此,对路面裂缝自动检测研究现状进行综述,包括以图像增强和去噪为目的的预处理方法,基于阈值分割、边缘检测和种子生长的空间域识别算法,以小波变换为代表的频域识别算法,基于有监督学习的识别算法及其他裂缝识别方法;指出既有裂缝识别算法存在易受光照和油污等因素的影响、裂缝识别图像连续性差和识别速度和精度较低等不足.最后,提出综合考虑边界和区域特征消除纹理和噪声干扰、基于局部和全局信息设计优化识别算法和基于三维图像进行裂缝识别等研究展望,为裂缝自动识别算法的改进提供参考.     

基于图像连通域的桥梁裂缝提取方法

裂缝是水泥混凝土桥梁的一种常见病害形式,基于图像的桥梁裂缝病害检测是实现桥梁数字化无损检测的一项新技术.为此,提出了一种基于图像连通域的桥梁裂缝提取方法,以实现从桥梁图像上准确识别裂缝,并提取其特征参数.针对水泥混凝土桥梁图像采集时,施工接缝、光照、污损、抖动等因素造成的干扰,主要分3个步骤实现裂缝目标的提取:(1)对...     

路面裂缝自动识别系统开发中若干问题的探讨

通过对比分析几类路面数据采集传感器，提出了基于CCD摄像机的路面裂缝识别技术，研究了如何利用数字图像处理技术解决路面裂缝自动识别的问题。此外，针对利用并行处理提高系统实时处理能力、测距技术和辅助照明系统等几个关键技术进行了探讨。这些问题的解决，对该类系统的开发具有重要意义。     

一种道路图像破损自动识别系统的设计

为了适应现代公路的高速发展,提高路面检测的工作效率和准确率,取代传统人工检测方法,本文基于CCD摄像机方法设计了一种道路图像破损自动识别系统。系统由图像采集单元、图像处理单元、GPS定位单元组成,其中,硬件设计中包括GPS定位单元、CCD摄像机采集单元、辅助照明单元、UPS电源等;软件设计中包括图像采集程序设计和图像处理程序设计。设计结果表明:通过GPS定位技术和CCD摄像技术能够快速、科学、准确地连续采集路面图片,系统软件能够实现对破损路面图片的自动识别与处理等一系列工作,可以应用到工程实际中。     

一种路面损坏状况的数字图像识别方法

有效、及时地收集路面损坏数据是进行路面维修管理的基础.文章阐述了一种路面损坏状况的自动图像识别方法.该方法基于CCD摄像机采集到的图像,进行矢量化处理,可进行裂缝类型的区分与严重程度的辨别.     

车载道路快速检测与测量技术研究

介绍了一种车载式道路快速检测与测量技术,该技术综合应用光、机、电、算及“3S”技术,以机动车为平台,装备高分辨率线阵路面图像采集系统、激光结构光三维测量系统、多目CCD立体测量系统、惯性补偿的激光测距系统、GPS／DMI／GYRO组合定位系统等先进的传感器系统以及车载计算机、嵌入式集成多传感器同步控制单元等设备,在车辆正常行驶状态下,自动完成道路路面裂缝、车辙、平整度、道路几何参数及道路沿线设施图像等数据采集。经对比试验证明,该快速道路检测技术与传统的人工检测方式具有良好的相关性。     

路面裂缝图像处理算法研究

为了避免传统人工视觉裂缝检测方法的耗力、耗时、不精确、影响交通、危险、花费高等缺点,提出了一种新的基于图像处理技术的路面裂缝类病害自动识别算法。识别分为两个步骤:首先以一个5×5的窗口为基准,在这个窗口中确定9种不同的掩膜模板,对有噪音的路面图像进行平滑和增强;然后基于阈值分割理论,采用最大类间、类内距离准则对图像进行阈值分割,提取图像上的裂缝特征。最后对采集的200幅路面裂缝图像进行了平滑和分割试验研究,和Robison等常用的平滑模板相比,对图像进行增强的同时较好地保护了裂缝边缘。在对平滑后的图像进行分割当中,和Hough变换、数学形态学等分割算法进行了对比研究,结果表明了该算法在精度、速度和可靠性方面具有一定的优势。     

基于卷积自编码的沥青路面目标与裂缝智能识别

目前基于深度学习的路面裂缝识别经常面临训练数据集小，以及路面图片标注成本高等问题，基于小规模路面图片数据集，利用卷积自编码（CAE）方法进行数据增强，开展包括路面裂缝在内的路面目标智能化识别方法研究。在传统图像几何变换数据增强的基础上，采用CAE重构图片方法对原始数据集进行两步骤扩增；利用卷积神经网络DenseNet，设置了不同数据扩增方法的对比试验；针对沥青路面裂缝图片背景较黑，裂缝特征不清晰，无监督聚类学习难度大等问题，采用了一种基于CAE预训练的深度聚类算法DCEC，对经数据增强的路面图片进行无标注的聚类识别。研究结果表明：经过DenseNet网络100代的训练，在同一测试集的测试下，基于原始数据集训练的网络分类准确度为78.43%，利用传统图像处理方法进行扩增后准确度为83.44%，利用所提出的图片增强方法进行数据扩增后准确度达87.19%；在保持扩增后数据集样本量大小相同的情况下，与几何变换、像素颜色变换等经典数据增强手段相比，CAE重构图片的数据扩增方法有较高的路面图片识别精度；CAE数据扩增方法较受训练数据集样本量的影响，利用传统方法将数据集扩增后进行CAE特征学习，重构后的图片样本更易被机器识别；相较于传统机器学习聚类算法，所提出的的DCEC深度聚类方法将聚类准确率提升了约10%，初步实现了无需人工标注的路面目标的端到端智能识别。     

公路改扩建旧沥青路面检测指标与评价方法的探讨

针对现行沥青路面检测评价体系不满足公路改扩建工程需求的问题,文章在对比分析现行检测评价规范规定的基础上,结合公路沥青路面设计规范对改扩建路面设计的需求,提出了包括路面损坏指数、路面车辙深度指数、裂缝率、车辙面积率、修补面积率、路面结构强度、结构层厚度、各结构层回弹模量、基层完整性的改扩建旧沥青路面检测指标与评价体系,并给出了指标的检测手段、计算方法与分级标准,最后引入特尔菲—理想点法进行使用性能的综合评价。     

A low-cost video-based pavement distress screening system for low-volume roads

This study investigates the use of consumer-grade video camera to develop a low-cost pavement distress screening system, with a particular focus on low-volume roads. Due to the oblique view of video data captured in the car front, existing crack detection algorithms that are tailor-made for nadir view cannot be used directly. Instead, we propose and develop a Video-based PAvement Distress Screening (VPADS) system, which includes an automatic data processing workflow by first defining a Region of Interest (RoI) through robust line fitting of the two side lanes. The pavement condition can be assessed within the RoI by implementing a multi-scale ridge detection filter followed by a boundary contour analysis. Since the proposed VPADS system is designed for preliminary screening purpose, each video image scene is examined if there exists any potential crack or distress feature(s). We tested the proposed system on video data collected for two low-volume roads (Highway 624 and 668) in Northern Ontario region, Canada. The overall accuracy of detecting crack and distress features yielded 80%. Instead of replacing traditional field inspection or high-end multi-sensor pavement evaluation system, the proposed VPADS system aims to provide a computer-aided screening solution for transportation authorities of a vast rural road/highway network and with limited inspection budget. The scope of the work can be further expanded by developing a crowdsensing inspection network built by any regular road user, who can also act as a data provider for the regional/municipal pavement distress screening system.     

沥青路面的裂缝及预防

沥青路面裂缝问题是公路工程质量通病之一,沥青路面在堤防道路使用期开裂是普遍存在的问题。沥青路面在铺筑使用后会产生各种各样裂缝,由于路表水的浸入,裂缝量迅速增加,路基、路面承受不了超载车辆荷载的作用,加快路面的裂缝产生,大大缩短沥青路面的使用寿命。该文分析了产生沥青路面开裂的原因,并提出若干预防措施,可供同行参考。     

基于卷积神经网络的路表病害识别与测量

为进一步提高利用二维图像统计路面病害的精度与效率,将卷积神经网络（Convolutional Neural Network,CNN）技术引入了基于图像分析的路面病害识别与测量。首先,将原始图像进行等尺寸分割作为CNN的训练样本。其次,经结构设计、前反馈算法训练及样本测试3个步骤后,建立病害识别模型（CNN1）。用训练完成的CNN1对所有图像进行病害类型识别并将输出结果作为裂缝特征提取模型（CNN2）和坑槽特征提取模型（CNN3）的训练样本。采用相同步骤建立裂缝特征提取和坑槽特征提取模型,完成训练后,运行CNN2,CNN3对路面裂缝与坑槽图像进行特征提取。最后,分析图像分辨率对3个CNN识别和特征提取精度以及效率的影响。结果表明：CNN1可以准确识别多种病害,CNN2的裂缝长度提取的平均误差为4.27%,宽度提取的平均误差为9.37%,裂缝病害严重等级判断准确率为98.99%;CNN3的单张图像中的坑槽个数测量无误差,单个坑槽面积的平均误差为13.43%,坑槽病害等级判定准确率为95.32%,可见CNN具有较高的测量精度;CNN1在使用CPU的情况下测试完成原始图像平均用时为704 ms·幅^-1,CNN2用时为5 376 ms·幅^-1,采用图形处理器加速后CNN1用时为192 ms·幅^-1,CNN2测试平均用时为1 024 ms·幅^-1,可见CNN在图形处理器加速下效率具有显著优势,相比其他方法,在图像分辨率高于70像素时,CNN对路面裂缝与坑槽的识别与测量具有运算高效、结果精准等优势。     

基于模糊理论的路面裂缝图像增强方法

在获取路面图像中，由于背景光照不均匀以及存在着一些路面噪声，给后来的图像分割及识别带来了一些困难。提出了一种基于模糊理论的图像增强方法，用来消除背景光照不均匀，并通过实验验证了该算法。实验结果证明了该算法对消除图像不均匀的有效性。     

浅谈如何改善沥青路面使用性能

针对我国许多高速公路路面在通车时间不长就出现桥头跳车和路面早期破坏、使用性能大大降低、达不到设计要求的现状,提出改善路面的使用性能,从改善平整度,减少路面裂缝和车辙等方面着手,综合考虑路面设计(包括结构体系和面层设计)、材料设计等影响因素。     

基于数字图像处理的表面裂缝宽度测量

为了避免传统人工裂缝宽度检测方法耗时、耗力、危险、花费高等缺点,提出了一种新的基于数字图像处理技术的表面裂缝宽度测量方法。介绍了该法首先通过编制的程序对采集到的数字图像进行像素标定、灰度转换、阈值分割、中值滤波等步骤后,提取裂缝的图像,进而计算得到裂缝的宽度的过程。同时,利用试验方法对该法进行了误差分析,验证了该法具有相当高的精确性与可行性,可以满足工程实际的需要。     

数学形态学路面裂缝识别算法研究

裂缝的自动识别是公路管理和维护系统的一个重要组成部分。根据路面图像的特点,提出了一个新的基于多结构多尺度数学形态学路面裂缝自动识别算法。首先使用不断增大的结构元素对图像进行交替开闭滤波,平滑图像并去除噪音,然后使用多尺度形态学边缘检测器提取裂缝边缘,最后使用基于标记符的分水岭变换分割出裂缝对象。结果表明,和传统方法相比,文中提出的算法显示出更好的效果。