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。     

基于灰度图像及其纹理特性的裂缝特征提取

对于公路路面自动检测中"病害"的智能识别方法及其主要特征的提取问题,提出了适合于在公路路面图像中进行预处理并分割"病害"提取其特征的技术方案;综合多种技术对路面灰度图像进行适当的预处理;采用各种阈值分割法对裂缝类"病害"进行预分割对比;利用图像细化和剪枝处理等技术准确地统计"病害"的面积和长度等特征。整个软件系统易于操作,实现对公路路面图像的预处理、图像分割和相关的特征计算。可望应用于对公路路面病害进行自动检测,为公路管理和养护部门的决策提供科学依据,同时对于类似的图像处理任务有借鉴意义。     

基于图像自动匀光的路面裂缝图像分析方法

基于视频图像检测裂缝是当前路面病害检测的主要手段。为解决路面裂缝检测系统在不同光照条件下裂缝识别可靠性问题,研究了一种基于图像自动匀光的路面裂缝图像分析方法。首先对基于面阵CCD相机图像裂缝检测存在的问题进行分析,提出采用图像自动匀光技术解决不同光照条件下图像一致性输入问题;其次,设计了一种基于自动电子印相机原理的路面图像快速匀光算法,提出了一种实用的路面裂缝图像处理策略并设计了路面裂缝图像处理流程;最后,对一组由面阵CCD相机获取的路面图像按照该方法进行路面裂缝检测试验,验证了基于图像自动匀光的路面裂缝图像分析技术的合理性和实用性。     

路面裂缝自动识别的图像增强技术

该文介绍了基于图像处理的裂缝自动识别系统的工作流程和基本功能组成,分析研究路面裂缝图像的退化模型,阐明了影响路面图像的因素以及路面裂缝图像信号构成随机性大、背景与目标对象复杂的特点及实现自动识别的难点;说明了图像维纳滤波的原理和计算过程以及利用维纳滤波进行路面裂缝图像增强的方法,并针对具有代表性的图像进行了实例应用分析.     

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。     

基于相位编组法的路面裂缝自动识别

研究了基于数字图像处理技术的路面裂缝自动识别方法,给出了基本的系统组成及工作原理.通过对路面裂缝图像的分析,对比了各种图像增强算法的特点和适应性;结合路面裂缝图像的随机性和目标、背景变化复杂的特点,指出传统方法中仅仅利用灰度变化的幅度作为局部边缘提取的主要度量是存在问题的.提出采用相位编组法进行裂缝提取,并在现场采集大量的图像尝试进行实例验证.结果表明:相位编组法有利于检测出有弱对比度的裂缝,并可以检测到细小裂缝.     

沥青路面损坏模式识别技术研究

结合我国公路养护管理需要,研究了路面图像处理和损坏模式识别技术,提出了沥青路面损坏模式识别方法,解决了多种损坏类型并存图像的损坏模式识别关键技术.方法的基本思路是:依次分析、诊断坑槽、龟裂、块裂、纵裂和横裂等损坏,然后确定各类损坏的区域、量化损坏面积和长度,计算路面损坏率.实例验证表明,文章所介绍的路面损坏模式识别软件能有效地识别路面的坑槽、龟裂、不规则裂缝、纵裂和横裂,识别率达到95%以上.     

基于Faster R-CNN与形态法的路面病害识别

为提高基于图像处理的路面表观病害检测识别效率及精度,引入目标检测中的快速区域卷积神经网络（Faster Region Convolutional Neural Network,Faster R-CNN）算法以快速识别病害种类、位置与面积;针对已提取的带边框裂缝病害区域,采用基于VGG16迁移学习与模型微调的CNN与50%重叠率的滑动窗口定位裂缝骨架,进而利用形态法操作提取裂缝形态,计算其长度与宽度;针对Faster R-CNN算法在病害种类识别时漏检率低但误检率偏高的问题,引入精确率、召回率和F₁分数指标对算法进行评估,并根据F₁分数最大值确定相应的病害框像素面积及置信度阈值来降低误检率,以适应路面表观病害多样化的应用场景。运用开发的病害识别算法对广东一高速公路路面进行表观检测。结果表明：所提方法对典型裂缝图片的识别效率及精度均高于单独应用CNN滑动窗口和传统形态法的全局图像处理方法;对分段的裂缝边界框进行合并,且病害框像素面积及置信度阈值取优化值后,横向裂缝精确率由合并前的0.861提升至合并后的0.918,横向及纵向裂缝误检率则分别由调整前的20.4%和23.8%下降至调整后的8.2%和6.9%,漏检率则稍有提高。基于Faster R-CNN、CNN及形态法的路面病害识别方法具有工作高效、漏检率低的优点,在引入评估指标、最优病害框像素面积与置信度阈值后,病害误检率也大幅降低,具有潜在工程应用价值。     

基于改进神经网络的机器视觉的路面破损检测系统研究

研究开发了一套基于机器视觉的路面质量检测系统,并将改进的神经网络方法应用到道路路面缺陷检测中。分析了系统的基本组成和总体结构,介绍了软件设计流程以及网络设计与训练过程。同时考虑到传统图像分割算法的局限性,设计了一种检测图像内任意区域实时检测算法。可以适应路面龟裂、横裂、纵裂、块裂等多种缺陷以及缺陷并存的复杂道路样本图像。该检测系统具有很强的灵活性,检测速度较快,完全满足实时检测的要求。     

基于视觉图像处理的路面裂缝量测算法研究

利用机器视觉图像处理方法,针对传统的人工测量高速公路路面裂缝方法的多种弊端,提出一种对高速公路路面裂缝的图像信息进行自动分析处理的新算法,采用几何学原理,将现实世界的三维坐标,投影为二维信息,通过一系列的转换,可以精确地得到裂缝的长度与面积。实验结果表明,可以较精确地测量出裂缝的长度、宽度及面积,为高速公路路面裂缝的分析和管理提供了技术基础。     

基于视觉图像处理的路面裂缝量测算法研究

利用机器视觉图像处理方法,针对传统的人工测量高速公路路面裂缝方法的多种弊端,提出一种对高速公路路面裂缝的图像信息进行自动分析处理的新算法,采用几何学原理,将现实世界的三维坐标,投影为二维信息,通过一系列的转换,可以精确地得到裂缝的长度与面积。实验结果表明,可以较精确地测量出裂缝的长度、宽度及面积,为高速公路路面裂缝的分析和管理提供了技术基础。     

三维激光路面多功能检测系统的技术研究

为研究路面自动检测系统在工程中的应用,选取市政道路中的沥青路面和水泥路面作为试验段,采用三维激光路面多功能检测系统获取1mm精度路面三维数据,并进行试验段路面病害人工检测。基于深度学习算法,采用分析软件ADA自动识别路面裂缝,其算法的准确率为91.47%,召回率为95.46%。选取某试验段,进行系统在不同速度、不同时刻的稳定性验证及重复性分析。结果表明,系统自动识别裂缝总面积的标准差为0.34,其变异系数为4.46%,系统具有较高的稳定性。同时,人工检测与自动识别的路面裂缝影响面积之间的相对误差在合理范围内。     

基于Jetson TX2的路面裂缝检测系统设计

针对目前采用深度学习框架的路面裂缝检测方法存在落地应用难、成本高与效率低等问题，设计了基于Jetson TX2的路面裂缝检测系统。通过YOLOv5网络识别路面裂缝，使用U-Net网络对裂缝目标进行分割，并根据分割结果进行路面健康评价；其次，利用TensorRT方法优化深度学习模型，提高推理速度；最后，结合DeepStream框架设计路面视频流分析系统并部署到Jetson TX2嵌入式平台。实验结果表明：路面裂缝目标检测模型对横向、纵向和网状裂缝3种路面常见路面裂缝的检测精度均达到了90%以上，且模型优化后的推理速度为30.7 ms/帧，速率提升35.1%;最后经过验证，Jetson TX2嵌入式平台的裂缝漏检率较低且满足路面裂缝检测的实时性，能够降低路面裂缝检测的成本，给出相应的维修建议，提高路面裂缝检测效率与自动化程度。     

高速公路养护质量激光检测技术及应用

1激光检测技术国内外现状 高速公路路面养护质量的检测与评价主要包括路面平整度、路面车辙、路面变形类病害(如坑洼拥包等)、路面强度(路面的弯沉值)、路面抗滑值、路面裂缝类病害等.目前,对这些重要质量指标进行定期检测与评价,为路面养护管理部门提供真实可靠的检测结果已显得越来越重要.     

基于机器视觉的路面裂缝病害多目标识别研究

为了建立一种基于深度学习卷积神经网络的多目标路面裂缝检测模型,实现对路面裂缝的精确识别、分割与统计,采用卷积神经网络Mask R-CNN为主干框架,融入ResNet模型与特征金字塔网络(FPN)提高对病害特征提取的精度,建立了针对裂缝病害识别的基础网络体系;考虑裂缝病害图像特征,采用随机梯度下降算法与冲量算法优化损失函数以提高对裂缝像素的分类性能,通过在主干网络设定目标区域检测范围并利用掩码实现了裂缝病害的像素级识别与分割;标记大量的路面裂缝图像形成训练数据库,分析了路面裂缝的多目标识别模型有效性。结果表明:损失函数中的权重参数取0.3时,识别模型具备较好的识别精度;通过数据增强可以将有限训练集进行有效扩充,极大提高识别模型的泛化能力与鲁棒性,经过训练后的模型能够正确识别98.9%的裂缝对象与93.6%的裂缝类像素;通过将模型对裂缝病害的识别、分类精度与传统深度学习模型、边缘检测算法相比较,在细微裂缝的识别与非裂缝构造的过滤方面具有显著优势。用Mask R-CNN的主干网络进行ResNet模型与FPN扩展能够有效保留裂缝病害的纹理与轮廓细节信息,实现复杂背景下裂缝病害的有效识别。     

青海：推广养护新材料、新技术、新工艺

为提高公路养护科技含量和质量,树立绿色、环保公路养护新理念,湟源高速公路养护处在公路养护工作中,根据不同路段病害实际,积极采用公路养护“新材料、新技术、新工艺”处治路面裂缝、网裂、龟裂、路面纵横向裂缝等病害。他们一是用雾封层技术处治西湟倒一级公路、宁大高速公路路面纵横向裂缝、网裂、龟裂等病害3980m^2。     

基于改进U型神经网络的路面裂缝检测方法

针对传统的裂缝分割算法难以识别狭窄裂缝且分割边缘不精准，从而造成识别精度较低的问题，研究了基于改进U型神经网络（Unet）的路面裂缝检测方法。由于传统Unet特征提取网络是层次较浅的浅层神经网络，难以提取更复杂的裂缝特征信息，故本文以牛津大学视觉几何组网络（VGG16）作为传统Unet的特征提取网络，提高网络的裂缝特征提取能力；为抑制高低阶特征融合时产生的无用特征，本文在模型解码部分添加压缩与激励单元（SE block），构建裂缝注意力单元，使得网络可以关注不同通道下的裂缝特征，建立了基于SE block和VGG16的改进Unet网络（SE-VUnet）。研究采用迁移学习的方法，将在ImageNet上预训练好的VGG16网络权重迁移到裂缝检测中。通过挑选Crack500数据集，并使用摄像头采集图片构建1 600张路面裂缝数据集，再次训练SE-VUnet模型，获得裂缝区域分割结果。以查准率（precision）与查全率（recall）的加权调和平均值F1和雅卡尔（Jaccard）相似系数作为量化评价指标。将SE-VUnet分别与Unet、SOLO v2、Mask R-CNN以及Deeplabv3+进行分割效果和实时性对比。研究结果表明:SE-VUnet模型的综合F1和雅卡尔系数分别为0.840 3和0.722 1，相比于Unet分别高出了1.04%和1.51%，且均高于其他3种对比模型；SE-VUnet的单帧图片预测时间为89 ms，在分割效果提升明显的情况下仅比Unet慢5 ms，优于其他模型。      

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.     

基于数学形态学的路面裂缝图像处理技术

为精确提取路面裂缝信息,将数学形态学方法应用于路面裂缝图像的分析与处理中。首先将目标图像二值化并通过全局阈值法对其进行预处理,然后通过数学形态学的开、闭运算去除图像噪声;为修补裂缝断裂,对目标图像进行膨胀、细化循环操作;为捕获目标图像边缘的有效信息,通过形态学边缘检测算子对图像边缘进行叠加与捕获。最后,采用轮廓链码方法对检测结果进行计算。结果表明,单一纵向裂缝循环14次最佳,路面龟裂循环37次最佳。经数学形态学方法进行处理的裂缝计算结果与实际检测结果相比误差小于5%。     

高速公路半刚性路面裂缝分析及养护技术研究

针对高速公路半刚性路面常见的横向裂缝、纵向裂缝、块状裂缝及龟裂等病害进行阐述,分析成因,并提出相应的养护技术。