基于SFO-DPC算法的三维沥青路面裂缝检测

复杂的路面纹理和噪声的影响导致现有路面裂缝检测方法有效性较低。为了提高路面裂缝检测精度,该文提出一种基于自调节步长果蝇优化密度峰值聚类(SFO-DPC)算法的三维沥青路面裂缝检测系统。首先,利用Gocator3100系列双目智能传感器构建三维图像采集系统来采集沥青路面的三维数据;然后,采用自调节步长果蝇优化密度峰值聚类算法对沥青路面的三维数据进行聚类分析,达到裂缝识别的目的;最后,将聚类分析的结果映射至二维图像中,更直观地验证裂缝检测结果。通过比较发现,该算法能够实现有效的沥青路面裂缝检测,并且相较其他基于聚类的三维检测方法,检测效果更加高效准确。     

基于残差神经网络的沥青路面裂缝识别分类研究

为提高沥青路面裂缝的识别精度与速度,提出一种基于残差神经网络的沥青路面裂缝自动识别算法。首先建立沥青路面图像集,使用数据清洗算法对综合检测车采集到的裂缝图像进行数据清洗,构建沥青路面裂缝图像样本数据集,并将图像集按8∶2的比例划分为训练集和测试集;接着采用残差神经网络ResNet50对清洗后的数据进行训练,得到网络权重后使用训练好的网络对沥青路面裂缝数据进行预测,评价网络准确性。试验结果表明:沥青路面图像清洗算法的准确率为95%,能良好地实现沥青路面原始图像的清洗;裂缝图像分类的平均准确率达到94%,其中横向裂缝、纵向裂缝、龟裂、块状裂缝的识别准确率分别为96.1%、94.6%、93.6%和94.1%。     

基于高度差乘积的三维沥青路面裂缝识别

为了提高三维沥青路面中裂缝的提取精度与可靠性,提出了一种基于高度差乘积原理的沥青路面三维图像裂缝检测算法。首先,使用同时考虑空域和频域信息的双边滤波器对图像进行预处理,以达到平滑路面纹理并保持裂缝轮廓特征的目的;然后,利用裂缝轮廓的高-低-高程度大于纹理区域且具有较强对称性的特点,设计了一个高度差乘积算子,该算子能有效放大裂缝与非裂缝区域的差异程度,通过该算子的处理可得到相应的裂缝映射图像;最后,对映射图像进行动态阈值分割和去噪,获得最终的裂缝二值图像。研究测试表明:提出的算法能达到96.51%的准确率、83.35%的召回率及87.97%的F值,相对于其他典型三维裂缝检测方法有所改善。     

沥青路面裂缝图像识别技术研究进展

对当前国内沥青路面裂缝图像识别的硬件平台、图像处理、裂缝分类技术的发展动态进行了评述,分析了存在的问题,探讨了沥青路面裂缝图像识别技术的未来发展方向.     

高速公路路面裂缝识别算法研究

经过研究给出了不均匀光照的路面裂缝图像识别的详细算法。算法采用多窗口中值滤波进行图像平滑,既能去除图像的噪声点,又较好地保留了裂缝的边缘信息;使用背景子集图像插值校正法进行灰度校正,有效地克服了不均匀成像对后期图像分割的影响;采用otsu阈值分割、形态学去噪及连通区域标记完成裂缝图像分割;选用连通区域个数、投影特征和分布密度3个参数完成裂缝分类;最后提取裂缝长度、宽度和破损面积等裂缝参数。实验结果显示分类准确率为94%,线状裂缝长度误差均值为7.2%,宽度误差均值为11.3%,非线状裂缝的面积误差均值为9.6%,表明这一方法有效、可靠。      

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。     

基于三维锥形栅格的激光点云语义分割方法EI北大核心CSCD

激光点云语义分割是自动驾驶系统中道路场景感知的重要分支。虽然主流方法将点云转换为规则的二维图像或笛卡尔栅格进行处理,减少因点云非结构化所带来的计算量,但二维图像方法不可避免地改变点云的三维几何拓扑结构,而笛卡尔栅格忽略了室外激光点云的密度不一致性,从而限制了包括行人和自行车等小物体的语义分割能力。因此,本文中提出了一种基于三维锥形栅格和稀疏卷积的激光点云语义分割方法,利用锥形栅格分区解决了点云的稀疏性和密度不一致的问题;为提高模型推理速度,设计了重参数化三维稀疏卷积网络。在SemanticKITTI和nuScenes两个大规模数据集上对所提方法进行评估。结果表明,与目前最新的点云分割方法相比,所提方法的平均交并比分别提升了1.3%和0.8%,尤其对小物体识别有显著的提升。     

多线索融合的结构化道路检测算法研究

为实现结构化道路的检测，提出了一种用于道路检测的激光雷达和视觉融合法，通过提取激光雷达在道路边缘的三维点云信息，将其投影到视觉图像上，形成激光点云与图像的映射关系，生成激光雷达似然图。通过改进提取道路的颜色、纹理、水平线等特征的方法，生成相对应的视觉似然图。在贝叶斯框架下将激光雷达和视觉生成的似然图进行融合。在KITTI数据集上测试可知，精度达到94%，准确率达到86%，表明该道路检测法具有较好的道路检测果。     

图像处理方法在粗集料形态评价中的应用研究进展

粗集料是沥青混合料的主要成分之一,我国每年公路建设需要消耗几十亿吨的粗集料。粗集料形状、棱角和纹理对沥青混合料高温稳定性、水稳定性和抗疲劳性能具有显著影响。准确评价粗集料的形态特征对于粗集料的质量控制和沥青混合料设计具有重要意义。图像处理方法是研究粗集料形状、棱角和纹理特征的有效手段。系统总结了二维图像处理方法(基于图像尺寸和半径的方法、腐蚀-膨胀法、分形维数法、梯度法和多边形拟合法、霍夫变换法、傅里叶变换法、小波变换法)和三维图像处理方法(球谐变换法、傅里叶变换法、小波变换法、腐蚀-膨胀法)在粗集料形态评价中的应用和取得的研究成果,并针对不同方法的局限性进行了评述。针对二维图像方法的固有缺陷,提出了今后的研究重点是基于粗集料的三维点云数据使用三维图像处理方法构建粗集料形状、棱角和纹理评价指标。最后结合作者现行的研究,介绍了使用激光三维扫描技术采集粗集料三维图像的步骤,并探讨了利用三维点云数据计算粗集料三维尺寸、处理粗集料棱角和平滑粗集料纹理的方法。     

基于深度学习方法的路面裂缝目标检测

公路和城市道路最主要的路面损坏类型是裂缝类病害。能否准确识别,尤其在众多路面信息图像中高效甄别各类表观病害,为路面技术状况评定、养护科学决策和路面病害处置提供基础数据,是当前领域研究的重难点。为此,对横向裂缝、纵向裂缝、斜裂缝长度类和龟裂、破损板面积类等典型裂缝类病害几何特征进行分析,确定了自动识别裂缝样本标注方法,构建了路面裂缝目标检测样本库,包含沥青裂缝长度类图像样本6 311个、龟裂面积类图像样本4 086个、水泥裂缝长度类图像样本37 945个、破碎板面积类图像样本7 310个。基于Faster-RCNN进行训练验证,开展路面裂缝目标检测并实现自动识别。利用北京市政道路2 000 km路面图像进行试验验证,并与路面裂缝Unet分割自动识别方法进行对比。试验结果表明,开展路面裂缝目标检测可通过提出的深度学习方法,有效提高召回率和准确率,其值高达85%以上,自动识别运行效率为12.3帧/s,与Unet分割自动识别方法对比更接近路面裂缝实际情况。     

隧道衬砌裂缝精细化识别及其评价

为了研究隧道衬砌裂缝形态的精确描述与特征量化,采用隧道衬砌全景图像的方法,以某隧道工程为依托,通过隧道衬砌展开影像生成器软件将采集的衬砌裂缝影像进行特征点提取、匹配、模型识别、图像展开与拼接处理,得到较为全面反映隧道衬砌全景展开图像。从图像增强的预处理、图像边缘检测、裂缝特征区域干扰点去除、裂缝连接及特征统计方面进行算法分析,并通过连通区域标记方法寻找裂缝的端点来确定缺陷在图像中的空间位置及角度方向,运用裂缝像素位置关系原理进行裂缝长度的换算统计,从而提取出衬砌裂缝的详细特征信息,开发出一套隧道表面衬砌裂缝识别评价系统,为隧道衬砌裂缝检测提供一种便捷、高效、全面的综合检测系统。结果表明:该方法运用自主开发的TLIM软件实现了将空间图像转为平面图像,具有很好的描述性及测量性;通过实践证明该方法大大降低了"伪裂缝"的干扰,提高了对裂缝识别的准确率;该方法实现了裂缝的有效连接与连接段裂缝种子的恢复,还原真实裂缝形态信息,从而可以得到详细完整的裂缝统计特征信息;该技术方法实现了对缺陷的精细化描述定位,主要从其裂缝位置、长度、方向等方面进行量化分析;该技术方法目前已在具体工程中获得应用且效果尚佳。     

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。     

基于聚焦深度的沥青路面微观纹理三维图像重构方法研究

沥青路面微观纹理三维图像重构是研究其微观性能的基本方法之一,针对国内外沥青路面微观纹理三维图像重构方法的不足,运用聚焦深度法,通过单目体视显微镜沿垂直沥青试块表面方向拍摄序列图像,采用改进的Laplacian聚焦算子进行序列图像融合并确定融合图像中每点所属的高度层次,用高斯插值算法得到每点准确的高度值,进而实现沥青路面微观纹理三维重构.与激光轮廓仪测量的断面轮廓线进行对比分析,验证了其精度和可行性.试验结果表明该方法可以高精度重构沥青路面三维微观纹理.     

基于改进SegNet的沥青路面病害提取与分类方法

针对现有SegNet算法难以精确区分裂缝和灌封裂缝等具有相似特征的沥青路面病害的问题，提出了基于改进SegNet网络的沥青路面病害提取方法。针对道路标线和光照不均匀等导致路面病害图像质量差异化的因素，本研究在去除道路标线的基础上，运用带色彩恢复的多尺度视网膜增强算法，降低道路标线和光照对图像质量的影响以及增强路面病害图像的对比度、色调和亮度，提高病害的识别精度；为了充分利用图像的上下文信息，解决SegNet网络对细微病害分割效果不佳的问题，引入残差神经网络（ResNet）作为编码器，并对解码器中每个上采样产生的特征图拼接2个分别由卷积层（1×1的卷积核）和空洞卷积层从对应的编码器中获取的尺度相同的特征图；运用形态学闭运算连接分割结果中不连续的裂缝。为了验证改进算法的有效性，将其与典型的语义分割方法（SegNet和BiSeNet）在测试集上进行测试和性能对比。研究结果表明，3种方法的平均交并比（MIoU）和F1分数（F1-score）分别为（82.4%，98.9%），（69.4%，94.0%），（80.5%，98.1%）；利用这3种方法对甘肃省部分路段路面病害的提取效果进行对比测试，提出方法的裂缝漏检率和误检率分别为2.91%，1.94%，优于SegNet（10.68%，14.56%）和BiSeNet（6.80%，12.62%）。本研究所提方法能够更精确地提取和区分沥青路面裂缝和灌封裂缝。      

三维激光扫描技术在危旧桥梁健康监测中的应用研究

针对现有桥梁健康监测手段主观性强、使用限制大、耗时长和经济性低等缺陷,以大邑县虎跳河大桥为试验对象,采用三维激光扫描技术进行危旧桥梁健康监测研究.通过控制测量、靶标布设、数据预处理、拼接优化等过程控制,使得2次扫描采集点云的拼接精度均优于1.5 mm;通过一定宽度的固定面分割点云数据,采用外侧点绘制桥梁的横断面图和桥墩轮廓线,最低点绘制拱肋拱腹线,复原了桥梁缺失的二维图件,并将拱腹线和轮廓线应用于后续的桥梁变形分析;通过点云结合影像数据制作正射影像图,采用边缘增强和雕刻化的图像处理方法增强病害表征,而后进行裂缝、水迹线、缺陷等的识别、测量和变化对比;利用点云数据制作的桥面模型进行垂向变化对比,结果显示桥墩附近沉降较小,在士1.5 mm内,桥台部分沉降较大,部分区域大于土8.0 mm,-3.0～0.0 mm沉降范围占比最大,达72.03％;通过拱腹线不同跨径位置进行垂向位移分析,结果显示平均沉降为5.08 mm;通过定距等分点的桥墩轮廓线位移分析,结果显示平均水平位移为3.56 mm,位移为0.02～6.24 mm的区间总占比达89.95％;通过桥墩轮廓线计算质心点进行水平位移分析,结果显示桥墩质心向213.81°,即虎跳河下游移动了3.11 mm,位移量结果与轮廓线分析的平均值接近.     

基于目标减背景法的路面三维裂缝识别方法

根据路面病害等特征提取与检测要求,针对路面三维裂缝的数据特点,结合数字图像处理技术,提出了一种基于目标减背景法的路面三维裂缝识别方法。该方法首先采用双相标准差和基于组合结构元素的级联形态学滤波算法相结合的滤波方法实现裂缝三维数据的预处理,然后根据三维裂缝数据转换成二维图像进行研究的优势,对三维裂缝数据归一化,并采用目标减背景法和Otsu局部阈值分割法实现路面裂缝的识别,对比试验结果与分析表明:该文算法检测效果比较好,对细小裂缝的识别有一定的优势。     

基于深度学习的沥青路面病害图像智能识别方法研究

针对现有沥青路面病害人工检测效率低、影响交通、安全风险大等特点,研究基于深度学习的沥青路面病害图像智能识别方法。通过对不同类型沥青路面病害整体目标区域及特殊样貌特征分别进行标记,对图像进行归一化及数据集扩充等一系列处理,以达到增强目标特征的目的。将细分的11类致灾因子作为神经网络的输入变量,通过模糊推理逻辑创建致灾因子与沥青路面病害等级的映射关系。预先处理神经网络的输入数据和后置处理神经网络的输出数据,结合引入至神经网络中的模糊推理逻辑,建立沥青路面病害综合评价模型。通过AlexNet网络识别出病害类型,并判断其危险度等级。以滇藏公路标号K170路段实际沥青路面病害为例,评判其横向裂缝危险度等级为重度,与实际情况相符,表明该沥青路面病害图像智能识别方法协同模糊神经网络综合评价模型可有效识别沥青路面病害类型并评价沥青路面病害的危险度等级。     

基于无人机及Mask R-CNN的桥梁结构裂缝智能识别

桥梁结构表面裂缝检测为桥梁状态识别、病害治理、安全评估提供了重要状态信息和决策依据。为解决传统人工检测方法存在的危险性高、影响交通、费用昂贵等问题,提出基于无人机（Unmanned Aerial Vehicle,UAV）及深度学习的桥梁结构裂缝智能识别方法。采用大疆M210-RTK多旋翼无人机进行贴近航摄,获取桥梁结构混凝土表面高清图像;利用SDNET裂缝数据集等图像资源,制作1 133张标记裂缝精确区域的深度学习训练样本图像库;引入掩膜区域卷积神经网络（Mask R-CNN）深度学习算法,训练和建立Mask R-CNN裂缝识别模型;基于Mask R-CNN裂缝识别模型,采用矩形滑动窗口模式扫描混凝土表面高清图像,实现裂缝自动识别和定位。构建包含图像二值化、连通域去噪、边缘检测、裂缝骨架化、裂缝宽度计算等流程的图像后处理方法,实现裂缝形态及宽度信息自动获取。通过精度验证试验,证实采用M210-RTK无人机+ZENMUSE X5S相机+45 mm奥林巴斯镜头的组合装备,当无人机至桥梁结构表面垂直距离为10.0 m时,无人机方法识别的裂缝宽度与裂缝测量仪结果吻合,其绝对误差小于0.097 mm,相对误差小于9.8%。将该无人机裂缝检测方法应用于高136.8 m长沙市洪山大桥桥塔表面裂缝检测,采用深度学习Mask R-CNN算法进行裂缝智能识别,其裂缝识别准确率和召回率分别达到92.5%和92.5%。研究结果表明：无人机桥梁裂缝检测方法可实现高耸桥梁结构表面裂缝的远程、非接触、自动化检测,具有重要的科学研究和工程应用价值。     

基于实测点云数据的隧道分割及形变检测方法

为了解决隧道形变检测准确性低、分析不全面的问题,对隧道三维点云轴线提取、隧道影像生成及分割、隧道点云数据分割和隧道断面形变检测等方面进行研究。对于三维激光扫描仪获取到的隧道原始点云数据,首先基于设计轴线,对RANSAC算法进行改进,来拟合等间距隧道断面圆心,并采用基于最小二乘优化的3次B样条曲线拟合方法,获取隧道实测轴线;其次,通过从点云数据到影像的数据转换方法,生成隧道反射率影像,并进一步利用点云数据几何特征生成几何权重图,应用边界检测提取隧道影像中的边界线;然后,将边界线像素映射至隧道三维点云数据空间,实现隧道点云数据的分割;最后,设计一种精确的隧道断面形变分析方法,分析断面形变。试验表明:本算法可精确分割隧道点云数据,提高隧道断面形变检测的准确度和可靠性。     

基于自编码模型的沥青路面表面横缝识别研究

以上海某高速路段为研究依托,采集相关的沥青路面表面图像,利用卷积神经网络提取图像特征后再通过基于长、短期记忆神经网络的自编码模型对路面图像是否含有表面横缝进行识别,并对模型识别效果进行评价。结果表明,该方法可以快速有效地提取图像特征,在样本不均衡的条件下对表面横缝依然有较好的识别能力。