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。     

基于双层连通性检测的路面裂缝图像识别算法

针对路面裂缝图像识别结果容易存在孤立噪声和断续边缘的情况,提出了基于像素-裂缝子块双层连通性检测的图像自动识别算法,主要有4个部分:(1)基于自适应灰度拉伸的图像增强算法;(2)基于自适应大津法和八方向Sobel梯度信息的组合分割算法;(3)基于连通性检测的二值图像去噪算法;(4) 32×32裂缝子块识别和优化连接算法.然后,对5张3056×2048的路面破损图片进行裂缝识别,结果显示,该算法从像素和裂缝子块这2个层次进行连通性增强处理,可获得完整而连续的裂缝图像.最后,针对10张512×512的路面破损图片,对全局OTSU分割、八方向Sobel检测、Canny检测和本文算法进行测试,各算法综合性能指标F1值依次为62.46％、23.84％、10.45％和88.30％,准确率依次为83.45％,27.82％,17.83％和86.60％,召回率依次为56.89％,21.83％,8.89％和90.68％,体现了本文算法的优越性.     

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...     

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。     

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.     

沥青路面裂缝的自动分类及测量方法

提出了基于连通域标记算法对裂缝图像内的孔洞进行分类统计,并按照公路技术状况评定标准要求对裂缝的种类进行划分。同时,应用改进骨架化算法对划分所得的裂缝进行特征信息获取。试验结果表明,该算法对于裂缝分类具有非常高的准确性,并且对裂缝测量也具有较好的稳定性与准确性,是一种有效的路面裂缝自动分类与测量的方法。     

路面破损自动评价技术的现状和发展

人工目测丈量的路面破损状况调查方法费工费时，危险性大，评价结果的准确性及重现性低，这促使人们研究跃同破损自动调查与评价技术。文中介绍了现有系统的设计，硬件性能和特点，实施的情况及系统研究和开发和前景等方面的内容。     

水泥混凝土路面裂缝产生原因及预防措施

分析了水泥混凝土路面裂缝产生的原因,提出预防裂缝产生的路面设计、原材料选择及施工质量控制等措施,介绍了表面修补、充填及注入等修补方法。     

连续配筋混凝土路面裂缝发展规律浅析

裂缝是混凝土路面的薄弱点,而裂缝宽度和间距是评价的直观指标。以耒宜高速公路为依托,对新、旧连续配筋混凝土路面进行裂缝调查,对裂缝形态、裂缝宽度、裂缝间距3个方面进行了分析、评价,并提出裂缝间距、宽度与龄期的关系,以供读者参考。     

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。     

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。     

自动弯沉仪检测数据的正态性检验与分析

国内现行规范关于弯沉检测数据的处理及评定均以弯沉检测数据呈正态分布为前提。通过偏峰度检验法和统计分析软件SPSS对自动弯沉仪检测数据的正态分布检验,表明检测数据仅接近于而非完全正态化,而通常的异常值剔除法亦不能使弯沉检测数据正态化,说明现行弯沉检测数据的处理和评定存在一定的偏差,应在现有基础上探寻更合理的弯沉测值处理及评价方法。     

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.     

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。     

空间聚集法在沥青路面裂缝自动检测中的应用

沥青路面施工质量与效果直接决定了道路的使用安全与寿命。然而,受到各类因素的影响其路面裂缝不可避免,在裂缝的影响下地表径流以及承载应力会形成对路基的冲刷与损害,进一步提升了道路病害出现的可能。在此基础上,通过构建空间聚集法的方式对沥青路面裂缝进行检测与评价不仅能够有效地收集所需信息,还能够在自动化与函数化的基础上提供更为准确的评价结果。     

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。