CN101814138B - 基于图像的水泥混凝土路面嵌缝料损坏类型识别分类方法 - Google Patents

Abstract

一种基于图像的水泥混凝土路面嵌缝料损坏类型识别分类方法，其包括以下步骤：1)获取包含路面接缝及嵌缝料的灰度图像；2)对灰度图像中的接缝进行定位；3)获取接缝中孔隙图像，对孔隙进行边界跟踪，提取孔隙特征；4)根据孔隙特征对损坏类型进行识别分类并统计。对接缝中的嵌缝料脱边、脱落和断裂及微小孔隙等损坏类型进行统计，统计它们所占比例，可作为嵌缝料完好性的评价依据，供公路管养部门使用。本发明可以自动检测及分类，方便易行，提高了工作效率及准确度。

Description

基于图像的水泥混凝土路面嵌缝料损坏类型识别分类方法

技术领域

本发明属于道路工程领域，涉及一种水泥混凝土路面嵌缝料损坏类型识别分类方法。

背景技术

水泥混凝土路面嵌缝料位于水泥板接缝处，填补水泥路面接缝孔隙，防止水分由接缝进入路面结构内部；嵌缝料在车轮荷载的高频剪切、温度应力、动水压力及自然环境下光氧老化作用下 易破损，首先在接缝中出现微小孔隙；逐渐地嵌缝料丧失粘结力，与接缝脱离，形成脱边；进而断裂，最终导致脱落。嵌缝料损坏后，路表水很容易由接缝进入水泥混凝土路面结构内部，冲刷基层材料，诱发脱空、断板等一系列严重的病害。由此可见，嵌缝料的损坏是水泥混凝土路面其他病害的重要诱因，嵌缝料寿命相对较短，并且容易维护，因此快速采集嵌缝料损害信息，针对嵌缝料损坏情况，及时进行嵌缝料养护具有重要的现实意义。

目前嵌缝料的损坏类型判断主要依靠人工，费时费力，主观性大，本发明利用数字图像处理技术，对水泥混凝土路面图像进行接缝定位、提取嵌缝料损坏的特征，继而分类汇总。

发明内容

本发明针对现有水泥混凝土路面嵌缝料损坏类型识别判断方法的自动化程度不高，准确度不足，提出了一种基于图像的水泥混凝土路面嵌缝料损坏类型识别分类方法，可以自动检测及分类，方便易行。

为达到以上目的，本发明所采用的解决方案是：

本发明利用数字图像处理技术，首先获得水泥混凝土路面图像，在图像中利用接缝的灰度投影特征、边缘特征、几何形状特征及尺寸特征进行接缝定位，提取接缝图像，利用接缝中孔隙的相对宽度、相对位置、外接矩形的相对宽度和长度以及孔隙一侧相对投影量等特征对嵌缝料损坏类型进行识别分类，最后统计汇总各种损害类型的比例。

具体的，其包括以下步骤：

1)获取包含路面接缝及嵌缝料的灰度图像；

2)对灰度图像中的接缝进行定位；

3)获取接缝中孔隙图像，对孔隙进行边界跟踪，提取孔隙特征；

4)根据孔隙特征对损坏类型进行识别分类并统计。

所述定位是对图像沿接缝方向做边缘投影和灰度投影，提取粗定位图像；对粗定位图像做边缘检测，对边缘检测图像进行二值化，做边缘投影和灰度投影，利用投影的两个最大峰值确定接缝的准确位置，并由两个峰值位置计算接缝宽度，利用接缝位置，在原灰度图中提取精定位图像。

提取粗定位图像前应排除干扰因素，提取时在接缝的两侧各多提取100mm左右的图像。

所述粗定位的优选方法为：对边缘投影和灰度投影做傅立叶变换，过滤高频分量，通过傅立叶反变换得到具有若干峰值的曲线，对每个峰处的水泥混凝土路面图像做进一步筛选，提取粗定位图像。

所述对粗定位图像做边缘检测采用Kirsch边缘检测法，利用8个方向的模板对水泥混凝土路面图像做卷积处理，增强接缝的边缘。

所述对边缘检测图像二值化，采用最大熵阈值分割法。

采用Hough变换检测接缝与水平轴的夹角，若接缝与水平轴存在一定倾角，对边缘检测图像进行二值化后，应利用倾角做旋转校正，使接缝与水平轴平行，再做边缘投影和灰度投影提取精定位图像。

对精定位图像进行二值化，得到接缝中孔隙图像，对孔隙进行边界跟踪，得到孔隙的面积及外接矩形，并提取孔隙特征。

统计损坏类型所占比例时，

脱边的损坏率＝0.5*脱边的长度/接缝长度；

微小孔隙的损坏率＝0.5*微小孔隙接缝方向的长度/接缝长度；

脱落的损坏率＝脱落长度/接缝长度；

断裂的损坏率＝断裂的长度/接缝长度。

由于采用了上述方案，本发明具有以下特点：本发明利用数字图像处理技术，对嵌缝料进行定位识别和分类，避免人工检测，提高了工作效率和准确度。

附图说明

图1为本发明的实施例流程图；

图2为本发明的孔隙特征示意图；

具体实施方式

以下结合附图所示实施例对本发明作进一步的说明。

参见图1，图1是本发明的实施例流程图，包括：

步骤一：获取包含水泥混凝土路面接缝及嵌缝料的灰度图像。一般采用线阵相机，分辨率要求较高，要取得较好的识别效果，可采用行分辨率为4096或更高分辨率的线阵相机。

图像中包含接缝、嵌缝料，接缝大致与水平轴平行，接缝与相邻两板结合处具有较强边缘特征；嵌缝料主要的损坏类型有微小孔隙、脱边、脱落和断裂；微小孔隙的特征为，接缝的嵌缝料中存在数量较多大面积较小的孔隙；脱边的特征为，嵌缝料与一侧或两侧的水泥板的粘结力丧失，在水泥板和嵌缝料之间存在狭长的孔隙；脱落的特征为，嵌缝料完全或部分从接缝中脱出，留下较宽、较长的孔隙；嵌缝料断裂的特征为，嵌缝料由于老化，在荷载作用下断裂，断裂处留下较宽，但较短的孔隙；由于嵌缝料的损坏类型与接缝中孔隙的形态、尺寸和位置密切相关，本发明以接缝中孔隙特征作为判断嵌缝料的损害类型的依据。

步骤二：对图像中的接缝进行粗定位。粗定位时，首先对图像沿接缝方向做边缘投影和灰度投影，由于接缝处存在孔隙，孔隙的灰度值较低，且接缝处存在很强的边缘，因此接缝处在灰度投影曲线和边缘投影曲线中出现峰值，由于水泥混凝土路面刻槽、裂缝和修补的灌浆材料及其他污染物的干扰，两种投影曲线上可能存在多峰，需要根据接缝的几何特征及尺寸特征排除干扰因素，提取粗定位图像，提取时在接缝的两侧各多提取100mm左右的图像。

优选的，对边缘投影和灰度投影做傅立叶变换，过滤高频分量，通过傅立叶反变换得到具有若干峰值的曲线，对每个峰处的水泥混凝土路面图像做进一步筛选，筛选时判断的依据是接缝具有较强的直线特征(区别于水泥混凝土路面裂缝)，接缝处的边缘投影峰值和灰度投影峰值一般大于刻槽处的峰值，接缝的宽度一般为10mm左右，且相邻路段变化范围不大，与刻槽处投影峰值的宽度不同。

步骤三：对粗定位图像做边缘检测，对边缘检测图像进行二值化，由于拍摄角度、路段线形变化或车辆运行轨迹的变化，接缝可能与水平轴存在一定倾角，为精确定位并计算接缝宽度，利用倾角做旋转校正，使接缝完成与水平轴平行；做边缘投影和灰度投影，利用投影的两个最大峰值确定接缝的准确位置，并由两个峰值位置计算接缝宽度，即两个峰值位置坐标相减即为接缝宽度，单位为像素。利用接缝位置，在原灰度图中提取精定位图像。

优选的，对粗定位图像做边缘检测采用Kirsch边缘检测法，该算法是利用8个方向的模板对水泥混凝土路面图像做卷积处理，所得到边缘在各个方向中都得到了增强，这样以来，就增强了接缝的边缘。

优选的，对边缘检测图像二值化，采用最大熵阈值分割法。

优选的，通过Hough变换检测接缝与水平轴的夹角，由于接缝与水平轴的夹角非常小，因此Hough变换的搜索空间可充分利用此特征，在-10度到10度的范围内检测接缝倾角。

步骤四：对精定位图像进行二值化，得到接缝中孔隙图像，对孔隙进行边界跟踪，得到孔隙的面积及外接矩形，并提取孔隙特征，如孔隙相对宽度γ_w、孔隙相对位置γ_p、孔隙外接矩形相对宽度γ_R和相对长度γ_L以及孔隙一侧投影相对值γ_n。

优选的，以孔隙的面积作为阈值，一般可取1cm²～10cm²的，具体面积的像素数目要根据相机分辨率确定，这个取值可根据各地区道路管理养护部门的意见来确定。过滤面积较小的孔隙，将它们统一归为一类：微小孔隙；

优选的，嵌缝料损坏模式的特征为孔隙相对宽度γ_w、孔隙相对位置γ_p、孔隙外接矩形相对宽度γ_R和相对长度γ_L以及孔隙一侧投影相对值γ_n。

结合图2，x为接缝方向的图像坐标；y⁺、y^-分别为接缝两边界纵坐标；对接缝图像缝宽记作w；孔隙i区域面积记作s_i；孔隙i的x轴方向的起始位置记作m_i；沿接缝方向的长度记作l_i；外接矩形宽度记作w_Ri；外接矩形长度记作l_Ri；垂直于接缝方向对接缝的每个水平位置做孔隙计数，记作N(x)；扫描线在x轴的u处扫描到孔隙i一侧存在孔隙j，因此N(u)＝1，而扫描线在x轴的v坐标处，孔隙i一侧未发现任何孔隙，因此N(v)＝0；孔隙i的上边界纵坐标记为Up(x)_i；下边界纵坐标记为Down(x)_i；扫描线v与孔隙i的上部交点为A，纵坐标即为Up(v)_i；扫描线v与孔隙i的下部交点为B，纵坐标即为Down(v)_i。

γ_w，γ_p，γ_R，和γ_n，定义如下：

${\mathrm{\γ}}_w=\frac{s_i}{{\mathrm{wl}}_i};$

${\mathrm{\γ}}_p=\frac{\underset{i=m_i}{\overset{m_i+l_i}{\mathrm{\Σ}}}(\mathrm{Up}{\left(x\right)}_i-y^{+}+\mathrm{Down}{\left(x\right)}_i-y^{-})}{w};$

${\mathrm{\γ}}_R=\frac{w_{\mathrm{Ri}}}{w};$

${\mathrm{\γ}}_L=\frac{l_{\mathrm{Ri}}}{w};$

${\mathrm{\γ}}_n=\frac{\underset{x=m_i}{\overset{m_i+l_i}{\mathrm{\Σ}}}N{\left(x\right)}_i}{l_i}$

步骤五：利用孔隙的特征，进行分类，识别出脱边，脱落和断裂等嵌缝料损坏类型。

优选的，使用神经网络作为嵌缝料损坏类型分类器。

步骤六：对接缝中的嵌缝料脱边、脱落和断裂及微小孔隙等损坏类型进行统计，统计它们所占比例，作为嵌缝料完好性的评价依据，供公路管养部门使用。

优选的，统计损坏类型所占比例时，

脱边的损坏率＝0.5*脱边的长度/接缝长度；

微小孔隙的损坏率＝0.5*微小孔隙接缝方向的长度/接缝长度；

脱落的损坏率＝脱落长度/接缝长度；

断裂的损坏率＝断裂的长度/接缝长度。

上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (8)

1.一种基于图像的水泥混凝土路面嵌缝料损坏类型识别分类方法，其特征在于：其包括以下步骤：

1)获取包含路面接缝及嵌缝料的灰度图像；

2)对灰度图像中的接缝进行定位；

3)获取接缝中孔隙图像，对孔隙进行边界跟踪，提取孔隙特征，孔隙特征包括孔隙相对宽度γ_w、孔隙相对位置γ_p、孔隙外接矩形相对宽度γ_R和相对长度γ_L以及孔隙一侧投影相对值γ_n；

γ_w，γ_p，γ_R，和γ_n，定义如下：

${\mathrm{\γ}}_w=\frac{s_i}{{\mathrm{wl}}_i};$

${\mathrm{\γ}}_p=\frac{\underset{i=m_i}{\overset{m_i+l_i}{\mathrm{\Σ}}}(\mathrm{Up}{\left(x\right)}_i-y^{+}+\mathrm{Down}{\left(x\right)}_i-y^{-})}{w};$

${\mathrm{\γ}}_R=\frac{w_{\mathrm{Ri}}}{w};$

${\mathrm{\γ}}_L=\frac{l_{\mathrm{Ri}}}{w};$

${\mathrm{\γ}}_n=\frac{\underset{x=m_i}{\overset{m_i+l_i}{\mathrm{\Σ}}}N{\left(x\right)}_i}{l_i}$

其中，x为接缝方向的图像坐标；y⁺、y^-分别为接缝两边界纵坐标；对接缝图像缝宽记作w；孔隙i区域面积记作s_i；孔隙i的x轴方向的起始位置记作m_i；沿接缝方向的长度记作l_i；外接矩形宽度记作w_Ri；外接矩形长度记作l_Ri；垂直于接缝方向对接缝的每个水平位置做孔隙计数，记作N(x)；扫描线在x轴的u处扫描到孔隙i一侧存在孔隙j，因此N(u)＝1，而扫描线在x轴的v坐标处，孔隙i一侧未发现任何孔隙，因此N(v)＝0；孔隙i的上边界纵坐标记为Up(x)_i；下边界纵坐标记为Down(x)_i；扫描线v与孔隙i的上部交点为A，纵坐标即为Up(v)_i；扫描线v与孔隙i的下部交点为B，纵坐标即为Down(v)_i；

4)根据孔隙特征对损坏类型进行识别分类并统计，损坏类型包括微小孔隙、脱边、脱落和断裂。

2.如权利要求1所述的基于图像的水泥混凝土路面嵌缝料损坏类型识别分类方法，其特征在于：所述定位是对图像沿接缝方向做边缘投影和灰度投影，提取粗定位图像；对粗定位图像做边缘检测，对边缘检测图像进行二值化，做边缘投影和灰度投影，利用投影的两个最大峰值确定接缝的准确位置，并由两个峰值位置计算接缝宽度，利用接缝位置，在原灰度图中提取精定位图像。

3.如权利要求2所述的基于图像的水泥混凝土路面嵌缝料损坏类型识别分类方法，其特征在于：提取粗定位图像前排除干扰因素，提取时在接缝的两侧各多提取100mm左右的图像。

4.如权利要求2所述的基于图像的水泥混凝土路面嵌缝料损坏类型识别分类方法，其特征在于：所述提取粗定位图像的方法为：对边缘投影和灰度投影做傅立叶变换，过滤高频分量，通过傅立叶反变换得到具有若干峰值的曲线，对每个峰处的水泥混凝土路面图像做进一步筛选，提取粗定位图像。

5.如权利要求2所述的基于图像的水泥混凝土路面嵌缝料损坏类型识别分类方法，其特征在于：所述对粗定位图像做边缘检测采用Kirsch边缘检测法，利用8个方向的模板对水泥混凝土路面图像做卷积处理，增强接缝的边缘。

6.如权利要求2所述的基于图像的水泥混凝土路面嵌缝料损坏类型识别分类方法，其特征在于：所述对边缘检测图像二值化，采用最大熵阈值分割法。

7.如权利要求2所述的基于图像的水泥混凝土路面嵌缝料损坏类型识别分类方法，其特征在于：采用Hough变换检测接缝与水平轴的夹角，若接缝与水平轴存在一定倾角，对边缘检测图像进行二值化后，利用倾角做旋转校正，使接缝与水平轴平行，再做边缘投影和灰度投影提取精定位图像。

8.如权利要求2所述的基于图像的水泥混凝土路面嵌缝料损坏类型识别分类方法，其特征在于：对精定位图像进行二值化，得到接缝中孔隙图像，对孔隙进行边界跟踪，得到孔隙的面积及外接矩形，并提取孔隙特征。

Images