CN103440657B - 一种在线道路裂缝筛查方法 - Google Patents
一种在线道路裂缝筛查方法 Download PDFInfo
- Publication number
- CN103440657B CN103440657B CN201310380168.5A CN201310380168A CN103440657B CN 103440657 B CN103440657 B CN 103440657B CN 201310380168 A CN201310380168 A CN 201310380168A CN 103440657 B CN103440657 B CN 103440657B
- Authority
- CN
- China
- Prior art keywords
- value
- pixel
- crack
- seed points
- gray
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
一种在线道路裂缝筛查方法,包括图像预处理,针对每一行数据对于不同尺度分别建立移动的目标窗口并计算灰度落差均值,取最大值为移动的目标窗口的当前像素灰度落差值,最大值对应的尺度为裂缝的最佳宽度;选取种子点,分别在纵向上以灰度落差值最大为准则进行增长,增长结束后,获取该种子点所在裂缝的最小外接矩形的长度L和宽度W;若各裂缝最小外接矩形中,存在某最小外接矩形的长度L大于预设阈值Lmin,且L/W的值大于预设阈值Bmin,则判断存在裂缝,结束流程,否则将图像旋转90度,重复进行检测,若仍不存在裂缝,则结束流程。本发明可以达到实时处理的效果,也可以进行并行计算,显著的提高速度,同时可靠性强。
Description
技术领域
本方法属于图像处理与识别技术领域,特别是涉及一种新的道路裂纹检测方法,能够在路面影像采集的过程中实时判断路面裂缝的存在。
背景技术
近几十年来,高速公路在世界各国得到了蓬勃的发展,道路建成后的保养与维护日益受到人们的重视。随着路面使用率越来越高,不可避免的会产生路面破损。通常路面破损会对路面的承重能力、耐久性以及对车辆的燃料消耗、行车舒适性、机械磨损、行驶速度、交通安全、环境保护等方面造成严重的影响。因此,需要相关人员定期对路面情况进行调查,制定相应的维护策略,及时维修破损路面,达到最佳的投入产出比。在公路路面质量评价体系中,一项非常重要的指标就是路面是否存在裂纹。随着大量路面影像和激光数据的出现,如何快速准确地在海量数据采集过程中判断出路面裂纹的存在,减少数据存储要求及后续大量数据处理开销是目前亟待解决的问题。
过去很长一段时间内,道路工程师以及相关人员通过复杂的人工方式来收集道路表面裂缝信息;但是人工收集道路信息耗时、耗人力,更缺乏准确性和实时性。随着定量遥感、定位技术的不断发展以及工程测量车的出现,使得道路裂缝调查逐步走向自动化,路面裂缝信息的提取变得实时、高效。测量车所获得的道路实时影像是对道路信息的综合反映,从中检测识别道路裂缝信息的本质在于从路面影像中提炼出裂缝知识以及结构数据,服务于交通规划、分析和决策。Allen Zhang等分析了道路信息的复杂性、裂缝特征的多样性以及外部物体对裂缝的影响等,介绍了利用匹配过滤算法进行道路裂缝检测的方法,将道路裂缝检测结果和传统边缘探针检测结果进行了比较,得出该算法在裂缝检测中具有很强的稳健性,对除噪后的影像效果更佳的结论。Yi-Chang(James)Tsai等人提出了一种新颖的基于多尺度拓扑裂缝描述的裂缝基本元素模型,提供许多裂缝属性,有助于科研人员研究裂缝识别的方法,以不同方式提取裂缝特征;而且该模型还能够传递出丰富多变的裂缝特征。该方法通过多尺度模型,来提取具有不同细节水平的道路裂缝特征。通过对真实道路数据的分析可知,所提出的模型对于研究现实世界裂缝分类应用很有发展前景。H.D.Cheng等基于模糊逻辑理论提出一种新颖的道路裂缝检测算法,其主要思想是基于道路影像中裂缝像素“比周围像素更暗而且是连续的”实际情况,利用灰度特征提取道路裂缝信息。实验结果证明了利用该方法检测裂缝的正确性和高效性。国内高建贞等人介绍了一种基于图像的路面裂缝自动检测方法;首先使用一种快速的针对灰度分布不均图像的校正方法,对降质的路面图像进行增强,再进行阈值分割,提取出图像上的线性特征,最后再根据线性特征从原灰度图像上识别出裂缝目标。张娟和沙爱民等分析了基于数字图像处理的路面裂缝识别与评价系统的工作原理,而没有对在数据采集过程中实时判断路面裂缝存在的方法做深入研究。
综上所述,目前基于道路影像数据的道路裂缝检测算法具有如下特点:
1)现有文献算法缺乏在路面影像或激光数据采集的过程中,实时筛查道路裂缝存在的方法。大部分算法都集中在道路裂缝检测的稳健性,而在实际操作过程中,人们更希望能够边采集道路数据,边进行道路裂缝有无的检测,能够实时地判断道路裂缝是否存在,放弃一些没有缺陷的道路数据,从根本上减少后续人工或算法处理的成本;
2)一些文献算法对道路裂缝检测会遗漏一些结构不明显的裂缝,导致裂缝检测结果可靠性差。由于道路特征的变化,对于一些微小、线性特征不明显的裂缝,如何进行全面检测保证不漏掉任何含裂缝数据是提高道路检测可靠性的关键。
发明内容
为了充分利用日益更新的影像和激光传感技术,使其更有效的服务于交通行业,本发明公开了一种道路裂纹的实时筛查方法。
本发明的技术方案为一种在线道路裂缝筛查方法,包括以下步骤:
步骤一、对输入的原始道路图像进行预处理,得到预处理后的图像;
步骤二、针对每一行数据,对于不同尺度,分别建立移动的目标窗口并计算灰度落差均值,取其中最大值为移动的目标窗口的当前像素灰度落差值M(i,j),最大值对应的尺度为裂缝的最佳宽度W(i,j);基于某尺度w,计算灰度落差值实现方式如下,
以当前像素(i,j)为起点、宽度为w的目标窗口包括像素(i,j)至像素(i,j+w-1),其中i为行标号,j为列标号,计算目标窗口内灰度均值与左右两侧相邻窗口灰度均值之差LDeta、RDeta,包括先计算左侧相邻窗口内所有像素灰度值之和Ltemp、右侧相邻窗口内所有像素灰度值之和Rtemp以及目标窗口内所有像素灰度值之和Mtemp,再按下式分别计算LDeta、RDeta,
Ldeta=(Ltemp-Mtemp)×255,
Rdeta=(Rtemp-Mtemp)×255,
当LDeta、RDeta同号且同时大于预设阈值T时,根据下式计算(i,j)位置灰度值落差均值,
当左右两侧灰度落差值不同号或不同时大于预设阈值T时,赋值Mw(i,j)=0,W(i,j)=0;
步骤三、选取种子点,实现方式为,按行处理,比较像素(i,j)和与临近的像素(i,j-1)与(i,j+1),当M(i,j)同时大于M(i,j-1)和M(i,j+1)时,像素(i,j)为种子点;
步骤四、连通性分析,包括对步骤三得到的每个种子点,分别根据步骤二所得各像素的灰度落差值M(i,j)和最佳宽度W(i,j),在纵向上以灰度落差值最大为准则进行增长,增长结束后,获取该种子点所在裂缝的最小外接矩形的长度L和宽度W;
步骤五、若步骤四所得各裂缝最小外接矩形中,存在某最小外接矩形的长度L大于预设阈值Lmin,且L/W的值大于预设阈值Bmin,则判断存在裂缝,结束流程,否则将图像旋转90°,重复步骤二到五,若仍不存在裂缝,则结束流程。
而且,步骤二中,目标窗口左侧的相邻窗口包括像素(i,j-w)至像素(i,j-1),目标窗口右侧的相邻窗口包括像素(i,j+w)至像素(i,j+2w-1)。
而且,步骤二中,Rtemp、Ltemp和Mtemp的计算方式如下,
首先,根据步骤一所得预处理后的图像,按下式逐像素对每行的灰度值计算累和,
其中,Sum(i,j)表示i行第j列像素的灰度累和值,G(i,n)表示i行第n列像素灰度值;
然后,按下式计算,
Mtemp=Sum(i,j+w-1)-Sum(i,j-1),
Rtemp=Sum(i,j+2×w-1)-Sum(i,j+w-1),
Ltemp=Sum(i,j-1)-Sum(i,j-w-1)。
或者,步骤二中,Rtemp、Ltemp和Mtemp的计算方式如下,
其中,Gray(i,j+n)表示i行第j+n列像素灰度值。
而且,步骤三中,根据预设变量m,每隔m行选取一次种子点,m值比裂缝长度阈值小1。
而且,执行步骤一、步骤二以及步骤三时,利用多核多线程处理器进行并行处理。
而且,步骤四中,在纵向上以灰度落差值最大为准则进行增长时,先向上增长后向下增长,或者先向下增长后向上增长。
而且,向上增长的实现方式包括以下步骤,
(1)设当前取步骤三得到的某种子点为开始的种子点(i,j),最佳窗口为w;令增长高度L长度初始值为1,令最小外接矩形最小的列标号值Xmin与最小外接矩形最大的列标号值Xmax的初始值均为种子点(i,j)的列标号;
(2)在上一行搜索向上增长的下一个种子点,搜索方式如下,
在上一行的相邻范围内搜索灰度值大于预设阈值T的区域,设区域内第x列的某一像素,其最佳宽度大小为w,计算x+w的值,若x+w>=j-1,则当前像素满足连续条件,否则不满足连续条件;
在区域内满足连续条件的像素中,找到落差值最大的像素,如果找到的落差值最大为0或者找到的落差值最大的像素属于裂缝上的点,结束增长;否则将找到的落差值最大的像素作为向上增长的下一个种子点,通过将灰度值设置为255标识该像素属于裂缝上的点,进入(3);
(3)L的值自增1,以向上增长的下一个种子点为新的种子点,分别判断当前的Xmin、Xmax与新的种子点列标号的大小关系,取最小值作为更新后的Xmin值,取最大值作为更新后的Xmax值,并返回(2)基于新的种子点在上一行搜索向上增长的下一个种子点,直到结束增长,结束增长后得到最小外接矩形的长度L和最小外接矩形的宽度W=Xmax-Xmin+1。
而且,向下增长的实现方式包括以下步骤,
(1)设当前取步骤三得到的某种子点为开始的种子点(i,j),最佳窗口为w;令增长高度L长度初始值为1,令最小外接矩形最小的列标号值Xmin与最小外接矩形最大的列标号值Xmax的初始值均为种子点(i,j)的列标号;
(2)在下一行搜索向上增长的下一个种子点,搜索方式如下,
在下一行的相邻范围内搜索灰度值大于预设阈值T的区域,设区域内第x列的某一像素,其最佳宽度大小为w,计算x+w的值,若x+w>=j-1,则当前像素满足连续条件,否则不满足连续条件;
在区域内满足连续条件的像素中,找到落差值最大的像素,如果找到的落差值最大为0或者找到的落差值最大的像素属于裂缝上的点,结束增长;否则将找到的落差值最大的像素作为向下增长的下一个种子点,通过将灰度值设置为255标识该像素属于裂缝上的点,进入(3);
(3)L的值自增1,以向下增长的下一个种子点为新的种子点,分别判断当前的Xmin、Xmax与新的种子点列标号的大小关系,取最小值作为更新后的Xmin值,取最大值作为更新后的Xmax值,并返回(2)基于新的种子点在下一行搜索向上增长的下一个种子点,直到结束增长,结束增长后得到最小外接矩形的长度L和最小外接矩形的宽度W=Xmax-Xmin+1。
而且,步骤五中,判断所得裂缝,为不遗漏任何疑似裂缝的粗略检测结果,输出粗略检测结果支持快速粗定位裂缝。
本发明特点之一是快速,可以达到实时处理的效果,也可以对步骤一、步骤二以及步骤三实施并行计算,能够充分利用多核多线程处理器性能,显著的提高速度。本发明另一特点是可靠性强。由于路面情况复杂,可能将具有线性特征的地物错误地检测为裂缝,但是对各种特征的裂缝均可以正确检测出来,不遗漏任何疑似裂缝的对象。基于这两个特点,在外业数据采集时,运用本发明可以进行实时检测,及时发现裂纹,减少不必要的数据存储和计算。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例的连通性分析示意图。
图3为本发明实施例的连通性分析结果示意图。
具体实施方式
下述将结合附图和本发明的实施例,对本发明技术方案做具体说明。本发明所提供技术方案可采用计算机软件技术实现自动运行流程,如图1所示,实施例利用某些道路影像数据进行处理的具体实现过程如下:
步骤一、图像预处理:对输入的原始道路图像进行预处理,得到预处理后的图像。后续步骤基于预处理后的图像进行。获取包含有裂缝的原始道路影像或激光数据,包括实时数据以及利用各种手段采集的数据,可进行各种处理达到增强道路裂缝结构信息的目的;滤波是最常用的预处理方法。滤波处理过程就是在原始图像中逐点移动模板,使模板中心和待处理点重合,滤波器在每一点的响应是根据模板的具体内容并通过预先定义的关系来计算的;常用的滤波器有高斯滤波器、拉普拉斯算子等(本实施例中利用高斯滤波器进行除噪处理,具体实现为现有技术)。但无论是原始的实时数据还是经过除噪等预处理后的数据,都可以作为本方案的数据源。
步骤二、计算灰度落差。针对每一行数据,对于不同尺度w(窗口宽度),分别计算以某一像素为起点宽度为w的目标窗口内灰度均值与左右两侧宽度均为w的相邻窗口灰度均值之差LDeta、RDeta,实施例中目标窗口与相邻窗口宽度选择是一样大的,实际中目标窗口及左右两侧窗口宽度可以是不同的值;二者同号时,取其均值的绝对值为尺度w下的灰度落差值;二者异号时,尺度w下的灰度落差值为0。针对同一像素,比较不同尺度w下计算所得的灰度落差值,取其中最大值为当前像素灰度落差值,最大值对应的尺度w为裂缝的最佳宽度。移动窗口,计算出每个像素的灰度落差值与裂缝最佳宽度。
具体来说,当尺度为w时,可以预先计算灰度累和,如附图1中实施例流程所示。读取具有裂缝的图像数据后,可将图像数据转化为双精度类型后,根据公式(1)逐像素对每行的灰度值计算累和。计算过程中可先把原图像数据第一列数据赋值给灰度和Sum的第一列,然后从第二列开始逐行进行累和。
其中Sum(i,j)表示i行第j列像素的灰度累和值,G(i,n)表示i行第n列像素灰度值。然后根据灰度累和计算像素(i,j)前w个像素(从(i,j-w)到(i,j-1))灰度值之和Ltemp,像素(i,j+w-1)后w个像素(从(i,j+w)到(i,j+2w-1))灰度值之和Rtemp,以及从像素(i,j)到(i,j+w-1)的w个像素灰度值之和Mtemp:
Mtemp=Sum(i,j+w-1)-Sum(i,j-1),
Rtemp=Sum(i,j+2×w-1)-Sum(i,j+w-1), (2)
Ltemp=Sum(i,j-1)-Sum(i,j-w-1),
此外,亦可不需要计算灰度累和,直接计算不同尺度下的灰度差;具体地,当尺度为w时,先计算像素(i,j)前w个像素灰度值之和Ltemp,像素(i,j+w-1)后w个像素灰度值之和Rtemp,以及从像素(i,j)到(i,j+w-1)的w个像素灰度值之和Mtemp:
其中,Gray(i,j+n)表示i行第j+n列像素灰度值。
根据灰度值之和Ltemp、Mtemp、Mtemp,再分别计算左右灰度均值差LDeta、RDeta:
Ldeta=(Ltemp-Mtemp)×255,
(4)
Rdeta=(Rtemp-Mtemp)×255,
为了抑制非裂缝点,加速运算。此处可以预先给定一阈值T(可以是基于经验给出的固定阈值,也可以根据不同的路面条件设置不同的阈值)当左右两侧灰度均值差同号且同时大于阈值时,根据公式(3)计算(i,j)位置灰度值落差均值Mw(i,j):
当左右两侧灰度落差值不同号或不同时大于阈值时,赋值Mw(i,j)=0,W(i,j)=0。具体实施时,尺度范围w可根据图像的分辨率和裂缝的最大最小宽度确定,一般取4~6个像素,例如取w为4、5、6。比较不同尺度范围w下(i,j)位置灰度值落差均值Mw(i,j)的大小,其中最大值为当前像素的灰度落差值M(i,j),对应的尺度w为裂缝最佳宽度W(i,j)。
步骤三、选取种子点。种子点为局部灰度落差最大值对应的点。按行处理,比较像素点(i,j)和与其临近的点(i,j-1)与(i,j+1),当M(i,j)同时大于M(i,j-1)和M(i,j+1)时,像素(i,j)为种子点。为了减少计算量,可设置一变量m,每隔m行选取一次种子点。m值应该比裂缝长度阈值Lmin小1,这样每条大于等于裂缝长度阈值的裂缝上至少能够提取到一个种子点,减少计算量的同时也确保不会遗漏疑似裂缝的点。
执行步骤一、步骤二以及步骤三时,可以实施并行计算,例如将不同行的处理分给不同线程执行。这样能够充分利用多核多线程处理器性能,显著的提高速度,可以达到实时处理的效果。
步骤四、连通性分析。尽管步骤二通过设置阈值T,可以抑制一部分非裂缝点。但是仍然会存在许多孤立的点,在纵向上分析连续性,主要目的是去除孤立点,同时计算纵向上具有线性特征的地物的长度、最小外接矩形的长度与宽度;进一步判读是否存在裂缝。根据步骤三得到的种子点,每次取出一个种子点,根据步骤二计算得到的落差图(即每个像素的M(i,j)构成的图)和最佳宽度,在纵向上以落差值最大为准则进行增长。具体做法如下:
首先,取出一种子点M(i,j),向上增长。如图2所示,当前种子点为(i,j),搜索范围大小可由本领域技术人员预先设定,以(i-1,j)为中心,左右一般可各取当前种子点最佳宽度的两倍大小。例如最佳窗口为3,搜索范围为可以(i-1,j)为中心左右6个像素,在第i-1行上(i-1,j-6)到(i-1,j+6)范围内进行搜索,灰度值大于阈值T的区域,即图示中的黑色区域视为可能与裂缝连接的像素。对于黑色区域内第x列的某一像素,其最佳宽度大小为w,计算x+w的值,若x+w>=j-1,则当前像素满足连续条件;否则,不满足连续条件。在满足连续条件的像素中,找到落差值最大的像素,作为向上增长的下一个种子点,灰度值设置为255;如果满足连续条件的落差值有多个相等的最大值像素,取中间位置的像素或靠近上一个种子点的最大值像素作为向上增长的下一个种子点,灰度值设置为255(作为已判断过的是否为裂缝上点的标志值)。设找到的向上增长的下一个种子点为(i-1,k)。设开始种子点(i,j)的增长高度为L,初始值为1,每选取一个新的种子点,L的值自增1;同时设置两个变量Xmin(外接矩形最小的列标号值)与Xmax(外接矩形最大的列标号值),初始值均为第一个种子点的列标号j,每增长一次分别判断二者与新种子点的列标号值的大小关系,取最小值作为更新后的Xmin值,取最大值作为更新后的Xmax值,即三个值按大小排列后,取三个中的最大值和最小值分别赋值给Xmax和Xmin。继续进行向上增长分析,即以新的种子点(i-1,k)为依据,在第i-2行上(i-2,k-6)到(i-2,k+6)范围内进行搜索,以此类推,直到满足下列两条件之一时结束:
(1)超出了裂缝区域,即在某一种子点上一行的搜索范围内最大落差为0。
(2)找到的落差值最大的像素为已经检测出的裂缝,即其灰度值为255。
其次,向上增长结束后,同样以种子点S(i,j)为起点,向下增长,增长过程和向上增长相同。图3是向下增长过程与结果示意图,在16×16的图像内,每个像素点第一值为灰度落差值,第二个值为最佳宽度值;删除线是一定连续的像素,下划线为可能连续的像素;黑色圆圈标记为增长结果。
亦可先进行向下增长,然后再进行向上增长计算;增长方式亦可采用其他类似的方法,例如种子点的选取判断条件可以改变等,但是不偏离本发明所提出的思想。
最后,步骤三所得每个种子点向上或向下增长结束后,计算以该种子点所在裂缝的最小外接矩形宽度W:
W=Xmax-Xmin+1 (6)
为便于实施参考起见,提供具体流程设计如下:
向上增长的实现方式包括以下步骤,
(1)设当前取步骤三得到的某种子点为开始的种子点(i,j),最佳窗口为w;令增长高度L长度初始值为1,令最小外接矩形最小的列标号值Xmin与最小外接矩形最大的列标号值Xmax的初始值均为种子点(i,j)的列标号;
(2)在上一行搜索向上增长的下一个种子点,搜索方式如下,
在上一行的相邻范围内搜索灰度值大于预设阈值T的区域,设区域内第x列的某一像素,其最佳宽度大小为w,计算x+w的值,若x+w>=j-1,则当前像素满足连续条件,否则不满足连续条件;
在区域内满足连续条件的像素中,找到落差值最大的像素,如果找到的落差值最大为0或者找到的落差值最大的像素属于裂缝上的点,结束增长;否则将找到的落差值最大的像素作为向上增长的下一个种子点,通过将灰度值设置为255标识该像素属于裂缝上的点,进入(3);
(3)L的值自增1,以向上增长的下一个种子点为新的种子点,分别判断当前的Xmin、Xmax与新的种子点列标号的大小关系,取最小值作为更新后的Xmin值,取最大值作为更新后的Xmax值,并返回(2)基于新的种子点在上一行搜索向上增长的下一个种子点,直到结束增长,结束增长后得到最小外接矩形的长度L和最小外接矩形的宽度W=Xmax-Xmin+1。
向下增长的实现方式包括以下步骤,
(1)设当前取步骤三得到的某种子点为开始的种子点(i,j),最佳窗口为w;令增长高度L长度初始值为1,令最小外接矩形最小的列标号值Xmin与最小外接矩形最大的列标号值Xmax的初始值均为种子点(i,j)的列标号;
(2)在下一行搜索向上增长的下一个种子点,搜索方式如下,
在下一行的相邻范围内搜索灰度值大于预设阈值T的区域,设区域内第x列的某一像素,其最佳宽度大小为w,计算x+w的值,若x+w>=j-1,则当前像素满足连续条件,否则不满足连续条件;
在区域内满足连续条件的像素中,找到落差值最大的像素,如果找到的落差值最大为0或者找到的落差值最大的像素属于裂缝上的点,结束增长;否则将找到的落差值最大的像素作为向下增长的下一个种子点,通过将灰度值设置为255标识该像素属于裂缝上的点,进入(3);
(3)L的值自增1,以向下增长的下一个种子点为新的种子点,分别判断当前的Xmin、Xmax与新的种子点列标号的大小关系,取最小值作为更新后的Xmin值,取最大值作为更新后的Xmax值,并返回(2)基于新的种子点在下一行搜索向上增长的下一个种子点,直到结束增长,结束增长后得到最小外接矩形的长度L和最小外接矩形的宽度W=Xmax-Xmin+1。
步骤五、判断是否存在裂缝。若步骤四所得各裂缝最小外接矩形中,存在某最小外接矩形的长度L大于某一阈值Lmin,且明显为一狭长区域(L/W的值大于某一预设阈值Bmin),则说明裂缝存在,计算结束。否则,说明不存在纵向裂缝。此时,需要将图像旋转90°(逆时针或者顺时针方向旋转均可),重复步骤二到五。若重复后检测到裂缝,说明存在横向裂缝,若两次结果均不存在裂缝,则认为图像不存在横向和纵向裂缝,计算结束。
当检测到裂缝时,可将结果输出。在道路栅格图像基础上,叠加裂缝检测结果,可供交通等不同政府决策部门使用。步骤五中判断所得裂缝,为不遗漏任何疑似裂缝的粗略检测结果,因此本发明技术方案不仅可以实时筛查裂缝,还可以用于快速粗定位裂缝。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种在线道路裂缝筛查方法,其特征在于,包括以下步骤:
步骤一、对输入的原始道路图像进行预处理,得到预处理后的图像;
步骤二、针对每一行数据,对于不同尺度,分别建立移动的目标窗口并计算灰度落差均值,取其中最大值为移动的目标窗口的当前像素灰度落差值M(i,j),最大值对应的尺度为裂缝的最佳宽度W(i,j);基于某尺度w,计算灰度落差值实现方式如下,
以当前像素(i,j)为起点、宽度为w的目标窗口包括像素(i,j)至像素(i,j+w-1),其中i为行标号,j为列标号,计算目标窗口内灰度均值与左右两侧相邻窗口灰度均值之差Ldeta、Rdeta,包括先计算左侧相邻窗口内所有像素灰度值之和Ltemp、右侧相邻窗口内所有像素灰度值之和Rtemp以及目标窗口内所有像素灰度值之和Mtemp,再按下式分别计算Ldeta、Rdeta,
Ldeta=(Ltemp-Mtemp)×255,
Rdeta=(Rtemp-Mtemp)×255,
当Ldeta、Rdeta同号且同时大于预设阈值T时,根据下式计算(i,j)位置灰度值落差均值,
当左右两侧灰度落差值不同号或不同时大于预设阈值T时,赋值Mw(i,j)=0,W(i,j)=0;
步骤三、选取种子点,实现方式为,按行处理,比较像素(i,j)和与临近的像素(i,j-1)与(i,j+1),当M(i,j)同时大于M(i,j-1)和M(i,j+1)时,像素(i,j)为种子点;
步骤四、连通性分析,包括对步骤三得到的每个种子点,分别根据步骤二所得各像素的灰度落差值M(i,j)和最佳宽度W(i,j),在纵向上以灰度落差值最大为准则进行增长,增长结束后,获取该种子点所在裂缝的最小外接矩形的长度L和宽度W;
步骤五、若步骤四所得各裂缝最小外接矩形中,存在某最小外接矩形的长度L大于预设阈值Lmin,且L/W的值大于预设阈值Bmin,则判断存在裂缝,结束流程,否则将图像旋转90°,重复步骤二到五,若仍不存在裂缝,则结束流程。
2.根据权利要求1所述在线道路裂缝筛查方法,其特征在于:步骤二中,目标窗口左侧的相邻窗口包括像素(i,j-w)至像素(i,j-1),目标窗口右侧的相邻窗口包括像素(i,j+w)到像素(i,j+2w-1)。
3.根据权利要求2所述在线道路裂缝筛查方法,其特征在于:步骤二中,Rtemp、Ltemp和Mtemp的计算方式如下,
首先,根据步骤一所得预处理后的图像,按下式逐像素对每行的灰度值计算累和,
其中,Sum(i,j)表示i行第j列像素的灰度累和值,G(i,n)表示i行第n列像素灰度值;
然后,按下式计算,
Mtemp=Sum(i,j+w-1)-Sum(i,j-1),
Rtemp=Sum(i,j+2×w-1)-Sum(i,j+w-1),
Ltemp=Sum(i,j-1)-Sum(i,j-w-1)。
4.根据权利要求2所述在线道路裂缝筛查方法,其特征在于:步骤二中,Rtemp、Ltemp和Mtemp的计算方式如下,
其中,Gray(i,j+n)表示i行第j+n列像素灰度值。
5.根据权利要求1或2或3或4所述在线道路裂缝筛查方法,其特征在于:步骤三中,根据预设变量m,每隔m行选取一次种子点,m值比预设阈值Lmin小1。
6.根据权利要求1或2或3或4所述在线道路裂缝筛查方法,其特征在于:执行步骤一、步骤二以及步骤三时,利用多核多线程处理器进行并行处理。
7.根据权利要求1或2或3或4所述在线道路裂缝筛查方法,其特征在于:步骤四中,在纵向上以灰度落差值最大为准则进行增长时,先向上增长后向下增长,或者先向下增长后向上增长。
8.根据权利要求7所述在线道路裂缝筛查方法,其特征在于:向上增长的实现方式包括以下步骤,
(1)设当前取步骤三得到的某种子点为开始的种子点(i,j),最佳窗口为w;令增长高度L长度初始值为1,令最小外接矩形最小的列标号值Xmin与最小外接矩形最大的列标号值Xmax的初始值均为种子点(i,j)的列标号;
(2)在上一行搜索向上增长的下一个种子点,搜索方式如下,
在上一行的相邻范围内搜索灰度值大于预设阈值T的区域,设区域内第x列的某一像素,其最佳宽度大小为w,计算x+w的值,若x+w>=j-1,则当前像素满足连续条件,否则不满足连续条件;
在区域内满足连续条件的像素中,找到落差值最大的像素,如果找到的落差值最大为0或者找到的落差值最大的像素属于裂缝上的点,结束增长;否则将找到的落差值最大的像素作为向上增长的下一个种子点,通过将灰度值设置为255标识该像素属于裂缝上的点,进入(3);
(3)L的值自增1,以向上增长的下一个种子点为新的种子点,分别判断当前的Xmin、Xmax与新的种子点列标号的大小关系,取最小值作为更新后的Xmin值,取最大值作为更新后的Xmax值,并返回(2)基于新的种子点在上一行搜索向上增长的下一个种子点,直到结束增长,结束增长后得到最小外接矩形的长度L和最小外接矩形的宽度W=Xmax-Xmin+1。
9.根据权利要求7所述在线道路裂缝筛查方法,其特征在于:向下增长的实现方式包括以下步骤,
(1)设当前取步骤三得到的某种子点为开始的种子点(i,j),最佳窗口为w;令增长高度L长度初始值为1,令最小外接矩形最小的列标号值Xmin与最小外接矩形最大的列标号值Xmax的初始值均为种子点(i,j)的列标号;
(2)在下一行搜索向上增长的下一个种子点,搜索方式如下,
在下一行的相邻范围内搜索灰度值大于预设阈值T的区域,设区域内第x列的某一像素,其最佳宽度大小为w,计算x+w的值,若x+w>=j-1,则当前像素满足连续条件,否则不满足连续条件;
在区域内满足连续条件的像素中,找到落差值最大的像素,如果找到的落差值最大为0或者找到的落差值最大的像素属于裂缝上的点,结束增长;否则将找到的落差值最大的像素作为向下增长的下一个种子点,通过将灰度值设置为255标识该像素属于裂缝上的点,进入(3);
(3)L的值自增1,以向下增长的下一个种子点为新的种子点,分别判断当前的Xmin、Xmax与新的种子点列标号的大小关系,取最小值作为更新后的Xmin值,取最大值作为更新后的Xmax值,并返回(2)基于新的种子点在下一行搜索向上增长的下一个种子点,直到结束增长,结束增长后得到最小外接矩形的长度L和最小外接矩形的宽度W=Xmax-Xmin+1。
10.根据权利要求8或9所述在线道路裂缝筛查方法,其特征在于:步骤五中,判断所得裂缝,为不遗漏任何疑似裂缝的粗略检测结果,输出粗略检测结果支持快速粗定位裂缝。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310380168.5A CN103440657B (zh) | 2013-08-27 | 2013-08-27 | 一种在线道路裂缝筛查方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310380168.5A CN103440657B (zh) | 2013-08-27 | 2013-08-27 | 一种在线道路裂缝筛查方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103440657A CN103440657A (zh) | 2013-12-11 |
CN103440657B true CN103440657B (zh) | 2015-11-04 |
Family
ID=49694350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310380168.5A Expired - Fee Related CN103440657B (zh) | 2013-08-27 | 2013-08-27 | 一种在线道路裂缝筛查方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103440657B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104599280B (zh) * | 2015-02-02 | 2018-01-12 | 武汉大学 | 一种道路裂缝交叉点提取方法及系统 |
CN104655642B (zh) * | 2015-02-06 | 2017-07-18 | 江苏大学 | 一种钢材开裂型缺陷的自动测量、表征分类方法及其系统 |
CN105975972B (zh) * | 2016-04-27 | 2019-05-07 | 湖南桥康智能科技有限公司 | 基于影像的桥梁裂缝检测与特征提取方法 |
CN107403445B (zh) * | 2017-07-20 | 2021-01-26 | 长安大学 | 一种用于润滑剂抗磨性的形貌对比分析方法 |
CN108007355B (zh) * | 2017-10-20 | 2019-06-18 | 西安电子科技大学 | 基于图像距离变换的混凝土裂缝检测方法 |
CN108229461B (zh) * | 2018-01-16 | 2021-12-28 | 上海同岩土木工程科技股份有限公司 | 一种基于深度学习的隧道裂缝快速识别方法 |
CN108537781B (zh) * | 2018-03-28 | 2020-11-03 | 潍坊路加精工有限公司 | 磁铁表面裂纹缺陷检测方法 |
CN113487543B (zh) * | 2021-06-16 | 2023-08-04 | 成都唐源电气股份有限公司 | 接触网燃弧灼烧检测方法、装置、计算机设备和存储介质 |
CN116342635B (zh) * | 2023-05-26 | 2023-08-08 | 山东省地质矿产勘查开发局第一地质大队(山东省第一地质矿产勘查院) | 一种地质测绘中裂缝轮廓提取方法 |
CN117670874A (zh) * | 2024-01-31 | 2024-03-08 | 安徽省交通规划设计研究总院股份有限公司 | 一种基于图像处理的箱型梁内部裂缝检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1563891A (zh) * | 2004-04-20 | 2005-01-12 | 长安大学 | 一种识别路面裂缝的系统和方法 |
JP2009052907A (ja) * | 2007-08-23 | 2009-03-12 | Kozo Keikaku Engineering Inc | 異物検出システム |
CN101691994A (zh) * | 2009-09-30 | 2010-04-07 | 浙江大学 | 一种隧道裂缝最大宽度自动定位和检测方法 |
CN101915764A (zh) * | 2010-08-10 | 2010-12-15 | 武汉武大卓越科技有限责任公司 | 基于动态规划的路面裂缝检测方法 |
JP2011179874A (ja) * | 2010-02-26 | 2011-09-15 | East Nippon Expressway Co Ltd | 舗装路面のクラックの抽出と損傷レベルの評価方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9014415B2 (en) * | 2010-04-22 | 2015-04-21 | The University Of North Carolina At Charlotte | Spatially integrated aerial photography for bridge, structure, and environmental monitoring |
-
2013
- 2013-08-27 CN CN201310380168.5A patent/CN103440657B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1563891A (zh) * | 2004-04-20 | 2005-01-12 | 长安大学 | 一种识别路面裂缝的系统和方法 |
JP2009052907A (ja) * | 2007-08-23 | 2009-03-12 | Kozo Keikaku Engineering Inc | 異物検出システム |
CN101691994A (zh) * | 2009-09-30 | 2010-04-07 | 浙江大学 | 一种隧道裂缝最大宽度自动定位和检测方法 |
JP2011179874A (ja) * | 2010-02-26 | 2011-09-15 | East Nippon Expressway Co Ltd | 舗装路面のクラックの抽出と損傷レベルの評価方法 |
CN101915764A (zh) * | 2010-08-10 | 2010-12-15 | 武汉武大卓越科技有限责任公司 | 基于动态规划的路面裂缝检测方法 |
Non-Patent Citations (1)
Title |
---|
车载道路快速检测与测量技术研究;李清泉等;《交通信息与安全》;20091231;第27卷(第1期);7-10 * |
Also Published As
Publication number | Publication date |
---|---|
CN103440657A (zh) | 2013-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103440657B (zh) | 一种在线道路裂缝筛查方法 | |
Peraka et al. | Pavement asset management systems and technologies: A review | |
Li et al. | Automatic crack recognition for concrete bridges using a fully convolutional neural network and naive Bayes data fusion based on a visual detection system | |
CN103955923B (zh) | 一种快速的基于图像的路面病害检测方法 | |
JP5479944B2 (ja) | 舗装路面のクラックの抽出と損傷レベルの評価方法 | |
CN102902974B (zh) | 一种基于图像的铁路接触网杆柱标识信息的识别方法 | |
CN116644373B (zh) | 基于人工智能的汽车流量数据分析管理系统 | |
CN105825169B (zh) | 一种基于道路影像的路面裂缝识别方法 | |
CN104504388A (zh) | 一种路面裂缝识别和特征提取算法及系统 | |
CN103208117A (zh) | 一种多功能智能皮带表面斑块边缘检测方法 | |
CN107316064A (zh) | 一种基于卷积神经网络的沥青路面裂缝分类识别方法 | |
Tsai et al. | Automatically detect and classify asphalt pavement raveling severity using 3D technology and machine learning | |
CN105225227A (zh) | 遥感影像变化检测的方法及系统 | |
CN105627938A (zh) | 一种基于车载激光扫描点云的路面沥青厚度检测方法 | |
CN103500453B (zh) | 基于伽玛分布和邻域信息的sar图像显著性区域检测方法 | |
CN103886594A (zh) | 路面线激光车辙检测与识别方法及处理系统 | |
CN103278864A (zh) | 洞缝型储层的地质特征参数及分布的测定方法及装置 | |
CN108109146A (zh) | 一种路面标志线缺陷检测装置 | |
Dong et al. | Intelligent segmentation and measurement model for asphalt road cracks based on modified mask R-CNN algorithm | |
CN115294541A (zh) | 一种局部特征增强Transformer道路裂缝检测方法 | |
Bosurgi et al. | An automatic pothole detection algorithm using pavement 3D data | |
Dan et al. | Multiple distresses detection for Asphalt Pavement using improved you Only Look Once Algorithm based on convolutional neural network | |
CN104331708B (zh) | 一种人行横道线自动检测分析方法及系统 | |
CN105574869A (zh) | 一种基于改进Laplacian边缘检测的线结构光条中心线提取方法 | |
Youwai et al. | YOLO9tr: A Lightweight Model for Pavement Damage Detection Utilizing a Generalized Efficient Layer Aggregation Network and Attention Mechanism |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151104 Termination date: 20160827 |
|
CF01 | Termination of patent right due to non-payment of annual fee |