CN104504388A - 一种路面裂缝识别和特征提取算法及系统 - Google Patents
一种路面裂缝识别和特征提取算法及系统 Download PDFInfo
- Publication number
- CN104504388A CN104504388A CN201410787747.6A CN201410787747A CN104504388A CN 104504388 A CN104504388 A CN 104504388A CN 201410787747 A CN201410787747 A CN 201410787747A CN 104504388 A CN104504388 A CN 104504388A
- Authority
- CN
- China
- Prior art keywords
- crack
- crack pattern
- fritter
- pattern
- pavement
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Abstract
本发明公开了一种路面裂缝识别和特征提取算法及系统:读取路面三维数据矩阵;去噪处理;识别路面裂缝得到最终裂缝图像;从最终裂缝图像中提取裂缝种子点并进行区域生长得到裂缝二值化图像;将裂缝用多个相同的正方形标定,用矩形框将所有正方形框入其中且矩形框满足面积最小;按照矩形框的对角线与水平方向的夹角分类裂缝:夹角在[0,π/4]内的裂缝为横向裂缝,否则为纵向裂缝;计算矩形框的对角线长度作为裂缝的长度,计算矩形框的面积作为裂缝区域的面积。本发明只需输入采集到的三维数据矩阵,即可识别出裂缝并判断三维线性裂缝的类别,完成特征提取,其计算简单、运行时间短且检测结果精确。
Description
技术领域
本发明属于道路工程领域,具体涉及一种路面裂缝识别和特征提取算法及系统。
背景技术
根据我国的《公路养护技术规范》,我国高速公路路面评价内容包括四部分,即道路路面的平整度(行驶舒适度)、路面破损(路面破损状况指数)、弯沉(路面的结构强度)和抗滑性能(安全性)。其中,路面破损状况指数(PCI)是决策养护方案的最重要的数据,它不仅反映了路面结构的完好程度,又直接影响道路的服务寿命,为了了解和掌握路面使用性能的衰变情况,以便及时采用相应的养护和改善措施,延缓其衰变或恢复其使用性能,就必须对路面破损状况进行正确的检测,这是科学预测路面使用性能、合理制定养护维修计划、进行投资决策的重要依据之一,是路面养护中最重要的环节。而路面裂缝类病害作为路面破损状况检测的一项重要内容,其自动化检测一直是公路路面破损检测的热点和难点。
目前,国内外的路面裂缝检测技术大都是采用CCD摄像机获取路面图像,然后对采集到的二维图像进行处理来识别路面裂缝,进而对路面裂缝的类别进行判断并提取裂缝的特征信息。但是,该方法中采集到的二维图像往往会受到周围环境条件(如路面光照、油污、建筑物以及树的影子等)的影响,使得基于二维图像的路面裂缝检测受到很大的干扰,大大影响路面裂缝识别以及后续的裂缝特征提取的准确度,因此,研究一种受环境影响较小而检测精确高,且效率高的路面裂缝特征提取算法及系统是很有必要的。
发明内容
针对上述现有技术中存在的缺陷或不足,本发明的一个目的在于,提供一种路面裂缝识别和特征提取算法。
为了达到上述目的,本发明采用如下的技术方案:
一种路面裂缝识别和特征提取算法,包括如下步骤:
步骤1:读取路面三维数据矩阵;
步骤2:对路面三维数据矩阵进行去噪处理,得到去噪后的路面三维数据矩阵;
步骤3:由去噪后的路面三维数据矩阵识别路面裂缝,得到最终裂缝图像;
步骤4:从最终裂缝图像中提取裂缝种子点并进行区域生长,得到裂缝二值化图像。
步骤5:将步骤4得到的裂缝二值化图像中的裂缝用多个相同的正方形标定,然后用矩形框将所有正方形框入其中且矩形框满足面积最小。
步骤6:按照矩形框的对角线与水平方向的夹角分类裂缝:夹角在[0,π/4]内的裂缝为横向裂缝,否则为纵向裂缝;计算矩形框的对角线长度作为裂缝的长度,计算矩形框的面积作为裂缝区域的面积。
进一步的,所述步骤1中所述的路面三维数据矩阵Om×n如下:
zij表示行号为i,列号为j所对应的路面高度。
进一步的,所述步骤2对路面三维数据矩阵进行去噪处理的操作如下:
画出路面高度直方图,图中横坐标为路面三维数据矩阵中的高度数据,纵坐标为路面三维数据矩阵中的对应于每个高度数据段的元素个数;将路面高度直方图中两个高度数据段所对应的元素分别标记;其他高度数据段对应的元素标记为噪声点;对步骤22中标记的噪声点进行滤波处理,得到去噪后的路面三维数据矩阵。
进一步的,所述步骤3具体包括如下步骤:
步骤31:对步骤2得到的去噪后的路面三维数据矩阵进行基于平均值法曲线拟合的水平单相扫描,得到裂缝图像I1;具体是:将矩阵中每一行的数据个数N等分得到N个数据段,N为能被每行元素的个数整除的数;对每个数据段中的元素进行曲线拟合,用拟合值减去对应元素的值得到差值Δ;然后取多个阈值将所有的Δ值分为多个段,将每一段中对应的元素的值用对应的阈值替换,得到裂缝图像I1;
步骤32:将步骤2得到的去噪后的路面三维数据矩阵进行基于平均值法曲线拟合的垂直单相扫描,得到裂缝图像I2;具体是:将矩阵中每列的数据个数M等分得到M个数据段,M是能被每列元素的个数整除的数;对每个数据段中的元素进行曲线拟合,用拟合值减去其对应的元素的值Δ;然后将所有的Δ值分为多个段,将每一段中对应的元素的值用对应的阈值替换;
步骤33:将裂缝图像I1与裂缝图像I2取交集,得到交集裂缝图像I3;
步骤34:将裂缝图像I1与裂缝图像I2取并集,得到并集裂缝图像I4;
步骤35:将裂缝图像I1、裂缝图像I2、交集裂缝图像I3、并集裂缝图像I4分别划分为m*n个小块,m是能被每行元素的个数整除的数,n是能被每列元素的个数整除的数;
对于交集裂缝图像I3,从左到右从上而下扫描每个小块,对于每个小块,分别计算该小块在裂缝图像I1、裂缝图像I2以及交集裂缝图像I3中对应位置的小块中黑色像素点所占的比例R1、R2和R3;计算R3与R1的相对误差R31=|R1-R3|/R1,若R1=0,则R31=0;计算R3与R2的相对误差R32=|R2-R3|/R2,若R2=0,则R32=0;计算交集裂缝图像I3中该小块与裂缝图像I1、I2中对应小块的相似度R312=0.5*R31+0.5*R32。
对于并集裂缝图像I4,从左到右从上而下扫描每一个小块,对于每个小块,分别计算其在裂缝图像I1、裂缝图像I2、并集裂缝图像I4中对应的小块中黑色像素点所占的比例R1、R2和R4,计算R4与R1的相对误差记为R41=|R1-R4|/R1,若R1=0,则R41=0;计算R4与R2的相对误差R42=|R2-R4|/R2,若R2=0,则R42=0;R412=0.5*R41+0.5*R42。
步骤36:对于每个小块,比较其对应的R312与R412的大小,若R312大于等于R412,则取I4中的相应小块作为最终裂缝图像中的相应位置的小块。否则取I3中的相应小块作为最终裂缝图像中的相应位置的小块,得到最终裂缝图像I5。
本发明的另一个目的在于,提供一种路面裂缝识别和特征提取系统,该系统具体包括如下模块:
矩阵读取模块,是用于实现路面三维数据矩阵读取的模块;
去噪模块,是用于对路面三维数据矩阵进行去噪处理得到去噪后的路面三维数据矩阵的模块;
路面裂缝识别模块,是用于从去噪后的路面三维数据矩阵得到最终裂缝图像的模块。
裂缝二值化模块,是用于从最终裂缝图像中提取裂缝种子点并进行区域生长,得到裂缝二值化图像的模块;
裂缝区域标定模块,是用于实现以下功能的模块:将裂缝二值化图像中的裂缝用多个相同的正方形标定,然后用矩形框将所有正方形框入其中且矩形框满足面积最小;
裂缝分类模块:是用于实现以下功能的模块:按照矩形框的对角线与水平方向的夹角分类裂缝:夹角在[0,π/4]内的裂缝为横向裂缝,否则为纵向裂缝;计算矩形框的对角线长度作为裂缝的长度,计算矩形框的面积作为裂缝区域的面积。
进一步的,所述矩阵读取模块中所述的路面三维数据矩阵Om×n如下:
zij表示行号为i,列号为j所对应的路面高度。
进一步的,所述路面裂缝识别模块是用于实现以下功能的模块:画出路面高度直方图,图中横坐标为路面三维数据矩阵中的高度数据,纵坐标为路面三维数据矩阵中的对应于每个高度数据段的元素个数;将路面高度直方图中两个高度数据段所对应的元素分别标记;其他高度数据段对应的元素标记为噪声点;对步骤22中标记的噪声点进行滤波处理。
进一步的,所述裂缝二值化模块是用于实现以下功能的模块:
对去噪后的路面三维数据矩阵进行基于平均值法曲线拟合的水平单相扫描,得到裂缝图像I1;具体是:将矩阵中每一行的数据个数N等分得到N个数据段,N为能被每行元素的个数整除的数;对每个数据段中的元素进行曲线拟合,用拟合值减去对应元素的值得到差值Δ;然后取多个阈值将所有的Δ值分为多个段,将每一段中对应的元素的值用对应的阈值替换,得到裂缝图像I1;
将去噪后的路面三维数据矩阵进行基于平均值法曲线拟合的垂直单相扫描,得到裂缝图像I2;具体是:将矩阵中每列的数据个数M等分得到M个数据段,M是能被每列元素的个数整除的数;对每个数据段中的元素进行曲线拟合,用拟合值减去其对应的元素的值Δ;然后将所有的Δ值分为多个段,将每一段中对应的元素的值用对应的阈值替换;
将裂缝图像I1与裂缝图像I2取交集,得到交集裂缝图像I3;
将裂缝图像I1与裂缝图像I2取并集,得到并集裂缝图像I4;
将裂缝图像I1、裂缝图像I2、交集裂缝图像I3、并集裂缝图像I4分别划分为m*n个小块,m是能被每行元素的个数整除的数,n是能被每列元素的个数整除的数;
对于交集裂缝图像I3,从左到右从上而下扫描每个小块,对于每个小块,分别计算该小块在裂缝图像I1、裂缝图像I2以及交集裂缝图像I3中对应位置的小块中黑色像素点所占的比例R1、R2和R3;计算R3与R1的相对误差R31=|R1-R3|/R1,若R1=0,则R31=0;计算R3与R2的相对误差R32=|R2-R3|/R2,若R2=0,则R32=0;计算交集裂缝图像I3中该小块与裂缝图像I1、I2中对应小块的相似度R312=0.5*R31+0.5*R32。
对于并集裂缝图像I4,从左到右从上而下扫描每一个小块,对于每个小块,分别计算其在裂缝图像I1、裂缝图像I2、并集裂缝图像I4中对应的小块中黑色像素点所占的比例R1、R2和R4,计算R4与R1的相对误差记为R41=|R1-R4|/R1,若R1=0,则R41=0;计算R4与R2的相对误差R42=|R2-R4|/R2,若R2=0,则R42=0;R412=0.5*R41+0.5*R42。
对于每个小块,比较其对应的R312与R412的大小,若R312大于等于R412,则取I4中的相应小块作为最终裂缝图像中的相应位置的小块。否则取I3中的相应小块作为最终裂缝图像中的相应位置的小块,得到最终裂缝图像I5。
与现有技术相比,本发明提出的方法具有以下优点:
1、采用面测量,只需输入采集到的路面三维数据矩阵,即可完成裂缝的种类判别以及特征提取,其效率高、检测精确,适合在实时系统中采用。
2、对于所需要的裂缝数据以及正常的路面数据保持原值不予进行滤波处理,而只对毛刺点数据进行滤波去噪,更好的保证了去噪处理后的三维信息数据的准确性。
3、由去噪处理后的三维数据矩阵直接识别裂缝,避免了由二维图像识别裂缝时由于路面光照、油污、建筑物以及树等的影子的影响而造成的裂缝识别率低的问题。本发明采用基于双相扫描的交并拼接方法进行裂缝识别,兼顾了单独采用交集裂缝图像以及单独采用并集裂缝图像的优缺点,在交集裂缝图像与并集裂缝图像中择优取块而进行拼接,使得最终得到的裂缝图像在尽可能的保留裂缝的全部信息的同时,也使得噪声点减到最小,这样得到的裂缝图像对于后续的特征提取更有实用意义。
4、采用正方形标定裂缝并且用矩形框框定裂缝区域操作简单、直观、高效,便于在实时系统中采用。
以下结合附图和具体实施方式对本发明作进一步解释说明。
附图说明
图1是本发明的路面裂缝识别和特征提取算法的流程图。
图2是原始路面三维数据的三维显示图。
图3是去噪后的路面三维数据的三维显示图。
图4是由三维数据直接识别出来的最终裂缝图像。
图5是提取种子点算法流程图。
图6是提取出来的种子点图像。
图7是区域生长后得到的裂缝二值化图像。
图8是正方形标定后的裂缝图像。
图9是矩形框框定的裂缝区域。
图10是原始路面三维数据高度直方图。
图11是本发明的路面裂缝识别和特征提取系统的功能结构框图。
具体实施方式
以下是发明人提供的具体实施例,需要说明的是,该实施例是对本发明的进一步解释说明,本发明的保护范围并不限于该实施例。
参见图1,遵循本发明的技术方案,本实施例的路面裂缝识别及特征提取方法包括如下步骤:
步骤1:计算机读取采集到的路面三维数据矩阵Om×n,m=1000,n=1000。原始路面三维数据显示如图2所示。
步骤2:对路面三维数据矩阵进行去噪处理,得到如图3所示的去除噪声后的路面三维数据矩阵;包括如下步骤:
步骤21:画出路面高度直方图:即对路面三维数据矩阵的处于各个高度数据段的元素个数进行统计,在该路面高度直方图中,横坐标为路面三维数据矩阵中的高度数据,纵坐标为路面三维数据矩阵中的对应于每个高度数据段的元素个数;
步骤22:进行元素标记:路面高度直方图存在两个波峰,一个波峰所在的高度数据段代表正常路面的元素,另一个波峰所在的高度数据段代表裂缝的元素,将这两个高度数据段所对应的元素分别在路面三维数据矩阵中进行标记;其他高度数据段对应的元素在路面三维数据矩阵中标记为噪声点。
步骤23:对步骤22中标记的噪声点进行滤波处理。1)逐行处理:对噪声点元素所在行的所有数据求算术平均值,然后将该噪声点元素用该算术平均值代替。2)逐列处理:在逐行处理后的路面三维数据矩阵中,对噪声点元素所在列的所有数据求算术平均值,然后将该噪声点元素用该列的算术平均值代替,得到去噪后的路面三维数据矩阵。
步骤3:由去噪后的三维数据矩阵直接识别出路面裂缝;
对步骤2得到的去噪后的路面三维数据矩阵进行基于平均值法曲线拟合的水平单相扫描,得到裂缝图像I1。将每一行的数据8等分得到8个数据段。对每个数据段中的元素进行曲线拟合,用元素的拟合值减去其对应的值得到差值Δ(亦即该元素在去噪后的路面三维数据矩阵中的值)。然后进行阈值分割,即选取不同的阈值对Δ的值进行判断,根据Δ所处的阈值范围赋予矩阵中的元素新的数值。借鉴裂缝的破损等级划分为轻、中、重的思想,本实施例的阈值设置为3个,采用基于行标准值与行平均值组合的自适应阈值,即对某一行的数据进行处理时,该行数据的阈值是通过自动计算该行数据的平均值与标准差,然后由该平均值与该标准差组合成三个不同的阈值。这三个阈值将数据分为四个深度范围,根据Δ所处的深度范围可将矩阵中的元素分别赋予四个不同的数值(即四值化处理):0,64,128,255(0-255之间平均分为四个值)。然后以这些新值作为图像的灰度值,显示图像,便可得到水平单相扫描检测后的四值化裂缝图像I1。由于去噪后的三维高度矩阵中的高度数据有大小之分,亦即采集到的裂缝有深浅之分,因此I1中初步识别出的裂缝颜色也有深浅之分。借鉴裂缝破损程度的轻、中、重等级划分思想,将I1中裂缝点灰度值处于[0,64)认为是“重”裂缝点,处于[64,128)认为是“中”裂缝点,处于[128,255]认为是“轻”裂缝点。对步骤2得到的去噪后的路面三维数据矩阵进行基于平均值法曲线拟合的垂直单相扫描,得到裂缝图像I2,与水平单相扫描检测方法相似,不再赘述。
分别将裂缝图像I1与裂缝图像I2取交集和并集,得到交集裂缝图像I3和并集裂缝图像I4,然后将I1、I2、I3、I4分别划分为20*20个小块。然后对于每个小块,比较其对应的R312与R412的大小,若R312大于等于R412,则说明该小块在I4中的相应小块比在I3中的相应小块更接近I1与I2中的相应小块,因此,对于该小块,取I4中的相应小块作为最终裂缝图像中的相应位置的小块。否则,对于该小块,取I3中的相应小块作为最终裂缝图像中的相应位置的小块;得到最终裂缝图像I5。
步骤3中,交集裂缝图像I3中噪声点减弱,确保噪声点之外的肯定是裂缝信息;并集裂缝图像I4中噪声点加重,但确保含有所有的裂缝信息。因此,单独采用交集裂缝图像或者单独采用并集裂缝图像都不能很好地识别裂缝。本发明采用基于双相扫描的交并拼接方法进行裂缝识别,兼顾了单独采用交集裂缝图像以及单独采用并集裂缝图像的优缺点,在交集裂缝图像I3与并集裂缝图像I4中择优取块而进行拼接,使得最终裂缝图像在尽可能的保留裂缝的全部信息的同时,也使得噪声点减到最小,这样得到的裂缝图像对于后续的特征提取更有实用意义。
步骤4:提取裂缝种子点并进行区域生长以得到裂缝二值化图像;
为了将步骤3得到最终裂缝图像中存在的一些非裂缝点去除,需要进一步分割图像。在分割图像时,存在不可避免的过度分割,即在去除非裂缝点的同时也会去掉一些浅裂缝点。由于过度分割后保留下来的深裂缝点与被分割掉的浅裂缝点存在一定的灰度相似性以及空间连续性,而与分割掉的非裂缝点虽有一定的灰度相似性但是空间连续性极差,因此本发明的步骤4中,将过度分割后的深裂缝点当作种子点来进行区域生长,以恢复分割掉的裂缝点同时避免非裂缝点的再次出现。在步骤3得到的裂缝图像中,颜色越深(即灰度值越小)说明所在部位裂缝越深,因此可以确定该裂缝图像中一些颜色较深的像素点一定是位于裂缝上的像素点。这样只需对步骤3得到的最终裂缝图像选取合适的阈值进行二值化处理便可以得到种子点。经试验,本实施例中提取种子点时的阈值取为64。种子点提取流程图如图5所示,提取得到的种子点如图6所示,将提取得到的种子点放到步骤3提取出来的裂缝图像中进行区域生长,生长准则是将种子点与其8领域的像素点逐个比较,判断待生长像素与种子点像素的灰度值的差的绝对值是否在设定的阈值范围内,若在,则认为该待生长像素包含在种子区域内,否则认为该待生长像素是背景点。对新的种子点继续相同的区域生长,直到没有新的像素包括到种子里,得到如图8所示的裂缝二值化图像。
步骤5:裂缝区域网格标定以及矩形框定;
上述步骤4区域生长后还原出了裂缝的总体轮廓,但是所还原出来的裂缝在某些地方并不连续。为了使断开的裂缝尽可能连续起来也为了便于对裂缝进行后续的特征提取,采用正方形将步骤4得到的裂缝二值化图像中的裂缝所在的区域标定出来,这样能够使断开的裂缝连接起来。然后在标定后的图像中用矩形框将裂缝所在的区域框出,便于后续裂缝种类判断和特征提取。
为了选取合适的正方形进行了试验,将步骤4得到的裂缝二值化图像分别划分为4*4、5*5、8*8、10*10、16*16、20*20、25*25的正方形块。4*4时裂缝块所占比例为43.75%;5*5时裂缝块所占比例为28%;8*8时裂缝块所占比例为20.31%;10*10时裂缝所占比例为15%;16*16时裂缝块所占比例为9.77%;20*20时裂缝块所占比例为7.50%;25*25时裂缝块所占比例为7.20%。分析上述不同的划分方法的结果,考虑到结果的准确性以及程序的运行速度等因素,本实施例中采用将裂缝图像划分为20*20,亦即将步骤4得到的裂缝二值化图像划分为400个小正方形块,以像素为单位,每个正方形大小为50*50。然后将具有裂缝点的正方形标定,标定结果如图8所示。
步骤6:裂缝类别判断以及特征提取。
如图9所示,用矩形框将步骤5颜色标定后的裂缝区域框定起来,然后进行类别判断和特征提取。
(1)裂缝类别判断:由图9可知,矩形框宽W=9*50(单位为像素),矩形框高H=19*50(单位为像素),可知矩形框对角线与x轴的最小夹角为:
θ=arctan(H/W)=arctan((19*50)/(9*50))=1.128∈(π/4,π/2]
因此判断出该条裂缝为纵向裂缝。
(2)裂缝特征参数提取:W=矩形框的宽,H=矩形框的高,L=矩形框对角线的长度,S=矩形框的面积,则有下式成立:
L=(W2+H2)1/2=(1000*1000+150*150)1/2=1011(单位为像素)
S=W*H=450*950=427500(单位为(像素*像素))
又由于本实施例中采用的相机的转换系数为u=0.036cm,因此裂缝的实际长度为:L1=L*u=1011*0.036=36.396cm。
裂缝区域的实际面积为:S1=S*u2=427500*0.036*0.036=554.04cm2。
遵循本发明的技术方案,进行了本发明的路面裂缝识别和特征提取系统的开发,以下是运行该系统的结果与传统的水准仪法的结果进行比较。如图10所示,为本发明的系统的功能结构框图。
Claims (8)
1.一种路面裂缝识别和特征提取算法,其特征在于,包括如下步骤:
步骤1:读取路面三维数据矩阵;
步骤2:对路面三维数据矩阵进行去噪处理,得到去噪后的路面三维数据矩阵;
步骤3:由去噪后的路面三维数据矩阵识别路面裂缝,得到最终裂缝图像;
步骤4:从最终裂缝图像中提取裂缝种子点并进行区域生长,得到裂缝二值化图像;
步骤5:将步骤4得到的裂缝二值化图像中的裂缝用多个相同的正方形标定,然后用矩形框将所有正方形框入其中且矩形框满足面积最小;
步骤6:按照矩形框的对角线与水平方向的夹角分类裂缝:夹角在[0,π/4]内的裂缝为横向裂缝,否则为纵向裂缝;计算矩形框的对角线长度作为裂缝的长度,计算矩形框的面积作为裂缝区域的面积。
2.如权利要求1所述的路面裂缝识别和特征提取算法,其特征在于,所述步骤1中所述的路面三维数据矩阵Om×n如下:
zij表示行号为i,列号为j所对应的路面高度。
3.如权利要求1所述的路面裂缝识别和特征提取算法,其特征在于,所述步骤2对路面三维数据矩阵进行去噪处理的操作如下:
画出路面高度直方图,图中横坐标为路面三维数据矩阵中的高度数据,纵坐标为路面三维数据矩阵中的对应于每个高度数据段的元素个数;将路面高度直方图中两个高度数据段所对应的元素分别标记;其他高度数据段对应的元素标记为噪声点;对步骤22中标记的噪声点进行滤波处理,得到去噪后的路面三维数据矩阵。
4.如权利要求1所述的路面裂缝识别和特征提取算法,其特征在于,所述步骤3具体包括如下步骤:
步骤31:对步骤2得到的去噪后的路面三维数据矩阵进行基于平均值法曲线拟合的水平单相扫描,得到裂缝图像I1;具体是:将矩阵中每一行的数据个数N等分得到N个数据段,N为能被每行元素的个数整除的数;对每个数据段中的元素进行曲线拟合,用拟合值减去对应元素的值得到差值Δ;然后取多个阈值将所有的Δ值分为多个段,将每一段中对应的元素的值用对应的阈值替换,得到裂缝图像I1;
步骤32:将步骤2得到的去噪后的路面三维数据矩阵进行基于平均值法曲线拟合的垂直单相扫描,得到裂缝图像I2;具体是:将矩阵中每列的数据个数M等分得到M个数据段,M是能被每列元素的个数整除的数;对每个数据段中的元素进行曲线拟合,用拟合值减去其对应的元素的值Δ;然后将所有的Δ值分为多个段,将每一段中对应的元素的值用对应的阈值替换;
步骤33:将裂缝图像I1与裂缝图像I2取交集,得到交集裂缝图像I3;
步骤34:将裂缝图像I1与裂缝图像I2取并集,得到并集裂缝图像I4;
步骤35:将裂缝图像I1、裂缝图像I2、交集裂缝图像I3、并集裂缝图像I4分别划分为m*n个小块,m是能被每行元素的个数整除的数,n是能被每列元素的个数整除的数;
对于交集裂缝图像I3,从左到右从上而下扫描每个小块,对于每个小块,分别计算该小块在裂缝图像I1、裂缝图像I2以及交集裂缝图像I3中对应位置的小块中黑色像素点所占的比例R1、R2和R3;计算R3与R1的相对误差R31=|R1-R3|/R1,若R1=0,则R31=0;计算R3与R2的相对误差R32=|R2-R3|/R2,若R2=0,则R32=0;计算交集裂缝图像I3中该小块与裂缝图像I1、I2中对应小块的相似度R312=0.5*R31+0.5*R32。
对于并集裂缝图像I4,从左到右从上而下扫描每一个小块,对于每个小块,分别计算其在裂缝图像I1、裂缝图像I2、并集裂缝图像I4中对应的小块中黑色像素点所占的比例R1、R2和R4,计算R4与R1的相对误差记为R41=|R1-R4|/R1,若R1=0,则R41=0;计算R4与R2的相对误差R42=|R2-R4|/R2,若R2=0,则R42=0;R412=0.5*R41+0.5*R42。
步骤36:对于每个小块,比较其对应的R312与R412的大小,若R312大于等于R412,则取I4中的相应小块作为最终裂缝图像中的相应位置的小块。否则取I3中的相应小块作为最终裂缝图像中的相应位置的小块,得到最终裂缝图像I5。
5.一种路面裂缝识别和特征提取系统,其特征在于,包括如下依次相连接的模块:
矩阵读取模块,是用于实现路面三维数据矩阵读取的模块;
去噪模块,是用于对路面三维数据矩阵进行去噪处理得到去噪后的路面三维数据矩阵的模块;
路面裂缝识别模块,是用于从去噪后的路面三维数据矩阵得到最终裂缝图像的模块。
裂缝二值化模块,是用于从最终裂缝图像中提取裂缝种子点并进行区域生长,得到裂缝二值化图像的模块;
裂缝区域标定模块,是用于实现以下功能的模块:将裂缝二值化图像中的裂缝用多个相同的正方形标定,然后用矩形框将所有正方形框入其中且矩形框满足面积最小;
裂缝分类模块:是用于实现以下功能的模块:按照矩形框的对角线与水平方向的夹角分类裂缝:夹角在[0,π/4]内的裂缝为横向裂缝,否则为纵向裂缝;计算矩形框的对角线长度作为裂缝的长度,计算矩形框的面积作为裂缝区域的面积。
6.如权利要求5所述的路面识别判断和特征提取系统,其特征在于,所述矩阵读取模块中所述的路面三维数据矩阵Om×n如下:
zij表示行号为i,列号为j所对应的路面高度。
7.如权利要求5所述的路面裂缝识别和特征提取系统,其特征在于,所述路面裂缝识别模块是用于实现以下功能的模块:画出路面高度直方图,图中横坐标为路面三维数据矩阵中的高度数据,纵坐标为路面三维数据矩阵中的对应于每个高度数据段的元素个数;将路面高度直方图中两个高度数据段所对应的元素分别标记;其他高度数据段对应的元素标记为噪声点;对步骤22中标记的噪声点进行滤波处理。
8.如权利要求5所述的路面裂缝识别和特征提取算法,其特征在于,所述裂缝二值化模块是用于实现以下功能的模块:
对去噪后的路面三维数据矩阵进行基于平均值法曲线拟合的水平单相扫描,得到裂缝图像I1;具体是:将矩阵中每一行的数据个数N等分得到N个数据段,N为能被每行元素的个数整除的数;对每个数据段中的元素进行曲线拟合,用拟合值减去对应元素的值得到差值Δ;然后取多个阈值将所有的Δ值分为多个段,将每一段中对应的元素的值用对应的阈值替换,得到裂缝图像I1;
将去噪后的路面三维数据矩阵进行基于平均值法曲线拟合的垂直单相扫描,得到裂缝图像I2;具体是:将矩阵中每列的数据个数M等分得到M个数据段,M是能被每列元素的个数整除的数;对每个数据段中的元素进行曲线拟合,用拟合值减去其对应的元素的值Δ;然后将所有的Δ值分为多个段,将每一段中对应的元素的值用对应的阈值替换;
将裂缝图像I1与裂缝图像I2取交集,得到交集裂缝图像I3;
将裂缝图像I1与裂缝图像I2取并集,得到并集裂缝图像I4;
将裂缝图像I1、裂缝图像I2、交集裂缝图像I3、并集裂缝图像I4分别划分为m*n个小块,m是能被每行元素的个数整除的数,n是能被每列元素的个数整除的数;
对于交集裂缝图像I3,从左到右从上而下扫描每个小块,对于每个小块,分别计算该小块在裂缝图像I1、裂缝图像I2以及交集裂缝图像I3中对应位置的小块中黑色像素点所占的比例R1、R2和R3;计算R3与R1的相对误差R31=|R1-R3|/R1,若R1=0,则R31=0;计算R3与R2的相对误差R32=|R2-R3|/R2,若R2=0,则R32=0;计算交集裂缝图像I3中该小块与裂缝图像I1、I2中对应小块的相似度R312=0.5*R31+0.5*R32。
对于并集裂缝图像I4,从左到右从上而下扫描每一个小块,对于每个小块,分别计算其在裂缝图像I1、裂缝图像I2、并集裂缝图像I4中对应的小块中黑色像素点所占的比例R1、R2和R4,计算R4与R1的相对误差记为R41=|R1-R4|/R1,若R1=0,则R41=0;计算R4与R2的相对误差R42=|R2-R4|/R2,若R2=0,则R42=0;R412=0.5*R41+0.5*R42。
对于每个小块,比较其对应的R312与R412的大小,若R312大于等于R412,则取I4中的相应小块作为最终裂缝图像中的相应位置的小块。否则取I3中的相应小块作为最终裂缝图像中的相应位置的小块,得到最终裂缝图像I5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410787747.6A CN104504388B (zh) | 2014-12-17 | 2014-12-17 | 一种路面裂缝识别和特征提取算法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410787747.6A CN104504388B (zh) | 2014-12-17 | 2014-12-17 | 一种路面裂缝识别和特征提取算法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104504388A true CN104504388A (zh) | 2015-04-08 |
CN104504388B CN104504388B (zh) | 2017-10-24 |
Family
ID=52945784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410787747.6A Expired - Fee Related CN104504388B (zh) | 2014-12-17 | 2014-12-17 | 一种路面裂缝识别和特征提取算法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104504388B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825169A (zh) * | 2016-03-10 | 2016-08-03 | 辽宁工程技术大学 | 一种基于道路影像的路面裂缝识别方法 |
CN106023226A (zh) * | 2016-05-31 | 2016-10-12 | 彭博 | 一种基于三维虚拟路面的裂缝自动检测方法 |
CN106087677A (zh) * | 2016-06-02 | 2016-11-09 | 上海华城工程建设管理有限公司 | 沥青路面裂缝类型自动识别方法 |
CN106204497A (zh) * | 2016-07-20 | 2016-12-07 | 长安大学 | 一种基于smooth平滑曲线和拟合曲线的路面裂缝提取算法 |
CN106226157A (zh) * | 2016-08-31 | 2016-12-14 | 孙金更 | 混凝土构件裂缝自动检测装置及方法 |
CN106529593A (zh) * | 2016-11-08 | 2017-03-22 | 广东诚泰交通科技发展有限公司 | 路面病害检测方法和系统 |
CN106548182A (zh) * | 2016-11-02 | 2017-03-29 | 武汉理工大学 | 基于深度学习和主成因分析的路面裂纹检测方法及装置 |
CN106988193A (zh) * | 2017-04-12 | 2017-07-28 | 上海源紊新能源科技有限公司 | 一种高效的路面损坏裂缝检测系统 |
CN107389697A (zh) * | 2017-07-10 | 2017-11-24 | 北京交通大学 | 一种基于半交互式的裂缝检测方法 |
CN107527354A (zh) * | 2017-07-06 | 2017-12-29 | 长安大学 | 一种基于合成图的区域生长方法 |
CN107610094A (zh) * | 2017-08-02 | 2018-01-19 | 长安大学 | 基于椭球立体表征的裂缝三维检测方法 |
CN108007355A (zh) * | 2017-10-20 | 2018-05-08 | 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 |
CN108961230A (zh) * | 2018-06-28 | 2018-12-07 | 武汉大学 | 结构表面裂缝特征的识别与提取方法 |
CN108986079A (zh) * | 2018-06-26 | 2018-12-11 | 中国矿业大学(北京) | 一种复杂裂隙网络的裂缝提取及优化方法 |
EP3327198A4 (en) * | 2015-07-21 | 2019-07-24 | Kabushiki Kaisha Toshiba | RISS ANALYSIS DEVICE, RIP ANALYSIS METHOD AND RIP ANALYSIS PROGRAM |
CN110111322A (zh) * | 2019-05-13 | 2019-08-09 | 招商局重庆交通科研设计院有限公司 | 一种基于图像的隧道病害识别系统 |
CN110349122A (zh) * | 2019-06-10 | 2019-10-18 | 长安大学 | 一种基于深度卷积融合神经网络的路面裂缝识别方法 |
CN110443881A (zh) * | 2019-05-29 | 2019-11-12 | 重庆交通大学 | 桥面形态变化识别桥梁结构损伤的cnn-grnn方法 |
CN110926359A (zh) * | 2019-11-05 | 2020-03-27 | 长安大学 | 一种优化双相扫描路面的三维裂缝曲面轮廓检测方法 |
CN112903710A (zh) * | 2021-01-22 | 2021-06-04 | 山东高速工程检测有限公司 | 桥梁表观病害的监测方法、系统及装置 |
CN114018932A (zh) * | 2021-11-02 | 2022-02-08 | 西安电子科技大学 | 基于矩形标定物的路面病害指标测量方法 |
CN114898107A (zh) * | 2022-07-01 | 2022-08-12 | 深之蓝海洋科技股份有限公司 | 裂纹的重识别方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010133835A (ja) * | 2008-12-04 | 2010-06-17 | Hanshin Expressway Co Ltd | 橋梁床版の亀裂検出方法 |
CN103061237A (zh) * | 2013-01-31 | 2013-04-24 | 长安大学 | 一种水泥混凝土路面错台量的检测算法 |
CN103310459A (zh) * | 2013-06-20 | 2013-09-18 | 长安大学 | 一种基于三维信息的水泥混凝土路面构造深度的检测算法 |
CN104537651A (zh) * | 2014-12-17 | 2015-04-22 | 中交第一公路勘察设计研究院有限公司 | 一种路面图像中裂缝比例检测算法及系统 |
-
2014
- 2014-12-17 CN CN201410787747.6A patent/CN104504388B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010133835A (ja) * | 2008-12-04 | 2010-06-17 | Hanshin Expressway Co Ltd | 橋梁床版の亀裂検出方法 |
CN103061237A (zh) * | 2013-01-31 | 2013-04-24 | 长安大学 | 一种水泥混凝土路面错台量的检测算法 |
CN103310459A (zh) * | 2013-06-20 | 2013-09-18 | 长安大学 | 一种基于三维信息的水泥混凝土路面构造深度的检测算法 |
CN104537651A (zh) * | 2014-12-17 | 2015-04-22 | 中交第一公路勘察设计研究院有限公司 | 一种路面图像中裂缝比例检测算法及系统 |
Non-Patent Citations (1)
Title |
---|
胡世昆: "基于数字图像处理技术的路面裂缝检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10648922B2 (en) | 2015-07-21 | 2020-05-12 | Kabushiki Kaisha Toshiba | Crack analysis device, crack analysis method, and crack analysis program |
EP3854941A1 (en) * | 2015-07-21 | 2021-07-28 | Kabushiki Kaisha Toshiba | Crack analysis device, crack analysis method, and crack analysis program |
EP3848509A1 (en) * | 2015-07-21 | 2021-07-14 | Kabushiki Kaisha Toshiba | Crack analysis device, crack analysis method, and crack analysis program |
EP3327198A4 (en) * | 2015-07-21 | 2019-07-24 | Kabushiki Kaisha Toshiba | RISS ANALYSIS DEVICE, RIP ANALYSIS METHOD AND RIP ANALYSIS PROGRAM |
CN105825169B (zh) * | 2016-03-10 | 2019-02-15 | 辽宁工程技术大学 | 一种基于道路影像的路面裂缝识别方法 |
CN105825169A (zh) * | 2016-03-10 | 2016-08-03 | 辽宁工程技术大学 | 一种基于道路影像的路面裂缝识别方法 |
CN106023226A (zh) * | 2016-05-31 | 2016-10-12 | 彭博 | 一种基于三维虚拟路面的裂缝自动检测方法 |
CN106087677B (zh) * | 2016-06-02 | 2018-07-31 | 上海华城工程建设管理有限公司 | 沥青路面裂缝类型自动识别方法 |
CN106087677A (zh) * | 2016-06-02 | 2016-11-09 | 上海华城工程建设管理有限公司 | 沥青路面裂缝类型自动识别方法 |
CN106204497B (zh) * | 2016-07-20 | 2018-12-25 | 长安大学 | 一种基于smooth平滑曲线和拟合曲线的路面裂缝提取算法 |
CN106204497A (zh) * | 2016-07-20 | 2016-12-07 | 长安大学 | 一种基于smooth平滑曲线和拟合曲线的路面裂缝提取算法 |
CN106226157A (zh) * | 2016-08-31 | 2016-12-14 | 孙金更 | 混凝土构件裂缝自动检测装置及方法 |
CN106548182B (zh) * | 2016-11-02 | 2020-02-18 | 武汉理工大学 | 基于深度学习和主成因分析的路面裂纹检测方法及装置 |
CN106548182A (zh) * | 2016-11-02 | 2017-03-29 | 武汉理工大学 | 基于深度学习和主成因分析的路面裂纹检测方法及装置 |
CN106529593B (zh) * | 2016-11-08 | 2020-04-28 | 广东诚泰交通科技发展有限公司 | 路面病害检测方法和系统 |
CN106529593A (zh) * | 2016-11-08 | 2017-03-22 | 广东诚泰交通科技发展有限公司 | 路面病害检测方法和系统 |
CN106988193A (zh) * | 2017-04-12 | 2017-07-28 | 上海源紊新能源科技有限公司 | 一种高效的路面损坏裂缝检测系统 |
CN107527354A (zh) * | 2017-07-06 | 2017-12-29 | 长安大学 | 一种基于合成图的区域生长方法 |
CN107527354B (zh) * | 2017-07-06 | 2019-10-22 | 长安大学 | 一种基于合成图的区域生长方法 |
CN107389697A (zh) * | 2017-07-10 | 2017-11-24 | 北京交通大学 | 一种基于半交互式的裂缝检测方法 |
CN107610094B (zh) * | 2017-08-02 | 2020-04-03 | 长安大学 | 基于椭球立体表征的裂缝三维检测方法 |
CN107610094A (zh) * | 2017-08-02 | 2018-01-19 | 长安大学 | 基于椭球立体表征的裂缝三维检测方法 |
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 |
CN108007355A (zh) * | 2017-10-20 | 2018-05-08 | 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 |
CN108986079B (zh) * | 2018-06-26 | 2022-04-08 | 中国矿业大学(北京) | 一种复杂裂隙网络的裂缝提取及优化方法 |
CN108986079A (zh) * | 2018-06-26 | 2018-12-11 | 中国矿业大学(北京) | 一种复杂裂隙网络的裂缝提取及优化方法 |
CN108961230A (zh) * | 2018-06-28 | 2018-12-07 | 武汉大学 | 结构表面裂缝特征的识别与提取方法 |
CN110111322A (zh) * | 2019-05-13 | 2019-08-09 | 招商局重庆交通科研设计院有限公司 | 一种基于图像的隧道病害识别系统 |
CN110443881A (zh) * | 2019-05-29 | 2019-11-12 | 重庆交通大学 | 桥面形态变化识别桥梁结构损伤的cnn-grnn方法 |
CN110349122A (zh) * | 2019-06-10 | 2019-10-18 | 长安大学 | 一种基于深度卷积融合神经网络的路面裂缝识别方法 |
CN110926359B (zh) * | 2019-11-05 | 2021-10-29 | 长安大学 | 一种优化双相扫描路面的三维裂缝曲面轮廓检测方法 |
CN110926359A (zh) * | 2019-11-05 | 2020-03-27 | 长安大学 | 一种优化双相扫描路面的三维裂缝曲面轮廓检测方法 |
CN112903710A (zh) * | 2021-01-22 | 2021-06-04 | 山东高速工程检测有限公司 | 桥梁表观病害的监测方法、系统及装置 |
CN114018932A (zh) * | 2021-11-02 | 2022-02-08 | 西安电子科技大学 | 基于矩形标定物的路面病害指标测量方法 |
CN114898107A (zh) * | 2022-07-01 | 2022-08-12 | 深之蓝海洋科技股份有限公司 | 裂纹的重识别方法和装置 |
CN114898107B (zh) * | 2022-07-01 | 2022-12-02 | 深之蓝海洋科技股份有限公司 | 裂纹的重识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104504388B (zh) | 2017-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104504388A (zh) | 一种路面裂缝识别和特征提取算法及系统 | |
CN104537651B (zh) | 一种路面图像中裂缝比例检测方法及系统 | |
CN109804232B (zh) | 一种基于红外热像图分析的沥青路面裂缝发育程度检测方法 | |
CN105894036B (zh) | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 | |
CN104392224B (zh) | 一种公路路面裂纹检测方法 | |
Medina et al. | Enhanced automatic detection of road surface cracks by combining 2D/3D image processing techniques | |
CN103051872B (zh) | 基于图像边缘提取的输送带跑偏检测方法 | |
Gao et al. | Detection and segmentation of cement concrete pavement pothole based on image processing technology | |
CN103150549B (zh) | 一种基于烟雾早期运动特征的公路隧道火灾检测方法 | |
CN111091544B (zh) | 铁路货车转向架侧面一体架构断裂故障检测方法 | |
CN109685760B (zh) | 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法 | |
CN102288613A (zh) | 一种灰度和深度信息融合的表面缺陷检测方法 | |
WO2023045299A1 (zh) | 基于三维轮廓的路面技术状况检测方法及设备 | |
Yun et al. | Crack recognition and segmentation using morphological image-processing techniques for flexible pavements | |
CN103440657A (zh) | 一种在线道路裂缝筛查方法 | |
CN111652883B (zh) | 基于深度学习的玻璃表面缺陷检测方法 | |
CN105718964A (zh) | 一种输电线防振锤的视觉检测方法 | |
CN111882664A (zh) | 一种多窗口累计差分的裂缝提取方法 | |
Abbas et al. | Automated pavement distress detection using image processing techniques | |
CN104112123A (zh) | 一种用于子弹表观缺陷检测的aoi系统的缺陷特征提取与识别方法 | |
CN101950352B (zh) | 一种去除光照影响的目标检测方法及装置 | |
CN113240623A (zh) | 一种路面病害检测方法及装置 | |
CN106546185A (zh) | 一种基于机器视觉检测的轮廓质量检测方法 | |
CN106650735B (zh) | 一种led字符自动定位识别方法 | |
CN103091330A (zh) | 模拟人类视觉感知机理的铜带表面缺陷辨识装置及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171024 Termination date: 20201217 |
|
CF01 | Termination of patent right due to non-payment of annual fee |