CN106296691B - 基于图像分析的路面病害识别方法 - Google Patents
基于图像分析的路面病害识别方法 Download PDFInfo
- Publication number
- CN106296691B CN106296691B CN201610657673.3A CN201610657673A CN106296691B CN 106296691 B CN106296691 B CN 106296691B CN 201610657673 A CN201610657673 A CN 201610657673A CN 106296691 B CN106296691 B CN 106296691B
- Authority
- CN
- China
- Prior art keywords
- image
- pavement
- disease
- specifically
- pavement image
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 201000010099 disease Diseases 0.000 title claims abstract description 43
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 43
- 238000010191 image analysis Methods 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000003708 edge detection Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 12
- 238000003707 image sharpening Methods 0.000 claims description 8
- 238000009792 diffusion process Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 4
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 208000037656 Respiratory Sounds Diseases 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004040 coloring Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于图像分析的路面病害识别方法，包括以下步骤：第一步、路面图像的采集；第二步、路面图像的预处理；第三步、将经过预处理后的路面图像中的病害进行分割处理；第四步、路面图像中病害的特征提取和度量，具体是：将经过第三步的路面图像中的病害依次采用轮廓面积算法和边缘检测算法进行特征提取和度量；第五步、输出结果，具体是：控制器结合第一步中的地理位置信息将分类和度量好的病害进行精确定位后输出。应用本发明的技术方案，既可以解放劳动力，排除人为的主观因素的干扰，又能快速而准确地进行公路路况的评价，改变之前靠人工判别对裂缝分类工作效率低且错误率较高等缺点。
Description
技术领域
本发明涉及数据图像处理技术领域，具体涉及一种基于图像分析的路面病害识别方法。
背景技术
随着路面养护新技术的发展以及各种路况检测设备的使用，路况分析方法已逐渐由基于快速检测设备的自动分析代替了传统的人工调查，如测路面平整度的方法有：车载式颠簸累计仪法、自动弯沉仪、落锤式弯沉仪、激光平整度仪法测平整度等；利用软件识别检测路面破损率等方法。
现有技术对图像的识别存在以下缺点：(1)不能区别病害的种类(病害具体有：裂缝、坑槽、车辙、松散、沉陷、表面破损)；(2)计算繁琐，运算速度很慢，有时需要人工干预；(3)无法识别出路面图像数据中的阴影干扰、破损的路面内填充的污染物等；(4)病害识别误报率高，可信度低，有时检测结果会出现未养护的公路质量越用越好。
因此，急需一种能够实现对路面图像的病害进行分类、标识、度量等处理的方法以满足现实需求。
发明内容
本发明目的在于提供一种基于图像分析的路面病害识别方法，具体技术方案如下：
一种基于图像分析的路面病害识别方法，包括以下步骤：
第一步、路面图像的采集，具体是：将车载高速线阵摄像机架设于承载车辆上，承载车辆在待检测的路面上行驶的同时高速线阵摄像机拍摄整个车道的路面图像；将所拍摄到的路面图像以及路面图像所对应的地理位置信息以有线或无线方式上传至控制器；提取含有破损的目标图像；
第二步、路面图像的预处理，具体是：将含有破损的目标图像进行图像格式识别处理、图像灰度处理、图像平滑处理、图像锐化处理以及边缘检测处理，得到经过预处理后的路面图像；
第三步、将经过预处理后的路面图像中的病害进行分割处理，具体是：包括以下步骤：
步骤3.1、将第二步所得预处理后的路面图像经过边缘检测算法，获得路面图像的梯度幅值和梯度方向；
步骤3.2、将路面图像根据步骤3.1获得的梯度幅值和梯度方向进行轮廓提取算法，得到具有轮廓的路面图像；
步骤3.3、将步骤3.2获得的具有轮廓的路面图像进行膨胀算法使得路面图像的二值图扩大一圈；
步骤3.4、将经过步骤3.3的路面图像进行轮廓优化算法，具体是：采用光栅扫描搜索路面图像中各像素值的像素点，按照像素值进行分割；
第四步、路面图像中病害的特征提取和度量，具体是：将经过第三步的路面图像中的病害依次采用轮廓面积算法和边缘检测算法进行特征提取和度量；
第五步、输出结果，具体是：控制器结合第一步中的地理位置信息将分类和度量好的病害进行精确定位后输出。
以上技术方案中优选的，所述第二步中：图像格式识别处理具体是：将含有破损的目标图像转化为控制器识别的图像格式；
图像灰度处理具体是：将经过图像格式识别处理的路面图像转化为灰度图；
图像平滑处理具体是：采用模板滤波法将转化为灰度图的路面图像进行处理得到平滑处理后的路面图像；
图像锐化处理具体是：采用拉普拉斯锐化法对平滑处理后的路面图像进行锐化处理。
以上技术方案中优选的，所述图像格式为JPEG、TIFF以及RAW中的至少一种。
以上技术方案中优选的，所述图像灰度处理具体是：将彩色的路面图像通过公式1)转化为灰度图：
f(x,y)＝0.299R+0.587G+0.114B 1)；
其中：x和y分别为控制点的横坐标和纵坐标；R、G、B分别为图像坐标(x,y)处的红色分量值、绿色分量值以及蓝色分量值。
以上技术方案中优选的，所述拉普拉斯锐化法具体是：
设为拉普拉斯算子，则为表达式2)：
对于离散型数字图像f(i,j)，其二阶偏导数为表达式3)：
其中：i和j代表图像中的横纵坐标值；
根据表达式2)和表达式3)可得表达式4)：
对于扩散现象引起的图像模糊，用表达式5)进行锐化：
其中：kτ为与扩散效应有关的系数，其取值为1；g(i,j)为锐化处理后的函数；
根据表达式4和表达式5)可得表达式6)：
g(i,j)＝5f(i,j)-f(i-1,j)-f(i+1,j)-f(i,j+1)-f(i,j-1) 6)。
以上技术方案中优选的，所述第二步中边缘检测处理采用canny算子法。
以上技术方案中优选的，所述步骤3.1和第四步中边缘检测算法具体是：采用高斯滤波对路面图像进行平滑处理得到路面图像的梯度幅值和梯度方向，其中：高斯滤波的计算式为表达式7)：
其中：G(x,y)为梯度幅值，x和y分别为控制点的横坐标和纵坐标，σ为正态分布的标准偏差。
以上技术方案中优选的，所述第四步中轮廓面积算法为使用特征搜索和迭代算法使其收敛到目标轮廓边缘，具体是：先用特征搜索求取相应的特征点及特征曲线；再用B样条曲线拟合得到Qf；用迭代算法使动态轮廓线向Qf收敛逼近；
设收敛后的动态轮廓线控制点向量为Q＝[q1，q2，q3，...，qn]，qi＝[xi,yi]T；i为控制点数目，i＝1,2,3,...,N；
应用基于封闭的2次均匀B样条曲线的面积计算公式为表达式8)：
其中：A为封闭轮廓线的面积，xi和yi分别为控制点的横坐标和纵坐标，其中1≤i≤N。
以上技术方案中优选的，承载车以10-80km/h的车速在待检测路面上行驶。
应用本发明的技术方案，既可以解放劳动力，排除人为的主观因素的干扰，又能快速而准确地进行公路路况的评价，改变之前靠人工判别对裂缝分类工作效率低且错误率较高等缺点。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例1的基于图像分析的路面病害识别方法的结构示意图；
图2(a)为某一路面图像中横向裂纹经过图像灰度处理前的示意图；
图2(b)为图2(a)路面图像中横向裂纹经过图像平滑处理后的示意图；
图3(a)为某一路面图像中纵向裂纹经过图像平滑处理前的示意图；
图3(b)为图3(a)路面图像中纵向裂纹经过图像灰度处理后的示意图；
图4(a)为某一路面图像中不规则裂纹经过图像锐化处理前的示意图；
图4(b)为图4(a)路面图像中不规则裂纹经过图像锐化处理后的示意图；
图5(a)为某一路面图像中点蚀和麻坑经过边缘检测处理前的示意图；
图5(b)为图5(a)路面图像中点蚀和麻坑经过边缘检测处理后的示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。
实施例1：
参见图1，一种基于图像分析的路面病害识别方法，包括以下步骤：
第一步、路面图像的采集，具体是：将车载高速线阵摄像机架设于承载车辆上，承载车辆以10-80km/h的车速在待检测的路面上行驶的同时高速线阵摄像机拍摄整个车道的路面图像；将所拍摄到的路面图像以及路面图像所对应的地理位置信息以有线或无线方式上传至控制器。提取含有破损的目标图像(此处采用现有技术中常规的提取方法)进行后续处理。
第二步、路面图像的预处理，具体是：将第一步所提取出的含有破损的目标图像进行图像格式识别处理、图像灰度处理、图像平滑处理、图像锐化处理以及边缘检测处理，得到经过预处理后的路面图像，详情如下：
图像格式识别处理具体是：将含有破损的目标图像转化为控制器识别的图像格式，一般采用JPEG、TIFF以及RAW中的至少一种。
图像灰度处理具体是：将经过图像格式识别处理的路面图像转化为灰度图，详情如下：一副灰度图通常划分为0到255个级别，0表示最暗，255表示最亮。
将彩色的路面图像通过公式1)转化为灰度图：
f(x,y)＝0.299R+0.587G+0.114B 1)；
其中：x和y分别为控制点的横坐标和纵坐标；R、G、B分别为图像坐标(x,y)处的红色分量值、绿色分量值以及蓝色分量值。各种色彩都是由R、G、B三个单色调配而成，先利用R、B、G值代入YUV颜色表达矩阵公式求Y的值，Y的含义是亮度。然后把Y值赋值给R、B、G就可以表示出灰度值，如路面病害中的横向裂纹经过此步骤处理前后的附图如图2(a)和图2(b)所示。
图像平滑处理具体是：采用模板滤波法将转化为灰度图的路面图像进行处理得到平滑处理后的路面图像，如：采用模板括号中间的黑点表示中心元素，即用这个元素做处理后的元素，例如表示将自身的元素的值的两倍加上右边的元素的值，而表示将自身加上左边元素的2倍作为新值，通常模板不允许移出边界。例如模板是原图是经模板操作后图像为其中数字表示灰度，x表示边界上无法进行模板操作的点，x采取复制原图灰度不做处理。通过将一点和周围八个点作平均，从而去除突然变化的点，滤掉噪声。如路面病害中的纵向裂纹经过此步骤处理前后的图如图3(a)和图3(b)所示。
图像锐化处理具体是：采用拉普拉斯锐化法对平滑处理后的路面图像进行锐化处理，如下：
设为拉普拉斯算子，则为表达式2)：
对于离散型数字图像f(i,j)，其二阶偏导数为表达式3)：
其中：i和j代表图像中的横坐标纵坐标值；
根据表达式2)和表达式3)可得表达式4)：
对于扩散现象引起的图像模糊，用表达式5)进行锐化：
其中：kτ为与扩散效应有关的系数，其取值为1；g(i,j)为锐化处理后的函数。
根据表达式4和表达式5)可得表达式6)：
g(i,j)＝5f(i,j)-f(i-1,j)-f(i+1,j)-f(i,j+1)-f(i,j-1) 6)。
如路面病害中的不规则裂纹经过此步骤处理前后的图详见图4(a)和图4(b)。
边缘检测处理具体是采用采用canny算子法，如路面病害中的点蚀和麻坑经过此步骤处理前后的图详见图5(a)和图5(b)。
第三步、将经过预处理后的路面图像中的病害进行分割处理，具体是：包括以下步骤：
步骤3.1、将第二步所得预处理后的路面图像经过边缘检测算法，获得路面图像的梯度幅值和梯度方向；
步骤3.2、将路面图像根据步骤3.1获得的梯度幅值和梯度方向进行轮廓提取算法，得到具有轮廓的路面图像；
步骤3.3、将步骤3.2获得的具有轮廓的路面图像进行膨胀算法使得路面图像的二值图扩大一圈；
步骤3.4、将经过步骤3.3的路面图像进行轮廓优化算法，具体是：采用光栅扫描搜索路面图像中各像素值的像素点，按照像素值进行分割；
第四步、路面图像中病害的特征提取和度量，具体是：将经过第三步的路面图像中的病害依次采用轮廓面积算法和边缘检测算法进行特征提取和度量；
第五步、输出结果，具体是：控制器结合第一步中的地理位置信息将分类和度量好的病害进行精确定位后输出。
所述步骤3.1和第四步中边缘检测算法具体是：采用高斯滤波对路面图像进行平滑处理得到路面图像的梯度幅值和梯度方向，其中：高斯滤波的计算式为表达式7)：
其中：G(x,y)为梯度幅值，x和y分别为控制点的横坐标和纵坐标，σ为正态分布的标准偏差。
以上技术方案中优选的，所述第四步中轮廓面积算法为使用特征搜索和迭代算法使其收敛到目标轮廓边缘，具体是：先用特征搜索求取相应的特征点及特征曲线；再用B样条曲线拟合得到Qf；用迭代算法使动态轮廓线向Qf收敛逼近；
设收敛后的动态轮廓线控制点向量为Q＝[q1，q2，q3，...，qn]，i为控制点数目，i＝1,2,3,...,N；
应用基于封闭的2次均匀B样条曲线的面积计算公式为表达式8)：
其中：A为封闭轮廓线的面积，xi和yi分别为控制点的横坐标和纵坐标，其中1≤i≤N。
针对100km的4车道沥青面公路，采用本发明的方法与现有技术比较详见表1：
表1现有技术和本发明的比较表
| 案例\参数 | 人数 | 时间 | 能否准确分辨病害种类 |
| 本发明技术 | 1 | 1-2h | 99％ |
| 现有技术(背景技术中的人工识别) | 7 | 12-15天 | 80％-85％ |
| 现有技术中快速检测设备的自动分析 | 1 | 1-2天 | 83％-90％ |
由表1可知：与现有技术(人工识别或者检测设备识别)比较，检测相同长度的路面，本发明方法所需时间大大缩短，且对路面病害种类的判别精准度大大提高。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于图像分析的路面病害识别方法，其特征在于，包括以下步骤：
第一步、路面图像的采集，具体是：将车载高速线阵摄像机架设于承载车辆上，承载车辆在待检测的路面上行驶的同时高速线阵摄像机拍摄整个车道的路面图像；将所拍摄到的路面图像以及路面图像所对应的地理位置信息以有线或无线方式上传至控制器；提取含有破损的目标图像；
第二步、路面图像的预处理，具体是：将含有破损的目标图像进行图像格式识别处理、图像灰度处理、图像平滑处理、图像锐化处理以及边缘检测处理，得到经过预处理后的路面图像；
第三步、将经过预处理后的路面图像中的病害进行分割处理，具体是：包括以下步骤：
步骤3.1、将第二步所得预处理后的路面图像经过边缘检测算法，获得路面图像的梯度幅值和梯度方向；
步骤3.2、将路面图像根据步骤3.1获得的梯度幅值和梯度方向进行轮廓提取算法，得到具有轮廓的路面图像；
步骤3.3、将步骤3.2获得的具有轮廓的路面图像进行膨胀算法使得路面图像的二值图扩大一圈；
步骤3.4、将经过步骤3.3的路面图像进行轮廓优化算法，具体是：采用光栅扫描搜索路面图像中各像素值的像素点，按照像素值进行分割；
第四步、路面图像中病害的特征提取和度量，具体是：将经过第三步的路面图像中的病害依次采用轮廓面积算法和边缘检测算法进行特征提取和度量；
第五步、输出结果，具体是：控制器结合第一步中的地理位置信息将分类和度量好的病害进行精确定位后输出。
2.根据权利要求1所述的基于图像分析的路面病害识别方法，其特征在于，所述第二步中：图像格式识别处理具体是：将含有破损的目标图像转化为控制器识别的图像格式；
图像灰度处理具体是：将经过图像格式识别处理的路面图像转化为灰度图；
图像平滑处理具体是：采用模板滤波法将转化为灰度图的路面图像进行处理得到平滑处理后的路面图像；
图像锐化处理具体是：采用拉普拉斯锐化法对平滑处理后的路面图像进行锐化处理。
3.根据权利要求2所述的基于图像分析的路面病害识别方法，其特征在于，所述图像格式为JPEG、TIFF以及RAW中的至少一种。
4.根据权利要求2所述的基于图像分析的路面病害识别方法，其特征在于，所述图像灰度处理具体是：将彩色的路面图像通过公式1)转化为灰度图：
f(x,y)＝0.299R+0.587G+0.114B 1)；
其中：x和y分别为控制点的横坐标和纵坐标；R、G、B分别为图像坐标(x,y)处的红色分量值、绿色分量值以及蓝色分量值。
5.根据权利要求2所述的基于图像分析的路面病害识别方法，其特征在于，所述拉普拉斯锐化法具体是：
设▽2f为拉普拉斯算子，则为表达式2)：
对于离散型数字图像f(i,j)，其二阶偏导数为表达式3)：
其中：i和j代表图像中的横坐标值和纵坐标值；
根据表达式2)和表达式3)可得表达式4)：
对于扩散现象引起的图像模糊，用表达式5)进行锐化：
g(i,j)＝f(i,j)-kτ▽2f(i,j) 5)；
其中：kτ为与扩散现象有关的系数，其取值为1；g(i,j)为锐化处理后的函数；
根据表达式4)和表达式5)得表达式6)：
g(i,j)＝5f(i,j)-f(i-1,j)-f(i+1,j)-f(i,j+1)-f(i,j-1) 6)。
6.根据权利要求1所述的基于图像分析的路面病害识别方法，其特征在于，所述第二步中边缘检测处理采用canny算子法。
7.根据权利要求1-6任意一项所述的基于图像分析的路面病害识别方法，其特征在于，所述步骤3.1和第四步中边缘检测算法具体是：采用高斯滤波对路面图像进行平滑处理得到路面图像的梯度幅值和梯度方向，其中：高斯滤波的计算式为表达式7)：
其中：G(x,y)为梯度幅值，x和y分别为控制点的横坐标和纵坐标，σ为正态分布的标准偏差。
8.根据权利要求7所述的基于图像分析的路面病害识别方法，其特征在于，所述第四步中轮廓面积算法为使用特征搜索和迭代算法使其收敛到目标轮廓边缘，具体是：先用特征搜索求取相应的特征点及特征曲线；再用B样条曲线拟合得到Qf；用迭代算法使动态轮廓线向Qf收敛逼近；
设收敛后的动态轮廓线控制点向量为Q＝[q1，q2，q3，...，qn]，qi＝[xi,yi]T；i为控制点数目，i＝1,2,3,...,N；
应用基于封闭的2次均匀B样条曲线的面积计算公式为表达式8)：
其中：A为封闭轮廓线的面积，xi和yi分别为控制点的横坐标和纵坐标，其中1≤i≤N。
9.根据权利要求8所述的基于图像分析的路面病害识别方法，其特征在于，承载车辆以10-80km/h的车速在待检测路面上行驶。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610657673.3A CN106296691B (zh) | 2016-08-11 | 2016-08-11 | 基于图像分析的路面病害识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610657673.3A CN106296691B (zh) | 2016-08-11 | 2016-08-11 | 基于图像分析的路面病害识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106296691A CN106296691A (zh) | 2017-01-04 |
| CN106296691B true CN106296691B (zh) | 2018-10-26 |
Family
ID=57668744
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610657673.3A Active CN106296691B (zh) | 2016-08-11 | 2016-08-11 | 基于图像分析的路面病害识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106296691B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107462204B (zh) * | 2017-09-21 | 2019-05-31 | 武汉武大卓越科技有限责任公司 | 一种三维路面标准轮廓提取方法及系统 |
| CN107633516B (zh) * | 2017-09-21 | 2020-04-07 | 武汉武大卓越科技有限责任公司 | 一种识别路面变形类病害的方法和装置 |
| CN108197655A (zh) * | 2018-01-03 | 2018-06-22 | 重庆亲禾智千科技有限公司 | 基于主成分分析与神经网络的路面破损病害图像分类方法 |
| CN108411748A (zh) * | 2018-02-11 | 2018-08-17 | 云南通衢工程检测有限公司 | 用于公路技术状况检测方法 |
| CN109448375A (zh) * | 2018-11-24 | 2019-03-08 | 肖哲睿 | 一种多功能交通监测系统 |
| CN110969103B (zh) * | 2019-11-21 | 2021-05-11 | 同济大学 | 一种基于ptz相机的高速公路路面病害长度测量方法 |
| CN111608423A (zh) * | 2020-04-30 | 2020-09-01 | 湖南南派古建园林工程有限公司 | 一种古建筑修复支撑系统及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102435173A (zh) * | 2011-09-21 | 2012-05-02 | 北京市市政工程研究院 | 一种基于机器视觉的隧道病害快速调查系统及调查方法 |
| CN102509291A (zh) * | 2011-10-31 | 2012-06-20 | 东南大学 | 基于无线网络视频传感器的公路路面病害检测及识别方法 |
| CN104021574A (zh) * | 2014-07-04 | 2014-09-03 | 武汉武大卓越科技有限责任公司 | 路面病害自动识别方法 |
| CN105133471A (zh) * | 2015-05-15 | 2015-12-09 | 南京航空航天大学 | 一种基于线结构光路面检测系统的路面深度图像生产方法 |
-
2016
- 2016-08-11 CN CN201610657673.3A patent/CN106296691B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102435173A (zh) * | 2011-09-21 | 2012-05-02 | 北京市市政工程研究院 | 一种基于机器视觉的隧道病害快速调查系统及调查方法 |
| CN102509291A (zh) * | 2011-10-31 | 2012-06-20 | 东南大学 | 基于无线网络视频传感器的公路路面病害检测及识别方法 |
| CN104021574A (zh) * | 2014-07-04 | 2014-09-03 | 武汉武大卓越科技有限责任公司 | 路面病害自动识别方法 |
| CN105133471A (zh) * | 2015-05-15 | 2015-12-09 | 南京航空航天大学 | 一种基于线结构光路面检测系统的路面深度图像生产方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106296691A (zh) | 2017-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106296691B (zh) | 基于图像分析的路面病害识别方法 | |
| CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
| CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
| CN112419250B (zh) | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 | |
| CN105913093B (zh) | 一种用于文字识别处理的模板匹配方法 | |
| CN109269951B (zh) | 基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法 | |
| CN105046700B (zh) | 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统 | |
| CN102297660B (zh) | 一种盾构隧道衬砌管片接缝张开宽度的测量方法及装置 | |
| CN107437243B (zh) | 基于x光图像的轮胎杂质检测方法及装置 | |
| CN104751443B (zh) | 基于多光谱技术棉花疵点检测与识别方法 | |
| CN110009618B (zh) | 一种轴类零件表面质量检测方法及装置 | |
| CN102974551A (zh) | 一种基于机器视觉的多晶硅太阳能检测分选的方法 | |
| CN109872300A (zh) | 一种摩擦片外观缺陷的视觉显著性检测方法 | |
| CN104537651B (zh) | 一种路面图像中裂缝比例检测方法及系统 | |
| CN108921819B (zh) | 一种基于机器视觉的验布装置及方法 | |
| CN106296666A (zh) | 一种彩色图像去阴影方法和应用 | |
| CN103914708A (zh) | 基于机器视觉的食品品种检测方法及系统 | |
| CN111060442B (zh) | 一种基于图像处理的油液颗粒检测方法 | |
| CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
| CN113706490B (zh) | 一种晶片缺陷检测方法 | |
| CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
| CN104122271A (zh) | 一种基于aoi的子弹表观缺陷检测方法 | |
| CN116309191B (zh) | 基于图像增强的瓦斯巡检智能显示方法 | |
| Abbas et al. | Automated pavement distress detection using image processing techniques | |
| CN115131353B (zh) | 平网印花纺织品生产异常识别定位方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Liang Xiaodong Inventor after: Zeng Xiongying Inventor after: Xie Hong Inventor after: Wu Yongsheng Inventor after: Liu Miaoqun Inventor before: Liang Xiaodong |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20170815 Address after: 410200 Changsha, Wangcheng province through the open area along the River Road, Hunan Applicant after: Hunan Lianzhi Bridge and Tunnel Technology Co.,Ltd. Address before: 42 No. 17 Hunan century Xincheng Kaiyuan Road 410019 in Hunan province Changsha City Economic Development Zone Applicant before: Liang Xiaodong |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: 410200 No. 168, Second Section of Yanhe Road, Wangcheng Economic and Technological Development Zone, Changsha City, Hunan Province Patentee after: Hunan Lianzhi Technology Co.,Ltd. Address before: 410200 Hunan province Changsha Wangcheng Economic Development Zone along the River Road Patentee before: HUNAN LIANZHI BRIDGE AND TUNNEL TECHNOLOGY Co.,Ltd. |
|
| CP03 | Change of name, title or address | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Road Surface Disease Identification Method Based on Image Analysis Effective date of registration: 20230613 Granted publication date: 20181026 Pledgee: Agricultural Bank of China Limited Changsha Wangcheng District sub branch Pledgor: Hunan Lianzhi Technology Co.,Ltd. Registration number: Y2023980043732 |