CN106529593B - 路面病害检测方法和系统 - Google Patents
路面病害检测方法和系统 Download PDFInfo
- Publication number
- CN106529593B CN106529593B CN201610979855.2A CN201610979855A CN106529593B CN 106529593 B CN106529593 B CN 106529593B CN 201610979855 A CN201610979855 A CN 201610979855A CN 106529593 B CN106529593 B CN 106529593B
- Authority
- CN
- China
- Prior art keywords
- image
- preset
- road surface
- size
- sub
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Abstract
本发明公开了一种路面病害检测方法和系统,所述方法包括:采集路面图像,并将所述路面图像分割成预设大小的子区域;确定各个所述子区域的灰度共生矩阵,并根据各个所述灰度共生矩阵分别获得各个所述子区域与其相邻的各个子区域的结构相似度;统计获得的各个所述结构相似度中大于预设结构相似度阈值的结构相似度对应的子区域个数;获得统计的子区域个数与所述路面图像分割的子区域总个数的比值,当所述比值小于预设比例阈值时,判定所述路面图像存在路面病害。本发明解决传统路面病害费时费力,结果精确度差的问题,满足实际应用需求。
Description
技术领域
本发明涉及道路检测技术领域,特别是涉及一种路面病害检测方法和系统。
背景技术
随着社会不断进步,道路交通建设成为国民经济赖以生存和发展的重要基础设施建设。以高速公路运输为例,高速公路里程不断增加,使用年限不断增强,高速公路保养问题越来越受到人们重视。在公路建成投入使用后,受车辆大型化、超载严重化、车轮反复碾压以及冰、雨雪等各种自然因素的影响,公路在使用过程中出现各种各样的病害问题,如裂缝、凹陷等,时间越长情况越严重。
传统的路面病害通过人工查看判断,费时费力,结果精确度差,无法满足道路发展需求。
发明内容
基于此,有必要针对传统路面病害检测费时费力、结果精确度差的问题,提供一种路面病害检测方法和系统。
为了实现上述目的,本发明技术方案的实施例为:
一种路面病害检测方法,包括以下步骤:
采集路面图像,并将所述路面图像分割成预设大小的子区域;
确定各个所述子区域的灰度共生矩阵,并根据各个所述灰度共生矩阵分别获得各个所述子区域与其相邻的各个子区域的结构相似度;
统计获得的各个所述结构相似度中大于预设结构相似度阈值的结构相似度对应的子区域个数;
获得统计的子区域个数与所述路面图像分割的子区域总个数的比值,当所述比值小于预设比例阈值时,判定所述路面图像存在路面病害。
一种路面病害检测系统,包括:
图像采集模块,用于采集路面图像;
图像分割模块,用于将所述路面图像分割成预设大小的子区域;
结构相似模块,用于确定各个所述子区域的灰度共生矩阵,并根据各个所述灰度共生矩阵分别获得各个所述子区域与其相邻的各个子区域的结构相似度;
区域统计模块,用于统计获得的各个所述结构相似度中大于预设结构相似度阈值的结构相似度对应的子区域个数;
路面病害检测模块,用于获得统计的子区域个数与所述路面图像分割的子区域总个数的比值,当所述比值小于预设比例阈值时,判定所述路面图像存在路面病害。
与现有技术相比,本发明的有益效果为:本发明路面病害检测方法和系统,首先采集路面图像,将所述路面图像分割成预设大小的子区域;然后确定各个子区域的灰度共生矩阵,并根据各个灰度共生矩阵分别获得各个子区域与其相邻的各个子区域的结构相似度;统计获得的各个结构相似度中大于预设结构相似度阈值的结构相似度对应的子区域个数;获得统计的子区域个数与所述路面图像分割的子区域总个数的比值,当所述比值小于预设比例阈值时,判定所述路面图像存在路面病害,本发明只需单张路面图像即可完成该路面图像是否完好的判断,省时省力,同时将路面图像分割成多个子区域,结合各个子区域的灰度共生矩阵对路面病害进行检测,检测结果精确。
附图说明
图1为一个实施例中路面病害检测方法流程图;
图2为一个实施例中对路面图像进行特征提取的示意图;
图3为基于图1所示方法一个具体示例中路面病害检测方法流程图;
图4为一个实施例中路面病害检测系统结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
一个实施例中路面病害检测方法,如图1所示,包括以下步骤:
步骤S101:采集路面图像,并将所述路面图像分割成预设大小的子区域;
这里,可以通过CCD传感器(Charge Coupled Device,电荷藕合器件图像传感器)获取路面图像。
具体地,将预采集的路面图像分割成n×n大小的子区域(这里n的取值可根据所获取的图像的大小来设定,一般尽可能包含足够多的纹理)。
步骤S102:确定各个所述子区域的灰度共生矩阵,并根据各个所述灰度共生矩阵分别获得各个所述子区域与其相邻的各个子区域的结构相似度;
由于纹理是由灰度分布在空间位置上反复出现而形成的,因而在图像空间中相隔某距离的两象素之间会存在一定的灰度关系,即图像中灰度的空间相关特性。灰度共生矩阵就是一种通过研究灰度的空间相关特性来描述纹理的方法。
具体地,把每个灰度共生矩阵看做一个“像素点”,分别计算子区域A的灰度共生矩阵与子区域A相邻的各个子区域的灰度共生矩阵的结构相似度,以此来判断两子区域的结构相似度,若子区域A有四个相邻的子区域,则分别计算子区域A的灰度共生矩阵与四个相邻子区域的灰度共生矩阵的结构相似度,根据计算结果判断子区域A与四个相邻子区域的结构相似度,子区域A为各个子区域中的任意一个子区域。
步骤S103:统计获得的各个所述结构相似度中大于预设结构相似度阈值的结构相似度对应的子区域个数;
这里,分别将确定各个结构相似度与预设结构相似度阈值进行比较,获取大于预设结构相似度阈值的结构相似度,再根据获取的结构相似度统计相应的子区域个数。
步骤S104:获得统计的子区域个数与所述路面图像分割的子区域总个数的比值,当所述比值小于预设比例阈值时,判定所述路面图像存在路面病害。
具体地,计算统计的子区域个数和所述路面图像分割的子区域总个数的比值,将计算得到的比值与预设比例阈值进行比较,当计算得到的比值小于预设比例阈值时,检测所述路面图像存在路面病害,否则不存在路面病害。
这里,无论是水泥还是沥青路面,在通车使用一段时间之后,都会陆续出现各种损坏、变形及其它缺陷,这些统称为路面病害。常见的路面病害有:裂缝、坑槽、车辙、松散、沉陷、桥头涵顶跳车、表面破损等。
从以上描述可知,本发明路面病害检测方法,解决传统路面病害检测费时费力、结果精确度差的问题,满足实际应用需求。
此外,在一个具体示例中,在检测所述路面图像存在路面病害后,还包括步骤:
根据所述路面图像分割的子区域大小确定卷积核;
根据所述卷积核对所述路面图像进行第一次卷积处理,输出预设第一数目的第一特征图,所述第一特征图的大小根据所述路面图像的大小和所述卷积核的大小确定;
对所述预设第一数目的第一特征图进行第一次采样,输出预设第一数目的第二特征图,所述第二特征图的大小根据第一次采样大小和所述第一特征图的大小确定;
根据所述卷积核对所述预设第一数目的第二特征图进行第二次卷积处理,输出预设第二数目的第三特征图,所述第三特征图的大小根据所述第二特征图的大小和所述卷积核的大小确定;
对所述预设第二数目的第三特征图进行第二次采样,输出预设第二数目的第四特征图,所述第四特征图的大小根据第二次采样大小和所述第三特征图的大小确定;
根据所述卷积核对所述预设第二数目的第四特征图进行第三次卷积处理,输出预设第三数目的第五特征图,所述第五特征图的大小根据所述第四特征图的大小和所述卷积核的大小确定;
将所述预设第三数目的第五特征图中的多维特征向量转换为一维特征向量,输出预设第四数目的一维特征向量;
根据所述预设第四数目的一维特征向量和预先建立的一维特征向量与路面病害类别的对应关系表,确定所述路面图像中路面病害的类别。
如图2所示,通过建立卷积神经网络模型来完成图像的特征提取,存在路面病害的路面图像作为卷积神经网络的输入,路面图像大小为M×M,被分割成n×n大小的子区域。该卷积神经网络模型分7层,分别为:C1层、S2层、C3层、S4层、C5层、F6层和output(输出)层。根据路面图像分割的子区域大小确定卷积核,这里的卷积核取大小为n×n,滑动步长为1。C1层根据上述卷积核对路面图像进行第一次卷积处理,输出10个特征图,每个特征图的大小根据所述路面图像的大小和所述卷积核的大小确定,为(M-n+1)×(M-n+1),特征图中每个神经元与输入中n×n的邻域相连。S2层对C1层输出的特征图进行第一次采样,输出10个特征图,每个特征图的大小根据第一次采样大小和C1层输出特征图的大小确定,为((M-n+1)/2)×((M-n+1)/2),特征图中的每个单元与C1层中相对应的特征图的2×2邻域相连。C3层根据所述卷积核对S2层输出的特征图进行第二次卷积处理,输出30个特征图,每个特征图的大小根据S2层输出特征图的大小和所述卷积核的大小确定,为((M-n+1)/2-n+1)×((M-n+1)/2-n+1)。S4层对C3层输出的特征图进行第二次采样,输出30个特征图,每个特征图的大小根据第二次采样大小和C3层输出的特征图大小确定,为(((M-n+1)/2-n+1)/2)×(((M-n+1)/2-n+1)/2),特征图中的每个单元与C3层中相对应的特征图的2×2邻域相连。C5层根据所述卷积核对S4层输出的特征图进行第三次卷积处理,输出200个特征图,每个特征图的大小根据S4层输出特征图的大小和所述卷积核的大小确定,为(((M-n+1)/2-n+1)/2-n+1)×(((M-n+1)/2-n+1)/2-n+1),每个单元与S4层的所有单元的n×n邻域相连。F6层将C5层输出的特征图中的多维特征向量转换为一维特征向量,输出120个神经元,与C5层全连接,output层由径向基函数单元组成,以误差反向传播的形式来训练整个模型,根据F6层输出的一维特征向量和预先建立的一维特征向量与路面病害类别的对应关系表,确定所述路面图像中路面病害的类别。
此外,在一个具体示例中,在所述采集路面图像之后,将所述路面图像分割成预设大小的子区域之前,还包括步骤:
对所述路面图像进行预处理,所述预处理包括:若所述路面图像为彩色路面图像,将所述彩色路面图像转换为灰度图像,并对所述灰度图像的灰度进行均衡化处理,否则对所述路面图像的灰度进行均衡化处理。
这里,先将彩色图像进行灰度化,灰度化可以减少计算量,对灰度图像的灰度进行均衡化处理,例如进行直方图均衡化处理,可以增强图像纹理的对比度,方便后续路面病害的检测。
此外,在一个具体示例中,在所述采集路面图像之后,对所述路面图像进行预处理之前,还包括步骤:
根据所述路面图像对应的路面长度设置所述路面图像的步长。
这里,根据获得的路面图像的范围,将路面图像对应的路面长度作为获取的路面图像的步长,能够有效避免获取重复的图像,并在一定程度上保证获取路面的全部图像的前提下,节省了图像的存储容量。
此外,在一个具体示例中,在所述根据各个所述灰度共生矩阵分别获得各个所述子区域与其相邻的各个子区域的结构相似度之后,统计获得的各个所述结构相似度中大于预设结构相似度阈值的结构相似度对应的子区域个数之前,还包括步骤:
对获得的各个所述结构相似度中大于预设结构相似度阈值的结构相似度对应的子区域添加标记。
通过对子区域添加标记可以快速统计结构相似度中大于预设结构相似度阈值的子区域的数量,根据统计的子区域的数量检测路面图像是否存在路面病害,解决人工筛选路面图像耗时长的问题。
为了更好地理解上述方法,以下详细阐述一个本发明路面病害检测方法的应用实例。
如图3所示,可以包括以下步骤:
通过CCD传感器采集路面图像,根据CCD传感器所能获得的路面图像的范围,将路面图像对应的路面长度作为获取的路面图像的步长,这样能够有效避免获取重复的图像,并在一定程度上保证获取路面的全部图像的前提下,节省了图像的存储容量。
判断整条路面图像是否采集完毕,当判定整条路面图像采集完毕时,结束路面病害检测,否则,对上述CCD传感器采集的路面图像进行预处理,所述预处理包括:若上述路面图像为彩色路面图像,将该彩色路面图像转换为灰度图像,并对该灰度图像的灰度进行直方图均衡化处理,否则,结束检测;
这里,灰度化可以减少计算量,对灰度图像的灰度进行直方图均衡化处理,可以增强图像纹理的对比度,方便后续路面病害的检测。
将预处理后的图像分割成n×n大小的子区域(这里n取30,该值可根据所获取的图像的大小来设定,一般尽可能包含足够多的纹理);
计算出每个子区域的灰度共生矩阵,然后把每个灰度共生矩阵看做一个“像素点”,利用SSIM算法(Structural Similarity,结构相似性)分别计算子区域A的灰度共生矩阵与子区域A相邻的各个子区域的灰度共生矩阵的结构相似度,以此来判断两子区域的结构相似度,子区域A为各个子区域中的任意一个子区域;
具体地,把每个灰度共生矩阵看做一个“像素点”,根据各个子区域的“像素点”确定子区域A与子区域A相邻的各个子区域的结构相似度,若子区域A有四个相邻的子区域,则分别计算子区域A的灰度共生矩阵与四个相邻子区域的灰度共生矩阵的结构相似度,根据计算结果判断子区域A与四个相邻子区域的结构相似度。
分别将计算得到的各个结构相似度与预设结构相似度阈值进行比较,对各个结构相似度中大于预设结构相似度阈值的结构相似度对应的子区域添加标记;
这里,当相似度值大于阈值threshold时(该值可通过实验进行调整,这里取threshold=0.65),则认为该子区域与该相似度值所对应的子区域的纹理相同,接着对它们进行标记。
在遍历完整幅图像后,通过上述标记统计结构相似度中大于预设结构相似度阈值的子区域的数量;
计算统计的子区域个数和所述路面图像分割的子区域总个数的比值,将计算得到的比值与预设比例阈值进行比较,当计算得到的比值大于预设比例阈值时(预设比例阈值一般取95%),则认为该路面图像是完好的,否则认为该路面图像存在病害。
将完好的路面图像存储在完好路面图像数据库中,将存在病害的路面图像存储在路面病害图像数据库中。
这里,在完好的沥青路面上,每一个子区域图像的纹理特征基本相同,与病害路面的特征相比,比较单一和稳定。利用这个特点,结合灰度共生矩阵和SSIM算法来对完好路面图像进行过滤,留下可疑的路面图像进行下一步的特征提取。该方法的优点在于,只需单张路面图像本身即可完成该路面图像是否完好的判断。
对路面病害图像数据库中存储的任意一张存在路面病害的图像通过建立卷积神经网络模型进行图像的特征提取,确定路面图像中路面病害的类别。重新采集路面图像,检测采集的路面图像是否存在路面病害。
具体步骤为:如图2所示,通过建立卷积神经网络模型来完成图像的特征提取,路面病害图像数据库中存储的任意一张存在路面病害的路面图像作为卷积神经网络的输入,路面图像大小为M×M,被分割成n×n大小的子区域,。该卷积神经网络模型分7层,分别为:C1层、S2层、C3层、S4层、C5层、F6层和output层。根据路面图像分割的子区域大小确定卷积核,这里的卷积核取大小为n×n,滑动步长为1。C1层根据上述卷积核对路面图像进行第一次卷积处理,输出10个特征图,每个特征图的大小根据所述路面图像的大小和所述卷积核的大小确定,为(M-n+1)×(M-n+1),特征图中每个神经元与输入中n×n的邻域相连。S2层对C1层输出的特征图进行第一次采样,输出10个特征图,每个特征图的大小根据第一次采样大小和C1层输出特征图的大小确定,为((M-n+1)/2)×((M-n+1)/2),特征图中的每个单元与C1层中相对应的特征图的2×2邻域相连。C3层根据所述卷积核对S2层输出的特征图进行第二次卷积处理,输出30个特征图,每个特征图的大小根据S2层输出特征图的大小和所述卷积核的大小确定,为((M-n+1)/2-n+1)×((M-n+1)/2-n+1)。S4层对C3层输出的特征图进行第二次采样,输出30个特征图,每个特征图的大小根据第二次采样大小和C3层输出的特征图大小确定,为(((M-n+1)/2-n+1)/2)×(((M-n+1)/2-n+1)/2),特征图中的每个单元与C3层中相对应的特征图的2×2邻域相连。C5层根据所述卷积核对S4层输出的特征图进行第三次卷积处理,输出200个特征图,每个特征图的大小根据S4层输出特征图的大小和所述卷积核的大小确定,为(((M-n+1)/2-n+1)/2-n+1)×(((M-n+1)/2-n+1)/2-n+1),每个单元与S4层的所有单元的n×n邻域相连。F6层将C5层输出的特征图中的多维特征向量转换为一维特征向量,输出120个神经元,与C5层全连接,output层由径向基函数单元组成,以误差反向传播的形式来训练整个模型,根据F6层输出的一维特征向量和预先建立的一维特征向量与路面病害类别的对应关系表,确定所述路面图像中路面病害的类别。
从以上描述可知,本实施例采集路面图像,对路面图像进行预处理后将路面图像分割成n×n大小的子区域;计算各个子区域的灰度共生矩阵,并根据各个灰度共生矩阵分别获得各个子区域与其相邻的各个子区域的结构相似度;统计获得的各个结构相似度中大于预设结构相似度阈值的结构相似度对应的子区域个数;根据统计的子区域个数、上述路面图像分割的子区域总个数和预设比例阈值,检测所述路面图像是否存在路面病害,并通过建立卷积神经网络模型进行图像的特征提取,确定路面图像中路面病害的类别,省时省力,检测结果精确,满足实际应用需要。
一个实施例中路面病害检测系统,如图4所示,包括:
图像采集模块401,用于采集路面图像;
图像分割模块402,用于将所述路面图像分割成预设大小的子区域;
结构相似模块403,用于确定各个所述子区域的灰度共生矩阵,并根据各个所述灰度共生矩阵分别获得各个所述子区域与其相邻的各个子区域的结构相似度;
区域统计模块404,用于统计获得的各个所述结构相似度中大于预设结构相似度阈值的结构相似度对应的子区域个数;
路面病害检测模块405,用于获得统计的子区域个数与所述路面图像分割的子区域总个数的比值,当所述比值小于预设比例阈值时,判定所述路面图像存在路面病害。
如图3所示,在一个具体示例中,所述路面病害检测系统还包括路面病害类别确定模块406,用于在所述路面病害检测模块判定所述路面图像存在路面病害后,根据所述路面图像分割的子区域大小确定卷积核;
根据所述卷积核对所述路面图像进行第一次卷积处理,输出预设第一数目的第一特征图,所述第一特征图的大小根据所述路面图像的大小和所述卷积核的大小确定;
对所述预设第一数目的第一特征图进行第一次采样,输出预设第一数目的第二特征图,所述第二特征图的大小根据第一次采样大小和所述第一特征图的大小确定;
根据所述卷积核对所述预设第一数目的第二特征图进行第二次卷积处理,输出预设第二数目的第三特征图,所述第三特征图的大小根据所述第二特征图的大小和所述卷积核的大小确定;
对所述预设第二数目的第三特征图进行第二次采样,输出预设第二数目的第四特征图,所述第四特征图的大小根据第二次采样大小和所述第三特征图的大小确定;
根据所述卷积核对所述预设第二数目的第四特征图进行第三次卷积处理,输出预设第三数目的第五特征图,所述第五特征图的大小根据所述第四特征图的大小和所述卷积核的大小确定;
将所述预设第三数目的第五特征图中的多维特征向量转换为一维特征向量,输出预设第四数目的一维特征向量;
根据所述预设第四数目的一维特征向量和预先建立的一维特征向量与路面病害类别的对应关系表,确定所述路面图像中路面病害的类别
如图3所示,在一个具体示例中,所述路面病害检测系统还包括图像预处理模块407,用于在所述图像采集模块401采集路面图像后,对所述路面图像进行预处理,所述预处理包括:若所述路面图像为彩色路面图像,将所述彩色路面图像转换为灰度图像,并对所述灰度图像的灰度进行均衡化处理,否则对所述路面图像的灰度进行均衡化处理;
所述图像分割模块402将进行预处理后的路面图像分割成预设大小的子区域。
如图3所示,在一个具体示例中,所述路面病害检测系统还包括图像步长设置模块408,用于在所述图像采集模块401采集路面图像后,根据所述路面图像对应的路面长度设置所述路面图像的步长;
所述图像预处理模块407对设置步长后的路面图像进行预处理。
如图3所示,在一个具体示例中,所述路面病害检测系统还包括标记添加模块409,用于在所述结构相似模块403根据各个所述灰度共生矩阵分别获得各个所述子区域与其相邻的各个子区域的结构相似度之后,对获得的各个所述结构相似度中大于预设结构相似度阈值的结构相似度对应的子区域添加标记;
所述区域统计模块404根据添加的标记统计获得的各个所述结构相似度中大于预设结构相似度阈值的结构相似度对应的子区域个数。
从以上描述可知,本发明路面病害检测系统,解决传统路面病害检测费时费力、结果精确度差的问题,满足实际应用需求。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种路面病害检测方法,其特征在于,包括以下步骤:
采集路面图像,并将所述路面图像分割成预设大小的子区域;
确定各个所述子区域的灰度共生矩阵,并根据各个所述灰度共生矩阵分别获得各个所述子区域与其相邻的各个子区域的结构相似度;所述子区域为所述路面图像分割后形成的任意一个子区域;
对获得的各个所述结构相似度中大于预设结构相似度阈值的结构相似度对应的两个子区域添加标记;
根据添加的标记统计获得的各个所述结构相似度中大于预设结构相似度阈值的结构相似度对应的子区域个数;
获得统计的子区域个数与所述路面图像分割的子区域总个数的比值,当所述比值小于预设比例阈值时,判定所述路面图像存在路面病害;
在判定所述路面图像存在路面病害后,还包括步骤:
根据所述路面图像分割的子区域大小确定卷积核;
根据所述卷积核对所述路面图像进行第一次卷积处理,输出预设第一数目的第一特征图,所述第一特征图的大小根据所述路面图像的大小和所述卷积核的大小确定;
对所述预设第一数目的第一特征图进行第一次采样,输出预设第一数目的第二特征图,所述第二特征图的大小根据第一次采样大小和所述第一特征图的大小确定;
根据所述卷积核对所述预设第一数目的第二特征图进行第二次卷积处理,输出预设第二数目的第三特征图,所述第三特征图的大小根据所述第二特征图的大小和所述卷积核的大小确定;
对所述预设第二数目的第三特征图进行第二次采样,输出预设第二数目的第四特征图,所述第四特征图的大小根据第二次采样大小和所述第三特征图的大小确定;
根据所述卷积核对所述预设第二数目的第四特征图进行第三次卷积处理,输出预设第三数目的第五特征图,所述第五特征图的大小根据所述第四特征图的大小和所述卷积核的大小确定;
将所述预设第三数目的第五特征图中的多维特征向量转换为一维特征向量,输出预设第四数目的一维特征向量;
根据所述预设第四数目的一维特征向量和预先建立的一维特征向量与路面病害类别的对应关系表,确定所述路面图像中路面病害的类别。
2.根据权利要求1所述的路面病害检测方法,其特征在于,在所述采集路面图像之后,将所述路面图像分割成预设大小的子区域之前,还包括步骤:
对所述路面图像进行预处理,所述预处理包括:若所述路面图像为彩色路面图像,将所述彩色路面图像转换为灰度图像,并对所述灰度图像的灰度进行均衡化处理,否则对所述路面图像的灰度进行均衡化处理。
3.根据权利要求2所述的路面病害检测方法,其特征在于,在所述采集路面图像之后,对所述路面图像进行预处理之前,还包括步骤:
根据所述路面图像对应的路面长度设置所述路面图像的步长。
4.一种路面病害检测系统,其特征在于,包括:
图像采集模块,用于采集路面图像;
图像分割模块,用于将所述路面图像分割成预设大小的子区域;
结构相似模块,用于确定各个所述子区域的灰度共生矩阵,并根据各个所述灰度共生矩阵分别获得各个所述子区域与其相邻的各个子区域的结构相似度;所述子区域为所述路面图像分割后形成的任意一个子区域;
标记添加模块,用于对获得的各个所述结构相似度中大于预设结构相似度阈值的结构相似度对应的两个子区域添加标记;
区域统计模块,用于根据添加的标记统计获得的各个所述结构相似度中大于预设结构相似度阈值的结构相似度对应的子区域个数;
路面病害检测模块,用于获得统计的子区域个数与所述路面图像分割的子区域总个数的比值,当所述比值小于预设比例阈值时,判定所述路面图像存在路面病害;
还包括路面病害类别确定模块,用于在所述路面病害检测模块判定所述路面图像存在路面病害后,根据所述路面图像分割的子区域大小确定卷积核;
根据所述卷积核对所述路面图像进行第一次卷积处理,输出预设第一数目的第一特征图,所述第一特征图的大小根据所述路面图像的大小和所述卷积核的大小确定;
对所述预设第一数目的第一特征图进行第一次采样,输出预设第一数目的第二特征图,所述第二特征图的大小根据第一次采样大小和所述第一特征图的大小确定;
根据所述卷积核对所述预设第一数目的第二特征图进行第二次卷积处理,输出预设第二数目的第三特征图,所述第三特征图的大小根据所述第二特征图的大小和所述卷积核的大小确定;
对所述预设第二数目的第三特征图进行第二次采样,输出预设第二数目的第四特征图,所述第四特征图的大小根据第二次采样大小和所述第三特征图的大小确定;
根据所述卷积核对所述预设第二数目的第四特征图进行第三次卷积处理,输出预设第三数目的第五特征图,所述第五特征图的大小根据所述第四特征图的大小和所述卷积核的大小确定;
将所述预设第三数目的第五特征图中的多维特征向量转换为一维特征向量,输出预设第四数目的一维特征向量;
根据所述预设第四数目的一维特征向量和预先建立的一维特征向量与路面病害类别的对应关系表,确定所述路面图像中路面病害的类别。
5.根据权利要求4所述的路面病害检测系统,其特征在于,还包括图像预处理模块,用于在所述图像采集模块采集路面图像后,对所述路面图像进行预处理,所述预处理包括:若所述路面图像为彩色路面图像,将所述彩色路面图像转换为灰度图像,并对所述灰度图像的灰度进行均衡化处理,否则对所述路面图像的灰度进行均衡化处理;
所述图像分割模块将进行预处理后的路面图像分割成预设大小的子区域。
6.根据权利要求5所述的路面病害检测系统,其特征在于,还包括图像步长设置模块,用于在所述图像采集模块采集路面图像后,根据所述路面图像对应的路面长度设置所述路面图像的步长;
所述图像预处理模块对设置步长后的路面图像进行预处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610979855.2A CN106529593B (zh) | 2016-11-08 | 2016-11-08 | 路面病害检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610979855.2A CN106529593B (zh) | 2016-11-08 | 2016-11-08 | 路面病害检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106529593A CN106529593A (zh) | 2017-03-22 |
CN106529593B true CN106529593B (zh) | 2020-04-28 |
Family
ID=58349662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610979855.2A Active CN106529593B (zh) | 2016-11-08 | 2016-11-08 | 路面病害检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106529593B (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 |
CN108830319B (zh) * | 2018-06-12 | 2022-09-16 | 北京合众思壮科技股份有限公司 | 一种图像分类方法和装置 |
CN108875654B (zh) * | 2018-06-25 | 2021-03-05 | 深圳云天励飞技术有限公司 | 一种人脸特征采集方法及装置 |
CN109328615B (zh) * | 2018-12-06 | 2021-05-28 | 南京苏美达智能技术有限公司 | 草地边界识别方法、割草装置的控制方法及割草装置 |
CN109685124A (zh) * | 2018-12-14 | 2019-04-26 | 斑马网络技术有限公司 | 基于神经网络的道路病害识别方法及装置 |
CN109870456B (zh) * | 2019-02-01 | 2022-01-28 | 上海智能交通有限公司 | 一种路面健康状况快速检测系统及方法 |
CN111553902B (zh) * | 2020-04-28 | 2021-08-17 | 江西方兴科技有限公司 | 一种基于大数据的公路路面安全监测系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048329A (zh) * | 2012-12-11 | 2013-04-17 | 北京恒达锦程图像技术有限公司 | 一种基于主动轮廓模型的路面裂缝检测方法 |
CN103338380A (zh) * | 2013-06-06 | 2013-10-02 | 宁波大学 | 一种自适应图像质量客观评价方法 |
CN103640595A (zh) * | 2013-12-25 | 2014-03-19 | 江西理工大学 | 一种铁路防护栏网自动检测系统及破损识别方法 |
CN103955923A (zh) * | 2014-04-18 | 2014-07-30 | 南京理工大学 | 一种快速的基于图像的路面病害检测方法 |
CN104182931A (zh) * | 2013-05-21 | 2014-12-03 | 北京大学 | 超分辨率方法和装置 |
CN104504388A (zh) * | 2014-12-17 | 2015-04-08 | 长安大学 | 一种路面裂缝识别和特征提取算法及系统 |
CN105574532A (zh) * | 2015-12-11 | 2016-05-11 | 深圳大学 | 一种基于二元分割树的区域特征描述方法及系统 |
CN105844248A (zh) * | 2016-03-29 | 2016-08-10 | 北京京东尚科信息技术有限公司 | 人脸检测方法和装置 |
-
2016
- 2016-11-08 CN CN201610979855.2A patent/CN106529593B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048329A (zh) * | 2012-12-11 | 2013-04-17 | 北京恒达锦程图像技术有限公司 | 一种基于主动轮廓模型的路面裂缝检测方法 |
CN104182931A (zh) * | 2013-05-21 | 2014-12-03 | 北京大学 | 超分辨率方法和装置 |
CN103338380A (zh) * | 2013-06-06 | 2013-10-02 | 宁波大学 | 一种自适应图像质量客观评价方法 |
CN103640595A (zh) * | 2013-12-25 | 2014-03-19 | 江西理工大学 | 一种铁路防护栏网自动检测系统及破损识别方法 |
CN103955923A (zh) * | 2014-04-18 | 2014-07-30 | 南京理工大学 | 一种快速的基于图像的路面病害检测方法 |
CN104504388A (zh) * | 2014-12-17 | 2015-04-08 | 长安大学 | 一种路面裂缝识别和特征提取算法及系统 |
CN105574532A (zh) * | 2015-12-11 | 2016-05-11 | 深圳大学 | 一种基于二元分割树的区域特征描述方法及系统 |
CN105844248A (zh) * | 2016-03-29 | 2016-08-10 | 北京京东尚科信息技术有限公司 | 人脸检测方法和装置 |
Non-Patent Citations (2)
Title |
---|
基于灰度相关性的裂缝检测算法;董安国 等;《计算机应用研究》;20131031;第30卷(第10期);参见摘要,第3121-3122页,图10 * |
基于纹理图像分析的路面病害自动检测算法研究;李娜;《中国优秀硕士学位论文全文数据库信息科技辑》;20111215;第2011年卷(第S1期);参见第3、41页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106529593A (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529593B (zh) | 路面病害检测方法和系统 | |
Akagic et al. | Pavement crack detection using Otsu thresholding for image segmentation | |
Tran et al. | One stage detector (RetinaNet)-based crack detection for asphalt pavements considering pavement distresses and surface objects | |
CN108197583B (zh) | 基于图割优化和影像结构特征的建筑物变化检测方法 | |
CN116758059B (zh) | 一种用于路基路面的视觉无损检测方法 | |
CN110675415B (zh) | 一种基于深度学习增强实例分割的道路积水区域检测方法 | |
CN104298976A (zh) | 基于卷积神经网络的车牌检测方法 | |
CN104134080A (zh) | 一种道路路基塌陷和边坡坍塌的自动检测方法及系统 | |
CN104392212A (zh) | 一种基于视觉的道路信息检测及前方车辆识别方法 | |
CN103870833A (zh) | 基于凹性测度的路面裂缝提取与测评方法 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
CN108921076B (zh) | 基于图像的道面裂缝病害自适应恒虚警检测方法 | |
CN110619258B (zh) | 一种基于高分辨率遥感影像的道路轨迹核查方法 | |
CN112070756B (zh) | 一种基于无人机倾斜摄影的路面立体病害测量方法 | |
CN110379007B (zh) | 基于车载移动激光扫描点云的三维公路曲线重建方法 | |
CN111735524A (zh) | 基于图像识别的轮胎荷载获取方法、车辆称重方法及系统 | |
CN112633722B (zh) | 车载道路安全风险评估系统及方法 | |
CN101334896A (zh) | 数字图像测量亚像素边沿处理方法 | |
Yun et al. | Crack recognition and segmentation using morphological image-processing techniques for flexible pavements | |
CN115311229A (zh) | 基于激光雷达的路面病害检测分类方法、系统和存储介质 | |
CN115272224A (zh) | 一种面向智慧城市建设的无监督路面损害检测方法 | |
CN110349415B (zh) | 一种基于多尺度变换的行车速度测量方法 | |
CN104899592A (zh) | 一种基于圆形模板的道路半自动提取方法及系统 | |
CN117077452A (zh) | 一种道路使用寿命综合评估方法、电子设备及存储介质 | |
CN109697418B (zh) | 用于场景复原的针对遥感影像路网提取图像的后处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |