CN108647593A - 基于图像处理和svm的无人机路面破损分类检测方法 - Google Patents
基于图像处理和svm的无人机路面破损分类检测方法 Download PDFInfo
- Publication number
- CN108647593A CN108647593A CN201810387699.XA CN201810387699A CN108647593A CN 108647593 A CN108647593 A CN 108647593A CN 201810387699 A CN201810387699 A CN 201810387699A CN 108647593 A CN108647593 A CN 108647593A
- Authority
- CN
- China
- Prior art keywords
- image
- svm
- crack
- road surface
- detection method
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 42
- 230000002708 enhancing effect Effects 0.000 claims abstract description 13
- 230000000877 morphologic effect Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 230000010363 phase shift Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000007635 classification algorithm Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 235000012149 noodles Nutrition 0.000 claims 1
- 238000012706 support-vector machine Methods 0.000 abstract description 5
- 238000000034 method Methods 0.000 description 14
- 238000007689 inspection Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005336 cracking Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 206010021703 Indifference Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于图像处理和SVM的无人机路面破损分类检测方法，包括以下步骤：首先利用无人机群对路面进行图像拍摄，对采集到的图像进行去噪增强处理，之后再对预处理后的图像进行分割处理，对分割处理后的图像进行形态学处理和裂缝特征提取，最后使用支持向量机进行分类决策。本发明实现了可以多方位、实时性、远程操作的一种路面破损检测方法，并且人力成本较低，安全性相应提高。
Description
技术领域
本发明涉及路面养护技术领域，特别是涉及一种基于图像处理和SVM的无人机路面破损分类检测方法。
背景技术
随着国家公路的发展，对路面破损检测护养的成本越来越高，而采用无人机巡检，拥有较高的自由度，且不影响路面交通，在偏远的地区也可以投放无人机进行巡检，多个无人机可以同时工作，达到省时省力，具有更高的时效性。
目前在国内的情况是，在对路面破损情况进行检测时，很多还是采用传统的人工检测方法。由检测人员对裂缝的长度、周长和面积等相关数据进行实地测量和记录，再进行统计和分类，最后由技术人员对裂缝损害程度进行评估并制定养护计划。这种传统的方法效率低、误差大，而且对交通有一定的影响，检测人员的人身安全也不能完全保证。这种检测方式的误差大，养护计划制定准确性也随之下降，对施工质量的改进方法也不能很好确定。还有一些采用的是路面摄像机拍摄采集路面状况和巡检车巡检路面破损情况，因道路众多，路面监控摄像机分布密度原因，以及车辆往来造成的噪声等使得这种方法不能普遍施展开来。对于巡检车来说，巡检车也是需要人工操作，相对来说成本较高，不能普遍施展开来。这时候需要一种可以多方位、实时性、远程操作的一种路面破损检测方法。
发明内容
本发明所要解决的技术问题是提供一种基于图像处理和SVM的无人机路面破损分类检测方法，能够降低人力成本，提高安全性。
本发明解决其技术问题所采用的技术方案是：提供一种基于图像处理和SVM的无人机路面破损分类检测方法，包括以下步骤：
(1)无人机群对路面进行图像采集；
(2)对采集到的图像进行预处理，使得预处理后的图像能够突出表现出裂缝信息；
(3)对预处理后的图像进行分割处理；
(4)对分割处理后的图像进行形态学处理，保证了裂缝的连续性和完整性，避免目标区域信息的丢失；
(5)对形态学处理后的图像进行特征提取；
(6)支持向量机分类对特征提取后的图像进行分类。
所述步骤(2)中对采集到的图像进行预处理包括灰度化处理、滤波去噪处理和增强处理。
所述灰度化处理具体为：将图像中的RGB三个分量进行加权平均得到处于0～255的灰度值。
所述滤波去噪处理具体采用中值滤波的方式实现。
所述增强处理具体为：先通过梯度算子确定出裂缝区域，将定位的目标区域对应到滤波后的图像中，然后利用区域对比度特征对感兴趣区域的像素点进行增强处理，得到路面图像增强图。
所述步骤(3)具体为：先对路面图像进行相位移动，之后对图像进行分块极值平滑操作，与原图像进行差分运算。
所述步骤(4)中选择闭运算对分割处理后的路面裂缝图像进行操作。
所述步骤(5)中选取裂缝像素面积、水平/垂直投影、矩形度作为路面裂缝的特征参数；其中，裂缝像素面积的计算方式为水平/垂直投影的计算方式为：矩形度的计算方式为：其中，A表示裂缝像素面积、X(i)表示水平投影、Y(i)表示垂直投影、R表示矩形度、AMER表示裂缝部分最小外接矩形的面积、f(i,j)表示裂缝二值图像、N和M分别表示图像的总行数和列数。
所述步骤(6)具体为：采用高斯径向基核函数RBF，运用一对多的多分类算法对路面的破损情况进行分类；所述一对多的多分类算法如下：设样本集中有n种待分类型，建立n个二分类的SVM1,SVM2,...,SVMn，则有：a)用SVM1从总样本中分出第一类，标记为+1，总样本中的其他样本归为一类，称为小样本1，标记为-1；b)用SVM2从总样本中分出第二类，标记为+1，总样本中的其他样本归为一类，称为小样本2，标记为-1；c)以此类推，直至用SVMn分出所有类型。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明采用图像处理技术，首先释放出无人机群对路面进行拍摄图像，对采集到的图像进行去噪增强处理，之后再对预处理后的图像进行分割处理，对分割处理后的图像进行形态学处理和裂缝特征提取，最后使用支持向量机进行分类决策。本发明可以多方位、实时性、远程操作的一种路面破损检测方法，并且人力成本较低，安全性相应提高，相比于传统的分类检测方法，具有更高时效性和低成本性。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于图像处理和支持向量机的无人机路面破损分类检测方法，可使用无人机群用于路面破损检测决策路面养护中。在本方法中，采用的是基于图像处理使用支持向量机对裂缝图像进行检测的算法。本方法采用图像处理技术，首先释放出无人机群对路面进行拍摄图像，对采集到的图像进行去噪增强处理，之后再对预处理后的图像进行分割处理，对分割处理后的图像进行形态学处理和裂缝特征提取，最后使用支持向量机进行分类决策。如图1所示，具体包括以下步骤：
(1)无人机拍摄进行图像信息的采集
本实施方式研究的对象是无人机在飞行中的拍摄到的路面破损情况，无人机路面的图像获取方法主要是通过安装在无人机中的摄像机进行拍摄。
(2)对采集到的图像进行预处理
图像信息的预处理包括减少图像冗余信息的灰度化处理，减少图像噪声的滤波去噪消除路面背景光不均的问题，增强处理突出表现出裂缝信息。
彩色图像中的每一个像素点都有R、G、B三个通道的分量，每个分量的大小通过0～255之间的数值表示。如果对这样的彩色图像直接进行处理，就要分别对图像的3个通道进行处理，加大了计算量和复杂度，影响实时性。图像灰度化通常的做法是将彩色图像RGB三个分量进行加权平均得到处于0～255的灰度值，本实施方式采用一种常见的加权方法：
Gray＝0.3R+0.59G+0.11B (1)
在实际采集的路面裂缝图像中，采集图像的时间具有不确定性，外界环境的光照会出现明显差异，导致采集到的路面裂缝图像背景光照不匀。另外路面本身在车辆碾压、天气等外界因素下，会出现磨损产生小面积石子状噪声，路面上还存在交通指示线和标志线，所以实际采集到的路面裂缝图像很复杂，噪声较多。为了保护图像信息，本实施方式采用中值滤波方法去噪。在使用中值滤波时对原图像进行边缘扩展，对于一幅大小为M×N的图像G，用G(x,y)表示在(x,y)处的图像灰度值，将其扩展为大小为(M+2)×(N+2)的图像F，则扩展后的图像F和原图像G的关系如下：
F(x+1,y+1)＝G(x,y) (2)
F(x+1,1)＝G(x,1) (3)
F(x+1,N+2)＝G(x,N) (4)
F(1,y+1)＝G(1,y) (5)
F(M+2,y+1)＝G(M,y) (6)
F(1,1)＝G(1,1) (7)
F(M+2,1)＝G(M,1) (8)
F(1,N+2)＝G(1,N) (9)
F(M+2,N+2)＝G(M,N) (10)
在光的照射下裂缝的反射光光照比较弱，导致裂缝区域比较暗，与非裂缝区域灰度有明显的差别。因此由这种明显的灰度变化，本实施方式使用了一种基于区域对比度特征的增强算法，先通过梯度算子确定出裂缝区域，将定位的目标区域对应到滤波后的图像中，然后利用区域对比度特征对感兴趣区域的像素点进行增强处理，得到路面图像增强图。
步骤1：采用梯度算子求出图像中感兴趣区域的像素点
设图像G(x,y)，Gx，Gy分别表示像素点G(x,y)沿着x和y方向的梯度，梯度矢量和梯度幅值表示为：
在图像处理中的求导都可以通过差分近似微分来进行的，梯度还可以表示为：
|G|＝|Gx|+|Gy| (14)
根据图像分析选取一定的灰度值作为判断值T，对于像素点G(x,y)，若mag(G)≤T时，将G(x,y)标记为目标区域的像素点，记为Gs(x,y)，这样可以大致区分裂缝区域和非裂缝区域。
步骤2：区域对比度增强裂缝信息
通过梯度算子标记出大致的裂缝区域，将其位置对应到滤波图像中。对图像裂缝区域进行增强。
设V0表示目标区域的平均灰度值，VB表示背景区域的平均灰度值，σB表示背景区域的均方差，根据对比度特征的相关数学定义，它们之间的对比度C一般定义如下：
由此在本实施方式中设M0和σ0分别表示目标区域的均值与均方差，MB和σB背景区域的均值与均方差，N是目标区域的像素个数，n是背景区域的像素个数，使用Gi(x,y)、Gmax(x,y)、Gmin(x,y)和gi(x,y)、gmax(x,y)、gmin(x,y)分别表示目标和背景区域中的每一个像素灰度值、区域灰度最大值和最小值，目标和背景区域的均值与均方差定义如下：
对比度C的公式如下：
如果通过梯度算子标记出了正确的裂缝区域，则|M0-MB|的值和对比度C都比较大，若标记的目标区域不是裂缝区域，|M0-MB|的值和对比度C较小。通过选取一个强度因子T进行判定，对求得的对比度C进行灰度值归一化处理，将归一化之后的值赋给当前处理的像素点，这样可以増强裂缝信息。g(x,y)是归一化后的图像像素灰度值，Round()是取整函数。
(3)对预处理后的图像进行分割处理
图像预处理后需要对图像进行分析，以便于提取特征值，分割处理过程有助于进一步图像分析。在本发明中采用的是种基于子块的图像差分二值化法，先对路面图像进行相位移动，之后对图像进行分块极值平滑操作，与原图像进行差分运算。
设路面裂缝图像为G，大小为M×N，用J表示一个与G有同样大小的相位移动图像，对于原路面图像G与相位移动图像J的像素点有以下对应关系：
J(x,y)＝G(x+c,y+c) (20)
其中c是一个常数。通过对整幅路面图像进行相位移动，相位移动后的图像J和原路面图像G在关系上是点对点的，只是与原路面图像G对应的谷和峰位置相反，
即原路面图像G中峰值部分与相位移动后的图像J中谷值部分相对应。
对相位移动后的图像J进行极值平滑，这时要将整幅路面图像分割成若干个大小为n×n子块图像，对子块图像进行处理。还有子块图像的大小须为奇数，这样会产生中心点h(x,y)。每个子块图像内的所有像素的和为：
其中，μ＝(n-1)/2，每个子块图像的平均灰度值和小块图像中第列像素的最大和最小灰度值为：
hxj＝max(h(i,j)) (23)
hyj＝min(h(i,j)) (24)
其中i＝1，2，…，n；j＝1,2，…，n。
若子块图像中存在像素灰度值是子块中某一列的最大灰度值或最小灰度值，把这个像素点的灰度值赋值为这个子块图像的平均灰度值。
h(x±i,y±j)＝avg (25)
即子块图像内的每一列就更新为：
max(h(i,j))＝avg (26)
min(h(i,j))＝avg (27)
在极值平滑后，子块的中心点不一定刚好是子块内的最值点，所以在对子块图像内的行或者列进行操作时，如果这个像素点不满足条件，或者这个像素点仍是极值点，则会有可能被再次更新，直到所有的子块内没有了极值像素点，这样整幅路面图像都比较均匀，没有比较突出的峰值，从而避免了后面差分运算时与裂缝相位方向一致的像素灰度值无差分的情况发生。
由于裂缝区域像素点的灰度值具有局部最小的特点，噪声区域也具有局部最大值或者最小值的特点，所以图像中的变化明显的区域大多数是一些裂缝和噪声，图像的背景区域变化不明显，灰度比较均匀，所以经过极值平滑后，背景部分没有太大变化，而是将图像中变化比较大的区域平滑掉。所以在经过极值平滑后，背景部分仍然相互对应，而有突出峰值或者谷值的像素都会被块内的均值所代替。记极值平滑的图像为T，差分运算的公式如下：
经过差分运算，原路面图像中的峰值和谷值部分差分不是0，而背景部分的差分变为0。将经过差分运算后的图像记为L(x,y)，然后取得局部最佳阈值，对路面差分图像进行二值化。
(4)对分割处理后的图像进行形态学处理
在本发明中选择闭运算对路面裂缝图像进行操作，这样可以填补了裂缝中的空洞连接断裂的裂缝，平滑裂缝的边缘，保持裂缝的位置、形状、长度和宽度都不改变，保证了裂缝的连续性和完整性，避免了目标区域信息的丢失。
用结构元B对A的闭运算，表示为A·B，其定义如下：
(5)对形态学处理后的图像进行特征提取
由于不同类型的裂缝在几何特征上有非常大的差异，因此，利用几何特征就能够很好地区分裂缝类型，本发明针对裂缝的这些特点，分别选取裂缝像素面积、水平/垂直投影、矩形度作为路面裂缝的特征参数。由于细化后的路面裂缝二值图像中裂缝部分像素值为0，背景像素值为1，这样给裂缝特征参数的计算带来困难，因此，为了方便计算本发明中先对路面裂缝二值图像取反，即裂缝像素值为1，背景像素值为0。
1)裂缝像素面积
在裂缝类型识别前，首先需要判断路面图像中是否存在裂缝，若存在裂缝，方可进一步判断裂缝的类型。通过计算裂缝像素面积可以很好地判断图像中是否有裂缝存在。由于本发明中的图像为二值图像，所以选择直接法进行面积计算，算法可以表示为：
式(30)中，A表示裂缝像素面积、f(i,j)表示裂缝二值图像、N和M分别表示图像的总行数和列数。
裂缝面积的计算实际上就是计算整个图像中f(i,j)＝1的个数，当A＝0时，说明路面图像中无裂缝；当A>0时，说明路面图像中有裂缝。这样就可以将无裂缝的图像排除掉，再根据其他特征参数判断裂缝类型，其中，当A值较小时，代表横向或纵向裂缝；当A值较大时，代表网状裂缝；当A值适中时，常代表块状裂缝。
2)水平/垂直投影
路面裂缝类型分为横向裂缝、纵向裂缝、网状裂缝和块状裂缝，不同类型的裂缝在几何形态及方向上有很大差别，这些差别可以充分体现在水平/垂直投影上，其计算形式可以表示为：
式(31)和(32)中，X(i)表示水平投影，Y(i)表示垂直投影，f(i,j)表示裂缝二值图像，裂缝部分像素值为1，背景为0。因此，整幅图像的投影值也就是裂缝部分的投影值，N，M分别表示图像的总行数和列数别表示图像的总行数和列数。
3)矩形度
目标物体的矩形度为目标物体像素面积与其最小外接矩形面积之比，表示了目标在其最小外接矩形中所占的比例，计算形式可以表示为：
式中，R为矩形度，A表示裂缝像素面积，AMER表示裂缝部分最小外接矩形的面积。R的值在0和1之间。当R值较小时，代表横向或纵向裂缝；当R值较大时，表示网状裂缝；当R值适中时，通常表示块状裂缝示块状裂缝。
(6)支持向量机分类对特征提取后的图像进行分类
本实施方式采用高斯径向基核函数RBF，运用“一对多”的多分类算法，对路面的可能的几种破损情况进行分类。这种方法需要计算n个二次规划，训练速度快，容易实现，当数据量很大时，也有较好的处理效果。
“一对多”的多分类算法步骤如下：
设样本集中有n种待分类型，建立n个二分类的SVM1,SVM2,...,SVMn，则有：
1)用SVM1从总样本中分出第一类，标记为+1，总样本中的其他样本归为一类，称为小样本1，标记为-1；
2)用SVM2从总样本中分出第二类，标记为+1，总样本中的其他样本归为一类，称为小样本2，标记为-1；
以此类推，直至用SVMn分出所有类型。
通过研究核函数参数对分类器性能的影响，选取合适的最优参数，以便于进一步处理。
(7)决策预案
根据以上步骤的实施结果，获得相应数据结果，对数据进行优化处理，以便于决策所需要的最优路面护养方案。
Claims (9)
1.一种基于图像处理和SVM的无人机路面破损分类检测方法，其特征在于，包括以下步骤：
(1)无人机群对路面进行图像采集；
(2)对采集到的图像进行预处理，使得预处理后的图像能够突出表现出裂缝信息；
(3)对预处理后的图像进行分割处理；
(4)对分割处理后的图像进行形态学处理，保证了裂缝的连续性和完整性，避免目标区域信息的丢失；
(5)对形态学处理后的图像进行特征提取；
(6)支持向量机分类对特征提取后的图像进行分类。
2.根据权利要求1所述的基于图像处理和SVM的无人机路面破损分类检测方法，其特征在于，所述步骤(2)中对采集到的图像进行预处理包括灰度化处理、滤波去噪处理和增强处理。
3.根据权利要求2所述的基于图像处理和SVM的无人机路面破损分类检测方法，其特征在于，所述灰度化处理具体为：将图像中的RGB三个分量进行加权平均得到处于0～255的灰度值。
4.根据权利要求2所述的基于图像处理和SVM的无人机路面破损分类检测方法，其特征在于，所述滤波去噪处理具体采用中值滤波的方式实现。
5.根据权利要求2所述的基于图像处理和SVM的无人机路面破损分类检测方法，其特征在于，所述增强处理具体为：先通过梯度算子确定出裂缝区域，将定位的目标区域对应到滤波后的图像中，然后利用区域对比度特征对感兴趣区域的像素点进行增强处理，得到路面图像增强图。
6.根据权利要求1所述的基于图像处理和SVM的无人机路面破损分类检测方法，其特征在于，所述步骤(3)具体为：先对路面图像进行相位移动，之后对图像进行分块极值平滑操作，与原图像进行差分运算。
7.根据权利要求1所述的基于图像处理和SVM的无人机路面破损分类检测方法，其特征在于，所述步骤(4)中选择闭运算对分割处理后的路面裂缝图像进行操作。
8.根据权利要求1所述的基于图像处理和SVM的无人机路面破损分类检测方法，其特征在于，所述步骤(5)中选取裂缝像素面积、水平/垂直投影、矩形度作为路面裂缝的特征参数；其中，裂缝像素面积的计算方式为水平/垂直投影的计算方式为：矩形度的计算方式为：其中，A表示裂缝像素面积、X(i)表示水平投影、Y(i)表示垂直投影、R表示矩形度、AMER表示裂缝部分最小外接矩形的面积、f(i,j)表示裂缝二值图像、N和M分别表示图像的总行数和列数。
9.根据权利要求1所述的基于图像处理和SVM的无人机路面破损分类检测方法，其特征在于，所述步骤(6)具体为：采用高斯径向基核函数RBF，运用一对多的多分类算法对路面的破损情况进行分类；所述一对多的多分类算法如下：设样本集中有n种待分类型，建立n个二分类的SVM1,SVM2,...,SVMn，则有：a)用SVM1从总样本中分出第一类，标记为+1，总样本中的其他样本归为一类，称为小样本1，标记为-1；b)用SVM2从总样本中分出第二类，标记为+1，总样本中的其他样本归为一类，称为小样本2，标记为-1；c)以此类推，直至用SVMn分出所有类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810387699.XA CN108647593A (zh) | 2018-04-26 | 2018-04-26 | 基于图像处理和svm的无人机路面破损分类检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810387699.XA CN108647593A (zh) | 2018-04-26 | 2018-04-26 | 基于图像处理和svm的无人机路面破损分类检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108647593A true CN108647593A (zh) | 2018-10-12 |
Family
ID=63748046
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810387699.XA Pending CN108647593A (zh) | 2018-04-26 | 2018-04-26 | 基于图像处理和svm的无人机路面破损分类检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108647593A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109978828A (zh) * | 2019-02-26 | 2019-07-05 | 山东师范大学 | 一种基于图像处理的火车轨道质量判别方法及系统 |
| CN110223332A (zh) * | 2019-06-10 | 2019-09-10 | 长安大学 | 一种桥梁裂缝标定方法 |
| CN112232138A (zh) * | 2020-09-25 | 2021-01-15 | 天津大学 | 基于超像素特征的渠道边坡破坏智能识别方法 |
| CN112445687A (zh) * | 2019-08-30 | 2021-03-05 | 深信服科技股份有限公司 | 一种计算设备的卡顿检测方法及相关装置 |
| CN113159511A (zh) * | 2021-03-18 | 2021-07-23 | 安徽省交通控股集团有限公司 | 一种高速公路路基施工过程质量综合评价方法 |
| CN115984806A (zh) * | 2023-03-20 | 2023-04-18 | 四川京炜数字科技有限公司 | 道路标线破损动态检测系统 |
| CN116934755A (zh) * | 2023-09-18 | 2023-10-24 | 中国人民解放军总医院第八医学中心 | 基于直方图均衡化的肺结核ct图像增强系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105320942A (zh) * | 2015-10-21 | 2016-02-10 | 东南大学 | 一种基于联合检测器的路面破损检测方法 |
| CN105931216A (zh) * | 2016-04-05 | 2016-09-07 | 李红伟 | 一种基于图像处理技术的机场道面破损检测方法 |
| CN106225702A (zh) * | 2016-08-03 | 2016-12-14 | 武汉科技大学 | 裂缝宽度检测装置和方法 |
| CN107179322A (zh) * | 2017-06-15 | 2017-09-19 | 长安大学 | 一种基于双目视觉的桥梁底面裂缝检测方法 |
| CN107240079A (zh) * | 2017-06-09 | 2017-10-10 | 南京理工大学 | 一种基于图像处理的路面裂缝检测方法 |
| JP6294529B1 (ja) * | 2017-03-16 | 2018-03-14 | 阪神高速技術株式会社 | ひび割れ検出処理装置、およびひび割れ検出処理プログラム |
-
2018
- 2018-04-26 CN CN201810387699.XA patent/CN108647593A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105320942A (zh) * | 2015-10-21 | 2016-02-10 | 东南大学 | 一种基于联合检测器的路面破损检测方法 |
| CN105931216A (zh) * | 2016-04-05 | 2016-09-07 | 李红伟 | 一种基于图像处理技术的机场道面破损检测方法 |
| CN106225702A (zh) * | 2016-08-03 | 2016-12-14 | 武汉科技大学 | 裂缝宽度检测装置和方法 |
| JP6294529B1 (ja) * | 2017-03-16 | 2018-03-14 | 阪神高速技術株式会社 | ひび割れ検出処理装置、およびひび割れ検出処理プログラム |
| CN107240079A (zh) * | 2017-06-09 | 2017-10-10 | 南京理工大学 | 一种基于图像处理的路面裂缝检测方法 |
| CN107179322A (zh) * | 2017-06-15 | 2017-09-19 | 长安大学 | 一种基于双目视觉的桥梁底面裂缝检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 曹佳煜: "基于图像处理的路面裂缝自动检测技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 王婷婷: "公路路面裂缝检测与识别技术研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
| 王雨峰: "基于双目视觉的桥梁检测无人机两轴云台设计与实现", 《高新技术》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109978828A (zh) * | 2019-02-26 | 2019-07-05 | 山东师范大学 | 一种基于图像处理的火车轨道质量判别方法及系统 |
| CN110223332A (zh) * | 2019-06-10 | 2019-09-10 | 长安大学 | 一种桥梁裂缝标定方法 |
| CN110223332B (zh) * | 2019-06-10 | 2021-08-31 | 长安大学 | 一种桥梁裂缝标定方法 |
| CN112445687A (zh) * | 2019-08-30 | 2021-03-05 | 深信服科技股份有限公司 | 一种计算设备的卡顿检测方法及相关装置 |
| CN112232138A (zh) * | 2020-09-25 | 2021-01-15 | 天津大学 | 基于超像素特征的渠道边坡破坏智能识别方法 |
| CN112232138B (zh) * | 2020-09-25 | 2022-09-23 | 天津大学 | 基于超像素特征的渠道边坡破坏智能识别方法 |
| CN113159511A (zh) * | 2021-03-18 | 2021-07-23 | 安徽省交通控股集团有限公司 | 一种高速公路路基施工过程质量综合评价方法 |
| CN113159511B (zh) * | 2021-03-18 | 2023-09-12 | 安徽省交通控股集团有限公司 | 一种高速公路路基施工过程质量综合评价方法 |
| CN115984806A (zh) * | 2023-03-20 | 2023-04-18 | 四川京炜数字科技有限公司 | 道路标线破损动态检测系统 |
| CN116934755A (zh) * | 2023-09-18 | 2023-10-24 | 中国人民解放军总医院第八医学中心 | 基于直方图均衡化的肺结核ct图像增强系统 |
| CN116934755B (zh) * | 2023-09-18 | 2023-12-01 | 中国人民解放军总医院第八医学中心 | 基于直方图均衡化的肺结核ct图像增强系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108647593A (zh) | 基于图像处理和svm的无人机路面破损分类检测方法 | |
| CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
| CN107230202B (zh) | 路面病害图像的自动识别方法和系统 | |
| 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 | |
| CN109753890B (zh) | 一种路面垃圾物智能识别与感知方法及其实现装置 | |
| CN104021574B (zh) | 路面病害自动识别方法 | |
| CN111145161A (zh) | 一种路面裂缝数字图像处理和识别的方法 | |
| CN111310558A (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
| Schmugge et al. | Detection of cracks in nuclear power plant using spatial-temporal grouping of local patches | |
| WO2016172827A1 (zh) | 一种逐步求精的路面裂缝检测方法 | |
| CN104268879B (zh) | 基于遥感多光谱图像的建筑物实物量损毁评估方法 | |
| CN105488454A (zh) | 基于单目视觉的前方车辆检测与测距 | |
| CN109086687A (zh) | 基于pca降维的hog-mblbp融合特征的交通标志识别方法 | |
| CN108765402A (zh) | 无纺布缺陷检测与分类方法 | |
| CN112819094A (zh) | 一种基于结构相似度度量的目标检测与识别方法 | |
| CN103903018A (zh) | 一种复杂场景中对车牌进行定位的方法和系统 | |
| CN110009618A (zh) | 一种轴类零件表面质量检测方法及装置 | |
| CN110991439B (zh) | 一种基于像素级多特征联合分类的手写体字符的提取方法 | |
| CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
| CN112308826A (zh) | 一种基于卷积神经网络的桥梁结构表面缺陷检测方法 | |
| CN103325118A (zh) | 一种获取碳酸盐岩岩心孔洞特征参数的方法及装置 | |
| CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
| CN112861654B (zh) | 一种基于机器视觉的名优茶采摘点位置信息获取方法 | |
| CN109785301A (zh) | 一种基于图像处理的钢轨波磨自动识别方法与评估方法 | |
| CN105741281B (zh) | 基于邻域离散度的图像边缘检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181012 |
|
| RJ01 | Rejection of invention patent application after publication |