CN110298802B - 路面裂缝检测方法及装置 - Google Patents
路面裂缝检测方法及装置 Download PDFInfo
- Publication number
- CN110298802B CN110298802B CN201910572623.9A CN201910572623A CN110298802B CN 110298802 B CN110298802 B CN 110298802B CN 201910572623 A CN201910572623 A CN 201910572623A CN 110298802 B CN110298802 B CN 110298802B
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- bone
- gray
- mask
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 51
- 230000011218 segmentation Effects 0.000 claims abstract description 46
- 238000003708 edge detection Methods 0.000 claims abstract description 13
- 210000000988 bone and bone Anatomy 0.000 claims description 333
- 238000001914 filtration Methods 0.000 claims description 94
- 238000013507 mapping Methods 0.000 claims description 81
- 239000011159 matrix material Substances 0.000 claims description 81
- 208000010392 Bone Fractures Diseases 0.000 claims description 57
- 239000004568 cement Substances 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 17
- 238000005286 illumination Methods 0.000 claims description 17
- 238000000265 homogenisation Methods 0.000 claims description 15
- 230000007704 transition Effects 0.000 claims description 13
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000007670 refining Methods 0.000 claims 1
- 239000010426 asphalt Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种路面裂缝检测方法及装置。所述方法包括:获取路面图像;对路面图像进行裂缝分割,得到路面图像包含的多个裂缝区域图像;确定各个裂缝区域图像的裂缝灰度级别;裂缝灰度级别包括低灰度裂缝和高灰度裂缝;识别各个裂缝区域图像中的裂缝边缘;裂缝边缘通过对裂缝区域图像按照其裂缝灰度级别对应的图像处理模式处理得到;根据多个裂缝区域图像的裂缝边缘,得到路面图像中的裂缝信息。采用本方法可根据裂缝的裂缝灰度级别,进行对应的边缘检测,故而可有效地减少非裂缝边缘的影响,得到鲁棒性较佳、与实际裂缝情况更接近、准确度更高的裂缝信息。
Description
技术领域
本申请涉及路面检测技术领域,特别是涉及一种路面裂缝检测方法及装置。
背景技术
路面破损可分为功能衰减和结构性破损,其中结构性破损将导致路面结构承载能量降低,以各种结构裂缝的形式表现出来,如龟裂、块裂、纵裂和横裂等。
目前,针对水泥裂缝、沥青的纵向裂缝及横向裂缝的检测,在面对复杂背景环境时,例如,路面背景的纹理及路面成像时光照不均,此时将极大程度掩盖裂缝的边缘特征;常用的边缘检测方法均会由于边缘阈值选取的限制,导致鲁棒性一般,如此,裂缝检测的结果与实际情况偏差较大,准确度低。
发明内容
基于此,有必要针对上述技术问题,提供一种路面裂缝检测方法、装置、计算机设备和存储介质。
一方面,本发明实施例提供一种路面裂缝检测方法,所述方法包括:
获取路面图像;对所述路面图像进行裂缝分割,得到所述路面图像包含的多个裂缝区域图像;
确定各个裂缝区域图像的裂缝灰度级别;所述裂缝灰度级别包括低灰度裂缝和高灰度裂缝;其中,所述低灰度裂缝表示所述裂缝区域图像中的裂缝灰度值低于图像背景灰度值,所述高灰度裂缝表示所述裂缝区域图像中的裂缝灰度值高于图像背景灰度值;
识别各个裂缝区域图像中的裂缝边缘;所述裂缝边缘通过对所述裂缝区域图像按照其裂缝灰度级别对应的图像处理模式处理得到;
根据所述多个裂缝区域图像的裂缝边缘,得到所述路面图像中的裂缝信息。
另一方面,本发明实施例提供一种路面裂缝检测装置,所述装置包括:
图像分割模块,用于获取路面图像;对所述路面图像进行裂缝分割,得到所述路面图像包含的多个裂缝区域图像;
灰度级别确定模块,用于确定各个裂缝区域图像的裂缝灰度级别;所述裂缝灰度级别包括低灰度裂缝和高灰度裂缝;其中,所述低灰度裂缝表示所述裂缝区域图像中的裂缝灰度值低于图像背景灰度值,所述高灰度裂缝表示所述裂缝区域图像中的裂缝灰度值高于图像背景灰度值;
裂缝边缘识别模块,用于识别各个裂缝区域图像中的裂缝边缘;所述裂缝边缘通过对所述裂缝区域图像按照其裂缝灰度级别对应的图像处理模式处理得到;
裂缝信息获取模块,用于根据所述多个裂缝区域图像的裂缝边缘,得到所述路面图像中的裂缝信息。
再一方面,本发明实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述路面裂缝检测方法的步骤。
再一方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述路面裂缝检测方法的步骤。
上述技术方案中的一个技术方案具有如下优点或有益效果:通过获取路面图像包含的多个裂缝区域图像,并确定各个裂缝区域图像的裂缝灰度级别为低灰度裂缝或高灰度裂缝,再通过对裂缝区域图像按照其裂缝灰度级别对应的图像处理模式处理得到裂缝边缘,进而得到路面图像中的裂缝信息;由于该方法可根据裂缝的裂缝灰度级别,进行对应的边缘检测,故而可有效地减少非裂缝边缘的影响,得到鲁棒性较佳、与实际裂缝情况更接近、准确度更高的裂缝信息。
附图说明
图1为一个实施例中路面裂缝检测方法的示意性流程图;
图2为另一个实施例中路面裂缝检测方法的示意性流程图;
图3为一个实施例中裂缝灰度级别确定方法的示意性流程图;
图4为一个实施例中裂缝边缘增强细化方法的示意性流程图;
图5为一个实施例中裂缝初步掩膜获取方法的示意性流程图;
图6为一个实施例中裂缝中期整体掩膜获取方法的示意性流程图;
图7为一个实施例中水泥路面横纹掩膜获取方法的示意性流程图;
图8为一个实施例中路面裂缝检测装置的示意性结构图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
在一个实施例中,如图1所示,提供了一种路面裂缝检测方法,以该方法应用于图像处理设备为例进行说明,包括以下步骤:
S202,获取路面图像;对路面图像进行裂缝分割,得到路面图像包含的多个裂缝区域图像。
该步骤中,路面图像即为包含有待检测裂缝的路面的图像,该路面不限于水泥路面、沥青路面等;获取路面图像的方式可通过具有图像采集功能的设备直接获得,也可通过服务器或其它第三方设备获取得到。
其中,多个裂缝区域图像,可以理解为通过分割路面图像,得到的多个用以表明裂缝位置区域的图像。对路面图像进行裂缝分割的过程,可通过多种方式加以实现;例如,可以利用深度学习模型获取得到,该过程的具体可为:
首先,利用若干种病害样本训练一个深度学习目标检测模型,例如,可为15种病害样本,分别为水泥裂缝、水泥坑洞、水泥板角断裂、水泥边角剥落、水泥破碎板、水泥露骨、水泥唧泥、水泥修补、沥青坑槽、沥青横向裂缝、沥青纵向裂缝、沥青龟裂、沥青松散、沥青泛油以及沥青修补;接着,通过训练好的目标监测模型获取路面图像中裂缝的一些列矩形框;最后,对该些矩形框进行填充得到相应的掩膜,并沿着掩膜的骨骼线进一步得到一些列正方形框,每个正方形框范围对应的图像即可作为一个裂缝区域图像。此处利用深度学习模型对目标检测的高鲁棒性,以获取裂缝的大致位置,可为后续的精准分割步骤带来很大的便利。
S204,确定各个裂缝区域图像的裂缝灰度级别;裂缝灰度级别包括低灰度裂缝和高灰度裂缝;其中,低灰度裂缝表示裂缝区域图像中的裂缝灰度值低于图像背景灰度值,高灰度裂缝表示裂缝区域图像中的裂缝灰度值高于图像背景灰度值。
具体地,如图2所示,本实施例以高灰度和低灰度为例,通过判断裂缝是高灰度还是低灰度,可有效地避免高灰度纹理对低灰度裂缝的影响,以及低灰度纹理对高灰度裂缝的影响,同时,有利于突出弱裂缝,便于裂缝的识别和检测。应当指出的是,裂缝灰度级别为但不局限于上述两种灰度级别,也可进行进一步的细分,例如中灰度、中高灰度、中低灰度等等,以细化纹理与裂缝的区别,进一步避免纹理对裂缝的影响。
S206,识别各个裂缝区域图像中的裂缝边缘;该裂缝边缘通过对裂缝区域图像按照其裂缝灰度级别对应的图像处理模式处理得到。
请继续参阅图2,本步骤根据裂缝是高灰度或低灰度的情况,进行对应的裂缝边缘检测和图像处理,可以有效地减少非裂缝边缘的影响,相比传统的裂缝边缘检测方法,具有更高的准确度,裂缝识别过程鲁棒性佳。
S208,根据多个裂缝区域图像的裂缝边缘,得到路面图像中的裂缝信息。
该步骤可采用现有方法完成,也可根据图2所示的方法逐步实现;具体地,可根据多个裂缝区域图像的裂缝边缘,筛选得到路面图像中裂缝的完整轮廓,通过过滤伪裂缝,得到准确的路面图像中的裂缝信息。
本发明上述实施例中,执行主体可为图像处理设备或其他计算机设备,可根据实际情况进行选择和变更。
上述实施例的路面裂缝检测方法中,通过获取路面图像包含的多个裂缝区域图像,并确定各个裂缝区域图像的裂缝灰度级别为低灰度裂缝或高灰度裂缝,再通过对裂缝区域图像按照其裂缝灰度级别对应的图像处理模式处理得到裂缝边缘,进而得到路面图像中的裂缝信息;由于该方法可根据裂缝的裂缝灰度级别,进行对应的边缘检测,故而可有效地减少非裂缝边缘的影响,得到鲁棒性较佳、与实际裂缝情况更接近、准确度更高的裂缝信息。
在一些实施例中,如图3所示,S204中的裂缝区域图像的裂缝灰度级别的确定步骤,具体包括:
首先,采用低灰度裂缝对应的图像处理模式对裂缝区域图像进行二值化处理,得到第一像素点灰度二值图;根据第一像素点灰度二值图,确定裂缝的第一骨骼长度、第一平均相邻骨骼距离和第一平均相邻骨骼夹角。
即假设裂缝区域图像的裂缝灰度级别为低灰度,对裂缝区域图像进行边缘检测,得到第一像素点灰度二值图;计算第一像素点灰度二值图对应裂缝区域图像的像素点灰度的平均灰度;对裂缝区域图像进行二值化处理,具体将像素点灰度值小于等于平均灰度的位置标记为1,否则标记为0,得到二值图,并对其进行投票过滤,得到第一骨骼分段图和第一裂缝二值图;再分别通过第一骨骼分段图和第一裂缝二值图,确定裂缝的第一骨骼长度、第一平均相邻骨骼距离和第一平均相邻骨骼夹角。
同时,采用高灰度裂缝对应的图像处理模式对裂缝区域图像进行二值化处理,得到第二像素点灰度二值图;根据第二像素点灰度二值图,确定裂缝的第二骨骼长度、第二平均相邻骨骼距离和第二平均相邻骨骼夹角。
即假设裂缝区域图像的裂缝灰度级别为高灰度,对裂缝区域图像进行边缘检测,得到第二像素点灰度二值图;计算第二像素点灰度二值图对应裂缝区域图像的像素点灰度的平均灰度;同样地,对裂缝区域图像进行二值化处理,具体将像素点灰度值大于等于平均灰度的位置标记为1,否则标记为0,得到二值图,并对其进行投票过滤,得到第二骨骼分段图和第二裂缝二值图;再分别通过第二骨骼分段图和第二裂缝二值图,确定裂缝的第二骨骼长度、第二平均相邻骨骼距离和第二平均相邻骨骼夹角。
应当指出的是,第一骨骼长度和第二骨骼长度均指的是裂缝骨骼的主要长度;第一平均相邻骨骼距离和第二平均相邻骨骼距离均指的是骨骼间的平均相邻距离;第一平均相邻骨骼夹角和第二平均相邻骨骼夹角均指的是所有相邻最近的两个骨骼间的平均拐角角度。
最后,若三个条件中的至少两个成立,则确定裂缝区域图像的裂缝灰度级别为高灰度裂缝;若至多一个成立,则确定裂缝区域图像的裂缝灰度级别为低灰度裂缝;其中,三个条件包括:第一骨骼长度小于第二骨骼长度、第一平均相邻骨骼距离大于第二平均相邻骨骼距离,以及第一平均相邻骨骼夹角小于第二平均相邻骨骼夹角。
一个具体的实施方式为,第一平均相邻骨骼距离根据第一骨骼分段图中骨骼间的相邻距离计算得到;第一平均相邻骨骼夹角根据第一骨骼分段图中骨骼间的拐角度数计算得到;第一骨骼分段图根据第一像素点灰度二值图得到;第二平均相邻骨骼距离根据第二骨骼分段图中骨骼间的相邻距离计算得到;第二平均相邻骨骼夹角根据第二骨骼分段图中骨骼间的拐角度数计算得到;第二骨骼分段图根据第二像素点灰度二值图得到。
其中,在一些实施例中,上述的骨骼间的相邻距离的计算步骤,包括:获取第一骨骼和第二骨骼;第一骨骼具有两个端点Ap1、Ap2,第二骨骼具有两个端点Bp1、Bp2;分别计算Ap1、Ap2至第二骨骼的拟合直线的距离,及Bp1、Bp2至第一骨骼的拟合直线的距离;对得到的所有距离求取均值,作为第一骨骼和第二骨骼的相邻距离。该方案的详细计算步骤和说明如下:
1、每条骨骼只有两个端点;
2、用点到直线距离的最小二乘法拟合每条骨骼的直线方程;
3、假设A骨骼(第一骨骼)的两个端点坐标分别为Ap1=(Ax1,Ay1)、Ap2=(Ax2,Ay2),B骨骼(第二骨骼)的两个端点坐标分别为Bp1=(Bx1,By1)、Bp2=(Bx2,By2);
4、计算Ap1到B骨骼直线方程的距离,记为dAp1B,计算Ap2到B骨骼直线方程的距离,记为dAp2B,计算Bp1到A骨骼直线方程的距离,记为dBp1A,计算Bp2到A骨骼直线方程的距离,记为dBp2A;
5、则骨骼间的相邻距离=(dAp1B+dAp2B+dBp1A+dBp2A)/4。
需要说明的是,该骨骼间的相邻距离能够较好地反映骨骼间的连贯程度,值越小,两者相连处则越连贯。
其中,在一些实施例中,上述的骨骼间的拐角度数的计算步骤,包括:获取第一骨骼和第二骨骼;第一骨骼具有两个端点Ap1、Ap2,第二骨骼具有两个端点Bp1、Bp2;获取Ap2与Bp1的中点midP;其中,Ap2与Bp1是所述第一骨骼和所述第二骨骼相邻最近的两个端点;确定连接Ap1与midP的直线和连接midP与Bp2的直线的夹角的度数,作为第一骨骼和第二骨骼的拐角度数。该骨骼间的拐角度数的详细计算步骤和说明如下:
1、假设A骨骼(第一骨骼)和B骨骼(第二骨骼)靠得最近的两端点为Ap2和Bp1;
2、取Ap2和Bp1的中点坐标得midP;
3、则A骨骼和B骨骼的拐角度数=直线Ap1-midP与直线midP-Bp2的夹角。
需要说明的是,该骨骼间的拐角大小能够有效地反映骨骼间的连贯程度,值越大,两者相连处就越连贯,该方法能够有效地过滤掉短的非裂缝,且保留短的裂缝。
本实施例中,将骨骼间的相邻距离和骨骼间的拐角度数相结合,可有效判断离散骨骼之间的连贯性,同时可以更准确地判断图像中某骨骼是否属于裂缝,有效识别裂缝属于高灰度裂缝还是低灰度裂缝。
在一些实施例中,如图2所示,S206具体包括:对裂缝区域图像进行保边滤波,得到裂缝滤波图像;对裂缝滤波图像进行光照均匀化处理,得到裂缝滤波同质图像;按照裂缝灰度级别,对裂缝滤波同质图像的裂缝边缘进行对应的增强和细化;根据增强和细化后的裂缝边缘,识别裂缝区域图像中的裂缝边缘。
对裂缝滤波图像进行光照均匀化处理,可以裂缝滤波图像的滤波背景灰度值为依据;即在对裂缝滤波图像进行光照均匀化处理的步骤之前,获取裂缝滤波图像的背景灰度值,而后根据该背景灰度值,对裂缝滤波图像进行光照均匀化处理。通过对裂缝滤波图像进行光照均匀化处理,能够减少光照不均对裂缝识别的影响,保证了检测结果的准确性。
在一些实施例中,如图4所示,S206中对裂缝滤波同质图像的裂缝边缘进行对应的增强和细化的步骤,具体可以包括:通过遍历裂缝滤波同质图像,构建主梯度映射矩阵和次梯度映射矩阵;按照裂缝灰度级别,提取主梯度映射矩阵中的梯度值,以构建最大梯度映射矩阵;构建裂缝区域图像的梯度增强映射矩阵;梯度增强映射矩阵通过遍历最大梯度映射矩阵得到;求取边缘二值化阈值;边缘二值化阈值根据主梯度映射矩阵和次梯度映射矩阵得到;根据边缘二值化阈值,对最大梯度映射矩阵进行二值化处理,得到边缘二值图;根据边缘二值图和梯度增强映射矩阵,得到裂缝区域图像的边缘细化二值图。
具体地,构建主梯度映射矩阵和次梯度映射矩阵的方法为:可以通过3*3窗口遍历裂缝滤波同质图像,获取8个方向的梯度值,通过记录窗口内最大值与最小值的差值和差值方向,构建得到主梯度映射矩阵;并采用3*3窗口遍历裂缝滤波同质图像,获取8个方向的次梯度值,如果是高灰度裂缝,则记录窗口内最大值与第二小值的差值和差值方向,如果是低灰度裂缝,则记录窗口内第二大值与最小值的差值和差值方向,从而构成次梯度映射矩阵。
最大梯度映射矩阵的构建,可根据主梯度映射矩阵找到相邻梯度值之间同方向的最大的梯度值,构成8个方向的最大梯度映射矩阵。期间,如果是高灰度裂缝,将灰度值低于滤波背景灰度值所对应的梯度值去掉;如果是低灰度裂缝,将灰度值高于滤波背景灰度值所对应的梯度值去掉。
构建裂缝区域图像的梯度增强映射矩阵的方法为:在最大梯度映射矩阵上,用3*3窗口进行遍历,当8邻域梯度方向和中间梯度方向越接近,其梯度值就增加越大,反之进行减小,最终即可得到边缘增强后的梯度增强映射矩阵。
边缘二值化阈值的求解过程为:将主梯度映射矩阵和次梯度映射矩阵对应的梯度直方图求差值,得到新的梯度直方图,将该新的梯度直方图中最大个数的梯度值作为边缘二值化阈值。
根据边缘二值化阈值,对最大梯度映射矩阵进行二值化处理,得到边缘二值图;而后在保证边缘二值化阈值边缘连贯的前提下,获取梯度增强映射矩阵中最大梯度值所对应的二值边缘,得到边缘细化二值图。
综上,通过主次双梯度映射矩阵获取边缘阈值的方法,可以检测到裂缝的真实边缘,即使是弱裂缝也同样可以被检测到,有助于裂缝边缘的识别。
进一步地,上述的根据增强和细化后的裂缝边缘,识别裂缝区域图像中的裂缝边缘的步骤,具体包括:根据边缘细化二值图,识别裂缝区域图像中的裂缝边缘。即在边缘细化二值图中的两个边缘之间,根据二者端点附近的灰度相似程度来判断是否将这两条边缘进行端点相连,通过将相似度最近的两个端点进行连接,即可得到最终的边缘二值图,即裂缝区域图像中的裂缝边缘。
在一些实施例中,如图2所示,S208具体包括:获取裂缝轮廓;裂缝轮廓根据裂缝滤波同质图像、裂缝边缘以及滤波背景灰度值得到;滤波背景灰度值为裂缝滤波图像的背景灰度值;获取路面图像的裂缝初期整体掩膜;裂缝初期整体掩膜通过对多个裂缝区域图像的裂缝初步掩膜进行组合得到;裂缝初步掩膜通过对裂缝轮廓进行填充得到;获取路面图像的裂缝中期整体掩膜;裂缝中期整体掩膜通过对裂缝初期整体掩膜进行投票过滤得到;通过连接裂缝中期整体掩膜上的裂缝端点,得到裂缝整体掩膜,作为路面图像中的裂缝信息。
其中,裂缝中期整体掩膜获取过程中,通过采用裂缝投票过滤方法,能够根据裂缝的特征进行投票,将非裂缝进行剔除,较好地保留了完整的裂缝,使得检测结果与实际情况更为贴合,还原度高。
在一些实施例中,如图5所示,上述的获取裂缝轮廓的步骤,具体可以包括:根据灰度变化阈值,对裂缝滤波同质图像进行二值化处理,得到同质二值图;灰度变化阈值为根据滤波背景灰度值变化的灰度值;对同质二值图进行轮廓提取,得到同质轮廓二值图;计算裂缝边缘与同质轮廓二值图之间的轮廓连通域的重叠率;若轮廓连通域的重叠率大于重叠率预设值时,保留轮廓连通域;将所有保留的轮廓连通域进行组合,得到裂缝轮廓。
其中,灰度变化阈值在裂缝灰度级别为高灰度时,是从滤波背景灰度值开始加1递增到250的灰度值;在裂缝灰度级别为低灰度时,则从0开始加1递增到滤波背景灰度值的灰度值。当然,上述数值均可根据实际情况进行变更,不能用以限制本实施例的方案。
同时,在裂缝灰度级别为高灰度时,通过将裂缝滤波同质图像根据灰度变化阈值进行二值化,即灰度值大于灰度变化阈值的为1否则为0,得到一系列的同质二值图;在裂缝灰度级别为低灰度时,通过将裂缝滤波同质图像根据灰度变化阈值进行二值化,即灰度值小于灰度变化阈值的为1否则为0,得到一系列的同质二值图。
另外,裂缝初步掩膜通过对裂缝轮廓进行填充得到;首先,计算裂缝轮廓的轮廓内部的平均灰度值。如果是高灰度裂缝,当该值大于滤波背景灰度值*1.2时,则对该轮廓内部进行填充;如果是低灰度裂缝,当该值小于滤波背景灰度值*0.8时,则对该轮廓内部进行填充,得到裂缝初步掩膜。
需要说明的是,重叠率预设值可取值为0.33,裂缝轮廓填充所需的各类阈值均可根据实际情况进行变更和设定,并不局限于此。该方法通过结合裂缝边缘和区域轮廓,有效且精确地获取到裂缝的轮廓。
在一些实施例中,如图6所示,上述的获取路面图像的裂缝中期整体掩膜的步骤,具体可以包括:获取骨骼二值图;骨骼二值图通过对裂缝初期整体掩膜进行骨骼化处理,并剔除交叉部分得到;计算骨骼二值图的平均骨骼长度;利用平均骨骼长度,对骨骼二值图进行截断,得到断骨二值图;计算断骨二值图中的每个骨骼与邻近骨骼之间的骨骼夹角;每个骨骼的骨骼计数的初始值均为0,若存在骨骼的一个骨骼夹角大于夹角预设值,则将骨骼的骨骼计数加1,得到所有骨骼的骨骼计数;求取所有骨骼的骨骼计数的平均值,作为平均计数;保留骨骼计数大于平均计数的所有骨骼,构建得到过渡骨骼二值图;根据过渡骨骼二值图和裂缝初期整体掩膜,得到路面图像的裂缝中期整体掩膜;具体可通过保留过渡骨骼二值图对应在裂缝初期整体掩膜上的连通域,得到投票过滤后的路面图像的裂缝中期整体掩膜。需要说明的是,上述的夹角预设值可为但不限于100度。
在一些实施例中,如图2所示,若路面图像中的裂缝为水泥裂缝,在步骤S204之前,该路面裂缝检测方法还包括:获取裂缝区域图像中水泥路面的横纹掩膜;此时,上述的对裂缝初期整体掩膜进行投票过滤的步骤之前,该路面裂缝检测方法还可以包括:消除裂缝初期整体掩膜中的横纹掩膜,得到新的裂缝初期整体掩膜。
通过获取水泥路面的横纹,能够有效地减少水泥横纹对裂缝分割的影响。
在一些实施例中,如图7所示,上述的获取裂缝区域图像中水泥路面的横纹掩膜的步骤,具体可以包括:根据裂缝区域图像的图像背景灰度值,对裂缝区域图像进行光照均匀化处理,得到裂缝区域同质图像;获取水平边缘二值图;水平边缘二值图根据对裂缝区域同质图像进行水平方向的边缘检测得到;根据水平边缘二值图,获取多个预设横纹方向的横纹掩膜;计算每个预设横纹方向的横纹掩膜与水平边缘二值图重合的像素点数量;将像素点数量最多的横纹方向的横纹掩膜,作为裂缝区域图像中水泥路面的横纹掩膜。
其中,预设横纹方向可设定为19个横纹方向,分别为-45°、-40°、-35°、-30°、-25°、-20°、-15°、-10°、-5°、0°、5°、10°、15°、20°、25°、30°、35°、40°及45°;当然,该预设横纹方向可根据实际情况进行其他设定。
另外,计算每个预设横纹方向的横纹掩膜与水平边缘二值图重合的像素点数量的过程,可参考图7所示的方法步骤,此处不作赘述。通过该旋转寻找合适的水泥横纹掩膜的方法,能够有效地避免水泥横纹对水泥裂缝检测的影响,保证了检测结果的准确性和真实度。
应该理解的是,对于前述的各方法实施例,虽然流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,方法实施例的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
基于与上述实施例中的路面裂缝检测方法相同的思想,本文还提供一种路面裂缝检测装置。
在一个实施例中,如图8所示,提供了一种路面裂缝检测装置,包括:图像分割模块401、灰度级别确定模块402、裂缝边缘识别模块403和裂缝信息获取模块404,其中:
图像分割模块401,用于获取路面图像;对路面图像进行裂缝分割,得到路面图像包含的多个裂缝区域图像;
灰度级别确定模块402,用于确定各个裂缝区域图像的裂缝灰度级别;裂缝灰度级别包括低灰度裂缝和高灰度裂缝;其中,低灰度裂缝表示裂缝区域图像中的裂缝灰度值低于图像背景灰度值,高灰度裂缝表示裂缝区域图像中的裂缝灰度值高于图像背景灰度值;
裂缝边缘识别模块403,用于识别各个裂缝区域图像中的裂缝边缘;裂缝边缘通过对裂缝区域图像按照其裂缝灰度级别对应的图像处理模式处理得到;
裂缝信息获取模块404,用于根据多个裂缝区域图像的裂缝边缘,得到路面图像中的裂缝信息。
在一些实施例中,灰度级别确定模块402,具体用于:采用低灰度裂缝对应的图像处理模式对裂缝区域图像进行二值化处理,得到第一像素点灰度二值图;根据第一像素点灰度二值图,确定裂缝的第一骨骼长度、第一平均相邻骨骼距离和第一平均相邻骨骼夹角;采用高灰度裂缝对应的图像处理模式对裂缝区域图像进行二值化处理,得到第二像素点灰度二值图;根据第二像素点灰度二值图,确定裂缝的第二骨骼长度、第二平均相邻骨骼距离和第二平均相邻骨骼夹角;若三个条件中的至少两个成立,则确定裂缝区域图像的裂缝灰度级别为高灰度裂缝;若至多一个成立,则确定裂缝区域图像的裂缝灰度级别为低灰度裂缝;三个条件包括:第一骨骼长度小于第二骨骼长度、第一平均相邻骨骼距离大于第二平均相邻骨骼距离,以及第一平均相邻骨骼夹角小于第二平均相邻骨骼夹角。
在一些实施例中,第一平均相邻骨骼距离根据第一骨骼分段图中骨骼间的相邻距离计算得到;第一平均相邻骨骼夹角根据第一骨骼分段图中骨骼间的拐角度数计算得到;第一骨骼分段图根据第一像素点灰度二值图得到;第二平均相邻骨骼距离根据第二骨骼分段图中骨骼间的相邻距离计算得到;第二平均相邻骨骼夹角根据第二骨骼分段图中骨骼间的拐角度数计算得到;第二骨骼分段图根据第二像素点灰度二值图得到;
其中,灰度级别确定模块402,具体用于:获取第一骨骼和第二骨骼;第一骨骼具有两个端点Ap1、Ap2,第二骨骼具有两个端点Bp1、Bp2;分别计算Ap1、Ap2至第二骨骼的拟合直线的距离,及Bp1、Bp2至第一骨骼的拟合直线的距离;对得到的所有距离求取均值,作为第一骨骼和第二骨骼的相邻距离;和/或,获取第一骨骼和第二骨骼;第一骨骼具有两个端点Ap1、Ap2,第二骨骼具有两个端点Bp1、Bp2;获取Ap2与Bp1的中点midP;其中,Ap2与Bp1是所述第一骨骼和所述第二骨骼相邻最近的两个端点;确定连接Ap1与midP的直线和连接midP与Bp2的直线的夹角的度数,作为第一骨骼和第二骨骼的拐角度数。
在一些实施例中,裂缝边缘识别模块403,具体用于:对裂缝区域图像进行保边滤波,得到裂缝滤波图像;对裂缝滤波图像进行光照均匀化处理,得到裂缝滤波同质图像;按照裂缝灰度级别,对裂缝滤波同质图像的裂缝边缘进行对应的增强和细化;根据增强和细化后的裂缝边缘,识别裂缝区域图像中的裂缝边缘。
在一些实施例中,裂缝边缘识别模块403,具体还用于:通过遍历裂缝滤波同质图像,构建主梯度映射矩阵和次梯度映射矩阵;按照裂缝灰度级别,提取主梯度映射矩阵中的梯度值,以构建最大梯度映射矩阵;构建裂缝区域图像的梯度增强映射矩阵;梯度增强映射矩阵通过遍历最大梯度映射矩阵得到;求取边缘二值化阈值;边缘二值化阈值根据主梯度映射矩阵和次梯度映射矩阵得到;根据边缘二值化阈值,对最大梯度映射矩阵进行二值化处理,得到边缘二值图;根据边缘二值图和梯度增强映射矩阵,得到裂缝区域图像的边缘细化二值图;根据边缘细化二值图,识别裂缝区域图像中的裂缝边缘。
在一些实施例中,裂缝信息获取模块404,具体用于:获取裂缝轮廓;裂缝轮廓根据裂缝滤波同质图像、裂缝边缘以及滤波背景灰度值得到;滤波背景灰度值为裂缝滤波图像的背景灰度值;获取路面图像的裂缝初期整体掩膜;裂缝初期整体掩膜通过对多个裂缝区域图像的裂缝初步掩膜进行组合得到;裂缝初步掩膜通过对裂缝轮廓进行填充得到;获取路面图像的裂缝中期整体掩膜;裂缝中期整体掩膜通过对裂缝初期整体掩膜进行投票过滤得到;通过连接裂缝中期整体掩膜上的裂缝端点,得到裂缝整体掩膜,作为路面图像中的裂缝信息。
在一些实施例中,裂缝信息获取模块404,具体还用于:根据灰度变化阈值,对裂缝滤波同质图像进行二值化处理,得到同质二值图;灰度变化阈值为根据滤波背景灰度值变化的灰度值;对同质二值图进行轮廓提取,得到同质轮廓二值图;计算裂缝边缘与同质轮廓二值图之间的轮廓连通域的重叠率;若轮廓连通域的重叠率大于重叠率预设值时,保留轮廓连通域;将所有保留的轮廓连通域进行组合,得到裂缝轮廓;和/或,获取骨骼二值图;骨骼二值图通过对裂缝初期整体掩膜进行骨骼化处理,并剔除交叉部分得到;计算骨骼二值图的平均骨骼长度;利用平均骨骼长度,对骨骼二值图进行截断,得到断骨二值图;计算断骨二值图中的每个骨骼与邻近骨骼之间的骨骼夹角;每个骨骼的骨骼计数的初始值均为0,若存在骨骼的一个骨骼夹角大于夹角预设值,则将骨骼的骨骼计数加1,得到所有骨骼的骨骼计数;求取所有骨骼的骨骼计数的平均值,作为平均计数;根据骨骼计数大于平均计数的所有骨骼,构建过渡骨骼二值图;根据过渡骨骼二值图和裂缝初期整体掩膜,得到路面图像的裂缝中期整体掩膜。
在一些实施例中,若路面图像中的裂缝为水泥裂缝,该路面裂缝检测装置还包括:横纹掩膜获取模块,用于获取裂缝区域图像中水泥路面的横纹掩膜,向灰度级别确定模块402发送一通知消息。同时,该路面裂缝检测装置还包括:横纹掩膜消除模块,用于消除裂缝初期整体掩膜中的横纹掩膜,得到新的裂缝初期整体掩膜,向裂缝信息获取模块404发送一通知消息。
在一些实施例中,上述的横纹掩膜获取模块,具体用于:根据裂缝区域图像的图像背景灰度值,对裂缝区域图像进行光照均匀化处理,得到裂缝区域同质图像;获取水平边缘二值图;水平边缘二值图根据对裂缝区域同质图像进行水平方向的边缘检测得到;根据水平边缘二值图,获取多个预设横纹方向的横纹掩膜;计算每个预设横纹方向的横纹掩膜与水平边缘二值图重合的像素点数量;将像素点数量最多的横纹方向的横纹掩膜,作为裂缝区域图像中水泥路面的横纹掩膜。
关于路面裂缝检测装置的具体限定可以参见上文中对于路面裂缝检测方法的限定,在此不再赘述。上述路面裂缝检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
此外,上述示例的路面裂缝检测装置的实施方式中,各程序模块的逻辑划分仅是举例说明,实际应用中可以根据需要,例如出于相应硬件的配置要求或者软件的实现的便利考虑,将上述功能分配由不同的程序模块完成,即将路面裂缝检测装置的内部结构划分成不同的程序模块,以完成以上描述的全部或者部分功能。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是图像处理设备,本申请提供的路面裂缝检测方法,可以应用于该图像处理设备中,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力,可以通过独立的处理器或者是多个处理器组成的处理器集群来实现。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储路面裂缝检测用的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。外部的终端可以自动或手动采集路面图像,可以是独立的成像模组,也可以是其他具有图像采集功能的模组或设备。具体地,该计算机设备可以是终端设备,例如手机、平板电脑、笔记本电脑、台式电脑等。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取路面图像,对路面图像进行裂缝分割,得到路面图像包含的多个裂缝区域图像;
确定各个裂缝区域图像的裂缝灰度级别;裂缝灰度级别包括低灰度裂缝和高灰度裂缝;其中,低灰度裂缝表示裂缝区域图像中的裂缝灰度值低于图像背景灰度值,高灰度裂缝表示裂缝区域图像中的裂缝灰度值高于图像背景灰度值;
识别各个裂缝区域图像中的裂缝边缘;裂缝边缘通过对裂缝区域图像按照其裂缝灰度级别对应的图像处理模式处理得到;
根据多个裂缝区域图像的裂缝边缘,得到路面图像中的裂缝信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:采用低灰度裂缝对应的图像处理模式对裂缝区域图像进行二值化处理,得到第一像素点灰度二值图;根据第一像素点灰度二值图,确定裂缝的第一骨骼长度、第一平均相邻骨骼距离和第一平均相邻骨骼夹角;采用高灰度裂缝对应的图像处理模式对裂缝区域图像进行二值化处理,得到第二像素点灰度二值图;根据第二像素点灰度二值图,确定裂缝的第二骨骼长度、第二平均相邻骨骼距离和第二平均相邻骨骼夹角;若三个条件中的至少两个成立,则确定裂缝区域图像的裂缝灰度级别为高灰度裂缝;若至多一个成立,则确定裂缝区域图像的裂缝灰度级别为低灰度裂缝;三个条件包括:第一骨骼长度小于第二骨骼长度、第一平均相邻骨骼距离大于第二平均相邻骨骼距离,以及第一平均相邻骨骼夹角小于第二平均相邻骨骼夹角。
在一个实施例中,第一平均相邻骨骼距离根据第一骨骼分段图中骨骼间的相邻距离计算得到;第一平均相邻骨骼夹角根据第一骨骼分段图中骨骼间的拐角度数计算得到;第一骨骼分段图根据第一像素点灰度二值图得到;第二平均相邻骨骼距离根据第二骨骼分段图中骨骼间的相邻距离计算得到;第二平均相邻骨骼夹角根据第二骨骼分段图中骨骼间的拐角度数计算得到;第二骨骼分段图根据第二像素点灰度二值图得到。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对裂缝区域图像进行保边滤波,得到裂缝滤波图像;对裂缝滤波图像进行光照均匀化处理,得到裂缝滤波同质图像;按照裂缝灰度级别,对裂缝滤波同质图像的裂缝边缘进行对应的增强和细化;根据增强和细化后的裂缝边缘,识别裂缝区域图像中的裂缝边缘。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:通过遍历裂缝滤波同质图像,构建主梯度映射矩阵和次梯度映射矩阵;按照裂缝灰度级别,提取主梯度映射矩阵中的梯度值,以构建最大梯度映射矩阵;构建裂缝区域图像的梯度增强映射矩阵;梯度增强映射矩阵通过遍历最大梯度映射矩阵得到;求取边缘二值化阈值;边缘二值化阈值根据主梯度映射矩阵和次梯度映射矩阵得到;根据边缘二值化阈值,对最大梯度映射矩阵进行二值化处理,得到边缘二值图;根据边缘二值图和梯度增强映射矩阵,得到裂缝区域图像的边缘细化二值图;根据边缘细化二值图,识别裂缝区域图像中的裂缝边缘。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取裂缝轮廓;裂缝轮廓根据裂缝滤波同质图像、裂缝边缘以及滤波背景灰度值得到;滤波背景灰度值为裂缝滤波图像的背景灰度值;获取路面图像的裂缝初期整体掩膜;裂缝初期整体掩膜通过对多个裂缝区域图像的裂缝初步掩膜进行组合得到;裂缝初步掩膜通过对裂缝轮廓进行填充得到;获取路面图像的裂缝中期整体掩膜;裂缝中期整体掩膜通过对裂缝初期整体掩膜进行投票过滤得到;通过连接裂缝中期整体掩膜上的裂缝端点,得到裂缝整体掩膜,作为路面图像中的裂缝信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据灰度变化阈值,对裂缝滤波同质图像进行二值化处理,得到同质二值图;灰度变化阈值为根据滤波背景灰度值变化的灰度值;对同质二值图进行轮廓提取,得到同质轮廓二值图;计算裂缝边缘与同质轮廓二值图之间的轮廓连通域的重叠率;若轮廓连通域的重叠率大于重叠率预设值时,保留轮廓连通域;将所有保留的轮廓连通域进行组合,得到裂缝轮廓;
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取骨骼二值图;骨骼二值图通过对裂缝初期整体掩膜进行骨骼化处理,并剔除交叉部分得到;计算骨骼二值图的平均骨骼长度;利用平均骨骼长度,对骨骼二值图进行截断,得到断骨二值图;计算断骨二值图中的每个骨骼与邻近骨骼之间的骨骼夹角;每个骨骼的骨骼计数的初始值均为0,若存在骨骼的一个骨骼夹角大于夹角预设值,则将骨骼的骨骼计数加1,得到所有骨骼的骨骼计数;求取所有骨骼的骨骼计数的平均值,作为平均计数;根据骨骼计数大于平均计数的所有骨骼,构建过渡骨骼二值图;根据过渡骨骼二值图和裂缝初期整体掩膜,得到路面图像的裂缝中期整体掩膜。
在一个实施例中,若路面图像中的裂缝为水泥裂缝,处理器执行计算机程序时还实现以下步骤:获取裂缝区域图像中水泥路面的横纹掩膜;消除裂缝初期整体掩膜中的横纹掩膜,得到新的裂缝初期整体掩膜。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据裂缝区域图像的图像背景灰度值,对裂缝区域图像进行光照均匀化处理,得到裂缝区域同质图像;获取水平边缘二值图;水平边缘二值图根据对裂缝区域同质图像进行水平方向的边缘检测得到;根据水平边缘二值图,获取多个预设横纹方向的横纹掩膜;计算每个预设横纹方向的横纹掩膜与水平边缘二值图重合的像素点数量;将像素点数量最多的横纹方向的横纹掩膜,作为裂缝区域图像中水泥路面的横纹掩膜。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取路面图像,对路面图像进行裂缝分割,得到路面图像包含的多个裂缝区域图像;
确定各个裂缝区域图像的裂缝灰度级别;裂缝灰度级别包括低灰度裂缝和高灰度裂缝;其中,低灰度裂缝表示裂缝区域图像中的裂缝灰度值低于图像背景灰度值,高灰度裂缝表示裂缝区域图像中的裂缝灰度值高于图像背景灰度值;
识别各个裂缝区域图像中的裂缝边缘;裂缝边缘通过对裂缝区域图像按照其裂缝灰度级别对应的图像处理模式处理得到;
根据多个裂缝区域图像的裂缝边缘,得到路面图像中的裂缝信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:采用低灰度裂缝对应的图像处理模式对裂缝区域图像进行二值化处理,得到第一像素点灰度二值图;根据第一像素点灰度二值图,确定裂缝的第一骨骼长度、第一平均相邻骨骼距离和第一平均相邻骨骼夹角;采用高灰度裂缝对应的图像处理模式对裂缝区域图像进行二值化处理,得到第二像素点灰度二值图;根据第二像素点灰度二值图,确定裂缝的第二骨骼长度、第二平均相邻骨骼距离和第二平均相邻骨骼夹角;若三个条件中的至少两个成立,则确定裂缝区域图像的裂缝灰度级别为高灰度裂缝;若至多一个成立,则确定裂缝区域图像的裂缝灰度级别为低灰度裂缝;三个条件包括:第一骨骼长度小于第二骨骼长度、第一平均相邻骨骼距离大于第二平均相邻骨骼距离,以及第一平均相邻骨骼夹角小于第二平均相邻骨骼夹角。
在一个实施例中,第一平均相邻骨骼距离根据第一骨骼分段图中骨骼间的相邻距离计算得到;第一平均相邻骨骼夹角根据第一骨骼分段图中骨骼间的拐角度数计算得到;第一骨骼分段图根据第一像素点灰度二值图得到;第二平均相邻骨骼距离根据第二骨骼分段图中骨骼间的相邻距离计算得到;第二平均相邻骨骼夹角根据第二骨骼分段图中骨骼间的拐角度数计算得到;第二骨骼分段图根据第二像素点灰度二值图得到;其中,计算机程序被处理器执行时还实现以下步骤:获取第一骨骼和第二骨骼;第一骨骼具有两个端点Ap1、Ap2,第二骨骼具有两个端点Bp1、Bp2;分别计算Ap1、Ap2至第二骨骼的拟合直线的距离,及Bp1、Bp2至第一骨骼的拟合直线的距离;对得到的所有距离求取均值,作为第一骨骼和第二骨骼的相邻距离;和/或,其中,计算机程序被处理器执行时还实现以下步骤:获取第一骨骼和第二骨骼;第一骨骼具有两个端点Ap1、Ap2,第二骨骼具有两个端点Bp1、Bp2;获取Ap2与Bp1的中点midP;其中,Ap2与Bp1是所述第一骨骼和所述第二骨骼相邻最近的两个端点;确定连接Ap1与midP的直线和连接midP与Bp2的直线的夹角的度数,作为第一骨骼和第二骨骼的拐角度数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对裂缝区域图像进行保边滤波,得到裂缝滤波图像;对裂缝滤波图像进行光照均匀化处理,得到裂缝滤波同质图像;按照裂缝灰度级别,对裂缝滤波同质图像的裂缝边缘进行对应的增强和细化;根据增强和细化后的裂缝边缘,识别裂缝区域图像中的裂缝边缘。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:通过遍历裂缝滤波同质图像,构建主梯度映射矩阵和次梯度映射矩阵;按照裂缝灰度级别,提取主梯度映射矩阵中的梯度值,以构建最大梯度映射矩阵;构建裂缝区域图像的梯度增强映射矩阵;梯度增强映射矩阵通过遍历最大梯度映射矩阵得到;求取边缘二值化阈值;边缘二值化阈值根据主梯度映射矩阵和次梯度映射矩阵得到;根据边缘二值化阈值,对最大梯度映射矩阵进行二值化处理,得到边缘二值图;根据边缘二值图和梯度增强映射矩阵,得到裂缝区域图像的边缘细化二值图;根据边缘细化二值图,识别裂缝区域图像中的裂缝边缘。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取裂缝轮廓;裂缝轮廓根据裂缝滤波同质图像、裂缝边缘以及滤波背景灰度值得到;滤波背景灰度值为裂缝滤波图像的背景灰度值;获取路面图像的裂缝初期整体掩膜;裂缝初期整体掩膜通过对多个裂缝区域图像的裂缝初步掩膜进行组合得到;裂缝初步掩膜通过对裂缝轮廓进行填充得到;获取路面图像的裂缝中期整体掩膜;裂缝中期整体掩膜通过对裂缝初期整体掩膜进行投票过滤得到;通过连接裂缝中期整体掩膜上的裂缝端点,得到裂缝整体掩膜,作为路面图像中的裂缝信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据灰度变化阈值,对裂缝滤波同质图像进行二值化处理,得到同质二值图;灰度变化阈值为根据滤波背景灰度值变化的灰度值;对同质二值图进行轮廓提取,得到同质轮廓二值图;计算裂缝边缘与同质轮廓二值图之间的轮廓连通域的重叠率;若轮廓连通域的重叠率大于重叠率预设值时,保留轮廓连通域;将所有保留的轮廓连通域进行组合,得到裂缝轮廓;
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取骨骼二值图;骨骼二值图通过对裂缝初期整体掩膜进行骨骼化处理,并剔除交叉部分得到;计算骨骼二值图的平均骨骼长度;利用平均骨骼长度,对骨骼二值图进行截断,得到断骨二值图;计算断骨二值图中的每个骨骼与邻近骨骼之间的骨骼夹角;每个骨骼的骨骼计数的初始值均为0,若存在骨骼的一个骨骼夹角大于夹角预设值,则将骨骼的骨骼计数加1,得到所有骨骼的骨骼计数;求取所有骨骼的骨骼计数的平均值,作为平均计数;根据骨骼计数大于平均计数的所有骨骼,构建过渡骨骼二值图;根据过渡骨骼二值图和裂缝初期整体掩膜,得到路面图像的裂缝中期整体掩膜。
在一个实施例中,若路面图像中的裂缝为水泥裂缝,计算机程序被处理器执行时还实现以下步骤:获取裂缝区域图像中水泥路面的横纹掩膜;消除裂缝初期整体掩膜中的横纹掩膜,得到新的裂缝初期整体掩膜。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据裂缝区域图像的图像背景灰度值,对裂缝区域图像进行光照均匀化处理,得到裂缝区域同质图像;获取水平边缘二值图;水平边缘二值图根据对裂缝区域同质图像进行水平方向的边缘检测得到;根据水平边缘二值图,获取多个预设横纹方向的横纹掩膜;计算每个预设横纹方向的横纹掩膜与水平边缘二值图重合的像素点数量;将像素点数量最多的横纹方向的横纹掩膜,作为裂缝区域图像中水泥路面的横纹掩膜。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
本文实施例的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或(模块)单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
在本文中提及的“第一\第二”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换,以使这里描述的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
以上所述实施例仅表达了本申请的几种实施方式,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,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (18)
1.一种路面裂缝检测方法,所述方法包括:
获取路面图像,对所述路面图像进行裂缝分割,得到所述路面图像包含的多个裂缝区域图像;
确定各个裂缝区域图像的裂缝灰度级别;所述裂缝灰度级别包括低灰度裂缝和高灰度裂缝;其中,所述低灰度裂缝表示所述裂缝区域图像中的裂缝灰度值低于图像背景灰度值,所述高灰度裂缝表示所述裂缝区域图像中的裂缝灰度值高于图像背景灰度值;所述裂缝区域图像的裂缝灰度级别的确定步骤,包括:
采用低灰度裂缝对应的图像处理模式对所述裂缝区域图像进行二值化处理,得到第一像素点灰度二值图;根据所述第一像素点灰度二值图,确定裂缝的第一骨骼长度、第一平均相邻骨骼距离和第一平均相邻骨骼夹角;
采用高灰度裂缝对应的图像处理模式对所述裂缝区域图像进行二值化处理,得到第二像素点灰度二值图;根据所述第二像素点灰度二值图,确定裂缝的第二骨骼长度、第二平均相邻骨骼距离和第二平均相邻骨骼夹角;
若三个条件中的至少两个成立,则确定所述裂缝区域图像的裂缝灰度级别为高灰度裂缝;若至多一个成立,则确定所述裂缝区域图像的裂缝灰度级别为低灰度裂缝;
所述三个条件包括:所述第一骨骼长度小于所述第二骨骼长度、所述第一平均相邻骨骼距离大于所述第二平均相邻骨骼距离,以及所述第一平均相邻骨骼夹角小于所述第二平均相邻骨骼夹角;
识别各个裂缝区域图像中的裂缝边缘;所述裂缝边缘通过对所述裂缝区域图像按照其裂缝灰度级别对应的图像处理模式处理得到;
根据所述多个裂缝区域图像的裂缝边缘,得到所述路面图像中的裂缝信息。
2.根据权利要求1所述的方法,其特征在于,所述第一平均相邻骨骼距离根据第一骨骼分段图中骨骼间的相邻距离计算得到;所述第一平均相邻骨骼夹角根据所述第一骨骼分段图中骨骼间的拐角度数计算得到;所述第一骨骼分段图根据所述第一像素点灰度二值图得到;
所述第二平均相邻骨骼距离根据第二骨骼分段图中骨骼间的相邻距离计算得到;所述第二平均相邻骨骼夹角根据所述第二骨骼分段图中骨骼间的拐角度数计算得到;所述第二骨骼分段图根据所述第二像素点灰度二值图得到;
其中,骨骼间的相邻距离的计算步骤,包括:
获取第一骨骼和第二骨骼;所述第一骨骼具有两个端点Ap1、Ap2,所述第二骨骼具有两个端点Bp1、Bp2;
分别计算Ap1、Ap2至所述第二骨骼的拟合直线的距离,及Bp1、Bp2至所述第一骨骼的拟合直线的距离;
对得到的所有距离求取均值,作为所述第一骨骼和所述第二骨骼的相邻距离;
和/或,
其中,骨骼间的拐角度数的计算步骤,包括:
获取第一骨骼和第二骨骼;所述第一骨骼具有两个端点Ap1、Ap2,所述第二骨骼具有两个端点Bp1、Bp2;
获取Ap2与Bp1的中点midP;其中,Ap2与Bp1是所述第一骨骼和所述第二骨骼相邻最近的两个端点;
确定连接Ap1与midP的直线和连接midP与Bp2的直线的夹角的度数,作为所述第一骨骼和所述第二骨骼的拐角度数。
3.根据权利要求1或2所述的方法,其特征在于,所述识别各个裂缝区域图像中的裂缝边缘的步骤,包括:
对所述裂缝区域图像进行保边滤波,得到裂缝滤波图像;
对所述裂缝滤波图像进行光照均匀化处理,得到裂缝滤波同质图像;
按照所述裂缝灰度级别,对所述裂缝滤波同质图像的裂缝边缘进行对应的增强和细化;
根据增强和细化后的裂缝边缘,识别所述裂缝区域图像中的裂缝边缘。
4.根据权利要求3所述的方法,其特征在于,所述按照所述裂缝灰度级别,对所述裂缝滤波同质图像的裂缝边缘进行对应的增强和细化的步骤,包括:
通过遍历所述裂缝滤波同质图像,构建主梯度映射矩阵和次梯度映射矩阵;
按照所述裂缝灰度级别,提取所述主梯度映射矩阵中的梯度值,以构建最大梯度映射矩阵;
构建所述裂缝区域图像的梯度增强映射矩阵;所述梯度增强映射矩阵通过遍历所述最大梯度映射矩阵得到;
求取边缘二值化阈值;所述边缘二值化阈值根据所述主梯度映射矩阵和所述次梯度映射矩阵得到;
根据所述边缘二值化阈值,对所述最大梯度映射矩阵进行二值化处理,得到边缘二值图;
根据所述边缘二值图和所述梯度增强映射矩阵,得到所述裂缝区域图像的边缘细化二值图;
所述根据增强和细化后的裂缝边缘,识别所述裂缝区域图像中的裂缝边缘的步骤,包括:
根据所述边缘细化二值图,识别所述裂缝区域图像中的裂缝边缘。
5.根据权利要求4所述的方法,其特征在于,所述根据所述多个裂缝区域图像的裂缝边缘,得到所述路面图像中的裂缝信息的步骤,包括:
获取裂缝轮廓;所述裂缝轮廓根据所述裂缝滤波同质图像、所述裂缝边缘以及滤波背景灰度值得到;所述滤波背景灰度值为所述裂缝滤波图像的背景灰度值;
获取所述路面图像的裂缝初期整体掩膜;所述裂缝初期整体掩膜通过对多个所述裂缝区域图像的裂缝初步掩膜进行组合得到;所述裂缝初步掩膜通过对所述裂缝轮廓进行填充得到;
获取所述路面图像的裂缝中期整体掩膜;所述裂缝中期整体掩膜通过对所述裂缝初期整体掩膜进行投票过滤得到;
通过连接所述裂缝中期整体掩膜上的裂缝端点,得到裂缝整体掩膜,作为所述路面图像中的裂缝信息。
6.根据权利要求5所述的方法,其特征在于,所述获取裂缝轮廓的步骤,包括:
根据灰度变化阈值,对所述裂缝滤波同质图像进行二值化处理,得到同质二值图;所述灰度变化阈值为根据所述滤波背景灰度值变化的灰度值;
对所述同质二值图进行轮廓提取,得到同质轮廓二值图;
计算所述裂缝边缘与所述同质轮廓二值图之间的轮廓连通域的重叠率;
若所述轮廓连通域的重叠率大于重叠率预设值时,保留所述轮廓连通域;
将所有保留的轮廓连通域进行组合,得到裂缝轮廓;
和/或,
所述获取所述路面图像的裂缝中期整体掩膜的步骤,包括:
获取骨骼二值图;所述骨骼二值图通过对所述裂缝初期整体掩膜进行骨骼化处理,并剔除交叉部分得到;
计算所述骨骼二值图的平均骨骼长度;
利用所述平均骨骼长度,对所述骨骼二值图进行截断,得到断骨二值图;
计算所述断骨二值图中的每个骨骼与邻近骨骼之间的骨骼夹角;
每个骨骼的骨骼计数的初始值均为0,若存在所述骨骼的一个骨骼夹角大于夹角预设值,则将所述骨骼的骨骼计数加1,得到所有骨骼的骨骼计数;
求取所有骨骼的骨骼计数的平均值,作为平均计数;
根据骨骼计数大于所述平均计数的所有骨骼,构建过渡骨骼二值图;
根据所述过渡骨骼二值图和所述裂缝初期整体掩膜,得到所述路面图像的裂缝中期整体掩膜。
7.根据权利要求5所述的方法,其特征在于,若所述路面图像中的裂缝为水泥裂缝,所述确定所述裂缝区域图像的裂缝灰度级别的步骤之前,所述方法还包括:
获取所述裂缝区域图像中水泥路面的横纹掩膜;
所述对所述裂缝初期整体掩膜进行投票过滤的步骤之前,所述方法还包括:
消除所述裂缝初期整体掩膜中的所述横纹掩膜,得到新的裂缝初期整体掩膜。
8.根据权利要求7所述的方法,其特征在于,所述获取所述裂缝区域图像中水泥路面的横纹掩膜的步骤,包括:
根据所述裂缝区域图像的图像背景灰度值,对所述裂缝区域图像进行光照均匀化处理,得到裂缝区域同质图像;
获取水平边缘二值图;所述水平边缘二值图根据对所述裂缝区域同质图像进行水平方向的边缘检测得到;
根据所述水平边缘二值图,获取多个预设横纹方向的横纹掩膜;
计算每个预设横纹方向的横纹掩膜与所述水平边缘二值图重合的像素点数量;
将所述像素点数量最多的横纹方向的横纹掩膜,作为所述裂缝区域图像中水泥路面的横纹掩膜。
9.一种路面裂缝检测装置,其特征在于,所述装置包括:
图像分割模块,用于获取路面图像;对所述路面图像进行裂缝分割,得到所述路面图像包含的多个裂缝区域图像;
灰度级别确定模块,用于确定各个裂缝区域图像的裂缝灰度级别;所述裂缝灰度级别包括低灰度裂缝和高灰度裂缝;其中,所述低灰度裂缝表示所述裂缝区域图像中的裂缝灰度值低于图像背景灰度值,所述高灰度裂缝表示所述裂缝区域图像中的裂缝灰度值高于图像背景灰度值;所述裂缝区域图像的裂缝灰度级别的确定步骤,包括:
采用低灰度裂缝对应的图像处理模式对所述裂缝区域图像进行二值化处理,得到第一像素点灰度二值图;根据所述第一像素点灰度二值图,确定裂缝的第一骨骼长度、第一平均相邻骨骼距离和第一平均相邻骨骼夹角;
采用高灰度裂缝对应的图像处理模式对所述裂缝区域图像进行二值化处理,得到第二像素点灰度二值图;根据所述第二像素点灰度二值图,确定裂缝的第二骨骼长度、第二平均相邻骨骼距离和第二平均相邻骨骼夹角;
若三个条件中的至少两个成立,则确定所述裂缝区域图像的裂缝灰度级别为高灰度裂缝;若至多一个成立,则确定所述裂缝区域图像的裂缝灰度级别为低灰度裂缝;
所述三个条件包括:所述第一骨骼长度小于所述第二骨骼长度、所述第一平均相邻骨骼距离大于所述第二平均相邻骨骼距离,以及所述第一平均相邻骨骼夹角小于所述第二平均相邻骨骼夹角;
裂缝边缘识别模块,用于识别各个裂缝区域图像中的裂缝边缘;所述裂缝边缘通过对所述裂缝区域图像按照其裂缝灰度级别对应的图像处理模式处理得到;
裂缝信息获取模块,用于根据所述多个裂缝区域图像的裂缝边缘,得到所述路面图像中的裂缝信息。
10.根据权利要求9所述的装置,其特征在于,所述灰度级别确定模块还用于获取第一骨骼和第二骨骼;第一骨骼具有两个端点Ap1、Ap2,第二骨骼具有两个端点Bp1、Bp2;分别计算Ap1、Ap2至第二骨骼的拟合直线的距离,及Bp1、Bp2至第一骨骼的拟合直线的距离;对得到的所有距离求取均值,作为第一骨骼和第二骨骼的相邻距离;和/或,获取第一骨骼和第二骨骼;第一骨骼具有两个端点Ap1、Ap2,第二骨骼具有两个端点Bp1、Bp2;获取Ap2与Bp1的中点midP;其中,Ap2与Bp1是所述第一骨骼和所述第二骨骼相邻最近的两个端点;确定连接Ap1与midP的直线和连接midP与Bp2的直线的夹角的度数,作为第一骨骼和第二骨骼的拐角度数。
11.根据权利要求9所述的装置,其特征在于,所述裂缝边缘识别模块还用于通过遍历裂缝滤波同质图像,构建主梯度映射矩阵和次梯度映射矩阵;按照裂缝灰度级别,提取主梯度映射矩阵中的梯度值,以构建最大梯度映射矩阵;构建裂缝区域图像的梯度增强映射矩阵;梯度增强映射矩阵通过遍历最大梯度映射矩阵得到;求取边缘二值化阈值;边缘二值化阈值根据主梯度映射矩阵和次梯度映射矩阵得到;根据边缘二值化阈值,对最大梯度映射矩阵进行二值化处理,得到边缘二值图;根据边缘二值图和梯度增强映射矩阵,得到裂缝区域图像的边缘细化二值图;根据边缘细化二值图,识别裂缝区域图像中的裂缝边缘。
12.根据权利要求9所述的装置,其特征在于,所述裂缝信息获取模块还用于获取裂缝轮廓;裂缝轮廓根据裂缝滤波同质图像、裂缝边缘以及滤波背景灰度值得到;滤波背景灰度值为裂缝滤波图像的背景灰度值;获取路面图像的裂缝初期整体掩膜;裂缝初期整体掩膜通过对多个裂缝区域图像的裂缝初步掩膜进行组合得到;裂缝初步掩膜通过对裂缝轮廓进行填充得到;获取路面图像的裂缝中期整体掩膜;裂缝中期整体掩膜通过对裂缝初期整体掩膜进行投票过滤得到;通过连接裂缝中期整体掩膜上的裂缝端点,得到裂缝整体掩膜,作为路面图像中的裂缝信息。
13.根据权利要求9所述的装置,其特征在于,所述裂缝信息获取模块还用于根据灰度变化阈值,对裂缝滤波同质图像进行二值化处理,得到同质二值图;灰度变化阈值为根据滤波背景灰度值变化的灰度值;对同质二值图进行轮廓提取,得到同质轮廓二值图;计算裂缝边缘与同质轮廓二值图之间的轮廓连通域的重叠率;若轮廓连通域的重叠率大于重叠率预设值时,保留轮廓连通域;将所有保留的轮廓连通域进行组合,得到裂缝轮廓;和/或,获取骨骼二值图;骨骼二值图通过对裂缝初期整体掩膜进行骨骼化处理,并剔除交叉部分得到;计算骨骼二值图的平均骨骼长度;利用平均骨骼长度,对骨骼二值图进行截断,得到断骨二值图;计算断骨二值图中的每个骨骼与邻近骨骼之间的骨骼夹角;每个骨骼的骨骼计数的初始值均为0,若存在骨骼的一个骨骼夹角大于夹角预设值,则将骨骼的骨骼计数加1,得到所有骨骼的骨骼计数;求取所有骨骼的骨骼计数的平均值,作为平均计数;根据骨骼计数大于平均计数的所有骨骼,构建过渡骨骼二值图;根据过渡骨骼二值图和裂缝初期整体掩膜,得到路面图像的裂缝中期整体掩膜。
14.根据权利要求9所述的装置,其特征在于,所述装置还包括横纹掩膜获取模块,其中:
所述横纹掩膜获取模块,用于获取裂缝区域图像中水泥路面的横纹掩膜。
15.根据权利要求9所述的装置,其特征在于,所述装置还包括横纹掩膜消除模块,其中:
所述横纹掩膜消除模块,用于消除裂缝初期整体掩膜中的横纹掩膜,得到新的裂缝初期整体掩膜。
16.根据权利要求14所述的装置,其特征在于,所述横纹掩膜获取模块还用于根据裂缝区域图像的图像背景灰度值,对裂缝区域图像进行光照均匀化处理,得到裂缝区域同质图像;获取水平边缘二值图;水平边缘二值图根据对裂缝区域同质图像进行水平方向的边缘检测得到;根据水平边缘二值图,获取多个预设横纹方向的横纹掩膜;计算每个预设横纹方向的横纹掩膜与水平边缘二值图重合的像素点数量;将像素点数量最多的横纹方向的横纹掩膜,作为裂缝区域图像中水泥路面的横纹掩膜。
17.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
18.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910572623.9A CN110298802B (zh) | 2019-06-28 | 2019-06-28 | 路面裂缝检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910572623.9A CN110298802B (zh) | 2019-06-28 | 2019-06-28 | 路面裂缝检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110298802A CN110298802A (zh) | 2019-10-01 |
CN110298802B true CN110298802B (zh) | 2021-07-02 |
Family
ID=68029230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910572623.9A Active CN110298802B (zh) | 2019-06-28 | 2019-06-28 | 路面裂缝检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298802B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080538B (zh) * | 2019-11-29 | 2022-08-16 | 中国电子科技集团公司第五十二研究所 | 一种红外融合边缘增强方法 |
CN112102265B (zh) * | 2020-08-31 | 2023-10-13 | 华南理工大学 | 一种基于乳化剂对沥青-集料粘附性能影响的测试方法 |
CN112001359B (zh) * | 2020-09-09 | 2023-07-18 | 郑州航空工业管理学院 | 基于模式识别和最优分配的启发式多叉线修补方法 |
CN112509026A (zh) * | 2020-11-06 | 2021-03-16 | 广东电网有限责任公司中山供电局 | 一种绝缘子裂缝长度识别方法 |
CN112488942B (zh) * | 2020-12-02 | 2024-09-27 | 北京字跳网络技术有限公司 | 修复图像的方法、装置、设备和计算机可读介质 |
CN112465817B (zh) * | 2020-12-17 | 2024-06-14 | 大连海事大学 | 一种基于方向滤波器的路面裂缝检测方法 |
CN113686874B (zh) * | 2021-08-16 | 2022-08-02 | 沭阳林冉塑业有限公司 | 一种基于人工智能的机械零件损伤检测方法及系统 |
CN114897794A (zh) * | 2022-04-21 | 2022-08-12 | 东南大学 | 基于数字图像处理的水泥基材料细密裂纹评估方法 |
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 |
CN115496794B (zh) * | 2022-09-26 | 2024-02-02 | 广东省公路建设有限公司湾区特大桥养护技术中心 | 混凝土裂缝宽度计算方法、系统、计算机设备及存储介质 |
CN116030065B (zh) * | 2023-03-31 | 2024-06-14 | 云南琰搜电子科技有限公司 | 一种基于图像识别的道路质量检测方法 |
CN116091495B (zh) * | 2023-04-07 | 2023-06-27 | 安徽乾劲企业管理有限公司 | 一种道路病害精准检测方法 |
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 |
CN117078233B (zh) * | 2023-10-17 | 2024-03-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于路网养护综合评价指标的养护决策方法 |
CN117094913B (zh) * | 2023-10-17 | 2024-03-01 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种非均匀光照下沥青路面检测图像质量提升方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346013A (zh) * | 2010-07-29 | 2012-02-08 | 同济大学 | 一种隧道衬砌裂缝宽度的测量方法及装置 |
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 |
CN109087295A (zh) * | 2018-07-31 | 2018-12-25 | 贵州大学 | 基于灰度值投影法的桥梁露筋视觉检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729868A (zh) * | 2014-01-07 | 2014-04-16 | 天津大学 | 基于双能ct扫描数据重建投影图像检测方法 |
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 |
US10753881B2 (en) * | 2016-05-27 | 2020-08-25 | Purdue Research Foundation | Methods and systems for crack detection |
CN107038455B (zh) * | 2017-03-22 | 2019-06-28 | 腾讯科技(深圳)有限公司 | 一种图像处理方法及装置 |
-
2019
- 2019-06-28 CN CN201910572623.9A patent/CN110298802B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346013A (zh) * | 2010-07-29 | 2012-02-08 | 同济大学 | 一种隧道衬砌裂缝宽度的测量方法及装置 |
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 |
CN109087295A (zh) * | 2018-07-31 | 2018-12-25 | 贵州大学 | 基于灰度值投影法的桥梁露筋视觉检测方法 |
Non-Patent Citations (2)
Title |
---|
Pavement Crack Detection Algorithm Based on Image Processing Analysis;Z. Qingbo;《2016 8th International Conference on Intelligent Human-Machine Systems and Cybernetics 》;20160828 * |
基于图像处理的地铁隧道裂缝识别算法研究;王耀东 等;《仪器仪表学报》;20140731;第35卷(第7期);第1489-1496页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110298802A (zh) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298802B (zh) | 路面裂缝检测方法及装置 | |
CN110678901B (zh) | 信息处理设备、信息处理方法和计算机可读存储介质 | |
CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
CN114418957A (zh) | 基于机器人视觉的全局和局部二值模式图像裂缝分割方法 | |
CN110781885A (zh) | 基于图像处理的文本检测方法、装置、介质及电子设备 | |
CN108416351B (zh) | 路面病害区域的确定方法、装置和计算机设备 | |
CN111291603B (zh) | 车道线检测方法、装置、系统及存储介质 | |
CN109886921A (zh) | 基于数字图像的裂纹尺寸度量方法、装置和电子设备 | |
CN109325492B (zh) | 字符切割方法、装置、计算机设备及存储介质 | |
CN111507971A (zh) | 一种隧道表面缺陷检测方法 | |
CN111539238B (zh) | 二维码图像修复方法、装置、计算机设备和存储介质 | |
CN114862889A (zh) | 基于遥感图像的道路边缘提取方法和装置 | |
CN111260564A (zh) | 一种图像处理方法和装置及计算机存储介质 | |
CN116128849A (zh) | 一种混凝土坝水下裂缝检测方法、装置、设备及存储介质 | |
CN115239644A (zh) | 混凝土缺陷识别方法、装置、计算机设备和存储介质 | |
Adu-Gyamfi et al. | Functional evaluation of pavement condition using a complete vision system | |
CN111476801A (zh) | 图像分割方法、电子设备及相关产品 | |
Chen et al. | Image segmentation based on mathematical morphological operator | |
CN117765330A (zh) | 基于mri图像的数据标注方法及系统 | |
CN108090425A (zh) | 一种车道线检测方法、装置及终端 | |
CN114581890B (zh) | 确定车道线的方法、装置、电子设备和存储介质 | |
CN115880293A (zh) | 膀胱癌淋巴结转移的病理图像识别方法、装置、介质 | |
CN116206307A (zh) | 图像标注方法、装置、电子设备及存储介质 | |
CN115376106A (zh) | 基于雷达图的车型识别方法、装置、设备及介质 | |
CN114529570A (zh) | 图像分割方法、图像识别方法、用户凭证补办方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |