CN111160153A - 一种基于图像处理的路面排水监测评估方法及系统 - Google Patents
一种基于图像处理的路面排水监测评估方法及系统 Download PDFInfo
- Publication number
- CN111160153A CN111160153A CN201911298225.9A CN201911298225A CN111160153A CN 111160153 A CN111160153 A CN 111160153A CN 201911298225 A CN201911298225 A CN 201911298225A CN 111160153 A CN111160153 A CN 111160153A
- Authority
- CN
- China
- Prior art keywords
- road surface
- drainage
- image
- adopting
- evaluation
- 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
Images
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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像处理的路面排水监测评估方法及系统,该方法的步骤包括:摄像机的双远心镜头在路面排水过程中采集图像数据信息;采用剪切波变换对图像数据信息进行边缘检测预处理;采用粒度测定方法对排水过程中路面的凸出物进行提取并计算;构建评价指标对路面排水质量进行评价,得到路面排水质量评价结果;采用贝叶斯专家系统分类器对路面排水质量评价结果进行分类,并对路面进行分类;采用混沌矩阵验证贝叶斯专家系统分类器的评估性能,得到路面排水过程评估性能。本发明能够有效地去噪,而且可以较完整地检测出边缘,提高了路面排水性能检测的评估效率。
Description
技术领域
本发明涉及排水监测评估技术领域,具体涉及一种基于图像处理的路面排水监测评估方法及系统。
背景技术
水是引起公路危害的主要原因之一,如何有效的排除路基范围内的水,以减少公路病害,延长公路的使用寿命,保证行车安全是公路设计中一个非常重要的问题。其中路面排水是公路排水的重要组成部分。路面的雨水如果不能迅速有效的排除,会造成雨水在路面上滞留的时间过长,下渗的水量增加,在行车荷载的作用下,破坏沥青混和料,使之出现裂缝,进而形成坑槽;水泥混凝土板块产生唧泥、错台和断板现象。严重时,路面的损坏,也会影响到路基的强度和稳定性。此外,在路面上形成水膜,降低了路面的抗滑性能,行驶中的车辆有明显的横向滑移感;在高速行车时,水膜会雾化,遮挡驾驶员的视线;在冰冻季节,形成冰面,大大降低路面的抗滑性能,严重危及行车安全。
路面排水的网络标准评估对路面安全和降低事故率的改善起着至关重要的作用。在潮湿或下雨的天气条件下,路面排水质量低,导致汽车滑行,是导致交通事故的主要原因之一。若采取人工对路面排水进行检测及评估,耗费人工,且存在一定的主观性,造成数据不准确,也无法达到实时监测评估的效果,因此,研究一种针对路面排水的自动监测评估系统,具有重要的意义。
发明内容
为了克服现有技术存在的缺陷与不足,本发明提供一种基于图像处理的路面排水监测评估方法及系统,本发明采用高清摄像机获取排水过程的图像信息,基于采集的数据进行图像预处理、提取路面凸出物、输出评价指标及评价结果,并且进行验证,本发明提高了路面排水性能检测的评估效率,为进一步加强道路排水监测提供有力的支持。
为了达到上述目的,本发明采用以下技术方案:
本发明提供一种基于图像处理的路面排水监测评估方法,包括下述步骤:
摄像机的双远心镜头在路面排水过程中采集图像数据信息;
采用剪切波变换对图像数据信息进行边缘检测预处理;
采用粒度测定方法对排水过程中路面的凸出物进行提取并计算;
构建评价指标对路面排水质量进行评价,得到路面排水质量评价结果;
采用贝叶斯专家系统分类器对路面排水质量评价结果进行分类,并对路面进行分类;
采用混沌矩阵验证贝叶斯专家系统分类器的评估性能,得到路面排水过程评估性能。
作为优选的技术方案,所述采用剪切波变换对图像数据信息进行边缘检测预处理,具体步骤为:
将输入图像进行多方向的剪切波变换,得到多个剪切波变换子图;
采用改进的Canny边缘检测算法对多个剪切波变换子图进行边缘检测处理后,再进行剪切波反变换,获得多个剪切波处理后的图像;
所述改进的Canny边缘检测算法为:
对采集图像数据信息进行卷积运算,得到平滑图像S(x,y):
S(x,y)=f(x,y)×G(x,y)
其中,f(x,y)表示输入图像,G(x,y)表示卷积核矩阵;
所述剪切波变换定义为:
SHΨf(a,s,t)={f,Ψa,s,t}
其中,f表示输入图像,Ψa,s,t(x)表示剪切波,Aa表示各向异性膨胀矩阵,Bs表示剪切矩阵。
作为优选的技术方案,所述采用粒度测定方法对排水过程中路面的凸出物进行提取并计算,具体步骤为:
采用局部自适应阈值法进行图像二值化处理;
确定隆起水面的粒度,筛选出二值图像中多个路面的凸出颗粒;
对所有凸出颗粒的轮廓进行跟踪,得到凸出颗粒的外轮廓特征,得到每个凸出颗粒位置,
将多个凸出颗粒图像分割为单个凸出颗粒图像同时剔除与边界连通的凸出颗粒,计算凸出颗粒的数量。
作为优选的技术方案,所述采用局部自适应阈值法进行图像二值化处理,具体步骤为:
令σi,j和mi,j表示图像中以坐标(i,j)为中心的邻域所包含的像素集合的标准差和均值;
图像中任意一点的阈值计算公式为:
其中,mmin表示最小方差,p*p表示矩阵的维数大小,s,t分别表示两个变量,用于遍历p*p邻域,fi+s,j+t表示坐标为(i+s,j+t)的像素值;
图像二值化的计算公式为:
其中,f(x,y)表示输入图像,g(x,y)表示输出的二值图像。
作为优选的技术方案,所述构建评价指标对路面排水质量进行评价,具体评价指标为:
随着时间的推移,凸出物的数量:
随着时间的推移,凸出物的面积率:
随着时间的推移,凸出物的表面散射率:
其中,n表示图像的总数量,t是成像时间间隔,Ni是物体凸出的数量,Ai表示物体凸出的面积。
作为优选的技术方案,所述采用贝叶斯专家系统分类器对路面排水质量评价结果进行分类,具体步骤为:采用贝叶斯专家系统分类器提取路面排水质量评价结果,存入先验概率中和条件概率中,所述贝叶斯专家系统分类器中的推理机根据先验概率和条件概率进行专家推理和类型识别,完成对路面排水质量评价结果分类。
作为优选的技术方案,所述采用混沌矩阵验证贝叶斯专家系统分类器的评估性能,具体定义评估性能的度量参数包括准确度、灵敏度、特异性和精密度,所述准确度定义为:
所述灵敏度定义为:
所述特异性定义为:
所述精密度定义为:
其中,TP表示真阳性,FN表示假阴性,TN表示真阴性,FP表示假阳性。
本发明还提供一种基于图像处理的路面排水监测评估系统,包括:中央处理器、摄像机、照明模块、高度调节设备、数据库、轮式移动平台和喷水器;
所述摄像机用于获取道路表面排水过程中的图像数据信息,所述摄像机采用双远心镜头;
所述照明模块采用双远心平行光源,用于提供背光式照明,给摄像机补光;
所述高度调节设备与摄像机连接,并与中央处理器进行数据传输,用于调节摄像机的高度;
所述数据库用于存储摄像机在排水过程中采集的图像数据信息,并与中央处理器进行数据传输;
所述轮式移动平台用于控制系统转向;
所述喷水装置用于在采集路面排水图像时进行喷水;
所述中央处理器包括边缘检测预处理单元、凸出物提取计算单元、评价指标构建单元、评价结果分类单元和性能评估单元;
所述边缘检测预处理单元用于采用剪切波变换对图像数据信息进行边缘检测预处理;
所述凸出物提取计算单元用于采用粒度测定方法对排水过程中路面的凸出物进行提取并计算;
所述评价指标构建单元用于构建评价指标对路面排水质量进行评价,得到路面排水质量评价结果;
所述评价结果分类单元用于采用贝叶斯专家系统分类器对路面排水质量评价结果进行分类,并对路面进行分类;
所述评价结果分类单元采用混沌矩阵验证贝叶斯专家系统分类器的评估性能,得到路面排水过程评估性能。
本发明与现有技术相比,具有如下优点和有益效果:
(1)本发明采用了机器视觉的技术方案对道路排水情况进行监测评估。基于图像处理的方法解决了传统人工对路面排水情况监测评估的问题,提高了路面排水性能检测的评估效率,使得路面排水性能检测达到了能高度智能化的效果。
(2)通过采用剪切波变换算法和粒度测定方法对排水过程中的路面图像进处理,基于剪切波变换改进的边缘检测算法不仅能够有效地去噪,而且可以较完整地检测出边缘。
附图说明
图1为本实施例基于图像处理的路面排水监测评估系统结构示意图;
图2为本实施例基于图像处理的路面排水监测评估系统的结构连接框图;;
图3为本实施例高清摄像机双远心镜头结构示意图;
图4为本实施例基于图像处理的路面排水监测评估方法流程示意图;
图5为本实施例基于图像处理的路面排水监测评估方法中轮廓跟踪的边界定义示意图;
图6为本实施例基于图像处理的路面排水监测评估方法中粒度测定提取颗粒信息图;
图7为本实施例基于图像处理的路面排水监测评估方法中粒度测量曲线图。
其中,1-高清摄像机,2-喷水器,3-传感器,4-照明模块,5-高度调节设备,6-轮式移动平台。
具体实施方式
为了使本发明的目的、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详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例
如图1、图2所示,本实施例提供一种基于图像处理的路面排水监测评估系统,包括:高清摄像机1、喷水器2、传感器3、照明模块4、高度调节设备5、中央处理器、数据库和轮式移动平台6,其中,中央处理器为整个系统的控制中心,负责协调处理各模块之间的数据与信息;
如图3所示,高清摄像机采用双远心镜头,能够矫正普通工业镜头的视差,使得在一定的物距范围内,得到的图像放大倍率不会随物距的改变而发生变化,主要功能是在有限的时间间隔内,从道路表面排水过程中获得所需要的高质量和高分辨率的图像;
照明模块采用双远心平行光源提供背光式照明,在光线不足的情况下,给予摄像机补光,使其能够获得精确的图像对比度和信噪比,能检测图像边缘锐利度,充分利用相机分辨率,提高检测精度;在本实施例中,照明模块的型号为ESCL-PX30-xW-X,光源光束直径30mm,工作距离110mm,总长101mm,最大外径35mm;
本实施例的高度调节设备由中央处理器控制,与摄像机进行信息交互,为能使摄像机捕捉到更清晰的图像,由中央处理器发送指令,进行高度的调节;
本实施例的数据库主要用来存储高清摄像机在排水过程中采集的图像数据信息,存储在一个硬盘设备上,并与中央处理器进行信息交互,创建该数据库的目的是为了在后期图像处理和分析中提供所需的数据;
本实施例的轮式移动平台采用基于驱动万向轮的全向移动平台,配有无线电控制器,其中驱动万向轮内部采用齿轮传动,采用两个电机分别控制滚轮滚动和转向自由度,基本方法是采用一个驱动电机通过传动系统把运动传递给滚轮,实现滚动,另一个转向电机通过传动系统把运动传递给支撑框架,带动滚轮实现转向;
本实施例的喷水装置作用是在采集路面排水图像时,由传感器3感应路面的水量,对路面喷洒一定的水量,才能检测到排水情况。
如图4所示,本实施例还提供一种基于图像处理的路面排水监测评估方法,包括下述步骤:
高速工业摄像机双远心镜头在路面排水过程中自动采集照片;采用剪切波变换对图像进行边缘检测预处理,再采用粒度测定方法对排水过程中路面的凸出物进行提取并计算。
由于剪切波变换在边缘检测和表面纹理特征提取具有较高的效率,路面表面纹理和表面边缘聚合体的特征提取和检测通过剪切波变换来处理。
剪切波变换的定义:函数f∈L2(R2)的剪切波变换定义为:
SHΨf(a,s,t)={f,Ψa,s,t}
首先,改进的Canny边缘检测算法如下所示:
图像f(x,y)用G(x,y)作卷积运算,从而得到平滑图像S(x,y)=f(x,y)×G(x,y)S(x,y)的两个一维的行列滤波器的一阶偏导数分别为Ex,Ey
其中,f(x,y)表示输入图像,G(x,y)表示卷积核矩阵。
采用Canny算子对边缘进行处理时,结合剪切波变换具有多方向性的特点,构建基于剪切波变换的边缘检测算法,具体步骤如下:
(1)将原图像进行多方向的剪切波变换;
(2)运用改进的Canny边缘检测算法对步骤(1)中的各个子图实施边缘检测处理后,获得各自对应的图像;
(3)对步骤(2)中的图像进行剪切波反变换。
该方法不仅能够有效的去噪,而且可以较完整地检测出边缘。在图像处理的整个流程内,利用剪切波变换结合边缘检测算子可以有效地对边缘进行检测。
本实施例采用粒度测定算法对排水过程中路面的凸出物进行提取并计算的具体步骤为:
对于剪切波处理后的图像,本实施例采用局部自适应阈值法对图像二值化(因为下一个步骤中的粒度测定法是作用在二值图像上的,所以本步骤必须对图像进行二值化处理),令σi,j和mi,j表示图像中以坐标(i,j)为中心的邻域Si,j(p×p)所包含的像素集合的标准差和均值,其中:
那么图像中任意一点(i,j)的阈值可用下式计算:
式中mmin是最小方差,p*p表示矩阵的维数大小,s,t是两个变量,用来遍历这个p*p的邻域,fi+s,j+t表示坐标为(i+s,j+t)的像素值。
二值化图像的计算公式为:
其中,f(x,y)为输入图像,g(x,y)为输出的二值图像。
然后,确定隆起水面的粒度,筛选确定二值图像中半径大约0.5厘米大小的石头,通过图像上越来越多的颗粒物体来收集信息。
由于测量区内包含多个凸出水面的颗粒,要实现对凸出粒度的半径形状等参数的计算,必须将颗粒图像分割为单个颗粒图像同时剔除与边界连通的颗粒。对于图像上颗粒的提取首先要对颗粒轮廓进行跟踪,其目的是为了确定每个颗粒在图像中的位置,得到图像中颗粒的外轮廓特征后,由于轮廓与二值图像的连通域具有一一对应的关系,因此两者外接矩形的位置和大小关系是相同的。接着根据轮廓的位置信息,确定其外接矩形,最后将此外接矩形的位置与大小信息用于提取原图像中的颗粒。
显然,对于任意n>0,GΦ(X)的大于n的阈值与φn(X)(集合X的第n次开运算)相等,即:
φn(X)={p∈X|GΦ(X)(p)>n}
轮廓跟踪的目的是为了获取图像中所有颗粒的外部轮廓特征,从而确定每个颗粒在图像中的位置信息,为提取单颗粒图像做准备。如图5所示,对二值图像进行从左到右,从上到下逐行逐列扫描,当二值图像上某一像素点(i,j)满足作为外边界起点如图5(a)所示,或者孔边界起点如图5(b)所示的条件时停止扫描(假设二值图上某点像素左边为0右边为1时,则该点为外边界起点。反之,二值图上某点像素左边为1,右边为0,则为孔边界起点),如果(i,j)满足以上条件,就把它作为轮廓跟踪的起点,并给这个边界指定一个可识别的序号,称为边界序列号,用NBD表示,接着某一像素点(i,j)为起点在其4-连通(两个像素的坐标(x′,y′)和(x″,y″),如果|x′-x″|+|y′+y″|=1,则称为4-连通)内寻找下一个边界点,如果当前的轮廓跟踪是在包含像素(p,q+1)的0-区域(像素值为0的连通域)与包含像素(p,q)的1-区域(像素值为1的连通域)上进行的,需要将像素点(p,q)的值改为-NBD,否则设置为NBD(作为一个标签)。
如图6所示,在上述步骤中得到颗粒的轮廓图像并对其进行分析,得到轮廓的最小外接正矩形后,由于轮廓图像与原图像中的颗粒具有一一对应的关系,将此外接矩形直接应用于原图像,并剔除与边界连通的区域,即可得到原图像中每个颗粒的最小外接正矩形,从而计算粒度数量。
如图7所示,提取整个路面图像粒度从饱和时间开始,直到排水完成为止。在排水过程中,随着时间的推移,路面表面凸起聚集物的会随着排水的情况有不同的差异,粒度测量图提供了地表排水的相关信息,粒度测量曲线升高,这意味着随着时间的推移,突起的聚合物数量在增加。这一增长率在第一秒内最高,但是随着时间的推移而减少。这一趋势意味着,在一段时间后水就会从路面上排干,而排水系统则会以低速运行。很明显,在4-10秒内具有较高的排水速度,经过一段后,滑水发生概率大大降低。因此,可以得出这样的结论:时间越短,排水的速度就越快。
输出三个用于评价地面排水质量的指标;
本实施例的路面排水自动评估中,应用以下三种基本规则:
1、水的体积随时间减少;
2、随着时间的推移,凸出物的数量会增加,由于水源的减少,一段时间后,会有大量的凸出物聚集在一起,形成一个面积更大的新物体,因此,在某些区域上,凸出物的数量会减少;
3、凸出物的面积会随着时间的增加而增加,在一些道路上,排水过程中出现的障碍会导致水的返回和区域的减少;
根据所列出的规则,三个用于评价地面排水质量的指标为:
随着时间的推移凸出物体的数量;
随着时间的推移凸出物体的面积:
随着时间的推移物体的表面散射:
其中:n是图像的总数量,t是成像时间间隔,Ni是物体凸出的数量,Ai是物体凸出的面积。
如下表1所示,本实施例给出三个指标对路面排水状况的评价范围,通过对不同路面的指标计算对地面排水状况进行评价。
表1三个指标对地面排水状况评价表
Q<sub>N</sub> | Q<sub>A</sub> | Q<sub>P</sub> | |
好 | >25 | >1000 | 0.015<,<0.02 |
正常 | >21 | >900 | 0.013<,<0.018 |
坏 | <21 | <900 | <0.013 |
贝叶斯专家系统分类器对路面排水指标的评价结果分类;
采用贝叶斯专家系统分类器对上述三种指标评价数据自动提取,并自动存入先验概率中和条件概率中,该分类器的推理机根据先验概率和条件概率完成专家推理和类型识别,从而执行道路排水质量的分类。
本实施例利用计算机模拟40条路面的地表排水情况,采集图像并计算得出相应的参数,再根据所获取的参数对路面进行分类,路面分为三类:好的,正常的,坏的。如下表2所示,本实施例列出了三类路面的参数变化范围。
表2三类路面的参数变化表
Time | 2 | 4 | 6 | 8 | 10 | 12 | 14 | 16 |
Q<sub>N</sub> | 49.5 | 132 | 44.5 | 57.5 | -5.5 | -3.5 | -13.5 | 34 |
Q<sub>A</sub> | 1469 | 2682 | 2768 | 769 | 1974 | 1639 | 1217 | 290 |
Q<sub>P</sub>*10<sup>-4</sup> | 169 | 246 | 80 | 373 | -14 | -11 | -55 | 586 |
如表2所示,突起物体的数量在第一秒内出现率很高,但过一会儿就会减少,在前几秒内的数量和面积增长率最高,说明该时间段的排水速度很快,则在几秒钟后开始衰退,行数值表示物体的数量,包括正负数,负数表示突出物体的数量减少。造成这种现象的原因是水位下降,一些小物体连接在一起,产生一个面积较大的物体,因此,物体的数量减少,而突出的物体面积的速度仍在增加,在排水过程中,突起物体表面散射的速率几乎是恒定的趋势,显然,物体的数量比物体的面积要高,突起物体表面散射的速率越大。
混沌矩阵验证分类器评估性能;
本实施例采用混淆矩阵对所提出的分类器的分类结果进行评估验证,该矩阵通过四个部分组成,即真阳性TP(True Positive),假阴性FN(False Negative),假阳性FP(False Positive)和真阴性TN(True Negative),基于混淆矩阵可以定义系统性能的几个度量,给定几个常用的测量方法,准确度(ACC),灵敏度真正率(TPR),特异性(SPC),真负率(TNR),精确或正的预测值(PPV)。
其中,准确度是衡量分类器效率的主要参数,分类器在给定数据集上的分类精度是指由分类器正确划分的测试集元组的百分比,它反映了分类器如何识别不同类的元组,定义为:
灵敏度是预测模型从数据集中选择某个类实例的能力的度量,定义为:
特异性是预测模型在自己的类中选择其他类实例的能力的度量,定义为:
精密度是预测特定类的准确度的度量,定义为:
如表3所示,混淆矩阵有两个维度:矩阵的列表示预测类的结果,行表示实际类的结果,每一列的总数表示预测为该类别的数据的数目,每一行的数据总数表示该类别的数据实例的数目,本实施例通过计算机模拟仿真,给出40条道路的模拟计算数据。
如下表4所示,预测“好”与实际“好”数量有13个,表示猜对的数量是13个,即真阳性TP。预测“正常”,“差”,实际是“好”数量是2个,表示假阴性FN。预测“好”,实际是“正常”有3个,表示假阳性FP。表格中的真阴性TN表示指标定义“好”以外,猜对的数量,如(正常,差)猜对的数量。
如下表4、表5、表6所示,根据TP这种类型定义“好”,“正常”,“差”这三类表格。
表3模拟计算数据结果表
预测:好 | 预测:正常 | 预测:差 | |
实际:好 | 13 | 2 | 0 |
实际:正常 | 3 | 12 | 3 |
实际:差 | 0 | 2 | 15 |
表4“好”类的混淆表
TP=13 | FN=2 |
FP=3 | TN=27 |
表5“正常”类的混淆表
TP=12 | FN=6 |
FP=4 | TN=28 |
表6“坏”类的混淆表
TP=15 | FN=2 |
FP=3 | TN=28 |
如下表7所示,显示了本实施例的基于图像处理的路面排水监测评估的精确度为85%,精密度为79.4%,灵敏度为81%,特异性88.7%,结果表明,对路面排水的评估具有良好的性能。
表7本实施例路面排水监测评估性能表
准确度 | 精密度 | 灵敏度 | 特异性 | |
好 | 88.70% | 81% | 85.70% | 92% |
正常 | 80% | 73.30% | 64.60% | 87.50% |
坏 | 88.70% | 86% | 89% | 88.50% |
系统 | 85% | 79.40% | 81% | 88.70% |
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (8)
1.一种基于图像处理的路面排水监测评估方法,其特征在于,包括下述步骤:
摄像机的双远心镜头在路面排水过程中采集图像数据信息;
采用剪切波变换对图像数据信息进行边缘检测预处理;
采用粒度测定方法对排水过程中路面的凸出物进行提取并计算;
构建评价指标对路面排水质量进行评价,得到路面排水质量评价结果;
采用贝叶斯专家系统分类器对路面排水质量评价结果进行分类,并对路面进行分类;
采用混沌矩阵验证贝叶斯专家系统分类器的评估性能,得到路面排水过程评估性能。
2.根据权利要求1所述的基于图像处理的路面排水监测评估方法,其特征在于,所述采用剪切波变换对图像数据信息进行边缘检测预处理,具体步骤为:
将输入图像进行多方向的剪切波变换,得到多个剪切波变换子图;
采用改进的Canny边缘检测算法对多个剪切波变换子图进行边缘检测处理后,再进行剪切波反变换,获得多个剪切波处理后的图像;
所述改进的Canny边缘检测算法为:
对采集图像数据信息进行卷积运算,得到平滑图像S(x,y):
S(x,y)=f(x,y)×G(x,y)
其中,f(x,y)表示输入图像,G(x,y)表示卷积核矩阵;
所述剪切波变换定义为:
SHΨf(a,s,t)={f,Ψa,s,t}
其中,f表示输入图像,Ψa,s,t(x)表示剪切波,Aa表示各向异性膨胀矩阵,Bs表示剪切矩阵。
3.根据权利要求1所述的基于图像处理的路面排水监测评估方法,其特征在于,所述采用粒度测定方法对排水过程中路面的凸出物进行提取并计算,具体步骤为:
采用局部自适应阈值法进行图像二值化处理;
确定隆起水面的粒度,筛选出二值图像中多个路面的凸出颗粒;
对所有凸出颗粒的轮廓进行跟踪,得到凸出颗粒的外轮廓特征,得到每个凸出颗粒位置,
将多个凸出颗粒图像分割为单个凸出颗粒图像同时剔除与边界连通的凸出颗粒,计算凸出颗粒的数量。
6.根据权利要求1所述的基于图像处理的路面排水监测评估方法,其特征在于,所述采用贝叶斯专家系统分类器对路面排水质量评价结果进行分类,具体步骤为:采用贝叶斯专家系统分类器提取路面排水质量评价结果,存入先验概率中和条件概率中,所述贝叶斯专家系统分类器中的推理机根据先验概率和条件概率进行专家推理和类型识别,完成对路面排水质量评价结果分类。
8.一种基于图像处理的路面排水监测评估系统,其特征在于,包括:中央处理器、摄像机、照明模块、高度调节设备、数据库、轮式移动平台和喷水器;
所述摄像机用于获取道路表面排水过程中的图像数据信息,所述摄像机采用双远心镜头;
所述照明模块采用双远心平行光源,用于提供背光式照明,给摄像机补光;
所述高度调节设备与摄像机连接,并与中央处理器进行数据传输,用于调节摄像机的高度;
所述数据库用于存储摄像机在排水过程中采集的图像数据信息,并与中央处理器进行数据传输;
所述轮式移动平台用于控制系统转向;
所述喷水装置用于在采集路面排水图像时进行喷水;
所述中央处理器包括边缘检测预处理单元、凸出物提取计算单元、评价指标构建单元、评价结果分类单元和性能评估单元;
所述边缘检测预处理单元用于采用剪切波变换对图像数据信息进行边缘检测预处理;
所述凸出物提取计算单元用于采用粒度测定方法对排水过程中路面的凸出物进行提取并计算;
所述评价指标构建单元用于构建评价指标对路面排水质量进行评价,得到路面排水质量评价结果;
所述评价结果分类单元用于采用贝叶斯专家系统分类器对路面排水质量评价结果进行分类,并对路面进行分类;
所述评价结果分类单元采用混沌矩阵验证贝叶斯专家系统分类器的评估性能,得到路面排水过程评估性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911298225.9A CN111160153B (zh) | 2019-12-17 | 2019-12-17 | 一种基于图像处理的路面排水监测评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911298225.9A CN111160153B (zh) | 2019-12-17 | 2019-12-17 | 一种基于图像处理的路面排水监测评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160153A true CN111160153A (zh) | 2020-05-15 |
CN111160153B CN111160153B (zh) | 2023-03-28 |
Family
ID=70557459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911298225.9A Active CN111160153B (zh) | 2019-12-17 | 2019-12-17 | 一种基于图像处理的路面排水监测评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160153B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114176532A (zh) * | 2021-12-31 | 2022-03-15 | 北京大学人民医院 | 一种测定cfPWV参数的临床验证方法及其应用系统 |
CN116820125A (zh) * | 2023-06-07 | 2023-09-29 | 哈尔滨市大地勘察测绘有限公司 | 一种基于图像处理的无人播种机控制方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622277A (zh) * | 2017-08-28 | 2018-01-23 | 广东工业大学 | 一种基于贝叶斯分类器的复杂曲面缺陷分类方法 |
CN110223312A (zh) * | 2019-06-05 | 2019-09-10 | 陕西师范大学 | 一种基于剪切波的sar图像边缘检测方法 |
-
2019
- 2019-12-17 CN CN201911298225.9A patent/CN111160153B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622277A (zh) * | 2017-08-28 | 2018-01-23 | 广东工业大学 | 一种基于贝叶斯分类器的复杂曲面缺陷分类方法 |
CN110223312A (zh) * | 2019-06-05 | 2019-09-10 | 陕西师范大学 | 一种基于剪切波的sar图像边缘检测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114176532A (zh) * | 2021-12-31 | 2022-03-15 | 北京大学人民医院 | 一种测定cfPWV参数的临床验证方法及其应用系统 |
CN114176532B (zh) * | 2021-12-31 | 2023-06-23 | 北京大学人民医院 | 一种测定cfPWV参数的临床验证方法及其应用系统 |
CN116820125A (zh) * | 2023-06-07 | 2023-09-29 | 哈尔滨市大地勘察测绘有限公司 | 一种基于图像处理的无人播种机控制方法及系统 |
CN116820125B (zh) * | 2023-06-07 | 2023-12-22 | 哈尔滨市大地勘察测绘有限公司 | 一种基于图像处理的无人播种机控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111160153B (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Akagic et al. | Pavement crack detection using Otsu thresholding for image segmentation | |
CN105260713B (zh) | 一种车道线检测方法和装置 | |
CN110458793B (zh) | 基于车辆相机图像处理来生成和利用道路摩擦估计值的方法和系统 | |
JP5896027B2 (ja) | 立体物検出装置及び立体物検出方法 | |
CN110992693B (zh) | 一种基于深度学习的交通拥堵程度多维度分析方法 | |
CN110210451B (zh) | 一种斑马线检测方法 | |
US7970178B2 (en) | Visibility range estimation method and system | |
US20050015201A1 (en) | Method and apparatus for detecting obstacles | |
CN104657735A (zh) | 车道线检测方法、系统、车道偏离预警方法及系统 | |
CN111160153B (zh) | 一种基于图像处理的路面排水监测评估方法及系统 | |
Munawar | Image and video processing for defect detection in key infrastructure | |
CN113470022B (zh) | 基于人工智能和大数据的路政洒水车智能优化方法及系统 | |
WO2021227797A1 (zh) | 道路边界检测方法、装置、计算机设备和存储介质 | |
CN117094914B (zh) | 基于计算机视觉的智慧城市道路监控系统 | |
CN110427026B (zh) | 一种轮胎道路摩擦的确定方法及装置 | |
CN113239733A (zh) | 一种多车道车道线检测方法 | |
CN113378690A (zh) | 一种基于视频数据的路内不规范停车识别方法 | |
CN107341455B (zh) | 一种区域多特征的检测方法及检测装置 | |
Balcerek et al. | Classification of road surfaces using convolutional neural network | |
US20230314169A1 (en) | Method and apparatus for generating map data, and non-transitory computer-readable storage medium | |
CN115376106A (zh) | 基于雷达图的车型识别方法、装置、设备及介质 | |
Wang et al. | Detection of lane lines on both sides of road based on monocular camera | |
Park et al. | Potholeeye+: Deep-learning based pavement distress detection system toward smart maintenance | |
Le et al. | Adaptive two-stage filter for de-snowing LiDAR point clouds | |
DE102009042476B4 (de) | Bestimmung von Zuständen in der Umgebung eines Kraftfahrzeugs mittels einer Stereokamera |
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 |