CN111968079A - 基于断面局部极值及分段稀疏的三维路面裂缝提取方法 - Google Patents
基于断面局部极值及分段稀疏的三维路面裂缝提取方法 Download PDFInfo
- Publication number
- CN111968079A CN111968079A CN202010738479.4A CN202010738479A CN111968079A CN 111968079 A CN111968079 A CN 111968079A CN 202010738479 A CN202010738479 A CN 202010738479A CN 111968079 A CN111968079 A CN 111968079A
- Authority
- CN
- China
- Prior art keywords
- points
- point
- section
- extreme
- elevation
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 42
- 230000011218 segmentation Effects 0.000 title claims description 6
- 230000002159 abnormal effect Effects 0.000 claims abstract description 40
- 238000001914 filtration Methods 0.000 claims abstract description 34
- 230000001502 supplementing effect Effects 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 34
- 238000012163 sequencing technique Methods 0.000 claims description 26
- 238000012217 deletion Methods 0.000 claims description 8
- 230000037430 deletion Effects 0.000 claims description 7
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 26
- 238000012545 processing Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 239000013589 supplement Substances 0.000 description 5
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Road Repair (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明实施例提供一种基于断面局部极值及分段稀疏的三维路面裂缝提取方法，该方法包括：根据线扫描三维数据中横断面的高程数据中相邻两点的高程差值，获取极大值点和极小值点；选择极值点进行删除获取极值对，并对异常极值点进行删除；从极值稳定段中选择多个点作为稀疏点，对异常稀疏点进行删除，并在缺失段长度过大时补充置信点；对断面稳定置信点集中置信点进行插值后滤波，获取参考轮廓；在获取较准确参考轮廓的基础上，再根据裂缝占比较小的特性选取高程较低的点作为裂缝疑似点，经处理后获取裂缝，能防止对裂缝的误检测和对较浅裂缝的漏检，并能克服不同路面纹理背景对裂缝提取的影响，从而更加准确提取出三维路面裂缝信息。
Description
技术领域
本发明涉及线扫描三维数据处理技术领域，尤其涉及一种基于断面局部极值及分段稀疏的三维路面裂缝提取方法。
背景技术
随着线扫描三维测量技术的发展，三维测量系统能获取越来越多的三维路面数据，包括不同路面背景及不同裂缝类型的数据。
但是实际工程应用利用车载三维系统采集的路面三维数据中包含有较为明显的行车姿态起伏以及路面变形信息，这些大范围的姿态变形信息等为裂缝检测任务带来困难，并且不利于三维裂缝深度、宽度及长度等三维信息的获取。另一方面，裂缝在线扫描三维数据中由于系统噪声、路面纹理结构等，使得裂缝在高程横断面上并不是总是呈现典型的V型结构。传统的模板匹配、边缘检测等方法对于三维数据裂缝存在一定的漏检、误检等问题。
现有的路面裂缝检测及信息提取方法类别主要包括基于二维视觉特性的路面裂缝检测方法和基于三维路面数据的路面裂缝检测方法。其中，基于二维视觉特征的路面裂缝检测方法主要通过光学相机及视频等获取路面数据，通过路面裂缝的边缘和灰度特性与路面背景差异进行分析提取。例如，利用裂缝的灰度低于路面背景而提取裂缝种子区域再结合裂缝的形状特性进行判定；结合裂缝的边缘特性利用图像处理中常用的边缘检测算子获取二维数据中的裂缝信息等。此类方法无法克服环境光照、阴影、以及路表轮胎磨痕、油渍等对标线检测的影响，其适用性较为有限。
基于三维路面数据的路面裂缝检测方法通常使用车载线扫描三维数据，结合三维数据精度，横向分辨率一般为1mm，利用路面裂缝的高程通常低于路面背景的特性进行检测。例如，在采集高程数据横断面级别，利用裂缝区域在高程断面数据中表现出的尖锐V型特性获取裂缝种子区域，再结合裂缝的形状特性进行判定；在高程数据点云级别，利用局部阈值方法提取裂缝。
此类方法虽然能克服传统二维灰度图像方法容易受到光照、阴影影响的缺陷，但是现有利用路面三维特征检测裂缝的方法也存在以下缺陷：当三维数据的精度足够高时，三维路面高程数据中就包含了比较复杂的路面场景信息，不仅有裂缝，也包含了路面变形、标线、修补、也包含了路面纹理。而且在高精度数据中，不同类型的路面病害或者指标等都对裂缝提取有一定的影响。例如纹理较粗的路面中纹理波动与裂缝的深度特征较为相似，仅仅利用裂缝深度特征将会影响裂缝提取方法的准确性和鲁棒性。
线扫描三维路面数据横断面中，裂缝受到多种因素干扰，并不是总是呈现边缘清晰及V型结构。更多的，由于路面纹理背景的干扰，数据中很多V型结构并非真正的裂缝位置。而由于行车姿态、变形病害、路面材质磨损、裂缝类型及路面背景差异等因素影响，线扫描三维路面数据横断面数据中裂缝容易呈现边缘不清晰的不对称V型或者非V型结构。因此，对于线扫描三维数据裂缝提取，传统的模板匹配、边缘检测等方法都难以获取较为理想的裂缝提取效果。
发明内容
本发明实施例提供一种基于断面局部极值及分段稀疏的三维路面裂缝提取方法，用以解决现有技术中三维路面裂缝提取的裂缝不准确，鲁棒性差的缺陷，实现更加准确提取三维路面裂缝。
本发明实施例提供一种基于断面局部极值及分段稀疏的三维路面裂缝提取方法，包括：
获取路面的线扫描三维数据，根据所述线扫描三维数据中任一实际横断面的高程数据中相邻两点的高程差值，获取该实际横断面的局部高程极大值点和局部高程极小值点，将所述局部高程极大值点和局部高程极小值点作为极值点；
选择所述极值点进行删除，使得保留的极值点按照坐标从小到大的顺序呈现局部高程极大值点和局部高程极小值点交叉排列；对保留的极值点中的异常极值点进行删除，将保留的极值点中连续的极值点构成的线段作为极值稳定段；
从所述极值稳定段中选择多个点作为稀疏点，对所述稀疏点中的异常稀疏点进行删除，将保留的稀疏点作为稳定置信点；若相邻两个稳定置信点之间的距离大于预设距离，则在所述相邻两个稳定置信点之间补充置信点，将补充的置信点和所有稳定置信点构成该实际横断面的稳定置信点集；
对所述稳定置信点集中置信点间的缺失点进行插值，获取该实际横断面对应的理想横断面，对所述理想横断面进行滤波，获取所述理想横断面的参考轮廓，根据该实际横断面与所述参考轮廓之间的高程差值从该实际横断面中选择疑似裂缝点，根据所述线扫描三维数据中所有实际横断面的疑似裂缝点提取所述路面中的裂缝。
本发明实施例提供的基于断面局部极值及分段稀疏的三维路面裂缝提取方法，通过利用路面裂缝极值差异较大的统计特性以及裂缝的稀疏特性，在获取的较准确的参考轮廓的基础上，再根据裂缝占比较小的特性自适应选取数据中高程较低的点作为裂缝疑似点，经过后处理之后获取裂缝，能防止高程阈值、V型模板匹配等传统方法对三维数据裂缝的误检测以及对较浅裂缝的漏检，并且能克服不同路面纹理背景对于三维路面裂缝提取的影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于断面局部极值及分段稀疏的三维路面裂缝提取方法的流程示意图；
图2是本发明实施例提供的一种基于断面局部极值及分段稀疏的三维路面裂缝提取方法中的完整流程意图；
图3是本发明实施例提供的一种基于断面局部极值及分段稀疏的三维路面裂缝提取方法中根据经过去除零值和高程校正后的断面获取的极值对效果示意图；
图4是本发明实施例提供的一种基于断面局部极值及分段稀疏的三维路面裂缝提取方法中极值对高程序列差值、差值分布和去除异常极值点后的极值稳定段示意图；
图5是本发明实施例提供的一种基于断面局部极值及分段稀疏的三维路面裂缝提取方法中极值稳定段的分段稀疏点和去除异常稀疏点后的稀疏点稳定段示意图；
图6是本发明实施例提供的一种基于断面局部极值及分段稀疏的三维路面裂缝提取方法中基于稳定置信点的断面参考轮廓示意图；
图7是本发明实施例提供的一种基于断面局部极值及分段稀疏的三维路面裂缝提取方法中横断面与参考轮廓的差值和选取的疑似裂缝点示意图；
图8是本发明实施例提供的一种基于断面局部极值及分段稀疏的三维路面裂缝提取方法中三维路面深度转灰度图和获取的裂缝疑似点数据面示意图；
图9是本发明实施例提供的一种基于断面局部极值及分段稀疏的三维路面裂缝提取方法中经过预处理获取的裂缝位置和结合深度差值信息所获取的裂缝高程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1描述本发明实施例的基于断面局部极值及分段稀疏的三维路面裂缝提取方法，该方法包括：S101，获取路面的线扫描三维数据，根据所述线扫描三维数据中任一实际横断面的高程数据中相邻两点的高程差值，获取该实际横断面的局部高程极大值点和局部高程极小值点，将所述局部高程极大值点和局部高程极小值点作为极值点；
车载三维测量传感器在采集路面的三维高程数据的过程中，由于行车的颠簸起伏，以及路面存在的变形病害等影响，所采集的原始三维路面数据中存在明显的行车姿态起伏信息，裂缝隐藏在这些宏观变化信息中。为了减少数据姿态起伏对裂缝提取的影响，以及后续裂缝深度信息的提取，有必要首先获取较为准确的参考轮廓，再在此基础上获取裂缝疑似点，去除姿态变形等因素对于裂缝的准确定位及三维信息获取。完整的流程示意图如图2所示。
本实施例主要依据为两点：其一，路面裂缝在线扫描路面横断面一定范围内存在极值差异较大，而路面纹理背景在一定范围内的极值差异较为稳定的特性；其二，利用裂缝范围在实际路面中占比较小，具备稀疏特性的先验条件。
本实施例基于线扫描三维测量传感器采集路面的线扫描三维高程数据。对断面轮廓的采样间隔可以为1mm。线扫描三维测量传感器根据激光三角测量原理，结合线扫描三维测量方法可获取同一姿态、同一时刻的路面横断面高程数据。在数据采集中将线扫描三维测量传感器安装在运动载体上，在载体运动过程中，对路面三维轮廓进行数据采集。但本实施例不限于这种路面的线扫描三维数据获取方法。
由于测量环境的干扰，如路面水渍、油渍或被测区域有异物，采集到的线扫描三维数据可能存在少量异常噪声，即零值点。由于三维测量传感器是由面阵相机与线激光器相结合的方式构成的，相机中心处的畸变最小，采集到的路面横断面三维数据在断面中心点附近最为稳定。本实施例利用靠近断面轮廓中心区域的非异常采样点替换异常噪声点，得到不含零值的断面数据。
由面阵相机与大功率线激光器构成的三维测量传感器中，存在着传感器安装角度、激光线准直度、激光光强分布不均等系统误差。这些系统误差将弱化路面感兴趣目标的特征，因此需要对三维测量传感器采集的数据通过标定文件进行校正，同时将像方数据转换成物方数据，以校正三维测量传感器的系统误差。
本实施例对于获取的横断面高程数据，首先利用邻近点高程差值之间的关系求取横断面的局部高程极大值和极小值，本实施例不限于获取方法。将局部高程极大值和局部高程极小值对应的点作为局部高程极大值点和局部高程极小值点。将局部高程极大值点和局部高程极小值点统称为极值点。
S102，选择所述极值点进行删除，使得保留的极值点按照坐标从小到大的顺序呈现局部高程极大值点和局部高程极小值点交叉排列；对保留的极值点中的异常极值点进行删除，将保留的极值点中连续的极值点构成的线段作为极值稳定段；
本实施例根据邻近的相邻极值点的差值之间的正负关系对局部高程极大值点和局部高程极小值点进行匹配判断，仅保留局部高程极大值点和局部高程极小值点间隔交叉的匹配结果。匹配好的极值点构成横断面极值对位置序列，将匹配好的极值点的高程按照极值对位置序列的排序形成高程序列。在横断面极值对位置序列及其对应的高程序列的基础上，获取并删除横断面极值对位置序列中的异常极值点，完成异常极值点剔除，获取极值稳定段。
S103，从所述极值稳定段中选择多个点作为稀疏点，对所述稀疏点中的异常稀疏点进行删除，将保留的稀疏点作为稳定置信点；若相邻两个稳定置信点之间的距离大于预设距离，则在所述相邻两个稳定置信点之间补充置信点，将补充的置信点和所有稳定置信点构成该实际横断面的稳定置信点集；
本实施例从每条极值稳定段中选择多个点作为稀疏点，本实施例不限于稀疏点的选择方法。将稀疏点集按照坐标从小到大的顺序进行排序，获取稀疏点位置序列，将稀疏点的高程按照稀疏点位置序列的排序形成高程序列。在稀疏点位置序列及其对应的高程序列的基础上，获取并删除横断面稀疏点位置序列中的异常稀疏点，完成异常稀疏点剔除，获取稀疏点稳定段。
对于所获取的稀疏点稳定段，计算稀疏点稳定段中缺失段的长度，缺失段为横断面E中非稳定段的位置。若缺失段长度过大，会造成稳定段拟合参考轮廓产生较大误差。因此需要在稳定段形成稳定置信点的基础上，对缺失段的置信点进行补充。本实施例不限于缺失段的置信点补充方法。
S104，对所述稳定置信点集中置信点间的缺失点进行插值，获取该实际横断面对应的理想横断面，对所述理想横断面进行滤波，获取所述理想横断面的参考轮廓，根据该实际横断面与所述参考轮廓之间的高程差值从该实际横断面中选择疑似裂缝点，根据所述线扫描三维数据中所有实际横断面的疑似裂缝点提取所述路面中的裂缝。
对获取的断面稳定置信点集中的缺失点进行插值，获取长度为N的稳定点-插值横断面，即理想横断面。对稳定点-插值横断面进行滤波获得断面参考轮廓。所获得的断面参考轮廓由断面稳定置信点集求得，是无裂缝情况下该路面的理想参考面数据，裂缝点都应该位于该参考轮廓以下。
将横断面E与所获取的参考轮廓进行逐点做差，获取差值数据ER。ER可认为是原始断面去除零值、去除姿态和路面变形的平整路面高程信息，包含了明显的裂缝信息。裂缝是位于ER中较低的点，利用裂缝在断面数据中占比较小的先验条件，根据差值数据ER从横断面E中选择疑似裂缝点。逐个横断面按照上述参考轮廓及断面疑似裂缝点获取之后，进行疑似裂缝点拼接形成裂缝疑似点数据面。根据疑似裂缝点提取路面中的裂缝对象。
本实施例通过利用路面裂缝极值差异较大的统计特性以及裂缝的稀疏特性，在获取的较准确的参考轮廓的基础上，再根据裂缝占比较小的特性自适应选取数据中高程较低的点作为裂缝疑似点，经过后处理之后获取裂缝，能防止高程阈值、V型模板匹配等传统方法对三维数据裂缝的误检测以及对较浅裂缝的漏检，并且能克服不同路面纹理背景对于三维路面裂缝提取的影响。
在上述实施例的基础上，本实施例中根据所述线扫描三维数据中任一实际横断面的高程数据中相邻两点的高程差值，获取该实际横断面的局部高程极大值点和局部高程极小值点，将所述局部高程极大值点和局部高程极小值点作为极值点；选择所述极值点进行删除，使得保留的极值点按照坐标从小到大的顺序呈现局部高程极大值点和局部高程极小值点交叉排列的步骤包括：将任一实际横断面的高程数据中当前点的高程减去当前点的后一个点的高程，获取第一差值；将当前点的前一个点的高程减去当前点的高程，获取第二差值；
对于任一实际横断面的高程数据E，设实际横断面的长度为N，则E＝[e1,e2,…,ei,…,eN]，i∈[1,N]。获取相邻两点的高程差值构成的序列DiffE，则DiffE＝[e1-e2,e2-e3,…,ei-ei+1,…,eN-1-eN]。DiffE中的第i个高程差值为di＝ei-ei+1，第i-1个高程差值为di-1＝ei-1-ei。
若所述第一差值大于0且所述第一差值与所述第二差值的乘积小于0，则将当前点作为局部高程极大值点；
若di>0且di与di-1的乘积小于0，则将横断面的第i点记为局部高程极大值点Pmax。
若所述第一差值小于0且所述第一差值与所述第二差值的乘积小于0，则将当前点作为局部高程极小值点。
若di<0且di与di-1的乘积小于0，则将横断面的第i点记为局部高程极小值点Pmin。
将所述极值点按照坐标从小到大的顺序进行排序；将排序结果中任一极值点的高程减去该极值点的后一个极值点的高程，获取第三差值，并将所述第三差值按照所述第三差值对应的两个极值点中前一个极值点的坐标从小到大的顺序进行排序；
将获得的极值点按照坐标从小到大的顺序进行排序形成极值位置序列P，设P的长度为M，M<N。然后获取极值位置序列P对应的高程序列Ep，长度为M，为P中每个极值点的高程构成的序列，排序也按照极值点坐标从小到大的顺序。设Ep＝[ep1,ep2,…,epj,…,eN]，j∈[1,M]。对Ep逐点求取当前极值点与其邻近后一极值点的高程差值dpi。
若排序结果中连续两个第三差值同为正，则删除所述连续两个第三差值中后面一个第三差值对应的两个极值点中前一个极值点；若排序结果中连续两个第三差值同为负，则删除所述连续两个第三差值中前面一个第三差值对应的两个极值点中前一个极值点，使得排序结果中保留的极值点按照坐标从小到大的顺序呈现局部高程极大值点和局部高程极小值点交叉排列。
若dpi存在连续同正或者同负的情况，则说明所获取的极值位置序列存在不匹配的情况。对于dpi存在同正则删除后一个点，对于dpi存在同负则删除前一个点，直到Ep逐点高程差值满足正负交叉情况，说明断面极值匹配完成。根据保留的第三差值对应的极值点位置构成断面极值对位置序列PF，设长度为L，对应的高程序列为EpF。图3示例了根据经过去除零值和高程校正后的断面按照本实施例中的方法获取的极值对效果。
在上述实施例的基础上，本实施例中对保留的极值点中的异常极值点进行删除的步骤包括：对保留的极值点按照坐标从小到大的顺序进行排序；将排序结果中任一极值点减去该极值点的后一个极值点，获取第四差值；
具体地，在获取的横断面极值对位置序列PF以及对应的高程序列EpF基础上，获取EpF的逐点高程差值DiffEpF，如图4中的a所示。DiffEpF的表达式如下所示：
DiffEpF＝[epF1-epF,epF2-epF3,…,epFk-epF(k+1),…,epF(L-1)-epFL]；
j∈[1,L]。
对所述第四差值进行统计，获取所述第四差值的直方图分布；将所述直方图分布中左端和右端预设比例的第四差值对应的极值点作为异常极值点进行删除。
对DiffEpF统计直方图分布，如图4中的b所示，将分布中左端和右端部分按照预设比例进行截断。例如按照裂缝占比较小的先验知识，比例设置左右两端共截断的预设比例为10％。获取直方图分布的左端和右端各截断5％的异常值阈值，然后将左端小于异常值阈值的第四差值所对应的极值点对进行删除，将右端大于异常值阈值的第四差值所对应的极值点对进行删除，完成极值段异常剔除过程。将保留的极值点中连续的极值点构成的线段作为极值稳定段S1，如图4中的c所示。
在上述各实施例的基础上，本实施例中从所述极值稳定段中选择多个点作为稀疏点，对所述稀疏点中的异常稀疏点进行删除的步骤包括：将所述极值稳定段的第一个点和最后一个点作为稀疏点；若所述极值稳定段的长度超过预设长度，则从所述极值稳定段中每隔所述预设长度取一个点作为稀疏点；
具体地，将极值稳定段S1的首尾点位置记录为稀疏点集Q。当极值稳定段S1的长度过长时，则将极值稳定段S1截短稀疏化，并将用于截短的补充点加入到稀疏点集Q中。例如，当极值稳定段超过10，则每10个点的位置插入一个稀疏点q，并将插入的稀疏点q加入稀疏点集Q中，如图5中的a所示。
对所述稀疏点按照坐标从小到大的顺序进行排序；将排序结果中任一稀疏点减去该稀疏点的后一个稀疏点，获取第五差值；对所述第五差值进行统计，获取所述第五差值的直方图分布；将所述直方图分布中左端和右端预设比例的第五差值对应的稀疏点作为异常稀疏点进行删除。
具体地，对稀疏点集Q中的稀疏点按照坐标从小到大的顺序进行排序后，按照横断面极值对位置序列PF中异常极值点的删除方法，删除稀疏点集Q中的异常稀疏点。具体为计算排序后的稀疏点集Q中相邻稀疏点的高程差值，对计算的高程差值进行直方图分布统计，根据裂缝占比较小的先验知识，将直方图分布中左右两端预设比例的高程差值对应的稀疏点进行删除。将保留的稀疏点作为稀疏点稳定段S2，如图5中的b所示。
在上述各实施例的基础上，本实施例中若相邻两个稳定置信点之间的距离大于预设距离，则在所述相邻两个稳定置信点之间补充置信点的步骤包括：对所述实际横断面进行中值滤波后再进行均值滤波；计算均值滤波结果与所述实际横断面之间的差值；若相邻两个稳定置信点之间的距离大于预设距离，则将所述相邻两个稳定置信点之间差值最小的点作为补充的置信点。
具体地，对于所获取的稀疏点稳定段S2，计算其缺失段的长度。若缺失长度过大会造成稀疏点稳定段拟合参考轮廓产生较大误差，则需要在稳定段形成置信点的基础上，进行缺失段置信点补充。将稀疏点稳定段中的稳定置信点和补充置信点形成断面稳定置信点集。由于一般路面上的裂缝宽度不会超过2cm，因此若缺失段长度超过200，则将缺失段进行置信点补充。
在对缺失段进行置信点补充时，先将横断面E进行中值滤波后再进行均值滤波，得到滤波结果F。滤波的窗口可以为101，但不限于此种设置。计算滤波结果F与横断面E之间的逐点高程差值DFE，将将缺失段范围内DFE最小的点作为补充的置信点。
在上述各实施例的基础上，本实施例中对所述稳定置信点集中置信点间的缺失点进行插值，获取该实际横断面对应的理想横断面，对所述理想横断面进行滤波，获取所述理想横断面的参考轮廓的步骤包括：根据所述稳定置信点集，基于最近邻插值方法对所述稳定置信点集中置信点间的缺失点进行插值，将差值后获取的横断面作为所述理想横断面；对所述理想横断面进行中值滤波后再进行均值滤波，将均值滤波结果作为所述理想横断面的参考轮廓。
具体地，对于所获取的断面稳定置信点集，按照最邻近插值的原则，将缺失点进行插值，获取长度为原始断面长度的稳定点-插值断面。将稳定点-插值断面进行中值滤波后再进行均值滤波，滤波窗口可以为101，则获得所求的断面参考轮廓，如图6所示。
在上述各实施例的基础上，本实施例中根据该实际横断面与所述参考轮廓之间的高程差值从该实际横断面中选择疑似裂缝点，根据所述线扫描三维数据中所有实际横断面的疑似裂缝点提取所述路面中的裂缝的步骤包括：计算实际横断面与所述理想横断面之间对应点的高程差值；将每个点对应的高程差值按从小到大的顺序进行排序；将排序结果中前面预设比例的高程差值对应的点作为疑似裂缝点；将所有所述实际横断面的疑似裂缝点进行拼接，获取所述路面中的裂缝。
具体地，将横断面E与所获取的参考轮廓进行逐点做差，获取差值数据ER。裂缝是差值数据ER中较低数据对应的点。考虑到仅仅利用固定的深度阈值获取裂缝难以适用于不同纹理背景的路面。利用裂缝在断面数据中占比较小的先验条件，对ER中的高程数据进行排序之后，选取最小的预设比例的高程差值对应的点作为疑似裂缝点，如选择最小的10％的高程差值对应的点，如图7所示。逐个断面按照上述参考轮廓及断面疑似裂缝点获取之后，进行裂缝疑似点拼接形成裂缝疑似点数据面。图8中a所示的三维路面数据得到的裂缝疑似点数据面如图8中的b所示。
将得到的裂缝疑似点数据面形成二值图，将连通域形成图像对象作为裂缝后处理基本单元。从中挑选疑似裂缝对象中面积较大、对象最小外界矩形长宽比较大和邻近对象的面积均值较大的对象，作为较为确定的裂缝对象进行提取。例如，分别求取疑似裂缝对象的面积均值A、最小外界矩形长宽比均值R以及邻近对象的面积均值SA。裂缝后处理将对象面积小于A且最小外界矩长宽比小于R的对象进行删除，将对象面积小于A且邻近对象的面积小于SA的对象进行删除。基于提取的裂缝对象可以进一步提取裂缝的信息。所获取的裂缝对象位置如图9中的a所示。对于所获取的裂缝对象的位置，从所有横断面的差值数据ER的拼接数据中获取裂缝的深度信息，如图9中的b所示。并将裂缝位置逐点对应的断面裂缝宽度作为裂缝在该位置的宽度，将裂缝连通域骨架化之后的像素点个数作为裂缝长度，从而获取裂缝的三维信息。
综上所述，本实施例的主要发明点包括：
(1)基于断面局部极值及分段稀疏的三维路面裂缝信息提取技术路线
本实施例提出一种基于断面局部极值及分段稀疏的三维路面裂缝信息提取方法，主要依据为两点：其一，路面裂缝在线扫描路面横断面一定范围内存在极值差异较大，而路面纹理背景在一定范围内的极值差异较为稳定的特性；其二，利用裂缝范围在实际路面中占比较小具备稀疏特性的先验条件。方法的主要步骤包括：(1)线扫描路面横断面数据零值处理；(2)横断面局部极值获取以及极大值极小值对(极值对)匹配；(3)极值对差值获取及极值段异常剔除；(4)极值稳定段分段稀疏表示及邻近稀疏点差值异常剔除；(5)横断面稳定置信点判断；(6)基于横断面稳定置信点的参考轮廓获取；(7)基于横断面数据与参考轮廓差值及比例的疑似裂缝点获取；(8)疑似裂缝后处理及裂缝三维信息获取。
该方法的特点是结合所求得的断面参考轮廓得到的裂缝宽度深度信息更加客观；能防止高程阈值、V型模板匹配等传统方法对于三维数据裂缝的误检测、对较浅裂缝的漏检；并且能克服不同路面纹理背景对于三维路面裂缝检测的影响。
(2)线扫描三维路面横断面局部极值获取及极值对匹配
所采集的原始三维路面数据中存在明显的行车姿态起伏信息，裂缝隐藏在这些宏观变化信息中。为了减少数据姿态起伏对于裂缝提取的影响，以及后续裂缝深度信息的提取，有必要首先获取较为准确的参考轮廓再在此基础上获取裂缝疑似点，去除姿态变形等因素对于裂缝的准确定位及三维信息获取。对于经过零值处理和高程校正的横断面数据，首先利用邻近点高程差值序列关系求取横断面局部极大值和极小值。并对各极值点邻近的极值点利用差值的正负关系进行极大值极小值匹配判断，仅仅保留极大值极小值间隔交叉的极值对匹配结果。
(3)线扫描三维路面横断面局部极值对差值获取及极值段异常剔除
本实施例在获取的横断面极值对序列位置以及对应的高程基础上，获取极值对序列逐点高程差值。将该差值进行统计直方图分布，将分布中左端和右端部分按照比例进行截断，按照裂缝占比较小的先验知识，比例设置为10％，获取直方图分布左端和右端各5％的异常值阈值，然后将差值D中超过异常阈值的所对应的极值点对进行删除，完成极值段异常剔除过程。将删除极值段高程异常的数据记为极值稳定段位置数据。
(4)断面极值稳定段分段稀疏表示及邻近稀疏点差值异常剔除
对于所获取的极值稳定段存在连续实际段的首尾点位置进行记录，记录为稀疏点集，当连续稳定段超过10的长段则每10个点的位置插入一个稀疏点，并入稀疏点集。对进行从小到大排序之后，按照步骤4中进行邻近稀疏点高程差值获取，按照直方图分布和裂缝占比较小的比例，删除其中5％的稀疏点差值异常段。将所获取的稳定段对应的点集记录为断面极值点及稀疏点差值稳定段位置数据。
(5)断面稳定置信点判断
本实施例对于所获取的稳定段位置数据，判断缺失段(断面E中非稳定段的位置)的长度，若缺失长度过大会造成稳定段拟合参考轮廓产生较大误差，则在稳定段形成置信点的基础上，进行缺失段置信点补充。具体的，若缺失段长度超过200(一般路面上裂缝宽度不会超过2cm的假设前提设定)，则将缺失段进行稳定置信点补充。将预处理后断面E进行滤波窗口为101的中值滤波＝均值滤波的滤波结果F与E的逐点高程差值DFE，将缺失段200范围内DFE最小点位置作为补充的置信点。上述稳定段置信点和补充置信点形成断面稳定置信点集。
(6)基于断面稳定置信点的参考轮廓获取
对于所获取断面稳定置信点集，按照最邻近插值的原则，将缺失点进行插值，获取长度为原始断面长度的稳定点-插值断面。将稳定点-插值断面进行滤波窗口为101的中值-均值滤波后，则获得了所求的断面参考轮廓。
(7)基于断面数据与参考轮廓差值及比例的疑似裂缝点获取
将断面E与所获取的参考轮廓进行逐点做差，获取差值数据ER。ER可认为是原始断面去除零值、去除姿态和路面变形的平整路面高程信息。裂缝是位于ER中较低的点，考虑到仅仅利用固定的深度阈值获取裂缝是难以适用于不同纹理背景的路面的事实。本实施例依旧利用裂缝在断面数据中占比较小的先验条件，对ER中高程数据进行排序之后，选取深度最大的10％的点作为疑似裂缝点。逐个断面按照上述参考轮廓及断面疑似裂缝点获取之后，进行裂缝疑似点拼接形成裂缝疑似点数据面。
综上所述，本实施例的主要优点包括：
(1)本实施例通过预处理，对三维测量传感器测量的路面断面轮廓因测量环境干扰引起的部分异常零值噪声点进行处理，获取像方断面轮廓；利用标定文件，有效校正三维测量传感器测量的路面断面轮廓中因传感器安装、激光线弧度及光强不均引起的系统误差，并进行像方向物方的转换，获取被测路面的真实的物方断面轮廓信息，为后续的裂缝检测及其属性信息提取提供了良好的数据输入。
(2)本实施例提出一种基于断面局部极值及分段稀疏的三维路面裂缝信息提取。方法主要依据为两点：其一，路面裂缝在线扫描路面横断面一定范围内存在极值差异较大，而路面纹理背景在一定范围内的极值差异较为稳定的特性，其二，利用裂缝范围在实际路面中占比较小具备稀疏特性的先验条件。该方法的整体特点是结合所求得的断面参考轮廓得到的裂缝宽度深度信息更加客观；能防止高程阈值、V型模板匹配等传统方法对于三维数据裂缝的误检测、对较浅裂缝的漏检；并且能克服不同路面纹理背景对于三维路面裂缝检测的影响。
(2)本实施例获取横断面局部极值获取并进行极值对匹配，并结合局部极值对差值获取及极值段异常剔除。这些步骤充分考虑了横断面数据中规则裂缝和不规则裂缝甚至受到噪声异物干扰的裂缝的高程形态特征，并结合路面纹理起伏高程范围有限的前提，将极值差异较大的数据段进行剔除，以利于获取横断面参考轮廓。
(3)本实施例进行断面极值稳定段分段稀疏表示及邻近稀疏点差值异常剔除，在获取的稳定段基础上进一步进行断面稳定置信点判断。这些步骤利用裂缝范围在实际路面中占比较小具备稀疏特性的先验条件，且一般路面上裂缝宽度不会超过2cm的假设前提设定对缺失段进行必要的数据补充，所稳定段置信点和补充置信点形成断面稳定置信点集。上述异常段剔除有助于提出方法防止高程阈值、V型模板匹配等传统方法对于三维数据裂缝的误检测、对较浅裂缝的漏检；并且能克服不同路面纹理背景对于三维路面裂缝检测的影响。
(4)本实施例基于断面稳定置信点进行断面参考轮廓获取。对于所获取断面稳定置信点集，按照最邻近插值的原则，将缺失点进行插值，经过滤波平滑后获得所参考轮廓。基于所获取的参考轮廓有助于更客观地得到裂缝深度及宽度信息
(5)本实施例基于断面数据与参考轮廓差值及比例设置获取疑似裂缝点。将断面E与所获取的参考轮廓进行逐点做差，获取差值数据ER。考虑到仅仅利用固定的深度阈值获取裂缝是难以适用于不同纹理背景的路面的事实。本方法依旧利用裂缝在断面数据中占比较小的先验条件，对ER中高程数据进行排序之后，选取深度最大的10％的点作为疑似裂缝点。逐个断面按照上述参考轮廓及断面疑似裂缝点获取之后，进行裂缝疑似点拼接形成裂缝疑似点数据面。这一步骤的处理也有助于自适应从各种不同路面数据中获取较为合理的裂缝疑似点，有利于方法克服不同路面纹理背景对于三维路面裂缝检测的影响。
(6)本实施例进行疑似裂缝后处理及裂缝三维信息获取。将得到的裂缝疑似点数据面形成二值图，按照连通域形成图像对象，挑选疑似裂缝对象中面积较大、对象最小外界矩形长宽比较大、邻近对象的面积均值较大的对象，作为较为确定的裂缝对象作为提取结果。对于所获取的裂缝位置，从高程差值拼接数据中对应获取裂缝的深度信息，并将裂缝位置逐点对应的断面裂缝宽度作为裂缝该位置的宽度，将裂缝连通域骨架化之后的像素点个数作为裂缝长度，获取裂缝的三维信息。所获取的裂缝三维信息中，裂缝的深度信息和宽度信息较为准确，可为路面裂缝病害信息全面提取及病害模型推演提供较好的信息支撑。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于断面局部极值及分段稀疏的三维路面裂缝提取方法，其特征在于，包括：
获取路面的线扫描三维数据，根据所述线扫描三维数据中任一实际横断面的高程数据中相邻两点的高程差值，获取该实际横断面的局部高程极大值点和局部高程极小值点，将所述局部高程极大值点和局部高程极小值点作为极值点；
选择所述极值点进行删除，使得保留的极值点按照坐标从小到大的顺序呈现局部高程极大值点和局部高程极小值点交叉排列；对保留的极值点中的异常极值点进行删除，将保留的极值点中连续的极值点构成的线段作为极值稳定段；
从所述极值稳定段中选择多个点作为稀疏点，对所述稀疏点中的异常稀疏点进行删除，将保留的稀疏点作为稳定置信点；若相邻两个稳定置信点之间的距离大于预设距离，则在所述相邻两个稳定置信点之间补充置信点，将补充的置信点和所有稳定置信点构成该实际横断面的稳定置信点集；
对所述稳定置信点集中置信点间的缺失点进行插值，获取该实际横断面对应的理想横断面，对所述理想横断面进行滤波，获取所述理想横断面的参考轮廓，根据该实际横断面与所述参考轮廓之间的高程差值从该实际横断面中选择疑似裂缝点，根据所述线扫描三维数据中所有实际横断面的疑似裂缝点提取所述路面中的裂缝。
2.根据权利要求1所述的基于断面局部极值及分段稀疏的三维路面裂缝提取方法，其特征在于，根据所述线扫描三维数据中任一实际横断面的高程数据中相邻两点的高程差值，获取该实际横断面的局部高程极大值点和局部高程极小值点，将所述局部高程极大值点和局部高程极小值点作为极值点；选择所述极值点进行删除，使得保留的极值点按照坐标从小到大的顺序呈现局部高程极大值点和局部高程极小值点交叉排列的步骤包括：
将任一实际横断面的高程数据中当前点的高程减去当前点的后一个点的高程，获取第一差值；
将当前点的前一个点的高程减去当前点的高程，获取第二差值；
若所述第一差值大于0且所述第一差值与所述第二差值的乘积小于0，则将当前点作为局部高程极大值点；
若所述第一差值小于0且所述第一差值与所述第二差值的乘积小于0，则将当前点作为局部高程极小值点；将所述极值点按照坐标从小到大的顺序进行排序；
将排序结果中任一极值点的高程减去该极值点的后一个极值点的高程，获取第三差值，并将所述第三差值按照所述第三差值对应的两个极值点中前一个极值点的坐标从小到大的顺序进行排序；
若排序结果中连续两个第三差值同为正，则删除所述连续两个第三差值中后面一个第三差值对应的两个极值点中前一个极值点；若排序结果中连续两个第三差值同为负，则删除所述连续两个第三差值中前面一个第三差值对应的两个极值点中前一个极值点，使得排序结果中保留的极值点按照坐标从小到大的顺序呈现局部高程极大值点和局部高程极小值点交叉排列。
3.根据权利要求1所述的基于断面局部极值及分段稀疏的三维路面裂缝提取方法，其特征在于，对保留的极值点中的异常极值点进行删除的步骤包括：
对保留的极值点按照坐标从小到大的顺序进行排序；
将排序结果中任一极值点减去该极值点的后一个极值点，获取第四差值；
对所述第四差值进行统计，获取所述第四差值的直方图分布；
将所述直方图分布中左端和右端预设比例的第四差值对应的极值点作为异常极值点进行删除。
4.根据权利要求1-3任一所述的基于断面局部极值及分段稀疏的三维路面裂缝提取方法，其特征在于，从所述极值稳定段中选择多个点作为稀疏点，对所述稀疏点中的异常稀疏点进行删除的步骤包括：
将所述极值稳定段的第一个点和最后一个点作为稀疏点；
若所述极值稳定段的长度超过预设长度，则从所述极值稳定段中每隔所述预设长度取一个点作为稀疏点；
对所述稀疏点按照坐标从小到大的顺序进行排序；
将排序结果中任一稀疏点减去该稀疏点的后一个稀疏点，获取第五差值；
对所述第五差值进行统计，获取所述第五差值的直方图分布；
将所述直方图分布中左端和右端预设比例的第五差值对应的稀疏点作为异常稀疏点进行删除。
5.根据权利要求1-3任一所述的基于断面局部极值及分段稀疏的三维路面裂缝提取方法，其特征在于，若相邻两个稳定置信点之间的距离大于预设距离，则在所述相邻两个稳定置信点之间补充置信点的步骤包括：
对所述实际横断面进行中值滤波后再进行均值滤波；
计算均值滤波结果与所述实际横断面之间的差值；
若相邻两个稳定置信点之间的距离大于预设距离，则将所述相邻两个稳定置信点之间差值最小的点作为补充的置信点。
6.根据权利要求1-3任一所述的基于断面局部极值及分段稀疏的三维路面裂缝提取方法，其特征在于，对所述稳定置信点集中置信点间的缺失点进行插值，获取该实际横断面对应的理想横断面，对所述理想横断面进行滤波，获取所述理想横断面的参考轮廓的步骤包括：
根据所述稳定置信点集，基于最近邻插值方法对所述稳定置信点集中置信点间的缺失点进行插值，将差值后获取的横断面作为所述理想横断面；
对所述理想横断面进行中值滤波后再进行均值滤波，将均值滤波结果作为所述理想横断面的参考轮廓。
7.根据权利要求1-3任一所述的基于断面局部极值及分段稀疏的三维路面裂缝提取方法，其特征在于，根据该实际横断面与所述参考轮廓之间的高程差值从该实际横断面中选择疑似裂缝点，根据所述线扫描三维数据中所有实际横断面的疑似裂缝点提取所述路面中的裂缝的步骤包括：
计算实际横断面与所述理想横断面之间对应点的高程差值；
将每个点对应的高程差值按从小到大的顺序进行排序；
将排序结果中前面预设比例的高程差值对应的点作为疑似裂缝点；
将所有所述实际横断面的疑似裂缝点进行拼接，获取所述路面中的裂缝。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010738479.4A CN111968079B (zh) | 2020-07-28 | 2020-07-28 | 基于断面局部极值及分段稀疏的三维路面裂缝提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010738479.4A CN111968079B (zh) | 2020-07-28 | 2020-07-28 | 基于断面局部极值及分段稀疏的三维路面裂缝提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111968079A true CN111968079A (zh) | 2020-11-20 |
| CN111968079B CN111968079B (zh) | 2023-11-17 |
Family
ID=73363109
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010738479.4A Active CN111968079B (zh) | 2020-07-28 | 2020-07-28 | 基于断面局部极值及分段稀疏的三维路面裂缝提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111968079B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114049294A (zh) * | 2021-09-26 | 2022-02-15 | 武汉光谷卓越科技股份有限公司 | 基于三维轮廓的路面技术状况检测方法及设备 |
| CN114638805A (zh) * | 2022-03-21 | 2022-06-17 | 武汉纵横天地空间信息技术有限公司 | 一种轨道板裂缝检测方法、系统及存储介质 |
| WO2023115754A1 (zh) * | 2021-12-21 | 2023-06-29 | 武汉光谷卓越科技股份有限公司 | 基于精密三维的路面错台检测方法及装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130068224A (ko) * | 2011-12-15 | 2013-06-26 | 여우순엽 | 지상라이다부·무타켓토탈스테이션부·사면지형 변위 제어모듈의 트레블측량제어를 통한 사면지형 변위 모니터링장치 및 방법 |
| CN104008553A (zh) * | 2014-06-17 | 2014-08-27 | 武汉武大卓越科技有限责任公司 | 融合影像梯度方向直方图和分水岭方法的裂缝检测方法 |
| CN107462204A (zh) * | 2017-09-21 | 2017-12-12 | 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 |
| CN108007355A (zh) * | 2017-10-20 | 2018-05-08 | 西安电子科技大学 | 基于图像距离变换的混凝土裂缝检测方法 |
| CN108038883A (zh) * | 2017-12-06 | 2018-05-15 | 陕西土豆数据科技有限公司 | 一种应用于公路路面视频图像的裂缝检测及识别方法 |
| CN108710730A (zh) * | 2018-04-28 | 2018-10-26 | 东南大学 | 基于多点检测数据的车辙横断面类型识别与指标提取方法 |
| CN108765376A (zh) * | 2018-05-03 | 2018-11-06 | 武汉武大卓越科技有限责任公司 | 一种线扫描三维路面数据成分分析方法 |
| CN109711333A (zh) * | 2018-12-26 | 2019-05-03 | 西安科技大学 | 基于信号区段分割的超声信号接收及处理方法 |
| US20190347854A1 (en) * | 2018-05-11 | 2019-11-14 | Canon Kabushiki Kaisha | System and method for processing a graphic object |
| CN110473187A (zh) * | 2019-08-08 | 2019-11-19 | 武汉武大卓越科技有限责任公司 | 一种面向对象的线扫描三维路面裂缝提取方法 |
| JP2019211277A (ja) * | 2018-06-01 | 2019-12-12 | 富士フイルム株式会社 | ひび割れ変化判定装置および方法 |
| CN111402227A (zh) * | 2020-03-13 | 2020-07-10 | 河海大学常州校区 | 一种桥梁裂缝检测方法 |
-
2020
- 2020-07-28 CN CN202010738479.4A patent/CN111968079B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130068224A (ko) * | 2011-12-15 | 2013-06-26 | 여우순엽 | 지상라이다부·무타켓토탈스테이션부·사면지형 변위 제어모듈의 트레블측량제어를 통한 사면지형 변위 모니터링장치 및 방법 |
| CN104008553A (zh) * | 2014-06-17 | 2014-08-27 | 武汉武大卓越科技有限责任公司 | 融合影像梯度方向直方图和分水岭方法的裂缝检测方法 |
| CN107462204A (zh) * | 2017-09-21 | 2017-12-12 | 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 |
| CN108007355A (zh) * | 2017-10-20 | 2018-05-08 | 西安电子科技大学 | 基于图像距离变换的混凝土裂缝检测方法 |
| CN108038883A (zh) * | 2017-12-06 | 2018-05-15 | 陕西土豆数据科技有限公司 | 一种应用于公路路面视频图像的裂缝检测及识别方法 |
| CN108710730A (zh) * | 2018-04-28 | 2018-10-26 | 东南大学 | 基于多点检测数据的车辙横断面类型识别与指标提取方法 |
| CN108765376A (zh) * | 2018-05-03 | 2018-11-06 | 武汉武大卓越科技有限责任公司 | 一种线扫描三维路面数据成分分析方法 |
| US20190347854A1 (en) * | 2018-05-11 | 2019-11-14 | Canon Kabushiki Kaisha | System and method for processing a graphic object |
| JP2019211277A (ja) * | 2018-06-01 | 2019-12-12 | 富士フイルム株式会社 | ひび割れ変化判定装置および方法 |
| CN109711333A (zh) * | 2018-12-26 | 2019-05-03 | 西安科技大学 | 基于信号区段分割的超声信号接收及处理方法 |
| CN110473187A (zh) * | 2019-08-08 | 2019-11-19 | 武汉武大卓越科技有限责任公司 | 一种面向对象的线扫描三维路面裂缝提取方法 |
| CN111402227A (zh) * | 2020-03-13 | 2020-07-10 | 河海大学常州校区 | 一种桥梁裂缝检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| QINGQUAN LI等: "3D laser imaging and sparse points grouping for pavement crack detection", 《2017 25TH EUROPEAN SIGNAL PROCESSING CONFERENCE (EUSIPCO)》 * |
| 刘梅余;鲍峰;欧建良;: "基于规则格网数据断面极值法的一种改进方法", 现代测绘, no. 03 * |
| 李保险: "基于路面三维图像的沥青路面裂缝自动识别算法", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 李清泉等: "利用高精度三维测量技术进行路面破损检测", 《武汉大学学报(信息科学版)》, vol. 42, no. 11 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114049294A (zh) * | 2021-09-26 | 2022-02-15 | 武汉光谷卓越科技股份有限公司 | 基于三维轮廓的路面技术状况检测方法及设备 |
| CN114049294B (zh) * | 2021-09-26 | 2023-04-25 | 武汉光谷卓越科技股份有限公司 | 基于三维轮廓的路面技术状况检测方法及设备 |
| WO2023115754A1 (zh) * | 2021-12-21 | 2023-06-29 | 武汉光谷卓越科技股份有限公司 | 基于精密三维的路面错台检测方法及装置 |
| CN114638805A (zh) * | 2022-03-21 | 2022-06-17 | 武汉纵横天地空间信息技术有限公司 | 一种轨道板裂缝检测方法、系统及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111968079B (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107463918B (zh) | 基于激光点云与影像数据融合的车道线提取方法 | |
| CN111968079B (zh) | 基于断面局部极值及分段稀疏的三维路面裂缝提取方法 | |
| CN108629775B (zh) | 一种热态高速线材表面图像处理方法 | |
| CN108132017B (zh) | 一种基于激光视觉系统的平面焊缝特征点提取方法 | |
| JP6620477B2 (ja) | コンクリートのひび割れ検出方法及び検出プログラム | |
| CN107633516B (zh) | 一种识别路面变形类病害的方法和装置 | |
| CN108319920B (zh) | 一种基于线扫描三维点云的路面标线检测及参数计算方法 | |
| CN110210477B (zh) | 一种数字式仪表读数识别方法 | |
| CN110473187B (zh) | 一种面向对象的线扫描三维路面裂缝提取方法 | |
| CN117237368B (zh) | 一种桥梁裂缝检测方法及系统 | |
| CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
| CN107358628B (zh) | 基于靶标的线阵图像处理方法 | |
| CN107392849B (zh) | 基于图像细分的靶标识别与定位方法 | |
| CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
| CN107705294B (zh) | 一种十字激光的图像式路基表面沉降监测方法和监测系统 | |
| CN115082466B (zh) | 一种pcb表面焊点缺陷检测方法及系统 | |
| CN107798293A (zh) | 一种道路裂缝检测装置 | |
| JP5806786B1 (ja) | 画像認識装置 | |
| CN110288571B (zh) | 一种基于图像处理的高铁接触网绝缘子异常检测方法 | |
| CN111260708A (zh) | 一种线结构光中心提取方法及系统 | |
| CN114581805A (zh) | 一种采用3d线激光轮廓技术的涂敷辊面缺陷检测方法 | |
| CN116630813A (zh) | 一种公路路面施工质量智能检测系统 | |
| CN110705553B (zh) | 一种适用于车辆远景图像的划痕检测方法 | |
| CN115953550A (zh) | 针对线结构光扫描的点云离群点剔除系统及方法 | |
| CN111178210B (zh) | 一种十字标记的图像识别及对准方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 430223 No.6, 4th Road, Wuda Science Park, Donghu high tech Zone, Wuhan City, Hubei Province Applicant after: Wuhan Wuda excellence Technology Co.,Ltd. Address before: 430223 No.6, 4th Road, Wuda Science Park, Donghu high tech Zone, Wuhan City, Hubei Province Applicant before: WUHAN WUDA ZOYON SCIENCE AND TECHNOLOGY Co.,Ltd. Address after: 430223 No.6, 4th Road, Wuda Science Park, Donghu high tech Zone, Wuhan City, Hubei Province Applicant after: Wuhan Optical Valley excellence Technology Co.,Ltd. Address before: 430223 No.6, 4th Road, Wuda Science Park, Donghu high tech Zone, Wuhan City, Hubei Province Applicant before: Wuhan Wuda excellence Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |