CN112598638A - 一种基于激光点云数据的路面裂缝检测方法 - Google Patents
一种基于激光点云数据的路面裂缝检测方法 Download PDFInfo
- Publication number
- CN112598638A CN112598638A CN202011524236.7A CN202011524236A CN112598638A CN 112598638 A CN112598638 A CN 112598638A CN 202011524236 A CN202011524236 A CN 202011524236A CN 112598638 A CN112598638 A CN 112598638A
- Authority
- CN
- China
- Prior art keywords
- crack
- cloud data
- image obtained
- point cloud
- pavement
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000001629 suppression Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 10
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于激光点云数据的路面裂缝检测方法，包括以下步骤：(1)采集路面激光点云数据；(2)对采集的激光点云数据进行预处理；(3)利用裂缝特征与噪声特征对步骤(2)处理后的图像进行噪声抑制与图像增强；(4)对步骤(3)处理后的图像进行二值化处理；(5)定义裂缝种子点，结合裂缝全局特征与局部特征确定裂缝生长、裂缝连接与噪声去除规则，对步骤(4)得到的图像进行裂缝生长、裂缝连接与噪声去除，得到最终的检测结果。本发明结合了路面激光点云数据的优势以及路面裂缝检测的需求，能够实现准确、自动化的路面裂缝检测，为后续的路面养护工作提供可靠的决策依据。
Description
技术领域
本发明涉及一种基于激光点云数据的路面裂缝检测方法，属于路面裂缝检测领域以及图像处理技术领域。
背景技术
为了适应经济的快速发展需求，公路网规模不断扩大，公路养护里程不断增加。路面裂缝作为路面病害的主要形式，会在自然因素与车辆载荷的作用下持续破坏道路结构，降低行车安全性，是公路养护的重点对象。因此，高效的路面裂缝检测方法是进行有效道路养护的前提。
传统的人工巡检方法危险性大，会影响正常交通的运行，且检测结果易受检测人主观影响，难以满足目前准确、高效的自动化检测需求。基于二维数字图像进行路面裂缝检测虽然经过长时间的研究发展，已经能够实现自动化检测，但基于二维数字图像所提取的特征易受外部因素如角度、光照的影响，检测结果对外界条件敏感。
激光点云数据作为一种新的数据形式，不仅能够提供空间位置信息，而且不易受外界因素干扰，因此基于激光点云数据的目标检测得到了广泛研究。但是基于激光点云数据的目标检测仍存在一些缺陷。首先，激光点云数据维度的增加导致了数据量的激增，对数据存储与处理提出了更高的要求。其次，激光点云数据的组织形式复杂无序，难以直接使用图像检测领域已经较为成熟的深度学习框架。最后，激光点云数据的高分辨率也进一步凸显了路面噪声，对路面裂缝检测产生了一定的干扰。因此，基于激光点云数据的路面裂缝检测方法仍不成熟。
综上所述，如何将激光点云数据的优势与路面裂缝检测的需求相结合，以克服现有路面裂缝检测方法中的不足，是目前路面裂缝检测领域的重要任务。
发明内容
针对以上人工巡检以及基于传统二维数字图像的裂缝检测存在的缺陷，本发明提出一种基于激光点云数据的路面裂缝检测方法，将激光点云数据的优势与路面裂缝检测的需求相结合，实现准确、高效的路面裂缝检测。
本发明为解决上述技术问题采用以下技术方案：
一种基于激光点云数据的路面裂缝检测方法，包括以下步骤：
(1)采集路面激光点云数据；
(2)对步骤(1)中采集的激光点云数据进行预处理：
(2-1)根据激光点云数据排列形式，对激光点云数据进行解析，将解析所得z坐标归一化至0-255范围内，将归一化后的z坐标作为二维图像的灰度，得到路面扫描图像；
(2-2)对(2-1)得到的路面扫描图像进行裁剪；
(3)利用裂缝特征与噪声特征对步骤(2)得到的图像依次进行噪声抑制与图像增强；
(4)对步骤(3)得到的图像进行二值化处理；
(5)定义裂缝种子点，结合裂缝全局特征与局部特征确定裂缝生长、裂缝连接与噪声去除规则，对步骤(4)得到的图像进行裂缝生长、裂缝连接与噪声去除，得到路面裂缝检测结果。
进一步，步骤(1)中将激光扫描仪安装在检测车上，在检测车行驶过程中采集路面激光点云数据。
进一步，步骤(3)具体为：
(3-1)对步骤(2)得到的图像进行限制对比度自适应局部直方图均衡化；
(3-2)对步骤(3-1)得到的图像利用巴特沃斯带阻滤波器进行噪声抑制；
(3-3)对步骤(3-2)得到的图像进行限制对比度自适应局部直方图均衡化；
(3-4)对步骤(3-3)得到的图像使用双边滤波进行噪声抑制；
(3-5)对步骤(3-4)得到的图像使用分数阶微分增强裂缝边缘，其中分数阶模板如下：
进一步，步骤(4)具体为：将步骤(3)得到的图像中灰度值小于等于设定阈值的像素点的灰度值设为255，其余像素点的灰度值设为0。
进一步，步骤(5)具体为：
(5-1)定义裂缝种子点为步骤(4)得到的图像中灰度为255且处于未访问状态的像素点，创建第一队列以存放裂缝种子点；
(5-2)确定裂缝生长规则：如果裂缝种子点八邻域内的某一像素点满足①处于未访问状态、②与裂缝种子点的灰度差在设定范围内、③该像素点的灰度小于设定灰度，则将该像素点的灰度值设为255且标记为已访问状态，并加入第一队列；
(5-3)定义裂缝为图像中灰度值为255的像素点组成的连通域；
(5-4)遍历步骤(4)得到的图像的像素点，若当前像素点满足裂缝种子点定义则将其加入第一队列并暂停遍历，执行步骤(5-5)；
(5-5)选择第一队列内首点并将该点从第一队列中删除，根据裂缝生长规则进行裂缝生长，裂缝生长后，若第一队列不为空，则重复执行本步骤直至第一队列为空，否则执行步骤(5-6)；
(5-6)若第一队列为空且步骤(4)得到的图像的像素点未完成遍历，则返回步骤(5-4)；若第一队列为空且步骤(4)得到的图像的像素点完成遍历，则裂缝生长过程结束，执行步骤(5-7)；
(5-7)裂缝连接：创建第二队列，遍历步骤(5-6)得到的图像的像素点，如果当前像素点灰度值为0，则以该像素点为中心像素点，在半径为r个像素点的范围内分别计算该像素点0°、45°、135°和180°四个方向上灰度值为255的像素点个数m，若在某一方向上满足该方向上两个端点灰度值都为255和m大于设定阈值，则将该方向上所有灰度值为0的像素点的灰度值都置为255并保存像素点坐标至第二队列；
(5-8)噪声去除：遍历步骤(5-7)得到的图像中的裂缝，将裂缝作为连通域，若某连通域的x坐标差的最大值Mx小于第一设定值t1且y坐标差的最大值My小于第二设定值t2且该连通域的像素点(包含边缘点)个数C小于第三设定值t3，则将该连通域作为噪声去除；
(5-9)将步骤(5-7)得到的第二队列中像素点的灰度值都重新置为0，得到路面裂缝的检测结果。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
本发明适应了路面裂缝自动化检测的发展趋势，结合激光点云数据的优势与路面裂缝检测的需求，提出了一种基于激光点云数据的路面裂缝检测方法。通过数据形式的转换，在降低数据量的同时利用了激光点云数据抗干扰性强的特点。通过多重噪声抑制，有效的抑制了车辆震动以及高分辨率对路面裂缝检测造成的干扰。结合裂缝的全局特征与局部特征进行裂缝生长、裂缝连接与噪声去除，对各种形式裂缝都能够达到较好的检测效果。
附图说明
图1为本发明实施的基于激光点云数据的裂缝检测方法的整体工作流程图；
图2为输入的原始激光点云数据三维可视化图；
图3为经过预处理得到的路面裂缝图像；
图4为经过噪声抑制与图像增强得到的路面裂缝图像；
图5为基于激光点云数据的路面裂缝检测方法的分割效果图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
为更加清晰易懂地突出本发明的特点与优点，下面将结合本发明实施例中的附图，对本发明的技术方案进行描述，具体实施方式如下。
如图1所示，一种基于激光点云数据的路面裂缝检测方法包括以下步骤：
(1)采集路面激光点云数据；
(2)对采集的激光点云数据进行预处理；
(3)利用裂缝特征与噪声特征对步骤(2)处理后的图像进行噪声抑制与图像增强；
(4)对步骤(3)处理后的图像进行二值化处理；
(5)定义裂缝种子点，结合裂缝全局特征与局部特征确定裂缝生长、裂缝连接与噪声去除规则，对步骤(4)得到的图像进行裂缝生长、裂缝连接与噪声去除，得到最终的检测结果。
步骤(1)中，将激光扫描仪安装在检测车上，在检测车行驶过程中采集路面激光点云数据。
步骤(2)中，对采集的激光点云数据进行预处理的过程为：
(2-1)根据激光点云数据文件排列形式，对激光点云数据进行解析，将解析所得z坐标作归一化至0-255范围内的某一数值，将该数值作为二维图像的灰度，得到对应的路面扫描图像；
(2-2)对步骤(2-1)得到的图像进行统一尺寸的裁剪，去除由于扫描范围限制而产生的无效点。
步骤(3)中，利用裂缝特征与噪声特征对步骤(2)处理后的图像进行噪声抑制与图像增强的过程为：
(3-1)对步骤(2)得到的图像进行限制对比度自适应局部直方图均衡化，增强局部对比度；
(3-2)利用巴特沃斯带阻滤波器作用于步骤(3-1)得到的图像，抑制由于车辆行驶过程中的震动引起的噪声；
(3-3)对步骤(3-2)得到的图像进行限制对比度自适应局部直方图均衡化，增强局部对比度；
(3-4)对步骤(3-3)得到的图像使用双边滤波，在减少坑洼引起的噪声的同时保留裂缝边缘信息；
(3-5)对步骤(3-4)得到的图像使用分数阶微分增强裂缝边缘，使用的分数阶模板如下：
步骤(4)中，对步骤(3)处理后的图像进行二值化处理的过程为：
判断步骤(3)处理后得到图像中像素点的灰度值与设定阈值的大小关系，将灰度值小于等于阈值的点灰度设为255，其余的点灰度设为0，生成二值化图。
步骤(5)中，定义裂缝种子点，结合裂缝全局特征与局部特征确定裂缝生长、裂缝连接与噪声去除规则，对步骤(4)得到的图像进行裂缝生长、裂缝连接与噪声去除的过程为：
(5-1)定义裂缝种子点为步骤(4)得到的图像中灰度为255且处于未访问状态的像素点。创建第一队列，用于存放裂缝种子点；
(5-2)确定裂缝生长规则。以步骤(3)得到的图像为参考，如果裂缝种子点八邻域的某一点满足1.处于未访问状态、2.与裂缝种子点的灰度差在一定范围内、3.该点灰度值小于某一灰度，则将该点灰度值设为255，标记为已访问状态，并加入第一队列；
(5-3)定义裂缝为图像中灰度值为255的像素点组成的连通域；
(5-4)遍历步骤(4)得到的二值化图的像素点，若当前像素点满足裂缝种子点定义则将其加入第一队列并暂停遍历，执行步骤(5-5)；
(5-5)选择第一队列内首点并将该点从队列中删除，根据裂缝生长规则进行裂缝生长。裂缝生长后，若第一队列不为空，则重复执行本步骤直至第一队列为空，否则执行步骤(5-6)；
(5-6)若第一队列为空且步骤(5-4)中图像遍历未完成，则返回步骤(5-4)，继续遍历像素点；当第一队列为空且步骤(5-4)中图像遍历完成时，则裂缝生长过程结束，执行步骤(5-7)；
(5-7)裂缝连接：创建第二队列，遍历(5-6)得到的图像的像素点，如果当前像素点灰度值为0，则以该像素点为中心像素点，在半径为r个像素点的范围内分别计算该像素点0°、45°、135°和180°四个方向上灰度值为255的像素点个数m，若在某一方向上满足该方向上两个端点灰度值都为255和m大于设定阈值，则将该方向上所有灰度值为0的像素点的灰度值都置为255并保存像素点坐标至第二队列；
(5-8)噪声去除：遍历步骤(5-7)得到的图像中的裂缝组成的连通域，计算该连通域的x坐标差的最大值Mx、y坐标差的最大值My与像素点个数C，若满足Mx小于设定值t1、My小于设定值t2且像素点个数C小于设定值t3，则将该连通域作为噪声去除；
(5-9)将步骤(5-7)所创建的第二队列中像素点的灰度值都重新置为0，得到最终的检测结果。
图2为输入的原始激光点云数据三维可视化图，图3为经过预处理后得到的路面裂缝图像(3880×1760)，图4为经过噪声抑制与图像增强得到的路面裂缝图像，图5为基于激光点云数据的路面裂缝检测方法的分割效果图，其中背景图像为经过巴特沃斯滤波器降噪后的裂缝图像，灰度为0的像素点代表检测出的裂缝区域。从图中可以看到本发明能够较有效的排除裂缝图像中坑洼、扫描设备抖动引起的干扰，对于细小裂缝也有较好的检测效果。
本发明方案虽然通过以上实施方式阐述了技术手段，但这种描述方式仅仅是为清晰展现发明详情，本发明方案还包括由以上技术手段进行任意组合或替换所形成的技术方案。本技术领域的技术人员可以在不脱离本发明原理的前提下，对本发明做出修改、组合或替换，形成适用于本领域的其他实施方式。
Claims (5)
1.一种基于激光点云数据的路面裂缝检测方法，其特征在于，包括以下步骤：
步骤(1)，采集路面激光点云数据；
步骤(2)，对步骤(1)中采集的激光点云数据进行预处理：
(2-1)根据激光点云数据排列形式，对激光点云数据进行解析，将解析所得z坐标归一化至0-255范围内，将归一化后的z坐标作为二维图像的灰度，得到路面扫描图像；
(2-2)对(2-1)得到的路面扫描图像进行裁剪；
步骤(3)，利用裂缝特征与噪声特征对步骤(2)得到的图像依次进行噪声抑制与图像增强；
步骤(4)，对步骤(3)得到的图像进行二值化处理；
步骤(5)，定义裂缝种子点，结合裂缝全局特征与局部特征确定裂缝生长、裂缝连接与噪声去除规则，对步骤(4)得到的图像进行裂缝生长、裂缝连接与噪声去除，得到路面裂缝检测结果。
2.如权利要求1所述的一种基于激光点云数据的路面裂缝检测方法，其特征在于，步骤(1)中将激光扫描仪安装在检测车上，在检测车行驶过程中采集路面激光点云数据。
3.如权利要求1所述的一种基于激光点云数据的路面裂缝检测方法，其特征在于，步骤(3)具体为：
(3-1)对步骤(2)得到的图像进行限制对比度自适应局部直方图均衡化；
(3-2)对步骤(3-1)得到的图像利用巴特沃斯带阻滤波器进行噪声抑制；
(3-3)对步骤(3-2)得到的图像进行限制对比度自适应局部直方图均衡化；
(3-4)对步骤(3-3)得到的图像使用双边滤波进行噪声抑制；
(3-5)对步骤(3-4)得到的图像使用分数阶微分增强裂缝边缘，其中分数阶模板如下：
4.如权利要求1所述的一种基于激光点云数据的路面裂缝检测方法，其特征在于，步骤(4)具体为：将步骤(3)得到的图像中灰度值小于等于设定阈值的像素点的灰度值设为255，其余像素点的灰度值设为0。
5.如权利要求1所述的一种基于激光点云数据的路面裂缝检测方法，其特征在于，步骤(5)具体为：
(5-1)定义裂缝种子点为步骤(4)得到的图像中灰度为255且处于未访问状态的像素点，创建第一队列以存放裂缝种子点；
(5-2)确定裂缝生长规则：如果裂缝种子点八邻域内的某一像素点满足①处于未访问状态、②与裂缝种子点的灰度差在设定范围内、③该像素点的灰度小于设定灰度，则将该像素点的灰度值设为255且标记为已访问状态，并加入第一队列；
(5-3)定义裂缝为图像中灰度值为255的像素点组成的连通域；
(5-4)遍历步骤(4)得到的图像的像素点，若当前像素点满足裂缝种子点定义则将其加入第一队列并暂停遍历，执行步骤(5-5)；
(5-5)选择第一队列内首点并将该点从第一队列中删除，根据裂缝生长规则进行裂缝生长，裂缝生长后，若第一队列不为空，则重复执行本步骤直至第一队列为空，否则执行步骤(5-6)；
(5-6)若第一队列为空且步骤(4)得到的图像的像素点未完成遍历，则返回步骤(5-4)；若第一队列为空且步骤(4)得到的图像的像素点完成遍历，则裂缝生长过程结束，执行步骤(5-7)；
(5-7)裂缝连接：创建第二队列，遍历步骤(5-6)得到的图像的像素点，如果当前像素点灰度值为0，则以该像素点为中心像素点，在半径为r个像素点的范围内分别计算该像素点0°、45°、135°和180°四个方向上灰度值为255的像素点个数m，若在某一方向上满足该方向上两个端点灰度值都为255和m大于设定阈值，则将该方向上所有灰度值为0的像素点的灰度值都置为255并保存像素点坐标至第二队列；
(5-8)噪声去除：遍历步骤(5-7)得到的图像中的裂缝，将裂缝作为连通域，若某连通域的x坐标差的最大值Mx小于第一设定值t1且y坐标差的最大值My小于第二设定值t2且该连通域的像素点个数C小于第三设定值t3，则将该连通域作为噪声去除；
(5-9)将步骤(5-7)得到的第二队列中像素点的灰度值都重新置为0，得到路面裂缝的检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011524236.7A CN112598638B (zh) | 2020-12-22 | 2020-12-22 | 一种基于激光点云数据的路面裂缝检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011524236.7A CN112598638B (zh) | 2020-12-22 | 2020-12-22 | 一种基于激光点云数据的路面裂缝检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112598638A true CN112598638A (zh) | 2021-04-02 |
| CN112598638B CN112598638B (zh) | 2024-04-09 |
Family
ID=75199909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011524236.7A Active CN112598638B (zh) | 2020-12-22 | 2020-12-22 | 一种基于激光点云数据的路面裂缝检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112598638B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113469990A (zh) * | 2021-07-15 | 2021-10-01 | 绍兴文理学院 | 路面病害检测方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103870833A (zh) * | 2014-03-31 | 2014-06-18 | 武汉工程大学 | 基于凹性测度的路面裂缝提取与测评方法 |
| US20180137612A1 (en) * | 2015-04-27 | 2018-05-17 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
-
2020
- 2020-12-22 CN CN202011524236.7A patent/CN112598638B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103870833A (zh) * | 2014-03-31 | 2014-06-18 | 武汉工程大学 | 基于凹性测度的路面裂缝提取与测评方法 |
| US20180137612A1 (en) * | 2015-04-27 | 2018-05-17 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113469990A (zh) * | 2021-07-15 | 2021-10-01 | 绍兴文理学院 | 路面病害检测方法及装置 |
| CN113469990B (zh) * | 2021-07-15 | 2024-01-05 | 绍兴文理学院 | 路面病害检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112598638B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lee et al. | Segmentation of SAR images | |
| Sun et al. | Automated pavement distress detection using advanced image processing techniques | |
| CN108416789A (zh) | 图像边缘检测方法及系统 | |
| CN109377450B (zh) | 一种边缘保护的去噪方法 | |
| CN108665466B (zh) | 一种道路激光点云中路面病害自动提取方法 | |
| Horng et al. | Using sorted switching median filter to remove high-density impulse noises | |
| CN109118453B (zh) | 一种背景抑制的图像处理方法 | |
| CN114677601A (zh) | 一种基于无人机巡检的结合深度学习的大坝裂缝检测方法 | |
| CN113034452A (zh) | 一种焊件轮廓检测方法 | |
| CN105719275A (zh) | 一种并行组合的图像缺陷分割方法 | |
| CN103455985B (zh) | 基于Hessian结构分析的道路裂缝增强方法 | |
| CN112308872A (zh) | 基于多尺度Gabor一阶导数的图像边缘检测方法 | |
| CN115861359A (zh) | 一种水面漂浮垃圾图像自适应分割提取方法 | |
| CN112598638B (zh) | 一种基于激光点云数据的路面裂缝检测方法 | |
| CN111709964A (zh) | 一种pcba目标边缘检测方法 | |
| CN111091107A (zh) | 一种人脸区域边缘检测方法、装置及存储介质 | |
| CN116912115A (zh) | 一种水下图像自适应增强方法、系统、设备及存储介质 | |
| CN116630321A (zh) | 基于人工智能的桥梁健康智能监测系统 | |
| CN114693543B (zh) | 图像降噪方法及装置、图像处理芯片、图像采集设备 | |
| Xiong et al. | Research on an Edge Detection Algorithm of Remote Sensing Image Based on Wavelet Enhancement and Morphology. | |
| CN109242797B (zh) | 基于均质和异质区域融合的图像去噪方法、系统及介质 | |
| Jia et al. | A piecewise nonlinear enhancement method of side scan sonar images | |
| CN111915633A (zh) | 一种铸件边缘检测方法及装置 | |
| CN113487496B (zh) | 一种基于像素类型推断的图像去噪方法、系统及装置 | |
| CN112070765B (zh) | 一种基于双边滤波结合改进的otsu的布匹检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |