CN113469990A - 路面病害检测方法及装置 - Google Patents

路面病害检测方法及装置 Download PDF

Info

Publication number
CN113469990A
CN113469990A CN202110798012.3A CN202110798012A CN113469990A CN 113469990 A CN113469990 A CN 113469990A CN 202110798012 A CN202110798012 A CN 202110798012A CN 113469990 A CN113469990 A CN 113469990A
Authority
CN
China
Prior art keywords
area
disease
dimensional
pavement
detected
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
Application number
CN202110798012.3A
Other languages
English (en)
Other versions
CN113469990B (zh
Inventor
王卫星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shaoxing
Original Assignee
University of Shaoxing
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shaoxing filed Critical University of Shaoxing
Priority to CN202110798012.3A priority Critical patent/CN113469990B/zh
Publication of CN113469990A publication Critical patent/CN113469990A/zh
Application granted granted Critical
Publication of CN113469990B publication Critical patent/CN113469990B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/70Denoising; Smoothing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/60Analysis of geometric attributes
    • G06T7/62Analysis of geometric attributes of area, perimeter, diameter or volume
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10004Still image; Photographic image
    • G06T2207/10012Stereo images

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种路面病害检测方法及装置,通过分割三维点云数据对应的投影二维图像得到可能存在病害的第一病害区域,通过分割二维灰度图像得到可能存在病害的第二病害区域,由于二维灰度图像比三维点云数据对应的投影二维图像的质量好,因此通过第二病害区域对第一病害区域进行进一步地修正,以筛选掉受到杂质干扰的误判为存在路面病害的第一病害区域,而选择出实际存在路面病害处的第一病害区域作为待检测区域,然后对待检测区域中的路面病害处进行检测,并获取路面病害处的三维参数,由此降低仅基于三维点云数据检测的误检率和过检率,并且能提高检测效率。

Description

路面病害检测方法及装置
技术领域
本发明属于路面检测技术领域,更具体地,涉及一种路面病害检测方法及装置。
背景技术
二维测量得到的二维灰度图像,但是由于二维灰度图像只能反应路面的灰度信息,无法反应路面的深度信息,并且如果路面与裂缝或坑槽边缘的灰度差较小时,则无法反应车辙、壅包及沉陷等损坏程度,因此导致二维测量无法对路面病害进行精确的测量。
目前,随着基于线阵激光扫描的三维测量技术的发展,路面病害检测可以通过三维测量技术获得三维点云数据,三维点云数据可以反应路面的深度信息,能充分实现裂缝、车辙和坑槽等路面病害的三维检测,大大降低误检率、过检率及漏检率。
但是,目前的三维检测基本都只是基于三维点云数据,但是三维点云数据只是基于线阵激光扫描来获取路面的深度信息,线的间距多为厘米级,很难检测出病害处的三维细节。另外,三维点云数据依次只能获取单一视角的点云,无法反应病害处的全貌,在复杂环境下还存在较多缺陷,例如当路面正常处或病害处存在杂质如杂草、雨雪、细小砂砾等时,一方面会将正常处的杂质误当做病害处进行测量,另一方面会扩大病害处的病害深度或病害面积,使得三维点云数据的噪音较大,这容易提高三维检测的误检率和过检率,并且降低了检测效率。即使根据三维点云数据投影得到的二维灰度图像进行检测,利用现有的点云算法对病害处的检测准确性还是不够高。
因此,目前亟需提出一种结合三维点云信息和二维灰度图像的路面病害检测方法及装置,以减少仅依据三维点云数据难以检测病害细节,且容易受到杂质影响的问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种路面病害检测方法及装置,其目的在于结合三维点云信息和二维灰度图像进行路面病害检测,由此解决减少仅依据三维点云数据难以检测病害细节,且容易受到杂质影响的技术问题。
按照本发明的第一方面,提供了一种路面病害检测方法,该路面检测包括以下步骤:
S1、采集待检测路面的三维点云数据和二维灰度图像;
S2、获取所述三维点云数据对应的投影二维灰度图像,并分别对所述投影二维灰度图像和所述二维灰度图像进行二值化处理;
S3、基于水平集分割算法,根据经过二值化处理的所述投影二维灰度图像确定第一病害区域,所述第一病害区域的面积大于第一预设阈值,以及,根据经过二值化处理的所述二维灰度图像确定第二病害区域,所述第二病害区域的面积大于第二预设阈值;
S4、分别获取所述第一病害区域的最小外接矩形和所述第二病害区域的最小外接矩形,若所述第一病害区域的最小外接矩形与所述第二病害区域的最小外接矩形存在重合区域且不重合的面积小于第三预设阈值,并且所述第一病害区域和所述第二病害区域存在重合区域,则确定所述第一病害区域为待检测区域;否则确定第一病害区域为非待检测区域;
S5、对所述待检测区域中的路面病害处进行检测,并获取所述路面病害处的三维参数。
优选地,步骤S2和步骤S3之间还包括以下步骤:
S31、利用水涨水落算法平滑经过二值化处理的所述投影二维灰度图像和经过二值化处理的所述二维灰度图像。
优选地,所述水涨水落算法包括水涨处理和水落处理;步骤S31具体包括:
对经过二值化处理的所述投影二维灰度图像和经过二值化处理的所述二维灰度图像进行水涨处理;
对经过二值化处理的所述投影二维灰度图像和经过二值化处理的所述二维灰度图像进行水落处理。
优选地,步骤S4中,若所述第一病害区域的最小外接矩形与所述第二病害区域的最小外接矩形不存在重合区域,或者,所述第一病害区域的最小外接矩形与所述第二病害区域的最小外接矩形存在重合区域且不重合的面积不小于所述第三预设阈值,或者,所述第一病害区域的最小外接矩形与所述第二病害区域的最小外接矩形存在重合区域且不重合的面积小于第三预设阈值,并且所述第一病害区域和所述第二病害区域不存在重合区域,则确定所述第一病害区域为非待检测区域。
优选地,步骤S5具体包括以下步骤:
S51、根据三维点云数据,获取所述待检测区域的最大深度信息;
S52、若所述待检测区域中的所述路面病害处的最大深度不小于第四预设阈值,则将所述待检测区域中的所述路面病害处沿垂直方向进行水平切片,以获取多个切片平面;
S53、对所述切片平面进行八连通邻域扩展,以扩展所述切片平面中的病害轮廓;
S54、通过二次曲面估算法估算所述路面病害处的侧壁和底面;
S55、根据所述切片平面中的病害轮廓以及估算的所述路面病害处的侧壁和底面对所述待检测区域的路面病害处进行三维形态重建,以获取所述路面病害处的三维参数。
优选地,步骤S51和步骤S52之间还包括以下步骤:
若所述待检测区域中的所述路面病害处的最大深度小于所述第四预设阈值,则根据所述路面病害处的体积,以及所述路面病害处的中间深度的截面积,获取所述路面病害处的平均深度。
优选地,步骤S1中,利用三维激光扫描仪同步采集所述三维点云数据和所述二维灰度图像。
按照本发明的第二方面,提供了一种路面病害检测装置,该路面病害检测装置包括:
采集模块,用于采集待检测路面的三维点云数据和二维灰度图像;
二值化模块,用于获取所述三维点云数据对应的投影二维灰度图像,并分别对所述投影二维灰度图像和所述二维灰度图像进行二值化处理;
分割模块,用于基于水平集分割算法,根据经过二值化处理的所述投影二维灰度图像确定第一病害区域,所述第一病害区域的面积大于第一预设阈值,以及,根据经过二值化处理的所述二维灰度图像确定第二病害区域,所述第二病害区域的面积大于第二预设阈值;
确定模块,用于分别获取所述第一病害区域的最小外接矩形和所述第二病害区域的最小外接矩形;若所述第一病害区域的最小外接矩形与所述第二病害区域的最小外接矩形不重合的面积小于第三预设阈值,且所述第一病害区域和所述第二病害区域存在重合区域,则确定所述第一病害区域为待检测区域;
三维重建模块,用于对所述待检测区域中的路面病害处进行检测,并获取所述路面病害处的三维参数。
按照本发明的第三方面,提供了一种电子设备,该电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如上所述的路面病害检测方法。
按照本发明的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上所述的路面病害检测方法的步骤。
本发明提供的路面病害检测方法及装置,通过分割三维点云数据对应的投影二维图像得到可能存在病害的第一病害区域,通过分割二维灰度图像得到可能存在病害的第二病害区域,由于二维灰度图像比三维点云数据对应的投影二维图像的质量好,因此通过第二病害区域对第一病害区域进行进一步地修正,以筛选掉受到杂质干扰的误判为存在路面病害的第一病害区域,而选择出实际存在路面病害处的第一病害区域作为待检测区域,然后对待检测区域中的路面病害处进行检测,并获取路面病害处的三维参数,由此降低仅基于三维点云数据检测的误检率和过检率,并且能提高检测效率。
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为本发明实施例提供的路面病害检测方法的流程示意图;
图2为本发明实施例提供的路面病害检测方法的步骤S5的流程示意图;
图3为本发明实施例提供的路面病害检测方法的步骤S5中的切片示意图;
图4为本发明实施例提供的路面病害检测方法的步骤S5中的三维形态重建示意图;
图5为本发明实施例提供的路面病害检测装置的结构示意图;
图6为本发明实施例提供的电子设备的结构示意图。
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。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1为本发明实施例提供的一种路面病害检测方法的流程示意图,如图1所示,该路面病害检测方法包括以下步骤:
S1、采集待检测路面的三维点云数据和二维灰度图像。
其中,三维点云数据和二维灰度图像为利用三维激光扫描仪同步采集的,旨在于在背景复杂、存在较强噪音的检测场景中,通过二维灰度图像来对三维点云数据进行修正。
S2、获取三维点云数据对应的投影二维灰度图像,并分别对投影二维灰度图像和二维灰度图像进行二值化处理。
S3、基于水平集分割算法,根据经过二值化处理的投影二维灰度图像确定第一病害区域,第一病害区域的面积大于第一预设阈值,以及,根据经过二值化处理的二维灰度图像确定第二病害区域,第二病害区域的面积大于第二预设阈值。
具体地,利用水平集分割算法将二值化的投影二维灰度图像进行分割,并在分割后的二值化的投影二维图像中选择面积大于第一预设阈值的病害处作为第一病害区域,同时将二值化的二维灰度图像进行分割,并在分割后的二值化的二维灰度图像中选择面积大于第二预设阈值的病害处作为第二病害区域。
需要说明的是,由于二维灰度图像的质量比投影二维灰度图像的质量好,第二预设阈值一般大于第一预设阈值,以避免杂草、雨雪、细小砂砾等的杂质影响对路面病害处的判断。
S4、分别获取第一病害区域的最小外接矩形和第二病害区域的最小外接矩形;若第一病害区域的最小外接矩形与第二病害区域的最小外接矩形存在重合区域且不重合的面积小于第三预设阈值,并且第一病害区域和第二病害区域存在重合区域,则确定第一病害区域为待检测区域;否则确定第一病害区域为非待检测区域。
具体地,通过判断第一病害区域的最小外接矩形与第二病害区域的最小外接矩形之间的距离,若第一病害区域的最小外接矩形与第二病害区域的最小外接矩形存在重合区域,且第一病害区域的外接矩形与第二病害区域的最小外接矩形存在重合区域,则初步说明第一病害区域的确定较为准确,然后继续判断第一病害区域和第二病害区域是否存在重合,若第一病害区域和第二病害区域存在重合,则确定第一病害区域为待检测区域,由此采用步步逼近的方法判断第一病害区域是否为待检测区域,能在检测的初步阶段就通过第二病害区域确定根据三维点云数据得到的第一病害区域是否确实存在路面病害,并将存在路面病害的第一病害区域作为待检测区域,这样可以筛选掉受到杂质干扰的误判为存在路面病害的第一病害区域。
需要说明的是,待检测路面中存在多个路面病害处,因此判断第一病害区域的最小外接矩形与第二病害区域的最小外接矩形是否存在重合区域,可以快速判断第一病害区域与第二病害区域是否为对应于同一路面病害处的区域。
S5、对待检测区域中的路面病害处进行检测,并获取路面病害处的三维参数。
本实施例提供的路面病害检测方法及装置,通过分割三维点云数据对应的投影二维图像得到可能存在病害的第一病害区域,通过分割二维灰度图像得到可能存在病害的第二病害区域,由于二维灰度图像比三维点云数据对应的投影二维图像的质量好,因此通过第二病害区域对第一病害区域进行进一步地修正,以筛选掉受到杂质干扰的误判为存在路面病害的第一病害区域,而选择出实际存在路面病害处的第一病害区域作为待检测区域,然后对待检测区域中的路面病害处进行检测,并获取路面病害处的三维参数,由此降低仅基于三维点云数据检测的误检率和过检率,并且能提高检测效率。
基于上述实施例,步骤S2和步骤S3之间还包括以下步骤:利用水涨水落算法平滑经过二值化处理的投影二维灰度图像和经过二值化处理的二维灰度图像。
需要说明的是,水涨水落算法包括水涨处理和水落处理,其中,水涨处理类似于膨胀处理,水落处理类似于腐蚀处理,水涨处理和水落处理与膨胀处理与腐蚀处理的区别在于:膨胀处理和腐蚀处理是带有邻域条件的,但是水涨处理和水落处理则不带有邻域条件,因此水涨处理比膨胀处理的扩展效果更好,且水落处理比腐蚀处理的去噪效果更好。
具体地,根据路面病害处的走势特点,对二值的投影二维灰度图像和二值化的二维灰度图像进行水涨处理,以连接路面病害处的断裂区域,例如路面病害处若有裂缝由上到下贯通,则水会侵入到底层;对经过水涨处理的二值的投影二维灰度图像和二值化的二维灰度图像进行水落处理,以减少路面病害处的噪声影响,例如路面病害处若有细沙和砾石,则会被水冲掉。
本实施例通过水涨水落算法平滑经过二值化处理的投影二维灰度图像和经过二值化处理的二维灰度图像,能将三维点云数据对应的投影二维灰度图像和经过二值化处理的二维灰度图像平滑,这样可以减轻三维点云数据和二维灰度图像的显示不均匀对检测的影响,同时可以避免如杂草、雨雪、细小砂砾等杂质的影响。
基于上述实施例,步骤S4中,若第一病害区域的最小外接矩形与第二病害区域的最小外接矩形不存在重合区域,或者,第一病害区域的最小外接矩形与第二病害区域的最小外接矩形存在重合区域且不重合的面积不小于第三预设阈值,又或者,第一病害区域的最小外接矩形与第二病害区域的最小外接矩形存在重合区域且不重合的面积小于第三预设阈值,并且第一病害区域和第二病害区域不存在重合区域,则确定第一病害区域为非待检测区域,则无需进行S5,以提高检测效率。
具体地,在步骤S4中,如果存在以下三种情况:1)、若第一病害区域的最小外接矩形与第二病害区域的最小外接矩形不存在重合区域;2)、若第一病害区域的最小外接矩形与第二病害区域的最小外接矩形存在重合区域但是重合区域的面积较小,不重合的区域不小于第三预设阈值3),第一病害区域的最小外接矩形与第二病害区域的最小外接矩形存在重合区域且不重合的面积小于第三预设阈值,但是第一病害区域和第二病害区域不存在重合区域,则确定第一病害区域为非待检测区域则可以确定根据三维点云数据分割的第一病害区域为受到杂质影响而误确认的非待检测区域,即不需要这种第一病害区域进行后续检测,以降低误检率和过检率,且能提高检测效率。
基于上述实施例,图2为本发明实施例提供的路面病害检测方法的步骤S5的流程示意图,如图2所示,步骤S5具体包括以下步骤:
S51、根据三维点云数据,获取待检测区域的最大深度信息。
其中,深度是指病害处凸起的高度或凹槽的深度。
S52、若待检测区域中的路面病害处的最大深度不小于第四预设阈值,则将待检测区域中的路面病害处沿垂直方向进行水平切片,以获取多个切片平面。例如,由路面病害处的表面向下每隔一定垂直距离进行一次水平切面,则得到一个切片平面,如图3所示,10为路面病害处的表面,20和30为由路面病害处的表面依次向下的切片平面,40为路面病害处的底面。
需要说明的是,路面病害处的最大深度不小于第四预设阈值,说明该路面病害处的受损程度较为严重,即该路面病害处存在较多深度较大的点,而由于各点的深度不同,因此需要测量各点的深度。通过切片平面能得到路面病害处在垂直方向上的各个水平截面的参数。
S53、对每个切片平面进行八连通邻域扩展,得到路面病害处在每个切片平面的连通区域的深度和宽度,以扩展切片平面中的病害轮廓。
S54、通过二次曲面估算法估算路面病害处的侧壁和底面。
需要说明的是,为了进一步避免杂质导致的反射噪音影响,通过二次曲面估算坑槽的侧壁以及地面,包括由裂缝产生的内部曲面。
S55、基于计算机视觉算法,如图4所示,根据切片平面中的病害轮廓以及估算的路面病害处的侧壁和底面对待检测区域的路面病害处进行三维形态重建,由裂缝和侧壁组成的三维体可以被获得,最终获取路面病害处的三维参数,例如路面病害处各点的深度以及路面病害处在各水平切面的截面积等。
本实施例通过对受损较大的路面病害处沿垂直方向进行水平切片,并在每个切片平面的病害轮廓进行扩展,得到路面病害处在每个切片平面的连通区域的深度和宽度,同时通过二次曲面估算法估算路面病害处的侧壁和底面,最后基于计算机视觉算法,根据切片平面中的病害轮廓以及估算的路面病害处的侧壁和底面对待检测区域的路面病害处进行三维形态重建,并根据重建的待检测区域的路面病害处获取路面病害处的三维参数,使得检测的病害细节更准确。
基于上述实施例,步骤S51和步骤S52之间还包括以下步骤:若待检测区域中的路面病害处的最大深度小于第四预设阈值,则根据路面病害处的体积,以及路面病害处的中间深度的截面积,获取路面病害处的平均深度。
具体地,若路面病害处的最大深度小于第四预设阈值,说明该路面病害处的受损程度较为轻微,则直接将该路面病害处的体积除以该路面病害处的中间深度的截面积,得到该路面病害处的平均深度,而无需进行S52-S55的步骤,以提高检测效率。
基于上述实施例,图5为本发明实施例提供的路面病害检测装置的结构示意图,如图5所示,本实施例还提供一种路面病害检测装置,该路面病害检测装置包括:
采集模块501,用于采集待检测路面的三维点云数据和二维灰度图像;
二值化模块502,用于获取所述三维点云数据对应的投影二维灰度图像,并分别对所述投影二维灰度图像和所述二维灰度图像进行二值化处理;
分割模块503,用于基于水平集分割算法,根据经过二值化处理的所述投影二维灰度图像确定第一病害区域,所述第一病害区域的面积大于第一预设阈值,以及,根据经过二值化处理的所述二维灰度图像确定第二病害区域,所述第二病害区域的面积大于第二预设阈值;
确定模块504,用于分别获取所述第一病害区域的最小外接矩形和所述第二病害区域的最小外接矩形;若所述第一病害区域的最小外接矩形与所述第二病害区域的最小外接矩形不重合的面积小于第三预设阈值,且所述第一病害区域和所述第二病害区域存在重合区域,则确定所述第一病害区域为待检测区域;
三维重建模块505,用于对所述待检测区域中的路面病害处进行检测,并获取所述路面病害处的三维参数。
本实施例提供的路面病害检测装置,通过分割三维点云数据对应的投影二维图像得到可能存在病害的第一病害区域,通过分割二维灰度图像得到可能存在病害的第二病害区域,由于二维灰度图像比三维点云数据对应的投影二维图像的质量好,因此通过第二病害区域对第一病害区域进行进一步地修正,以筛选掉受到杂质干扰的误判为存在路面病害的第一病害区域,而选择出实际存在路面病害处的第一病害区域作为待检测区域,然后对待检测区域中的路面病害处进行检测,并获取路面病害处的三维参数,由此降低仅基于三维点云数据检测的误检率和过检率,并且能提高检测效率。
图6为本发明实施例提供的电子设备的结构示意图,如图6所示,本实施例提供一种电子设备,该电子设备可以包括:处理器(processor)601、通信接口(CommunicationsInterface)602、存储器(memory)603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信。通信接口602可以用于服务器与智能电视之间的信息传输。处理器601可以调用存储器603中的逻辑指令,以执行如下方法,例如包括:S1、采集待检测路面的三维点云数据和二维灰度图像;S2、获取三维点云数据对应的投影二维灰度图像,并分别对投影二维灰度图像和二维灰度图像进行二值化处理;S3、基于水平集分割算法,根据经过二值化处理的投影二维灰度图像确定第一病害区域,第一病害区域的面积大于第一预设阈值,以及,根据经过二值化处理的二维灰度图像确定第二病害区域,第二病害区域的面积大于第二预设阈值;S4、分别获取第一病害区域的最小外接矩形和第二病害区域的最小外接矩形,若第一病害区域的最小外接矩形与第二病害区域的最小外接矩形存在重合区域且不重合的面积小于第三预设阈值,并且第一病害区域和第二病害区域存在重合区域,则确定第一病害区域为待检测区域;S5、对待检测区域中的路面病害处进行检测,并获取路面病害处的三维参数。
本实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:S1、采集待检测路面的三维点云数据和二维灰度图像;S2、获取三维点云数据对应的投影二维灰度图像,并分别对投影二维灰度图像和二维灰度图像进行二值化处理;S3、基于水平集分割算法,根据经过二值化处理的投影二维灰度图像确定第一病害区域,第一病害区域的面积大于第一预设阈值,以及,根据经过二值化处理的二维灰度图像确定第二病害区域,第二病害区域的面积大于第二预设阈值;S4、分别获取第一病害区域的最小外接矩形和第二病害区域的最小外接矩形,若第一病害区域的最小外接矩形与第二病害区域的最小外接矩形存在重合区域且不重合的面积小于第三预设阈值,并且第一病害区域和第二病害区域存在重合区域,则确定第一病害区域为待检测区域;S5、对待检测区域中的路面病害处进行检测,并获取路面病害处的三维参数。
本实施例还提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:S1、采集待检测路面的三维点云数据和二维灰度图像;S2、获取三维点云数据对应的投影二维灰度图像,并分别对投影二维灰度图像和二维灰度图像进行二值化处理;S3、基于水平集分割算法,根据经过二值化处理的投影二维灰度图像确定第一病害区域,第一病害区域的面积大于第一预设阈值,以及,根据经过二值化处理的二维灰度图像确定第二病害区域,第二病害区域的面积大于第二预设阈值;S4、分别获取第一病害区域的最小外接矩形和第二病害区域的最小外接矩形,若第一病害区域的最小外接矩形与第二病害区域的最小外接矩形存在重合区域且不重合的面积小于第三预设阈值,并且第一病害区域和第二病害区域存在重合区域,则确定第一病害区域为待检测区域;S5、对待检测区域中的路面病害处进行检测,并获取路面病害处的三维参数。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。

Claims (10)

1.一种路面病害检测方法,其特征在于,包括以下步骤:
S1、采集待检测路面的三维点云数据和二维灰度图像;
S2、获取所述三维点云数据对应的投影二维灰度图像,并分别对所述投影二维灰度图像和所述二维灰度图像进行二值化处理;
S3、基于水平集分割算法,根据经过二值化处理的所述投影二维灰度图像确定第一病害区域,所述第一病害区域的面积大于第一预设阈值,以及,根据经过二值化处理的所述二维灰度图像确定第二病害区域,所述第二病害区域的面积大于第二预设阈值;
S4、分别获取所述第一病害区域的最小外接矩形和所述第二病害区域的最小外接矩形,若所述第一病害区域的最小外接矩形与所述第二病害区域的最小外接矩形存在重合区域且不重合的面积小于第三预设阈值,并且所述第一病害区域和所述第二病害区域存在重合区域,则确定所述第一病害区域为待检测区域;否则确定第一病害区域为非待检测区域;
S5、对所述待检测区域中的路面病害处进行检测,并获取所述路面病害处的三维参数。
2.根据权利要求1所述的路面病害检测方法,其特征在于,步骤S2和步骤S3之间还包括以下步骤:
S31、利用水涨水落算法平滑经过二值化处理的所述投影二维灰度图像和经过二值化处理的所述二维灰度图像。
3.根据权利要求2所述的路面病害检测方法,其特征在于,所述水涨水落算法包括水涨处理和水落处理;步骤S31具体包括:
对经过二值化处理的所述投影二维灰度图像和经过二值化处理的所述二维灰度图像进行水涨处理;
对经过二值化处理的所述投影二维灰度图像和经过二值化处理的所述二维灰度图像进行水落处理。
4.根据权利要求1所述的路面病害检测方法,其特征在于,步骤S4中,若所述第一病害区域的最小外接矩形与所述第二病害区域的最小外接矩形不存在重合区域,或者,所述第一病害区域的最小外接矩形与所述第二病害区域的最小外接矩形存在重合区域且不重合的面积不小于所述第三预设阈值,或者,所述第一病害区域的最小外接矩形与所述第二病害区域的最小外接矩形存在重合区域且不重合的面积小于第三预设阈值,并且所述第一病害区域和所述第二病害区域不存在重合区域,则确定所述第一病害区域为非待检测区域。
5.根据权利要求1所述的路面病害检测方法,其特征在于,步骤S5具体包括以下步骤:
S51、根据三维点云数据,获取所述待检测区域的最大深度信息;
S52、若所述待检测区域中的所述路面病害处的最大深度不小于第四预设阈值,则将所述待检测区域中的所述路面病害处沿垂直方向进行水平切片,以获取多个切片平面;
S53、对所述切片平面进行八连通邻域扩展,以扩展所述切片平面中的病害轮廓;
S54、通过二次曲面估算法估算所述路面病害处的侧壁和底面;
S55、根据所述切片平面中的病害轮廓以及估算的所述路面病害处的侧壁和底面对所述待检测区域的路面病害处进行三维形态重建,以获取所述路面病害处的三维参数。
6.根据权利要求5所述的路面病害检测方法,其特征在于,步骤S51和步骤S52之间还包括以下步骤:
若所述待检测区域中的所述路面病害处的最大深度小于所述第四预设阈值,则根据所述路面病害处的体积,以及所述路面病害处的中间深度的截面积,获取所述路面病害处的平均深度。
7.根据权利要求1所述的路面病害检测方法,其特征在于,步骤S1中,利用三维激光扫描仪同步采集所述三维点云数据和所述二维灰度图像。
8.一种路面病害检测装置,其特征在于,包括:
采集模块,用于采集待检测路面的三维点云数据和二维灰度图像;
二值化模块,用于获取所述三维点云数据对应的投影二维灰度图像,并分别对所述投影二维灰度图像和所述二维灰度图像进行二值化处理;
分割模块,用于基于水平集分割算法,根据经过二值化处理的所述投影二维灰度图像确定第一病害区域,所述第一病害区域的面积大于第一预设阈值,以及,根据经过二值化处理的所述二维灰度图像确定第二病害区域,所述第二病害区域的面积大于第二预设阈值;
确定模块,用于分别获取所述第一病害区域的最小外接矩形和所述第二病害区域的最小外接矩形;若所述第一病害区域的最小外接矩形与所述第二病害区域的最小外接矩形不重合的面积小于第三预设阈值,且所述第一病害区域和所述第二病害区域存在重合区域,则确定所述第一病害区域为待检测区域;
三维重建模块,用于对所述待检测区域中的路面病害处进行检测,并获取所述路面病害处的三维参数。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的路面病害检测方法。
10.一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,该计算机程序被处理器执行时实现如权利要求1-7任一项所述的路面病害检测方法的步骤。
CN202110798012.3A 2021-07-15 2021-07-15 路面病害检测方法及装置 Active CN113469990B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110798012.3A CN113469990B (zh) 2021-07-15 2021-07-15 路面病害检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110798012.3A CN113469990B (zh) 2021-07-15 2021-07-15 路面病害检测方法及装置

Publications (2)

Publication Number Publication Date
CN113469990A true CN113469990A (zh) 2021-10-01
CN113469990B CN113469990B (zh) 2024-01-05

Family

ID=77880369

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110798012.3A Active CN113469990B (zh) 2021-07-15 2021-07-15 路面病害检测方法及装置

Country Status (1)

Country Link
CN (1) CN113469990B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114663438A (zh) * 2022-05-26 2022-06-24 浙江银轮智能装备有限公司 轨道检测方法、系统、装置、存储介质和计算机程序产品
CN115880353A (zh) * 2022-09-29 2023-03-31 阿波罗智联(北京)科技有限公司 确定路面病害的面积的方法、装置及计算机程序产品
CN115908525A (zh) * 2022-11-24 2023-04-04 深圳市城市交通规划设计研究中心股份有限公司 一种基于路面车辙病害三维重构的车辙体积计算方法
CN114494849B (zh) * 2021-12-21 2024-04-09 重庆特斯联智慧科技股份有限公司 用于轮式机器人的路面状态识别方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633516A (zh) * 2017-09-21 2018-01-26 武汉武大卓越科技有限责任公司 一种识别路面变形类病害的方法和装置
US20190154442A1 (en) * 2016-01-15 2019-05-23 Fugro Roadware Inc. High speed stereoscopic pavement surface scanning system and method
CN110675392A (zh) * 2019-09-29 2020-01-10 山东科技大学 一种基于路面连续激光点云的车辙精细三维特征提取方法
CN112598638A (zh) * 2020-12-22 2021-04-02 东南大学 一种基于激光点云数据的路面裂缝检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190154442A1 (en) * 2016-01-15 2019-05-23 Fugro Roadware Inc. High speed stereoscopic pavement surface scanning system and method
CN107633516A (zh) * 2017-09-21 2018-01-26 武汉武大卓越科技有限责任公司 一种识别路面变形类病害的方法和装置
CN110675392A (zh) * 2019-09-29 2020-01-10 山东科技大学 一种基于路面连续激光点云的车辙精细三维特征提取方法
CN112598638A (zh) * 2020-12-22 2021-04-02 东南大学 一种基于激光点云数据的路面裂缝检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郑大钊;: "基于改进扩散偏微分方程的路面裂纹病害检测", 计算机仿真, no. 08 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114494849B (zh) * 2021-12-21 2024-04-09 重庆特斯联智慧科技股份有限公司 用于轮式机器人的路面状态识别方法和系统
CN114663438A (zh) * 2022-05-26 2022-06-24 浙江银轮智能装备有限公司 轨道检测方法、系统、装置、存储介质和计算机程序产品
CN115880353A (zh) * 2022-09-29 2023-03-31 阿波罗智联(北京)科技有限公司 确定路面病害的面积的方法、装置及计算机程序产品
CN115908525A (zh) * 2022-11-24 2023-04-04 深圳市城市交通规划设计研究中心股份有限公司 一种基于路面车辙病害三维重构的车辙体积计算方法
CN115908525B (zh) * 2022-11-24 2023-10-20 深圳市城市交通规划设计研究中心股份有限公司 一种基于路面车辙病害三维重构的车辙体积计算方法

Also Published As

Publication number Publication date
CN113469990B (zh) 2024-01-05

Similar Documents

Publication Publication Date Title
CN113469990B (zh) 路面病害检测方法及装置
Ouma et al. Pothole detection on asphalt pavements from 2D-colour pothole images using fuzzy c-means clustering and morphological reconstruction
CN109191459B (zh) 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法
CN108872997B (zh) 一种基于侧扫声呐数据融合与精密处理的海底线检测方法
KR101899866B1 (ko) 병변 경계의 오류 검출 장치 및 방법, 병변 경계의 오류 수정 장치 및 방법 및, 병변 경계의 오류 검사 장치
Xu et al. Pavement crack detection based on saliency and statistical features
CN109377485A (zh) 一种方便面包装缺陷机器视觉检测方法
US20100315419A1 (en) Systems and Methods for Estimating a Parameter for a 3D model
CN102202227B (zh) 一种无参考视频质量客观评估方法
CN108830832A (zh) 一种基于机器视觉的塑料筒表面缺陷检测算法
Rau et al. Bridge crack detection using multi-rotary UAV and object-base image analysis
Li et al. Adaptive building edge detection by combining LiDAR data and aerial images
JP2012002531A (ja) ひび割れ検出方法
CN115908269A (zh) 视觉缺陷检测方法、装置、存储介质和计算机设备
CN106683159B (zh) 三维盆底超声图像处理方法及系统
JP5812705B2 (ja) ひび割れ検出方法
Karthikeyan et al. Analysis of image segmentation for radiographic images
JP2018128309A (ja) ひび割れ検出方法
CN112669333A (zh) 一种单木信息提取方法
CN115760820A (zh) 一种塑料件缺陷图像识别方法及应用
JP4870016B2 (ja) ひび割れ検出方法
CN112614174A (zh) 点云补全和点云分割方法、装置、电子设备及存储介质
CN112509134A (zh) 一种潮滩数字高程模型构建方法及系统
Pan et al. One-stage 3D profile-based pavement crack detection and quantification
CN114842166A (zh) 应用于结构化道路的负障碍检测方法、系统、介质及设备

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