CN114972333A - 基于人工智能的道路裂缝检测方法及系统 - Google Patents
基于人工智能的道路裂缝检测方法及系统 Download PDFInfo
- Publication number
- CN114972333A CN114972333A CN202210844419.XA CN202210844419A CN114972333A CN 114972333 A CN114972333 A CN 114972333A CN 202210844419 A CN202210844419 A CN 202210844419A CN 114972333 A CN114972333 A CN 114972333A
- Authority
- CN
- China
- Prior art keywords
- matching
- point
- road
- image
- distance
- 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 27
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract 1
- 230000011218 segmentation Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 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
- 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
-
- G06T5/73—
-
- 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
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20201—Motion blur correction
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于人工智能的道路裂缝检测方法及系统。该方法包括:获取实时采集的待分析的道路图像;利用改进的运动去模糊算法对道路图像进行处理得到复原图像;将复原图像输入训练完成的神经网络中进行裂缝识别,神经网络的输出为包含裂缝区域的裂缝图像,基于裂缝图像得到道路表面的道路裂缝;其中运动去模糊算法的改进为每个像素点自适应模糊长度的获取,通过每个像素点对应的自适应模糊长度得到对应的模糊核,基于每个像素点对应的模糊核进行反卷积得到复原图像,提高了复原图像的清晰度,增加了对道路缺陷检测的准确度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于人工智能的道路裂缝检测方法及系统。
背景技术
在道路通车使用一段时间后,无论沥青路面还是水泥路面都可能会出现一些问题,常见的有裂缝、坑槽、车辙、松散、表面破损等,其中裂缝是路面各类病害中最常见、最易发生和最早期产生的问题之一,它伴随着道路的整个使用期,并随着路龄的增长而加重。
道路裂缝检测在道路疲劳评估领域起着重要作用;传统的裂纹检测方法主要依靠手工工作,该方法的效率较低,且在分析过程中对图像的阈值完全依靠人为经验,准确性较低,因此自动裂纹检测道路裂纹的方法越来越普遍。
自动裂纹检测的目标是准确标记裂纹区域;在少数情况下,裂纹具有良好的连续性和明显的对比度;然而,在大多数情况下,裂纹中存在相当大的噪声,对比度低;并且对裂纹分析的图像采集往往是高速下的采集,图像的质量较低从而导致对道路裂缝的检测准确性较低。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于人工智能的道路裂缝检测方法及系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于人工智能的道路裂缝检测方法,该方法包括以下步骤:
获取实时采集的待分析的道路图像,所述道路图像包括道路表面区域;利用改进的运动去模糊算法对所述道路图像进行处理得到复原图像;
将所述复原图像输入训练完成的神经网络中进行裂缝识别,所述神经网络的输出为包含裂缝区域的裂缝图像,基于所述裂缝图像得到道路表面的道路裂缝;
其中,所述改进的运动去模糊算法是对每个像素点的模糊长度进行自适应获取,获取方法为:
获取所述道路图像的运动方向,对所述道路图像进行边缘检测得到边缘图像,将所述边缘图像中的边缘进行匹配得到多组边缘匹配对,基于所述运动方向获取每组边缘匹配对中的真实边缘与模糊边缘;
以每组边缘匹配对中的真实边缘上任意像素点为目标点,获取所述目标点在所述模糊边缘上的第一匹配点,所述第一匹配点与所述目标点之间的欧式距离为所述目标点的第一距离;
基于所述第一距离以及所述运动方向获取所述目标点的搜索匹配的范围,计算搜索匹配的范围内每个像素点与所述目标点之间的匹配值,匹配值最小的像素点为所述目标点的第二匹配点,所述第二匹配点与所述目标点之间的欧式距离为所述目标点的第二距离;
根据所述第一距离以及所述第二距离的加权求和得到所述目标点的优化距离;所述优化距离为所述第二匹配点的模糊长度;基于所有第二匹配点的模糊长度获取所述道路图像中其他像素点的模糊长度。
优选的,所述获取所述道路图像的运动方向的方法,包括:
获取实时采集的所述道路图像的前一帧图像,选定道路图像与其前一帧图像中共有的参照物,参照物位移的方向为所述道路图像的运动方向。
优选的,所述基于所述运动方向获取每组边缘匹配对中的真实边缘与模糊边缘的方法,包括:
构建所述运动方向对应的单位向量;
获取每组边缘匹配对中两条边缘分别对应的中心位置的点为中心点,将两个所述中心点进行连接得到对应的线段,获取线段的中点,以该线段的中点为所述单位向量的起点,与所述单位向量的终点距离较近的边缘为模糊边缘,则边缘匹配点对中的另一边缘为真实边缘。
优选的,所述获取所述目标点在所述模糊边缘上的第一匹配点的方法为匈牙利算法。
优选的,所述基于所述第一距离以及所述运动方向获取所述目标点的搜索匹配的范围的方法,包括:
获取所述道路图像的运动方向左边15度与运动方向右边15度之间的范围为搜索的方向;
获取目标点的第一距离的二倍的距离范围,所述距离范围与搜索方向的范围构成所述目标点搜索匹配的范围。
优选的,所述计算搜索匹配的范围内每个像素点与所述目标点之间的匹配值的方法,包括:
对所述目标点进行高斯模糊得到模糊值,获取所述目标点的模糊值与搜索匹配的范围内任意像素点的灰度值之间的灰度差异;
连接所述像素点与所述目标点得到对应的线段,获取所述线段与水平线方向的夹角的角度值,以及所述运动方向的单位向量与水平线方向的夹角的基准角度值,计算所述线段与水平线方向的夹角的角度值与所述基准角度值之间的角度差异;
对所述灰度差异以及所述角度差异分别进行归一化,计算归一化后的灰度差异的平方值与角度差异的平方值的加和,对所述加和开二次方得到所述像素点与所述目标点之间的匹配值。
优选的,所述第一距离以及所述第二距离的权重为:
计算所述道路图像中所有真实边缘上像素点对应的第一距离的均值为第一均值,所有真实边缘上像素点对应的第二距离的均值为第二均值;
获取真实边缘上任意像素点的第一距离与第一均值的第一差值,以及所述像素点的第二距离与第二均值的第二差值,计算所述第一差值与所述第二差值的求和,所述第二差值与所述求和的比值为偏离程度,所述偏离程度为所述第一距离的权重;所述第一距离的权重与所述第二距离的权重相加为1。
优选的,所述基于所有第二匹配点的模糊长度获取所述道路图像中其他像素点的模糊长度的方法,包括:
获取每个像素点对应的距离最近的第二匹配点,距离最近的第二匹配点的模糊长度为所述像素点的模糊长度。
第二方面,本发明另一个实施例提供了一种基于人工智能的道路裂缝检测系统,该系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器在执行所述计算机程序时实现如上述基于人工智能的道路裂缝检测方法所述的步骤。
本发明具有如下有益效果:通过对道路图像对应边缘图像中的每条边缘进行分析,得到其中的真实边缘与模糊边缘,基于真实边缘与模糊边缘上像素点之间的匹配得到每个像素点自适应的模糊长度,进而得到每个像素点对应的模糊核,基于每个像素点对应的模糊核得到更加清晰的复原图像,从而提高了基于复原图像检测的道路裂缝的准确性。
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和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅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它附图。
图1为本发明一个实施例所提供的一种基于人工智能的道路裂缝检测方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能的道路裂缝检测方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本申请所适用的场景为:将图像采集设备放置在行驶的汽车上进行实时图像采集,利用改进的运动去模糊算法对采集的道路图像进行去模糊处理得到复原图像,基于复原图像检测道路上是否存在裂缝,解决了现有由于图像质量低导致道路裂缝检测不准确的问题,达到了提高道路裂缝检测的准确性的目的。
下面结合附图具体的说明本发明所提供的一种基于人工智能的道路裂缝检测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于人工智能的道路裂缝检测方法流程图,该方法包括以下步骤:
步骤S100,获取实时采集的待分析的道路图像,道路图像包括道路表面区域;利用改进的运动去模糊算法对道路图像进行处理得到复原图像。
具体的,设置图像采集设备对道路的图像进行采集,由于道路范围较大,因此图像采集设备安装在行驶的汽车上,汽车以一定的速度沿着预设的道路轨迹前行,图像采集设备基于汽车行驶的速度自行设置采集间隔,以使得采集到的道路图像能够包括行驶过的所有的路面情况。为了避免采集到的图像中噪声产生影响,对图像进行灰度化以及去噪等预处理操作,得到相应的道路图像。
由于汽车一直在运动,因此采集到的道路图像难免会出现模糊的情况,在后续基于道路图像识别道路裂缝时可能会由于道路图像的模糊使得检测的结果不准确,因此需要对采集得到的道路图像进行去模糊处理得到复原图像。在常规的运动去模糊算法中,运动模糊图像的模糊长度和模糊角度的获取是对图像复原的核心,现有的模糊长度的获取方法主要是采用频谱图竖直投影模糊长度估计法和灰度自相关图像模糊长度估计法,但两种方法对于模糊长度检测时效果较为局限,因此本发明实施例中提出一种每个像素点对应的自适应模糊长度的获取方法,每个像素点自适应模糊长度的获取方法具体为:
首先,对道路图像进行边缘检测得到对应的边缘图像,本发明实施例中边缘检测的方法采用Canny算子检测算法,从而得到道路图像对应的边缘图像,该边缘图像中包括多条边缘。由于车辆运动导致道路图像中会出现模糊现象,而模糊的轮廓与实际的轮廓十分相似,因此对边缘图像中所有边缘进行分析,对边缘图像中所有的边缘进行配对,匹配成功的边缘即为轮廓相似的边缘,则根据边缘匹配可找出边缘图像中多组轮廓最为近似的边缘,将匹配成功的每组边缘记为边缘匹配对;本发明实施例中对边缘进行匹配的方法采用形状上下文匹配算法,形状上下文匹配算法为现有公知技术,不再赘述。
需要说明的是,对于边缘图像中没有匹配成功的边缘则不再考虑,后续分析仅基于匹配成功的边缘匹配对进行分析。
然后,获取道路图像的运动方向,其运动方向与汽车行驶方向一致,可由汽车拍摄的相邻两帧图像上任意参照物的移动方向获取道路图像对应的运动方向,构建运动方向的单位向量,基于单位向量对每组边缘匹配对中的真实边缘进行获取。
获取每组边缘匹配对中两条边缘分别对应的中心位置的点为中心点,将两个中心点进行连接得到对应的线段,获取线段的中点,以该线段的中点为单位向量的起点,与该单位向量的终点距离较近的边缘为模糊边缘,则边缘匹配点对中的另一边缘为真实边缘;以此类推,获取每组边缘匹配点对中的真实边缘。
对每组边缘匹配对中真实边缘上的像素点进行分析,作为一个示例,以任意边缘匹配对中真实边缘上任意像素点为目标点,将真实边缘上目标点与对应的模糊边缘上的像素点进行匹配得到该目标点对应的第一匹配点;该第一匹配点与目标点构成一组相似点;对边缘匹配对中两条边缘上的像素点进行匹配得到多组相似点;像素点匹配的方法采用匈牙利算法,获取每组相似点之间的欧式距离,将该欧式距离作为真实边缘上目标点的第一距离。
进一步的,由边缘匹配对中模糊边缘与真实边缘直接进行匹配的结果较为局限,且匈牙利算法为强匹配算法,因此真实边缘上每个像素点匹配得到的第一距离可能存在偏差,对每组边缘匹配对中真实边缘上的像素点进行搜索匹配,对真实边缘上目标点进行搜索匹配时,本发明实施例中设置搜索匹配的范围为:获取道路图像的运动方向左边15度与运动方向右边15度之间的范围为搜索的方向,获取目标点的第一距离的二倍的距离范围,即该距离范围为距离目标点的长度为第一距离的二倍所构成的范围,距离范围与搜索方向的范围统一构成该目标点搜索匹配的范围。
该目标点进行搜索匹配的具体方法为:对目标点进行高斯模糊得到该目标点的模糊值,在上述获取的搜索匹配的范围内计算每个像素点的灰度值与该目标点的模糊值之间灰度差异,灰度差异越小表明该像素点与目标点越可能匹配成功;连接搜索匹配的范围内每个像素点与目标点得到对应的线段,该线段与水平线的方向记为对应像素点与目标点之间的角度值,获取该道路图像的运动方向的单位向量与水平线方向之间的角度值为基准角度值;计算像素点和目标点之间的角度值与基准角度值的角度差异,对灰度差异以及角度差异分别进行归一化处理,基于归一化处理后的角度差异和灰度差异获取像素点与目标点之间的匹配值,匹配值的计算公式为:
由此获取搜索匹配的范围内每个像素点与目标点的匹配值,匹配值最小时的像素点为该目标点的第二匹配点;以此类推,获取真实边缘上每个像素点对应的第二匹配点。获取真实边缘上每个像素点与其对应第二匹配点之间的欧式距离,以该欧式距离作为真实边缘上对应像素点的第二距离。
由此获取到真实边缘上每个像素点对应的第一距离与第二距离,获取所有真实边缘上像素点对应的第一距离的均值为第一均值以及第二距离的均值为第二均值,基于真实边缘上每个像素点的第一距离与第一均值之间的差值以及第二距离与第二均值之间的差值得到该像素点的偏离程度,偏离程度的计算公式为:
其中,为像素点的偏离程度;表示第个像素点的第二距离;表示第个像素点的第一距离;表示所有真实边缘上像素点的数量;表示所有真实边缘上像素点对应的第一距离的均值,即第一均值;表示所有真实边缘上像素点对应的第二距离的均值,即第二均值。
以此类推,获取真实边缘上每个像素点对应的偏离程度,结合像素点对应的第一距离以及第二距离得到该像素点对应的优化距离,优化距离的计算为:
基于上述获取优化距离的方法,获取真实边缘上每个像素点对应的优化距离;由于真实边缘上每个像素点均对应第一匹配点和第二匹配点,第一匹配点与第二匹配点可能为同一像素点且为同一像素点的概率较大;则真实边缘上像素点对应的优化距离即为第二匹配点位置的模糊长度;以此类推,基于真实边缘上每个像素点对应的优化距离获取其对应第二匹配点的模糊长度。
需要说明的是,道路图像中除真实边缘上各个像素点对应的第二匹配点之外,其他像素点的模糊长度的获取方法为:选取与该像素点距离最近的第二匹配点,第二匹配点的模糊长度即为该像素点对应的模糊长度;以此类推,获取道路图像中所有像素点对应的模糊长度。
进一步的,基于模糊长度与模糊角度可得到相应的模糊核,则得到道路图像中每个像素点对应的模糊核,基于像素点对应的模糊核进行反卷积,使用维纳滤波进行图像复原从而得到道路图像对应的复原图像,图像复原的方法为现有公知技术,不再赘述。
步骤S200,将复原图像输入训练完成的神经网络中进行裂缝识别,神经网络的输出为包含裂缝区域的裂缝图像,基于裂缝图像得到道路表面的道路裂缝。
具体的,由步骤S100中获取道路图像的复原图像,基于复原图像对道路上的道路裂缝进行检测,本发明实施例中对道路裂缝检测的方法采用语义分割网络,语义分割网络采用U-Net神经网络,训练过程为:
(1)语义分割网络的输入为复原图像;
(2)由专业人员进行标注,裂缝区域标注为1,背景区域标注为0;
(3)网络的损失函数为交叉熵损失函数;
(4)语义分割网络的输出为裂缝图像。
将复原图像输入训练完成的语义分割网络中,输出为包含道路裂缝区域的裂缝图像,从而检测出道路表面的道路裂缝。
综上所述,本发明实施例中通过对实时采集的道路图像进行分析,获取道路图像的运动方向以及对应的边缘图像,基于边缘图像中的边缘上像素点的匹配计算得到道路图像中每个像素点自适应的模糊长度,从而根据现有的运动去模糊算法中模糊长度与模糊核之间的关系得到道路图像中每个像素点对应的模糊核,基于模糊核进行反卷积后得到道路图像对应的清晰的复原图像,基于复原图像对道路裂缝进行检测得到相应的裂缝图像,提高了对道路裂缝检测的准确性。
基于与上述方法实施例相同的发明构思,本发明实施例还提供了一种基于人工智能的道路裂缝检测系统,该系统包括:存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行计算机程序时实现上述一种基于人工智能的道路裂缝检测方法实施例中的步骤,例如图1所示的步骤。该一种基于人工智能的道路裂缝检测方法在上述实施例中已经详细说明,不再赘述。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于人工智能的道路裂缝检测方法,其特征在于,该方法包括以下步骤:
获取实时采集的待分析的道路图像,所述道路图像包括道路表面区域;利用改进的运动去模糊算法对所述道路图像进行处理得到复原图像;
将所述复原图像输入训练完成的神经网络中进行裂缝识别,所述神经网络的输出为包含裂缝区域的裂缝图像,基于所述裂缝图像得到道路表面的道路裂缝;
其中,所述改进的运动去模糊算法是对每个像素点的模糊长度进行自适应获取,获取方法为:获取所述道路图像的运动方向,对所述道路图像进行边缘检测得到边缘图像,将所述边缘图像中的边缘进行匹配得到多组边缘匹配对,基于所述运动方向获取每组边缘匹配对中的真实边缘与模糊边缘;
以每组边缘匹配对中的真实边缘上任意像素点为目标点,获取所述目标点在所述模糊边缘上的第一匹配点,所述第一匹配点与所述目标点之间的欧式距离为所述目标点的第一距离;
基于所述第一距离以及所述运动方向获取所述目标点的搜索匹配的范围,计算搜索匹配的范围内每个像素点与所述目标点之间的匹配值,匹配值最小的像素点为所述目标点的第二匹配点,所述第二匹配点与所述目标点之间的欧式距离为所述目标点的第二距离;
根据所述第一距离以及所述第二距离的加权求和得到所述目标点的优化距离;所述优化距离为所述第二匹配点的模糊长度;基于所有第二匹配点的模糊长度获取所述道路图像中其他像素点的模糊长度。
2.根据权利要求1所述的一种基于人工智能的道路裂缝检测方法,其特征在于,所述获取所述道路图像的运动方向的方法,包括:
获取实时采集的所述道路图像的前一帧图像,选定道路图像与其前一帧图像中共有的参照物,参照物位移的方向为所述道路图像的运动方向。
3.根据权利要求1所述的一种基于人工智能的道路裂缝检测方法,其特征在于,所述基于所述运动方向获取每组边缘匹配对中的真实边缘与模糊边缘的方法,包括:
构建所述运动方向对应的单位向量;
获取每组边缘匹配对中两条边缘分别对应的中心位置的点为中心点,将两个所述中心点进行连接得到对应的线段,获取线段的中点,以该线段的中点为所述单位向量的起点,与所述单位向量的终点距离较近的边缘为模糊边缘,则边缘匹配点对中的另一边缘为真实边缘。
4.根据权利要求1所述的一种基于人工智能的道路裂缝检测方法,其特征在于,所述获取所述目标点在所述模糊边缘上的第一匹配点的方法为匈牙利算法。
5.根据权利要求1所述的一种基于人工智能的道路裂缝检测方法,其特征在于,所述基于所述第一距离以及所述运动方向获取所述目标点的搜索匹配的范围的方法,包括:
获取所述道路图像的运动方向左边15度与运动方向右边15度之间的范围为搜索的方向;
获取目标点的第一距离的二倍的距离范围,所述距离范围与搜索方向的范围构成所述目标点搜索匹配的范围。
6.根据权利要求3所述的一种基于人工智能的道路裂缝检测方法,其特征在于,所述计算搜索匹配的范围内每个像素点与所述目标点之间的匹配值的方法,包括:
对所述目标点进行高斯模糊得到模糊值,获取所述目标点的模糊值与搜索匹配的范围内任意像素点的灰度值之间的灰度差异;
连接所述像素点与所述目标点得到对应的线段,获取所述线段与水平线方向的夹角的角度值,以及所述运动方向的单位向量与水平线方向的夹角的基准角度值,计算所述线段与水平线方向的夹角的角度值与所述基准角度值之间的角度差异;
对所述灰度差异以及所述角度差异分别进行归一化,计算归一化后的灰度差异的平方值与角度差异的平方值的加和,对所述加和开二次方得到所述像素点与所述目标点之间的匹配值。
7.根据权利要求1所述的一种基于人工智能的道路裂缝检测方法,其特征在于,所述第一距离以及所述第二距离的权重为:
计算所述道路图像中所有真实边缘上像素点对应的第一距离的均值为第一均值,所有真实边缘上像素点对应的第二距离的均值为第二均值;
获取真实边缘上任意像素点的第一距离与第一均值的第一差值,以及所述像素点的第二距离与第二均值的第二差值,计算所述第一差值与所述第二差值的求和,所述第二差值与所述求和的比值为偏离程度,所述偏离程度为所述第一距离的权重;所述第一距离的权重与所述第二距离的权重相加为1。
8.根据权利要求1所述的一种基于人工智能的道路裂缝检测方法,其特征在于,所述基于所有第二匹配点的模糊长度获取所述道路图像中其他像素点的模糊长度的方法,包括:
获取每个像素点对应的距离最近的第二匹配点,距离最近的第二匹配点的模糊长度为所述像素点的模糊长度。
9.一种基于人工智能的道路裂缝检测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器在执行所述计算机程序时,实现上述权利要求1-8任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210844419.XA CN114972333B (zh) | 2022-07-19 | 2022-07-19 | 基于人工智能的道路裂缝检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210844419.XA CN114972333B (zh) | 2022-07-19 | 2022-07-19 | 基于人工智能的道路裂缝检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114972333A true CN114972333A (zh) | 2022-08-30 |
CN114972333B CN114972333B (zh) | 2022-10-25 |
Family
ID=82969654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210844419.XA Active CN114972333B (zh) | 2022-07-19 | 2022-07-19 | 基于人工智能的道路裂缝检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972333B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612103A (zh) * | 2023-06-01 | 2023-08-18 | 中国建筑科学研究院有限公司 | 一种基于机器视觉的建筑结构裂缝智能检测方法及其系统 |
CN117152135A (zh) * | 2023-10-30 | 2023-12-01 | 济宁市市政园林养护中心 | 一种道路施工裂缝缺陷评估检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104103050A (zh) * | 2014-08-07 | 2014-10-15 | 重庆大学 | 一种基于局部策略的真实视频复原方法 |
CN104794696A (zh) * | 2015-05-04 | 2015-07-22 | 长沙金定信息技术有限公司 | 一种图像去运动模糊方法及装置 |
CN108305230A (zh) * | 2018-01-31 | 2018-07-20 | 上海康斐信息技术有限公司 | 一种模糊图像综合处理方法和系统 |
US20180276796A1 (en) * | 2015-12-14 | 2018-09-27 | Peking University Shenzhen Graduate School | Method and device for deblurring out-of-focus blurred images |
CN108921813A (zh) * | 2018-05-16 | 2018-11-30 | 中设设计集团股份有限公司 | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 |
CN110175987A (zh) * | 2019-04-23 | 2019-08-27 | 江西科技学院 | 一种桥梁裂缝检测方法及系统 |
CN111630558A (zh) * | 2018-08-22 | 2020-09-04 | 深圳配天智能技术研究院有限公司 | 一种图像处理、匹配方法、装置及存储介质 |
CN113807246A (zh) * | 2021-09-16 | 2021-12-17 | 平安普惠企业管理有限公司 | 人脸识别方法、装置、设备及存储介质 |
CN114372935A (zh) * | 2022-01-10 | 2022-04-19 | 浪潮通用软件有限公司 | 一种运动模糊图像的复原方法、装置、设备及可读介质 |
-
2022
- 2022-07-19 CN CN202210844419.XA patent/CN114972333B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104103050A (zh) * | 2014-08-07 | 2014-10-15 | 重庆大学 | 一种基于局部策略的真实视频复原方法 |
CN104794696A (zh) * | 2015-05-04 | 2015-07-22 | 长沙金定信息技术有限公司 | 一种图像去运动模糊方法及装置 |
US20180276796A1 (en) * | 2015-12-14 | 2018-09-27 | Peking University Shenzhen Graduate School | Method and device for deblurring out-of-focus blurred images |
CN108305230A (zh) * | 2018-01-31 | 2018-07-20 | 上海康斐信息技术有限公司 | 一种模糊图像综合处理方法和系统 |
CN108921813A (zh) * | 2018-05-16 | 2018-11-30 | 中设设计集团股份有限公司 | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 |
CN111630558A (zh) * | 2018-08-22 | 2020-09-04 | 深圳配天智能技术研究院有限公司 | 一种图像处理、匹配方法、装置及存储介质 |
CN110175987A (zh) * | 2019-04-23 | 2019-08-27 | 江西科技学院 | 一种桥梁裂缝检测方法及系统 |
CN113807246A (zh) * | 2021-09-16 | 2021-12-17 | 平安普惠企业管理有限公司 | 人脸识别方法、装置、设备及存储介质 |
CN114372935A (zh) * | 2022-01-10 | 2022-04-19 | 浪潮通用软件有限公司 | 一种运动模糊图像的复原方法、装置、设备及可读介质 |
Non-Patent Citations (2)
Title |
---|
LIU TINGTING等: "An Image Deblurring Algorithm Based on Edge Selection", 《2019 18TH INTERNATIONAL CONFERENCE ON OPTICAL COMMUNICATIONS AND NETWORKS (ICOCN)》 * |
于志军等: "运动模糊参数优化的图像复原方法", 《兰州交通大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612103A (zh) * | 2023-06-01 | 2023-08-18 | 中国建筑科学研究院有限公司 | 一种基于机器视觉的建筑结构裂缝智能检测方法及其系统 |
CN116612103B (zh) * | 2023-06-01 | 2023-12-15 | 中国建筑科学研究院有限公司 | 一种基于机器视觉的建筑结构裂缝智能检测方法及其系统 |
CN117152135A (zh) * | 2023-10-30 | 2023-12-01 | 济宁市市政园林养护中心 | 一种道路施工裂缝缺陷评估检测方法 |
CN117152135B (zh) * | 2023-10-30 | 2024-01-23 | 济宁市市政园林养护中心 | 一种道路施工裂缝缺陷评估检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114972333B (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114972333B (zh) | 基于人工智能的道路裂缝检测方法及系统 | |
CN110687904B (zh) | 一种巡线机器人视觉导航巡检和避障方法 | |
US11580647B1 (en) | Global and local binary pattern image crack segmentation method based on robot vision | |
CN111325764B (zh) | 一种果实图像轮廓识别方法 | |
CN108921813B (zh) | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 | |
CN110837768B (zh) | 一种面向珍稀动物保护的在线检测与识别方法 | |
CN106778551B (zh) | 一种高速路段及城市道路车道线识别方法 | |
CN108921076B (zh) | 基于图像的道面裂缝病害自适应恒虚警检测方法 | |
CN116758059A (zh) | 一种用于路基路面的视觉无损检测方法 | |
CN107564035B (zh) | 基于重要区域识别和匹配的视频跟踪方法 | |
CN104992429A (zh) | 一种基于图像局部增强的山体裂缝检测方法 | |
CN110717934B (zh) | 一种基于strcf的抗遮挡目标跟踪方法 | |
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 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN116342586B (zh) | 基于机器视觉的路面质量检测方法 | |
CN111753693B (zh) | 一种静态场景下目标检测方法 | |
CN110427979A (zh) | 基于K-Means聚类算法的道路水坑识别方法 | |
CN113239733A (zh) | 一种多车道车道线检测方法 | |
CN115908154A (zh) | 基于图像处理的视频后期颗粒噪声去除方法 | |
CN115909256A (zh) | 基于道路视觉图像的道路病害检测方法 | |
CN110348307B (zh) | 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统 | |
CN107977608B (zh) | 一种应用于公路视频图像道路区域提取的方法 | |
CN114529715B (zh) | 一种基于边缘提取的图像识别方法及系统 | |
JPH05151341A (ja) | 車両用走行路検出装置 | |
CN115170657A (zh) | 钢轨识别方法及装置 |
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 |