CN115330801A - 一种公路路面质量智能检测方法 - Google Patents

一种公路路面质量智能检测方法 Download PDF

Info

Publication number
CN115330801A
CN115330801A CN202211258154.1A CN202211258154A CN115330801A CN 115330801 A CN115330801 A CN 115330801A CN 202211258154 A CN202211258154 A CN 202211258154A CN 115330801 A CN115330801 A CN 115330801A
Authority
CN
China
Prior art keywords
point
points
edge
crack
road surface
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
CN202211258154.1A
Other languages
English (en)
Other versions
CN115330801B (zh
Inventor
闫震宇
贾静
陈磊
刘颖
李静
何天庚
关万里
付鹏飞
耿培龙
孙启帅
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.)
Jiangsu Feierpu Engineering Technology Co ltd
Original Assignee
Jiangsu Feierpu Engineering Technology Co ltd
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 Jiangsu Feierpu Engineering Technology Co ltd filed Critical Jiangsu Feierpu Engineering Technology Co ltd
Priority to CN202211258154.1A priority Critical patent/CN115330801B/zh
Publication of CN115330801A publication Critical patent/CN115330801A/zh
Application granted granted Critical
Publication of CN115330801B publication Critical patent/CN115330801B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种公路路面质量智能检测方法。该方法获取路面图像，分割出路面图像，并进行灰度化处理。根据已有裂纹作为导向，判断已有裂纹边缘是否存在已经蔓延出去的隐藏裂纹的图像特征。根据已有裂纹和可能隐含裂纹的边缘点数量，对当前路面进行质量评估。本发明实现对隐藏裂纹的发现，并对当前路面质量进行计算评估。

Description

一种公路路面质量智能检测方法
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种公路路面质量智能检测方法。
背景技术
无人机巡拍路面进行表面质量评估时，在摄取到裂纹图像时，由于无人机运行时的角度和高度影响，加上沥青路面本身就属于表面颗粒状比较强的特征，因此在对路面中隐形裂纹判断和寻找产生较强的干扰。
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公路路面质量智能检测方法，所采用的技术方案具体如下：
本发明提出了一种公路路面质量智能检测方法，所述方法包括：
获取路面图像；获取路边图像中的现有裂纹边缘点；以每个现有裂纹边缘点为中心点，沿着梯度方向以中心点两侧的像素点作为对应现有裂纹边缘点的参考点；获取现有裂纹边缘点对应的两个参考点预设邻域范围内的像素值累加和，根据两个参考点对应的像素值累加和获得现有裂纹边缘点为隐藏裂纹起始点的概率；根据隐藏裂纹起始点的概率筛选出第一隐藏裂纹起始点；
以仅存在一个相邻现有裂纹边缘点的现有裂纹边缘点作为断点，每个断点与其相邻现有裂纹边缘点构成一个向量，获得每个断点与距离最近的其他断点之间向量的夹角，根据夹角获得每个断点的平滑程度，根据平滑程度筛选出第二隐藏裂纹起始点；
根据第一隐藏裂纹起始点数量、第二隐藏裂纹起始点数量和现有裂纹边缘点的数量获得公路路面质量。
进一步地，所述获取路面图像包括：
采集初始路面图像，去除初始路面图像中的背景信息，获得路面图像。
进一步地，所述获取现有裂纹边缘点对应的两个参考点预设邻域范围内的像素值累加和包括：
以每个现有裂纹边缘点为中心点，获取中心点的8邻域中与梯度方向垂直的上边缘方向和下边缘方向；
在上边缘方向或者下边缘方向，以参考点为中心分别获得参考点两侧预设数量个像素点的像素值累加和。
进一步地，所述根据两个参考点对应的像素值累加和获得现有裂纹边缘点为隐藏裂纹起始点的概率包括：
Figure 792347DEST_PATH_IMAGE002
Figure 120560DEST_PATH_IMAGE004
其中，
Figure 100002_DEST_PATH_IMAGE005
为参考点左侧的像素值累加和比值，
Figure 135921DEST_PATH_IMAGE006
为裂纹边缘点在上边缘方向上第
Figure 100002_DEST_PATH_IMAGE007
个像素点的像素值，
Figure 840571DEST_PATH_IMAGE008
为裂纹边缘点在下边缘方向上第
Figure 788936DEST_PATH_IMAGE007
个像素点的像素值，
Figure 100002_DEST_PATH_IMAGE009
为裂纹边缘点在上边缘方向上第
Figure 163417DEST_PATH_IMAGE010
个像素点的像素值，
Figure 100002_DEST_PATH_IMAGE011
为裂纹边缘点在下边缘方向上第
Figure 790707DEST_PATH_IMAGE010
个像素点的像素值，在裂纹边缘点的上边缘和下边缘中第
Figure 153510DEST_PATH_IMAGE012
个像素点为对应的参考点，
Figure 100002_DEST_PATH_IMAGE013
为现有裂纹边缘点为隐藏裂纹起始点的概率，
Figure 549857DEST_PATH_IMAGE014
为自然常数。
进一步地，所述根据夹角获得每个断点的平滑程度包括：
Figure 954293DEST_PATH_IMAGE016
其中，
Figure 100002_DEST_PATH_IMAGE017
为向量
Figure 209825DEST_PATH_IMAGE018
和向量
Figure 100002_DEST_PATH_IMAGE019
之间的夹角，
Figure 866066DEST_PATH_IMAGE020
为平滑程度。
进一步地，所述根据第一隐藏裂纹起始点数量、第二隐藏裂纹起始点数量和现有裂纹边缘点的数量获得公路路面质量包括：
Figure 116918DEST_PATH_IMAGE022
其中，
Figure 100002_DEST_PATH_IMAGE023
为平滑程度，
Figure 957835DEST_PATH_IMAGE024
为现有裂纹边缘点的数量，
Figure 100002_DEST_PATH_IMAGE025
为第一隐藏裂纹起始点数量，
Figure 651728DEST_PATH_IMAGE026
为第二隐藏裂纹起始点数量，
Figure 100002_DEST_PATH_IMAGE027
为图像的尺寸。
本发明具有如下有益效果：
本发明实施例通过路面已存在裂纹进行导向，判断当前已存在裂纹的边缘上像素点邻域的特征值，实现对当前隐藏裂纹生长点的提取，从而实现对隐藏裂纹的发现，并对当前路面质量进行计算评估。
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公路路面质量智能检测方法。
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公路路面质量智能检测方法，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。
本发明的主要目的是:对受颗粒感影响较重的隐藏裂纹进行查找，并重新对图像进行自适应边缘检测，对隐藏裂纹进行增强。
本发明所针对的情景为：
在路面质量评测过程中，一般会使用专门的图像采集车辆，来对路面图像进行采集，但是难免会占用公路资源；或是采用人工抽样测量方法，费时费力。使用无人机对路况信息进行采集，方便快捷，但是无人机采集图像时，会由于路面表面颗粒噪声，对隐形裂纹判断产生干扰，因此，通过已有裂纹为导向，去判断当前路面隐藏裂纹存在情况。
下面结合附图具体的说明本发明所提供的一种公路路面质量智能检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种公路路面质量智能检测方法流程图，该方法包括：
步骤S1：获取路面图像；获取路边图像中的现有裂纹边缘点；以每个现有裂纹边缘点为中心点，沿着梯度方向以中心点两侧的像素点作为对应现有裂纹边缘点的参考点；获取现有裂纹边缘点对应的两个参考点预设邻域范围内的像素值累加和，根据两个参考点对应的像素值累加和获得现有裂纹边缘点为隐藏裂纹起始点的概率；根据隐藏裂纹起始点的概率筛选出第一隐藏裂纹起始点。
使用无人机拍摄图像时拍摄到的初始图像中包含路面信息和非路面信息，去除初始路面图像中的背景信息，获得路面图像。在本发明实施例中使用神经网络对图像进行分割，获取图片中路面信息。
本发明实施例采用DNN语义分割的方式来识别分割图像中的目标。
该DNN网络的相关内容如下：
a.使用的数据集为无人机采集的待检测路面图像数据集。
b.需要分割的像素，共分为2类，即训练集对应标签标注过程为：单通道的语义标签，对应位置像素属于道路之外区域的标注为0，属于待检测路面图像的标注为1。
c.网络的任务是分类，所以使用的loss函数为交叉熵损失函数。
至此，通过DNN实现了待检测路面图像的分割处理处理，获得图像中道路区域的图像，然后进行灰度化处理，获得道路灰度图。
要判断当前道路是否含有隐藏裂纹，要根据已有裂纹边缘点为研究对象，隐藏裂纹的起始点都是从现有裂纹开始进行延伸，所以在开始要使用合适的边缘算子检测出现有裂纹的边缘点，结合当前道路上的颗粒程度选取合适的高斯滤波核的大小，获取到理想的现有裂纹的边缘点的集合。
Canny算子检测图像边缘时，分为以下几个步骤：
a)高斯滤波降噪处理
b)差分计算幅值和方向
c)非极大值抑制
d)滞后阈值
其中高斯核的大小，在一定程度上可以平滑路面表面颗粒感，尺寸较小的的高斯滤波核，可以将图像中的噪声过滤出来，避免后面进行边缘检测时将错误的噪声信息也识别为边缘，但是尺寸较大的滤波核对已有边缘信息也进行了平滑，所以在边缘检测过程中应选择合适大小尺寸的滤波核，同时也要选取合适的非极大值抑制阈值范围。
所以在获取图像后进行边缘检测时可以选取需要的高斯滤波核对图像进行预处理，使得选取的高斯滤波核的平滑效果能得出需要的现有的裂纹的完整的边缘信息。
隐藏裂纹是以现有裂纹边缘点为起始点开始进行延伸，所以在检测道路裂纹时，需要考虑现有裂纹的边缘点的特征，通过对现有裂纹边缘点的邻域内灰度值的特征，来对隐藏裂纹的概率进行计算。
以现有检测出的裂纹边缘点图像，以左下角为坐标原点建立直角坐标系，保证图像整体在坐标系第一象限中。获取到检测之后每一个边缘像素点的坐标，同时将原图像以同样的方式放入同一直角坐标系下。以每个现有裂纹边缘点为中心点，沿着梯度方向以中心点两侧的像素点作为对应现有裂纹边缘点的参考点。获取现有裂纹边缘点对应的两个参考点预设邻域范围内的像素值累加和，具体包括：
以每个现有裂纹边缘点为中心点，获取中心点的8邻域中与梯度方向垂直的上边缘方向和下边缘方向；
在上边缘方向或者下边缘方向，以参考点为中心分别获得参考点两侧预设数量个像素点的像素值累加和。
根据两个参考点对应的像素值累加和获得现有裂纹边缘点为隐藏裂纹起始点的概率，具体包括：
Figure 111660DEST_PATH_IMAGE028
Figure 217019DEST_PATH_IMAGE004
其中，
Figure 104204DEST_PATH_IMAGE005
为参考点左侧的像素值累加和比值，
Figure 662224DEST_PATH_IMAGE006
为裂纹边缘点在上边缘方向上第
Figure 784901DEST_PATH_IMAGE007
个像素点的像素值，
Figure 744766DEST_PATH_IMAGE008
为裂纹边缘点在下边缘方向上第
Figure 537273DEST_PATH_IMAGE007
个像素点的像素值，
Figure 848169DEST_PATH_IMAGE009
为裂纹边缘点在上边缘方向上第
Figure 508957DEST_PATH_IMAGE010
个像素点的像素值，
Figure 323329DEST_PATH_IMAGE011
为裂纹边缘点在下边缘方向上第
Figure 50852DEST_PATH_IMAGE010
个像素点的像素值，在裂纹边缘点的上边缘和下边缘中第
Figure 583464DEST_PATH_IMAGE012
个像素点为对应的参考点，
Figure 313523DEST_PATH_IMAGE013
为现有裂纹边缘点为隐藏裂纹起始点的概率，
Figure 857768DEST_PATH_IMAGE014
为自然常数。
其有两种情况：
1.左侧对应道路区域，右侧对应隐藏裂纹区域
2.左侧对应隐藏裂纹区域，右侧对应道路区域
其中为第一种情况时，则向右寻找最近的满足第二种特征的中心边缘像素点，将其视为一组。为第二种情况时，则向左寻找最近的满足第一种特征的中心边缘像素点，将其视为一组。
Figure 382290DEST_PATH_IMAGE013
表示当前中心点像素为隐藏裂纹起始点的概率，若当前中心像素点为隐藏裂纹起始点时，
Figure 402199DEST_PATH_IMAGE005
与
Figure DEST_PATH_IMAGE029
二者中存在接近于1的值，则G值较大，即远离1;若当前中心像素点不是隐藏裂纹起始点，则
Figure 811314DEST_PATH_IMAGE005
与
Figure 600279DEST_PATH_IMAGE029
的比值将接近于1，则G值较小，即接近1。
那么设置阈值K=0.5，将G值小于0.5的中心像素点标记为非隐藏裂纹起始点，将G值大于0.5的中心像素点标记为第一隐藏裂纹起始点的像素点。设置计数器M，相同的边缘像素点则视为同一组，统计出被标记为第一隐藏裂纹起始点的像素点的数量。
步骤S2：以仅存在一个相邻现有裂纹边缘点的现有裂纹边缘点作为断点，每个断点与其相邻现有裂纹边缘点构成一个向量，获得每个断点与距离最近的其他断点之间向量的夹角，根据夹角获得每个断点的平滑程度，根据平滑程度筛选出第二隐藏裂纹起始点。
当边缘在检测后为断点时，其断点两侧的延伸方向的确定，也可作为隐藏裂纹判断依据，断点两侧的延伸方向若和断点两侧像素点相邻像素点的方向差异不大，则其边缘像素点断点可判断为由于高斯滤波造成的边缘断开，若断点两侧的延伸方向若和断点两侧像素点相邻像素点的方向差异较大，则可判断其为隐藏像素点造成的边缘点梯度紊乱而导致的边缘像素点的断点。同样以已经获取到的边缘点为研究对象，判断与其相连的像素点的信息，若某一边缘像素点只有一个相邻像素点，判断与其对应的断点像素点的特征值。
边缘像素点只有一个相邻像素点的，将此类像素点作为中心像素点，由相邻像素点指向当前中心像素点，获得向量。获得每个断点与距离最近的其他断点之间向量的夹角，根据夹角获得每个断点的平滑程度，具体包括：
Figure 295702DEST_PATH_IMAGE030
其中，
Figure 412694DEST_PATH_IMAGE017
为向量
Figure 218976DEST_PATH_IMAGE018
和向量
Figure 128026DEST_PATH_IMAGE019
之间的夹角，
Figure 728772DEST_PATH_IMAGE020
为平滑程度。
其中P值越小时，表明当前断点处延伸线交点处的角度越平滑，其断点为隐藏裂纹的概率就越小。其特征为异常隐藏像素点的概率越大。
设置计数器N，当P值大于0.1时，认为对应像素点为第二隐藏裂纹起始点，则计数器加一，表明当前断点边缘平滑度较低，为隐藏裂纹起始点的概率较大。当P值小于0.1时，认为此类断点边缘属于被图像过度平滑导致的边缘曲线的断裂，不对此类断点处像素点进行计数。
步骤S3：根据第一隐藏裂纹起始点数量、第二隐藏裂纹起始点数量和现有裂纹边缘点的数量获得公路路面质量。
具体获得公路路面质量的方法包括：
Figure DEST_PATH_IMAGE031
其中，
Figure 628332DEST_PATH_IMAGE023
为平滑程度，
Figure 707147DEST_PATH_IMAGE024
为现有裂纹边缘点的数量，
Figure 611649DEST_PATH_IMAGE025
为第一隐藏裂纹起始点数量，
Figure 383296DEST_PATH_IMAGE026
为第二隐藏裂纹起始点数量，
Figure 865093DEST_PATH_IMAGE027
为图像的尺寸。N和M属于两种不同情况下的隐藏裂纹起始点的判别方法，M为现有裂纹边缘点经边缘检测不断裂时，检测出的属于隐藏裂纹起始点概率较高的像素点，而N为现有裂纹边缘点经边缘检测断裂后，对断裂的边缘进行检测，检测出的属于隐藏裂纹起始点概率较高的断点，二者同属现有裂纹边缘上的起始点，但属于不同种类的疑似点。因此同时根据已有裂纹像素点占比和计算出的疑似隐藏裂纹起始点的像素点数量，对当前道路图像进行总的质量评估。
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。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，凡在本发明的精神和原则之内，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 (6)

1.一种公路路面质量智能检测方法，其特征在于，所述方法包括：
获取路面图像；获取路边图像中的现有裂纹边缘点；以每个现有裂纹边缘点为中心点，沿着梯度方向以中心点两侧的像素点作为对应现有裂纹边缘点的参考点；获取现有裂纹边缘点对应的两个参考点预设邻域范围内的像素值累加和，根据两个参考点对应的像素值累加和获得现有裂纹边缘点为隐藏裂纹起始点的概率；根据隐藏裂纹起始点的概率筛选出第一隐藏裂纹起始点；
以仅存在一个相邻现有裂纹边缘点的现有裂纹边缘点作为断点，每个断点与其相邻现有裂纹边缘点构成一个向量，获得每个断点与距离最近的其他断点之间向量的夹角，根据夹角获得每个断点的平滑程度，根据平滑程度筛选出第二隐藏裂纹起始点；
根据第一隐藏裂纹起始点数量、第二隐藏裂纹起始点数量和现有裂纹边缘点的数量获得公路路面质量。
2.根据权利要求1所述的一种公路路面质量智能检测方法，其特征在于，所述获取路面图像包括：
采集初始路面图像，去除初始路面图像中的背景信息，获得路面图像。
3.根据权利要求1所述的一种公路路面质量智能检测方法，其特征在于，所述获取现有裂纹边缘点对应的两个参考点预设邻域范围内的像素值累加和包括：
以每个现有裂纹边缘点为中心点，获取中心点的8邻域中与梯度方向垂直的上边缘方向和下边缘方向；
在上边缘方向或者下边缘方向，以参考点为中心分别获得参考点两侧预设数量个像素点的像素值累加和。
4.根据权利要求3所述的一种公路路面质量智能检测方法，其特征在于，所述根据两个参考点对应的像素值累加和获得现有裂纹边缘点为隐藏裂纹起始点的概率包括：
Figure 679677DEST_PATH_IMAGE002
Figure 979946DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE005
为参考点左侧的像素值累加和比值，
Figure 325477DEST_PATH_IMAGE006
为裂纹边缘点在上边缘方向上第
Figure DEST_PATH_IMAGE007
个像素点的像素值，
Figure 554464DEST_PATH_IMAGE008
为裂纹边缘点在下边缘方向上第
Figure 87077DEST_PATH_IMAGE007
个像素点的像素值，
Figure DEST_PATH_IMAGE009
为裂纹边缘点在上边缘方向上第
Figure 817135DEST_PATH_IMAGE010
个像素点的像素值，
Figure DEST_PATH_IMAGE011
为裂纹边缘点在下边缘方向上第
Figure 892539DEST_PATH_IMAGE010
个像素点的像素值，在裂纹边缘点的上边缘和下边缘中第
Figure 151482DEST_PATH_IMAGE012
个像素点为对应的参考点，
Figure DEST_PATH_IMAGE013
为现有裂纹边缘点为隐藏裂纹起始点的概率，
Figure 577915DEST_PATH_IMAGE014
为自然常数。
5.根据权利要求1所述的一种公路路面质量智能检测方法，其特征在于，所述根据夹角获得每个断点的平滑程度包括：
Figure 580506DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE017
为向量
Figure 8951DEST_PATH_IMAGE018
和向量
Figure DEST_PATH_IMAGE019
之间的夹角，
Figure 969954DEST_PATH_IMAGE020
为平滑程度。
6.根据权利要求1所述的一种公路路面质量智能检测方法，其特征在于，所述根据第一隐藏裂纹起始点数量、第二隐藏裂纹起始点数量和现有裂纹边缘点的数量获得公路路面质量包括：
Figure 477159DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE023
为平滑程度，
Figure 158807DEST_PATH_IMAGE024
为现有裂纹边缘点的数量，
Figure DEST_PATH_IMAGE025
为第一隐藏裂纹起始点数量，
Figure 333436DEST_PATH_IMAGE026
为第二隐藏裂纹起始点数量，
Figure DEST_PATH_IMAGE027
为图像的尺寸。
CN202211258154.1A 2022-10-14 2022-10-14 一种公路路面质量智能检测方法 Active CN115330801B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211258154.1A CN115330801B (zh) 2022-10-14 2022-10-14 一种公路路面质量智能检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211258154.1A CN115330801B (zh) 2022-10-14 2022-10-14 一种公路路面质量智能检测方法

Publications (2)

Publication Number Publication Date
CN115330801A true CN115330801A (zh) 2022-11-11
CN115330801B CN115330801B (zh) 2023-03-24

Family

ID=83913593

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211258154.1A Active CN115330801B (zh) 2022-10-14 2022-10-14 一种公路路面质量智能检测方法

Country Status (1)

Country Link
CN (1) CN115330801B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011242365A (ja) * 2010-05-21 2011-12-01 Nippon Telegr & Teleph Corp <Ntt> コンクリート構造物画像のひび割れ検知装置、ひび割れ検知方法及びそのプログラム
CN108074230A (zh) * 2017-12-14 2018-05-25 中国科学院长春光学精密机械与物理研究所 一种路面裂缝检测装置及方法
CN109146863A (zh) * 2018-08-06 2019-01-04 深圳明创自控技术有限公司 一种路面标志线缺陷检测装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011242365A (ja) * 2010-05-21 2011-12-01 Nippon Telegr & Teleph Corp <Ntt> コンクリート構造物画像のひび割れ検知装置、ひび割れ検知方法及びそのプログラム
CN108074230A (zh) * 2017-12-14 2018-05-25 中国科学院长春光学精密机械与物理研究所 一种路面裂缝检测装置及方法
CN109146863A (zh) * 2018-08-06 2019-01-04 深圳明创自控技术有限公司 一种路面标志线缺陷检测装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
贾磊: "基于自动阈值检测和边缘连接的路面裂缝边缘提取方法", 《山西交通科技》 *

Also Published As

Publication number Publication date
CN115330801B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN104732227B (zh) 一种基于清晰度和亮度评估的车牌快速定位方法
CN108280450B (zh) 一种基于车道线的高速公路路面检测方法
CN103077384B (zh) 一种车标定位识别的方法与系统
CN102231236B (zh) 车辆计数方法和装置
CN104469345B (zh) 一种基于图像处理的视频故障诊断方法
CN102298698A (zh) 基于角点与边缘信息融合的遥感图像飞机检测方法
CN107705254B (zh) 一种基于街景图的城市环境评估方法
CN108229342B (zh) 一种海面舰船目标自动检测方法
CN102819952A (zh) 一种基于视频检测技术的车辆违法变道检测方法
CN102314599A (zh) 一种车道识别偏离检测方法
CN109635733B (zh) 基于视觉显著性和队列修正的停车场和车辆目标检测方法
CN112528868B (zh) 一种基于改进Canny边缘检测算法的违章压线判别方法
CN109886168B (zh) 一种基于层阶的地面交通标志识别方法
CN102842037A (zh) 一种基于多特征融合的车辆阴影消除方法
CN110782442B (zh) 一种基于多域耦合的图像人工模糊检测方法
CN110866926B (zh) 一种红外遥感图像快速精细海陆分割方法
WO2023279966A1 (zh) 一种多车道线检测方法、装置及检测设备
CN112651293B (zh) 一种公路违法设摊事件视频检测方法
CN112580447B (zh) 一种基于边缘二阶统计与融合的电力线检测方法
CN113239733B (zh) 一种多车道车道线检测方法
CN110321855A (zh) 一种雾天检测预警装置
CN111652033A (zh) 基于OpenCV的车道线检测方法
CN110276318A (zh) 夜间公路下雨识别方法、装置、计算机设备及存储介质
CN113221603A (zh) 一种检测监控设备被异物遮挡的方法及装置
CN111241911B (zh) 一种自适应的车道线检测方法

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