CN115424178A - 一种提高路面裂缝数据识别的增强方法 - Google Patents

Abstract

本发明公开一种提高路面裂缝数据识别的增强方法，包括:获取路面裂缝编码后的数据；设置初始分簇数目，并对初始分簇数目进行更新，基于初始分簇数目及更新后的分簇数目，对编码后的数据进行迭代聚类计算，基于迭代聚类计算中的像素下降率进行判断,得到最佳分簇数；基于最佳分簇数，对包含裂缝的路面图像进行聚类识别，得到包含裂缝的路面图像识别结果。通过上述技术方案，本发明能够有效提高路面裂缝识别方法的准确度使其达到工程应用的水平。

Description

一种提高路面裂缝数据识别的增强方法

技术领域

本发明涉及电子信息技术领域，特别涉及一种提高路面裂缝数据识别的增强方法。

背景技术

现有路面裂缝识别方法一般过程为：编码处理、去噪处理以及裂缝识别处理。其中，编码处理将图片中每一个像素转化为数字形式；去噪处理负责去除由于拍摄引入的重影及抖动等噪声数据；裂缝识别处理用于计算判别道路图片是否包含裂缝。现有的道路裂缝识别方法分为两种：一种是通过统计拟合等计算方法对路面图片进行辨识；另一种是通过神经网络方法对道路裂缝进行智能识别。统计拟合等计算方法的识别准确度受限于道路图片中裂缝与正常路面的色差，如果色差较小，在统计及拟合计算时对比度常常引入噪声数据导致识别准确度较低，也即误将非裂缝识别为裂缝或者将有裂缝的数据没有识别出来。每个像素被转化为一组RGB值并且所有的RGB值都被除以255缩小到了0至1之间。观察数据不难发现：非裂缝路面与裂缝的数值差别非常微小，裂缝的特征在整个数据中很难辨识。相对于统计拟合等计算方法，神经网络智能识别方法基于大量的训练学习虽然能够有效提高识别准确度，但是由于裂缝在道路数据中表现出的不具象不易感知的特征导致目前的识别准确度往往较低。

发明内容

为解决上述现有技术中所存在的问题，本发明提供一种提高路面裂缝数据识别的增强方法，能够有效提高路面裂缝识别方法的准确度使其达到工程应用的水平。

为了实现上述技术目的，本发明提供了如下技术方案：

一种提高路面裂缝数据识别的增强方法，包括：

获取包含裂缝的路面图像编码后的数据；设置初始分簇数目，并对初始分簇数目进行更新，基于初始分簇数目及更新后的分簇数目，对编码后的数据进行迭代聚类计算，基于迭代聚类计算中的像素下降率进行判断,得到最佳分簇数；基于最佳分簇数，对包含裂缝的路面图像进行聚类识别，得到包含裂缝的路面图像识别结果。

可选的，获取编码后的数据的过程包括：

获取包含裂缝的路面图像，对所述包含裂缝的路面图像进行编码，得到包含裂缝的路面图像编码后的数据。

可选的，对所述包含裂缝的路面图像进行编码的过程包括：

将包含裂缝的路面图像中的每个像素转化为RGB数值，基于RGB数值计算得到包含裂缝的路面图像RGB数组作为包含裂缝的路面图像编码后的数据。

可选的，得到最佳分簇数据的过程包括：

设置初始分簇数目，基于初始分簇数目，对编码后的数据进行聚类计算，得到初始裂缝簇像素总数；对初始分簇数目进行更新，基于更新后的分簇数目，对编码后的数据进行聚类计算，得到更新后的裂缝簇像素总数，基于初始裂缝簇像素总数及更新后的裂缝簇像素总数计算像素下降率，并基于像素下降率进行判断；若基于像素下降率判断结果为出现下降率拐点，则拐点对应的更新后的分簇数目作为最佳分簇数据。

可选的，基于像素下降率判断过程中，通过手肘法或Gap statistic方法对像素下降率进行判断是否出现分簇数拐点。

可选的，通过K-means聚类对编码后的数据进行迭代聚类。

可选的，得到最佳分簇数之后还包括：

获取同一摄像头拍摄的对应图片库中的拍摄图像，根据最佳分簇数对拍摄图像进行聚类处理，得到拍摄图像的聚类识别结果。

本发明具有如下技术效果：

本发明提出一种提高路面裂缝数据识别的增强方法以有效提高现有识别方法对路面裂缝的识别精确度使其达到工程应用的水平。同时提出基于计算裂缝像素点下降率的方法被提出用于求解最佳分簇数以解决过聚类问题，提高运算速度。

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，下面将对实施例中所需要使用的附图作简单地介绍，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性的前提下，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系统示意图；

图2为本发明实施例提供的裂缝特征数据增强技术处理流程示意图；

图3为本发明实施例提供的增加聚类个数后裂缝聚类效果示意图；

图4为本发明实施例提供的迭代聚类后包含裂缝簇的像素总数分布示意图；

图5为本发明实施例提供的道路裂缝图库中随机选取了四张作为实验对象的处理结果示意图。

具体实施方式

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，所描述的实施例仅仅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做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。

为了解决在现有技术中存在的问题，本发明提供了如下方案：

如图1所述，本发明提供了一种提高路面裂缝数据识别的增强方法。在对道路中的裂缝进行检测识别时，需要对检测相机拍摄的道路图片进行识别，判断图片中是否存在裂缝。然而，不包含裂缝的路面与裂缝之间的色差较小导致裂缝特征提取困难，造成现有方法识别准确率较低往往达不到工程应用的精度要求。为解决此问题，基于k-means分类方法，本发明提出一种提高路面裂缝识别度的数据增强技术。此技术可作为现有计算识别方法的一个前置数据预处理插件，作用于图像识别处理之前，能够有效提高现有路面裂缝识别方法的准确度使其达到工程应用的水平。

本发明经过大量实验观测发现：当道路被建设投入使用后，如果路面出现裂缝且人为不干预裂缝的颜色，相对于不包含裂缝的路面，裂缝往往在拍摄图片中由于镜头的感光性表现出颜色更深的特征。为使裂缝数据特征在路面数据中得以充分体现，基于k-means分类方法本发明提出一种提高裂缝数据特征的数据增强技术以提高现有识别方法对路面裂缝的识别精确度。

传统k-means聚类方法是一种迭代求解聚类分析的算法，计算过程为:第一步，随机选取样本空间中k个点为分簇中心即质心；第二步，计算其它样本点分别到k个中心之间的距离并对距离进行排序，距离某个中心越小的样本点由于离此中心较近聚成一簇；第三步，在k个簇中重新计算每簇的中心点；第四步，重复第二步与第三步计算进行迭代聚簇直到达到某个终止条件，例如迭代次数达到手肘法或Gap statistic方法计算的拐点或最佳值，这里的拐点或最佳值表示中心点位置在簇中相对不再发生改变。

相对于不包含裂缝的路面，裂缝往往在拍摄图片中表现出颜色更深的特征，基于此裂缝在聚类后往往会被划分到颜色较深的簇。然而，通过比对像素个数很容易发现部分非裂缝像素点也被划分到了颜色较深的簇中，换言之颜色较深的簇中不仅有裂缝像素而且也有与裂缝像素相近的非裂缝像素点。为解决此问题，本发明基于k-means算法提出一种在颜色较深的簇中逐步剔除非裂缝像素的技术。相对于传统k-means聚类算法，此技术通过迭代消弭的方式对图片中的裂缝特征进行增强处理，具体处理步骤见图2，详解如下。

第一步：图片编码。目标道路图片中每一个像素被转化为一个RGB数值，基于此计算整个图片的RGB数组A，其中每一个元素a_ij为一个三元组a_ij＝(R,G,B)，元组内RGB值为十进制数同时为了便于计算每一个像素点的RGB数值都除以255被转换为一组0至1的数值。

第二步：聚类消弭。首先使用k-means聚类算法对目标图片的RGB数据A进行聚簇计算，分簇数值k的初始值设为2。聚类计算完成后，目标图片的像素点依据色差被聚为两簇：一簇颜色较深，一簇颜色相对较浅。由于裂缝像素点颜色相对较深，裂缝像素点被聚到颜色较深的簇中，同时与裂缝像素相近的非裂缝像素点也被聚到此簇中。出现此现象的本质原因是：聚类计算后分簇数目不够多。依据此原因增多分簇数目，例如将分簇数目k从2增加至3，k-means聚类算法基于目标图片的RGB数据A将像素点聚为3簇。对比2聚类与3聚类的结果，很容易得出：随着分簇数目的增多，相比较2聚类，在3聚类中颜色较深的簇由于部分像素点被划分到其他簇其大小逐渐缩小，也即原有包含裂缝簇内的部分非裂缝像素点被划分到其他簇内。基于此思想，本发明通过逐步提高分簇数目的技术实现裂缝像素点与非裂缝像素点的逐步分离。如图3所示，设包含裂缝簇的所有像素点为黑色，其他簇像素点都为白色，随着分簇数目的增多，裂缝像素点逐步聚集其特征在整个图片中也逐渐凸显。

通过提高分簇数目的技术可以实现裂缝像素点尽可能独立的被聚到一个簇内，然而如果分簇数目设置过大，虽然裂缝像素点之间色差不大，但也会出现部分颜色相对较浅的裂缝像素点被划分到其他簇中的现象。如图3所示，16聚类相比较4聚类，裂缝部分像素点被消减。如出现此现象，原图像中裂缝的特征由于像素点的消弭会被削弱，也即出现过聚类问题。为解决过聚类问题，本发明提出一种计算最优分簇数的技术。

在迭代聚类过程中，随着分簇数目的逐步增多，在包含裂缝像素簇中非裂缝像素距中心点的距离越来越近，非裂缝像素表现出逐步接近或更加相似裂缝像素的现象，与此同时整个簇呈现出非裂缝像素数目从簇的边界到中心点逐步减少的现象。基于此现象，可以推断出：在迭代聚类过程中，非裂缝像素在包含裂缝簇中每经过一次聚类消弭，从包含裂缝簇中被划分到其他簇的数目呈梯度下降趋势。如果以2聚类包含裂缝像素簇的总数为参考，对比每次迭代聚类后包含裂缝簇像素的总数，由于从包含裂缝簇中被划分到其他簇的数目呈梯度下降趋势，故在迭代聚类时非裂缝像素的消弭具有收敛特性。如图4所示，随着分簇数目的不断增加，图3所示数据中包含裂缝簇的像素总数呈梯度下降趋势且具逐步收敛特性。基于此，本发明以迭代聚类后包含裂缝簇的像素总数与2聚类包含裂缝簇的像素总数的比值p作为非裂缝像素点的下降率计算最优分簇数，并且现有手肘法或Gap statistic方法被用于判断拐点也即最佳值。如图4所示，分簇数8为下降率的拐点，也即最佳分簇数。最优分簇数具体计算过程如下：

1)设分簇数目k＝2,对目标图片进行聚类计算，统计包含裂缝簇的像素总数C；

2)分簇数目k++,对目标图片进行聚类计算,统计包含裂缝簇的像素总数c_k；

3)计算包含裂缝簇的像素下降率p_k＝c_k/C；

4)基于迭代计算得到的所有像素下降率p_k，使用手肘法或Gap statistic方法计算分簇数拐点，如果出现拐点停止迭代计算，否则重复2、3、4步。

当迭代聚类到达拐点停止计算之后，为使裂缝更富特征，在本发明中包含在裂缝簇内的所有像素点被设置为黑色，其他簇内像素点设置为白色。在实际应用中，由于同批次修建的道路整体色差趋于相近，为了减少迭代计算次数减少计算成本，可在拍摄的图片库中随机首先随机选取一个小样本作为计算最佳分簇数的依据，然后使用此分簇数对于整个图片库进行计算。更多的，在实际应用中，本发明基于k-means聚类算法提出的裂缝特征数据增强技术可以扩展应用于具有裂缝与非裂缝之间有色差特征的图片增强识别中，例如墙面裂缝、隧道裂缝、桥体裂缝等增强识别。

基于k-means分类方法本发明提出一种提高裂缝数据特征的数据增强技术以提高现有识别方法对路面裂缝的识别精确度，其中一种通过逐步提高分簇数迭代消弭的方法被提出用于实现裂缝像素点与非裂缝像素点的逐步分离，更多的为了解决过聚类问题，一种基于计算非裂缝像素点下降率的方法被提出用于求解最佳分簇数。本技术以现有道路裂缝识别方法数据预处理的输出作为输入，输出一个以RGB为模式的二维数组，其中裂缝像素的RGB值被设为黑色，其他非裂缝像素的RGB值被设为白色。为体现本技术对道路裂缝数据特征的增强效果，本发明按照裂缝在道路图片中从肉眼清晰可辨到模糊的规则在拍摄的道路裂缝图库中随机选取了四张作为实验对象，处理结果如图5所示。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种提高路面裂缝数据识别的增强方法，其特征在于，包括：

获取包含裂缝的路面图像编码后的数据；设置初始分簇数目，并对初始分簇数目进行更新，基于初始分簇数目及更新后的分簇数目，对编码后的数据进行迭代聚类计算，基于迭代聚类计算中的像素下降率进行判断,得到最佳分簇数；基于最佳分簇数，对包含裂缝的路面图像进行聚类识别，得到包含裂缝的路面图像识别结果。

2.根据权利要求1所述方法，其特征在于：

获取编码后的数据的过程包括：

获取包含裂缝的路面图像，对所述包含裂缝的路面图像进行编码，得到包含裂缝的路面图像编码后的数据。

3.根据权利要求2所述方法，其特征在于：

对所述包含裂缝的路面图像进行编码的过程包括：

将包含裂缝的路面图像中的每个像素转化为RGB数值，基于RGB数值计算得到包含裂缝的路面图像RGB数组作为包含裂缝的路面图像编码后的数据。

4.根据权利要求1所述方法，其特征在于：

得到最佳分簇数据的过程包括：

设置初始分簇数目，基于初始分簇数目，对编码后的数据进行聚类计算，得到初始裂缝簇像素总数；对初始分簇数目进行更新，基于更新后的分簇数目，对编码后的数据进行聚类计算，得到更新后的裂缝簇像素总数，基于初始裂缝簇像素总数及更新后的裂缝簇像素总数计算像素下降率，并基于像素下降率进行判断；若基于像素下降率判断结果为出现下降率拐点，则拐点对应的更新后的分簇数目作为最佳分簇数据。

5.根据权利要求4所述方法，其特征在于：

基于像素下降率判断过程中，通过手肘法或Gap statistic方法对像素下降率进行判断是否出现分簇数拐点。

6.根据权利要求1所述方法，其特征在于：

通过K-means聚类对编码后的数据进行迭代聚类。

7.根据权利要求1所述方法，其特征在于：

得到最佳分簇数之后还包括：

获取同一摄像头拍摄的对应图片库中的拍摄图像，根据最佳分簇数对拍摄图像进行聚类处理，得到拍摄图像的聚类识别结果。

Images