CN116342586B - 基于机器视觉的路面质量检测方法 - Google Patents
基于机器视觉的路面质量检测方法 Download PDFInfo
- Publication number
- CN116342586B CN116342586B CN202310553964.8A CN202310553964A CN116342586B CN 116342586 B CN116342586 B CN 116342586B CN 202310553964 A CN202310553964 A CN 202310553964A CN 116342586 B CN116342586 B CN 116342586B
- Authority
- CN
- China
- Prior art keywords
- gray
- window
- gray level
- scaling
- discriminant
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000008859 change Effects 0.000 claims description 10
- 238000005336 cracking Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 5
- 230000003044 adaptive effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
-
- E—FIXED CONSTRUCTIONS
- E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
- E01C—CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE; MACHINES OR AUXILIARY TOOLS FOR CONSTRUCTION OR REPAIR
- E01C23/00—Auxiliary devices or arrangements for constructing, repairing, reconditioning, or taking-up road or like surfaces
- E01C23/01—Devices or auxiliary means for setting-out or checking the configuration of new surfacing, e.g. templates, screed or reference line supports; Applications of apparatus for measuring, indicating, or recording the surface configuration of existing surfacing, e.g. profilographs
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于机器视觉的路面质量检测方法。该方法通过对去除背景后的路面灰度图像的灰度直方图进行分析,获得疑似裂纹区域以及路面的像素点灰度值,以疑似裂纹区域中每个像素点为中心构建初始窗口;根据疑似裂纹区域的像素点灰度值均值与路面的像素点灰度值获得第一灰度分布特征,根据初始窗口内的像素点灰度值获得第二灰度分布特征;根据第一灰度分布特征和第二灰度分布特征构建判别式和缩放尺寸变化量模型;根据判别式判断缩放策略,根据缩放策略与缩放尺寸变化量模型执行缩放操作,构建自适应窗口。本发明根据图像处理,从局部出发,使用自适应窗口对路面的质量进行检测,获得准确的路面质量检测结果。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于机器视觉的路面质量检测方法。
背景技术
在常见的路面损坏类型中,裂纹是占比最多的一种,裂纹的存在危及着公路和高速路的安全。在路面裂纹恶化之前进行修补处理可以降低很多成本,不论是人力还是财力。所以路面裂纹成为了评估道路状况、必要道路维修的重要信息。
基于图像的路面裂纹检测技术提供了一个安全,高效,经济的方式,对于路面的裂纹检测,在现有技术中存在的问题是对于路面进行分析时,使用全局固定算法,运用固定尺寸的滑窗对路面进行质量检测,但是由于某些路面裂纹的特征和与其相关的噪声的特征是相接近的,此时若使用固定尺寸的滑窗对路面进行检测和识别,可能会将路面的一些噪声点、公路标识及刹车印等识别为裂纹,从而影响检测结果,造成一些不必要的人力、物力损失。
发明内容
为了解决现有技术中使用固定尺寸的滑窗对路面进行分析从而造成的检测结果不准确的问题,本发明的目的在于提供一种基于机器视觉的路面质量检测方法,所采用的技术方案具体如下:
本发明提出了一种基于机器视觉的路面质量检测方法,所述方法包括:
获取仅包含路面信息的灰度图像,根据所述灰度图像的灰度直方图中的分布获得所述灰度图像中的疑似裂纹区域;在所述疑似裂纹区域中,以每个像素点为中心根据预设初始尺寸构建初始窗口;
获得所述疑似裂纹区域内的第一灰度分布特征;获得每个所述初始窗口内的第二灰度分布特征;根据所述第一灰度分布特征和所述第二灰度分布特征的差异构建判别式;根据所述判别式判断所述初始窗口的缩放策略;根据所述第一灰度分布特征和所述第二灰度分布特征的差异和第一灰度分布特征构建缩放尺寸变化量模型;根据所述缩放尺寸变化量模型确定所述初始窗口执行所述缩放策略时所需的缩放尺寸变化量;
根据所述缩放策略和所述缩放尺寸变化量对每个所述初始窗口进行自适应缩放,获得自适应窗口;
根据所有所述自适应窗口对路面质量进行检测,获得路面的整体质量。
进一步地,所述灰度图像的获取方法包括:
获取初始灰度图像;使用预先训练好的语义分割网络去除所述初始灰度图像的背景,获得所述灰度图像。
进一步地,所述疑似裂纹区域的获取方法包括:
获得所述灰度直方图的最大值点,在所述灰度直方图中,所述最大值点左侧对应的灰度级为疑似裂纹灰度级;根据所述疑似裂纹灰度级在所述灰度图像中获取疑似裂纹像素点,所述疑似裂纹像素点组成所述疑似裂纹区域。
进一步地,所述第一灰度分布特征的获取方法包括:
以所述最大值点对应的灰度级与所述疑似裂纹区域内的平均灰度值之间的差值作为所述第一灰度分布特征。
进一步地,所述第二灰度分布特征的获取方法包括:
获得所述初始窗口中每行像素点中相邻像素点之间的灰度差异,以每行中最大所述灰度差异作为所述第二灰度分布特征。
进一步地,所述判别式的构建方法包括:
判别式包括:
其中,G为所述第一灰度分布特征,为窗口中,坐标为的像素点所在行的
所述第二灰度分布特征;e为自然常数,为以自然常数为底的指数函数,为存在符
号。
进一步地,所述缩放尺寸变化量模型的构建方法包括:
根据缩放尺寸变化量模型获得窗口的变化量,缩放尺寸变化量模型包括:
其中,T为所述缩放尺寸变化量,G为所述第一灰度分布特征,为窗口中
所述第二灰度分布特征的最大值,表示以预设正整数a为底的对数函数,为以自
然常数e为底的对数函数,为以自然常数为底的指数函数,e为自然常数。
进一步地,所述自适应窗口的构建方法包括:
判断所述初始窗口是否满足所述判别式;
若所述初始窗口不满足所述判别式,则所述缩放策略为增大,根据所述缩放尺寸变化量增大所述初始窗口,获得更新窗口;继续判断所述更新窗口是否满足判别式,直至所述更新窗口满足判别式,停止缩放,获得所述自适应窗口;
若所述初始窗口满足所述判别式,则所述缩放策略为缩小,根据所述缩放尺寸变化量缩小所述初始窗口,获得所述更新窗口;继续判断所述更新窗口是否满足判别式,直至所述更新窗口不满足判别式,停止缩放,获得所述自适应窗口。
进一步地,所述路面质量检测方法包括:
以所述自适应窗口中的像素点作为裂纹像素点;在所述灰度图像中,以所述裂纹像素点的数量与路面信息的像素点数量的比值作为路面开裂程度;根据所述路面开裂程度判断路面质量。
本发明具有如下有益效果:
本发明从局部出发,通过对仅包含路面信息的灰度图像的灰度直方图进行分析,根据裂纹所在区域的像素点灰度值与路面所在区域的像素点灰度值的差异筛选出疑似裂纹区域,在后续过程中通过对疑似裂纹区域中的像素点进行分析,初步减少了无关信息的干扰。进一步提取出疑似裂纹区域的第一灰度分布特征和疑似裂纹区域中初始窗口内的第二灰度分布特征,第一灰度分布特征和第二灰度分布特征都为后续构建判别式和缩放尺寸变化量模提供参考。根据第二灰度分布特征和第一灰度分布特征的差异构建判别式,因为第一灰度分布特征和第二灰度分布特征分别表示了对应区域内的灰度分布,因此两个区域之间的灰度分布特征差异决定了窗口的尺寸是否合适,因此通过判别式可以判断当前窗口内是存在非裂纹像素点还是仅有裂纹像素点,为后续缩放策略提供依据,为了确定具体变大变小的值,进一步根据第一灰度分布特征和第二分布特征的差异和第一灰度分布特征构建缩放尺寸变化量模型,从而提供执行缩放策略的缩放尺寸变化量,通过对初始窗口的自适应缩放,使得自适应窗口中尽可能的仅包含裂纹像素点,通过自适应窗口对路面质量进行检测,从而获得准确的路面质量检测结果。
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机器视觉的路面质量检测方法流程图;
图2为本发明一个实施例所提供的一种路面图像示意图;
图3为本发明一个实施例所提供的一种仅包含路面信息的灰度图像。
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机器视觉的路面质量检测方法,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。
下面结合附图具体的说明本发明所提供的一种基于机器视觉的路面质量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基于机器视觉的路面质量检测方法流程图,该方法包括:
步骤S1:获取仅包含路面信息的灰度图像,根据灰度图像的灰度直方图中的分布获得灰度图像中的疑似裂纹区域;在疑似裂纹区域中,以每个像素点为中心根据预设初始尺寸构建初始窗口。
在本发明实施例中,采用相机等图像采集设备获取路面图像,实施者可根据具体实际情况选择不同的图像采集设备。请参阅图2,其示出了本发明一个实施例所提供的一种路面图像示意图。进一步地,为了方便后续对图像特征进行分析,将采集到的路面图像灰度化。需要说明的是,对图像进行灰度化处理为本领域技术人员熟知的技术,具体灰度化处理如加权法,平均值法等,在此不作限制。由于背景像素点灰度值分布较乱且无规律,对后续的处理步骤会产生较大的影响,所以需要去除背景部分,获得仅包含路面信息的灰度图像。为了方便背景的分割以及后续根据灰度直方图分析裂纹与道路的灰度值规律,故使用预先训练好的语义分割网络找出背景与路面的边缘部分,将背景部分去除,留下仅包含路面信息的灰度图像,需要说明的是,语义分割网络的训练方法为本领域技术人员熟知的技术手段,在此不作赘述。请参考图3,其示出了本发明一个实施例所提供的一种仅包含路面信息的灰度图像。
进一步地,对仅包含路面信息的灰度图像进行分析,获得灰度直方图,如图3所示,因为裂纹所在的像素点区域的平均灰度值要比路面所在的像素点区域平均灰度值低很多,并且不会有更低的灰度值,所以灰度直方图中能够明确表示路面像素点与裂纹像素点的明显区别特征,因此可根据灰度直方图中的分布获得所述灰度图像中的疑似裂纹区域。
优选地,本发明一个实施例中获得疑似裂纹区域的具体方法包括:获得灰度直方图的最大值点,因为灰度图像中仅包含路面信息,路面信息的信息量远大于裂纹信息的信息量,且路面像素点的灰度值大于裂纹像素点的灰度值,因此灰度直方图中最大值点所对应的灰度值为路面像素点对应的灰度值,最大值点地左侧端点就表示为疑似裂纹区域的最亮灰度值,由于裂纹区域的像素点灰度值会低于路面像素点的灰度值,所以端点左侧区域就标记为疑似裂纹区域。
进一步地,以疑似裂纹区域中每个像素点为中心构建初始窗口,本发明实施例中预设的初始窗口大小为3×3,具体大小可根据具体实施场景进行调整,在此不作限定。
至此,获得了疑似裂纹区域以及区域中每个像素点对应的初始窗口,可进一步对自适应窗口进行构建。
步骤S2:获得疑似裂纹区域内的第一灰度分布特征;获得每个初始窗口内的第二灰度分布特征;根据第一灰度分布特征和第二灰度分布特征的差异构建判别式;根据判别式判断初始窗口的缩放策略;根据第一灰度分布特征和第二灰度分布特征的差异和第一灰度分布特征构建缩放尺寸变化量模型;根据缩放尺寸变化量模型确定初始窗口执行缩放策略时所需的缩放尺寸变化量。
为了判断窗口的尺寸是否合适,需要根据窗口内的灰度分布去判断窗口内的像素点类型,因此获得疑似裂纹区域内的第一灰度分布特征,获得每个初始窗口内的第二灰度分布特征。第一灰度分布特征表示了疑似裂纹区域的整体灰度分布特征,初始窗口内的第二分布特征表示了局部灰度分布特征,因为疑似裂纹区域中裂纹信息量远大于其他信息量,因此以第一灰度分布特征为参考去评价第二灰度分布特征即可判断窗口内像素点的类型。
优选地,本发明一个实施例中获得了灰度直方图中的最大值点,最大值点处的灰度值即表示路面像素点的灰度值,为了使得第一灰度分布特征更加明显,计算疑似裂纹区域中的像素点的平均灰度值,将灰度直方图中最大值点处的灰度值与所求的平均灰度值做差,这个差值就是疑似裂纹区域内的第一灰度分布特征,即在该实施例中第一灰度分布特征表征的是路面信息与裂纹信息的灰度差异。
进一步获取窗口所对应区域中的第二灰度分布特征,故假设初始窗口内的灰度矩
阵为,为了与第一灰度分布特征的求法相对应并且窗口内像素点的灰度
值的分布满足离散函数,所以求灰度矩阵中每一行像素点中相邻像素点之间的灰度值的差
值绝对值,即相邻像素点之间的灰度差异,将每一行中的最大灰度差异作为对应行的第二
灰度分布特征,设第一行对应的第二灰度分布特征记为M,则有。
进一步地,为了精细化窗口内所有灰度值的微小变化,也为后续对初始窗口执行缩放策略做准备,即确认当前初始窗口内是有非裂纹像素点还是仅有裂纹像素点,进而判断缩放策略需要进行变大还是变小。因此基于第二灰度分布特征和第一灰度分布特征的差异构建判别式,差异越小,说明两个区域之间的灰度分布特征越接近,窗口的尺寸越合适,因此可以通过判断是否满足判别式来确定当前初始窗口的缩放策略。
优选地,因为本发明一个实施例中第一灰度分布特征表示路面信息与裂纹信息的灰度差异,所以判别式的具体表达式为:
式中,G为第一灰度分布特征,为窗口中,坐标为的像素点所在行的第二
灰度分布特征;e为自然常数,为以自然常数为底的指数函数,为存在符号。
在上述公式中,若窗口中存在一个坐标为的点,使得第一灰度分布特征与第二
灰度分布特征相同,则为1,为e,即满足判别式,说明此时窗口内存在非裂纹
像素点,导致第二灰度分布特征体现出路面信息与裂纹信息的差异,可通过判别结果制定
对应缩放策略;若窗口中存在一个坐标为的点,使得第一灰度分布特征大于第二灰度
分布特征,则>1,>e,即满足判别式,说明此时窗口内存在非裂纹像素点,导
致第二灰度分布特征体现出路面信息与裂纹信息的差异,可通过判别结果制定对应缩放策
略;若窗口中存在一个坐标为的点,使得第二灰度分布特征小于第一灰度分布特征,则<1,<e,即不满足判别式,说明此时窗口内仅包含裂纹像素点,导致第二灰度
分布特征体现出与路面信息与裂纹信息的差异,可通过判别结果制定对应缩放策略。
当满足判别式时,说明当前初始窗口内有非裂纹像素点,此时应当对初始窗口进行缩小;当不满足判别式时,说明当前初始窗口内仅有裂纹像素点,此时应当对初始窗口进行放大。
进一步地,为了得到窗口执行缩放策略时的具体的缩放尺寸变化量,根据第一灰度分布特征与第二灰度分布特征的差异以及第一灰度分布特征构建缩放尺寸变化量模型。为了变缓窗口变大变小的值,对缩放尺寸变化量求对数,缩放尺寸变化量模型包括:
式中,T为所述缩放尺寸变化量,G为所述第一灰度分布特征,为所述窗
口中所述第二灰度分布特征的最大值,表示以预设正整数a为底的对数函数,为
以自然常数e为底的对数函数,为以自然常数为底的指数函数,e为自然常数。
其中,a的取值设置为2,为具体灰度值比值差,因为此
差的分母为G,所以乘G求得具体灰度值差,将G与此具体灰度值差相减并求对数,使得在接
近G时变化量更小,得到的窗口大小更精确。
步骤S3:根据缩放策略和缩放尺寸变化量对每个初始窗口进行自适应缩放,获得自适应窗口。
通过步骤S1获得的初始窗口大小与步骤S2获得的判别式、缩放策略以及缩放尺寸变化量模型来对初始窗口进行自适应的缩放,即可获得疑似裂纹区域内每个像素点所在位置处的自适应窗口。
优选地,在本发明一个实施例中自适应窗口的具体获取方法包括:对于一个初始窗口而言,将获得的第一灰度分布特征与第二灰度分布特征带入判别式进行判断,如果不满足判别式,说明初始窗口中仅有裂纹像素点,为了让窗口内尽可能地包含更多的裂纹像素点,所以此时的缩放策略为放大,然后通过构建好的缩放尺寸变化量模型获得具体的缩放尺寸变化量,对初始窗口进行更新获得更新窗口,获得更新窗口的第二灰度分布特征,带入判别式进行判断,重复上述步骤直至当前更新窗口满足判别式时,说明此时窗口放大到了极限,则停止缩放,获得自适应窗口;
如果不满足判别式,说明初始窗口中存在非裂纹像素点,为了减少非裂纹像素点的数量,所以此时的缩放策略为缩小,然后通过构建好的缩放尺寸变化量模型获得具体的缩放尺寸变化量,对初始窗口进行更新获得更新窗口,获得更新窗口的第二灰度分布特征,带入判别式进行判断,重复上述步骤直至当前更新窗口不满足判别式时,说明此时窗口缩小到了极限,则停止缩放,获得自适应窗口。
步骤S4:根据所有自适应窗口对路面质量进行检测,获得路面的整体质量。
获取步骤S3构建的自适应窗口,量化自适应窗口的检测效果,根据量化的结果计算路面的开裂程度。
优选地,本发明一个实施例中,考虑到自适应窗口在构建中尽可能的包含更多且
仅包含裂纹像素点,因此以自适应窗口中的像素点作为裂纹像素点,设检测出的裂纹像素
点数量总和为P,路面像素点数量为Q,I为二者的比值,用来表示路面的开裂程度,即;设存在一个阈值,的确定基于路面裂纹宽度和路面宽度的比值,根据先
验知识可知,路面宽度通常为600cm,当裂纹宽度大于1cm时就视为开裂程度大,所以;当I>时,说明路面的开裂程度大,则路面的质量差。
综上所述,本发明实施例通过对去除背景的灰度图像的灰度直方图进行分析,根据裂纹像素点与路面像素点的差异确定疑似裂纹区域,以区域中每个像素点为中心按预设窗口大小获得初始窗口。根据路面的灰度值与疑似裂纹区域的灰度值均值获得第一灰度分布特征;根据初始窗口内的灰度矩阵每一行的两两差值获得第二灰度分布特征,通过第一灰度分布特征和第二灰度分布特征构建判别式和缩放尺寸变化量模型,判别式来判断当前窗口内的像素点类别,根据类别确定此时窗口需要执行的缩放策略;通过缩放尺寸变化量模型来确定变化的具体的值,通过重复进行判断和变化来构建自适应窗口,使得窗口大小更为精确,根据获得的自适应窗口对路面质量进行检测,提高检测的准确性。
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 (3)
1.一种基于机器视觉的路面质量检测方法,其特征在于,包括以下步骤:
获取仅包含路面信息的灰度图像,根据所述灰度图像的灰度直方图中的分布获得所述灰度图像中的疑似裂纹区域;在所述疑似裂纹区域中,以每个像素点为中心根据预设初始尺寸构建初始窗口;
获得所述疑似裂纹区域内的第一灰度分布特征;获得每个所述初始窗口内的第二灰度分布特征;根据所述第一灰度分布特征和所述第二灰度分布特征的差异构建判别式;根据所述判别式判断所述初始窗口的缩放策略;根据所述第一灰度分布特征和所述第二灰度分布特征的差异和第一灰度分布特征构建缩放尺寸变化量模型;根据所述缩放尺寸变化量模型确定所述初始窗口执行所述缩放策略时所需的缩放尺寸变化量;
根据所述缩放策略和所述缩放尺寸变化量对每个所述初始窗口进行自适应缩放,获得自适应窗口;
根据所有所述自适应窗口对路面质量进行检测,获得路面的整体质量;
所述疑似裂纹区域的获取方法包括:
获得所述灰度直方图的最大值点,在所述灰度直方图中,所述最大值点左侧对应的灰度级为疑似裂纹灰度级;根据所述疑似裂纹灰度级在所述灰度图像中获取疑似裂纹像素点,所述疑似裂纹像素点组成所述疑似裂纹区域;
所述第一灰度分布特征的获取方法包括:
以所述最大值点对应的灰度级与所述疑似裂纹区域内的平均灰度值之间的差值作为所述第一灰度分布特征;
所述第二灰度分布特征的获取方法包括:
获得所述初始窗口中每行像素点中相邻像素点之间的灰度差异,以每行中最大所述灰度差异作为所述第二灰度分布特征;
所述判别式包括:
其中,G为所述第一灰度分布特征,为窗口中,坐标为/>的像素点所在行的所述第二灰度分布特征;e为自然常数,/>为以自然常数为底的指数函数,/>为存在符号;
所述缩放尺寸变化量模型的构建方法包括:
根据缩放尺寸变化量模型获得窗口的变化量,缩放尺寸变化量模型包括:
其中,T为所述缩放尺寸变化量,G为所述第一灰度分布特征,为窗口中所述第二灰度分布特征的最大值,/>表示以预设正整数a为底的对数函数,/>为以自然常数e为底的对数函数,/>为以自然常数为底的指数函数,e为自然常数;
所述自适应窗口的构建方法包括:
判断所述初始窗口是否满足所述判别式;
若所述初始窗口不满足所述判别式,则所述缩放策略为增大,根据所述缩放尺寸变化量增大所述初始窗口,获得更新窗口;继续判断所述更新窗口是否满足判别式,直至所述更新窗口满足判别式,停止缩放,获得所述自适应窗口;
若所述初始窗口满足所述判别式,则所述缩放策略为缩小,根据所述缩放尺寸变化量缩小所述初始窗口,获得所述更新窗口;继续判断所述更新窗口是否满足判别式,直至所述更新窗口不满足判别式,停止缩放,获得所述自适应窗口。
2.根据权利要求1所述的一种基于机器视觉的路面质量检测方法,其特征在于,所述路面质量检测方法包括:
以所述自适应窗口中的像素点作为裂纹像素点;在所述灰度图像中,以所述裂纹像素点的数量与路面信息的像素点数量的比值作为路面开裂程度;根据所述路面开裂程度判断路面质量。
3.根据权利要求1所述的一种基于机器视觉的路面质量检测方法,其特征在于,所述灰度图像的获取方法包括:
获取初始灰度图像;使用预先训练好的语义分割网络去除所述初始灰度图像的背景,获得所述灰度图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310553964.8A CN116342586B (zh) | 2023-05-17 | 2023-05-17 | 基于机器视觉的路面质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310553964.8A CN116342586B (zh) | 2023-05-17 | 2023-05-17 | 基于机器视觉的路面质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116342586A CN116342586A (zh) | 2023-06-27 |
CN116342586B true CN116342586B (zh) | 2023-08-04 |
Family
ID=86895182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310553964.8A Active CN116342586B (zh) | 2023-05-17 | 2023-05-17 | 基于机器视觉的路面质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116342586B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664451B (zh) * | 2023-07-27 | 2023-10-10 | 中铁九局集团第一建设有限公司 | 基于多图像处理的测量机器人测量优化方法 |
CN117173661B (zh) * | 2023-11-02 | 2024-01-26 | 中铁五局集团成都工程有限责任公司 | 基于计算机视觉的沥青道路质量检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107240079A (zh) * | 2017-06-09 | 2017-10-10 | 南京理工大学 | 一种基于图像处理的路面裂缝检测方法 |
CN115496918A (zh) * | 2022-11-16 | 2022-12-20 | 山东高速股份有限公司 | 基于计算机视觉的高速公路路况异常检测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10489903B2 (en) * | 2015-04-27 | 2019-11-26 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | Stepwise refinement detection method for pavement cracks |
-
2023
- 2023-05-17 CN CN202310553964.8A patent/CN116342586B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107240079A (zh) * | 2017-06-09 | 2017-10-10 | 南京理工大学 | 一种基于图像处理的路面裂缝检测方法 |
CN115496918A (zh) * | 2022-11-16 | 2022-12-20 | 山东高速股份有限公司 | 基于计算机视觉的高速公路路况异常检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116342586A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116342586B (zh) | 基于机器视觉的路面质量检测方法 | |
US11580647B1 (en) | Global and local binary pattern image crack segmentation method based on robot vision | |
CN117173184B (zh) | 基于人工智能的道路施工质量检测方法及系统 | |
CN115239735B (zh) | 基于计算机视觉的通信柜表面缺陷检测方法 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN116758059B (zh) | 一种用于路基路面的视觉无损检测方法 | |
CN110288566B (zh) | 一种目标缺陷提取方法 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN116703898B (zh) | 一种精密机械轴承端面的质量检测方法 | |
CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
CN116309599B (zh) | 基于污水前置处理的水质视觉监测方法 | |
CN116385450A (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115311289A (zh) | 一种素色布匹油渍缺陷检测方法 | |
CN115115603A (zh) | 基于人工智能的汽车配件飞轮表面检测方法 | |
CN107516315B (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
CN115880280A (zh) | 一种钢结构焊缝质量的检测方法 | |
CN116524205A (zh) | 一种污水曝气自动检测识别方法 | |
CN114972333A (zh) | 基于人工智能的道路裂缝检测方法及系统 | |
CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
CN110490885B (zh) | 改进的自适应阈值二值化方法及vin码字符分割方法 | |
CN113850252A (zh) | 防振锤螺栓检测方法、装置和电子设备 | |
CN110838101A (zh) | 一种基于边缘特性的图像分割质量评价方法 | |
CN118015002B (zh) | 一种交通工程路况视觉检测方法及系统 | |
CN117557572B (zh) | 基于计算机视觉的公路施工质量检测方法 |
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 |