CN116630899B - 一种高速公路边坡病害监测预警系统 - Google Patents
一种高速公路边坡病害监测预警系统 Download PDFInfo
- Publication number
- CN116630899B CN116630899B CN202310899505.5A CN202310899505A CN116630899B CN 116630899 B CN116630899 B CN 116630899B CN 202310899505 A CN202310899505 A CN 202310899505A CN 116630899 B CN116630899 B CN 116630899B
- Authority
- CN
- China
- Prior art keywords
- layer
- value
- gray
- image
- pixel
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 38
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000011176 pooling Methods 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 16
- 238000013139 quantization Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 9
- 230000002708 enhancing effect Effects 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Abstract
本发明公开了一种高速公路边坡病害监测预警系统,属于图像处理技术领域,本发明中对高速公路边坡图像进行灰度处理,得到灰度图,再基于特征阈值,提取具备纹理特征的像素点,得到纹理特征图,再对纹理特征图进行增强处理,增强纹理,提高纹理分辨率,再通过病害识别单元对增强纹理图进行识别,本发明中通过先提取出纹理图,降低了数据量,且增强了纹理信息,更便于病害识别单元对其进行识别,提高了监测病害的准确度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种高速公路边坡病害监测预警系统。
背景技术
随着社会的发展,高速公路建设遍布各地,公路边坡的稳定性决定交通运输行业的运行,出现严重的边坡失稳后,不仅增加高速公路的运维成本,也给交通运输行业带来不便,同时还带来生命危险。
现有高速公路边坡病害监测采用深度学习目标检测算法,其通过对高速公路边坡图像的处理,实现对高速公路边坡上滑坡、崩塌、剥落和裂纹等病害情况进行监测。但高速公路边坡上的环境部分属于自然环境,成像后图像特征复杂,直接采用深度学习目标检测算法对图像进行处理,存在监测病害的准确度低的问题。
发明内容
针对现有技术中的上述不足,本发明提供的一种高速公路边坡病害监测预警系统解决了现有高速公路边坡病害监测方案存在监测病害的准确度低的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种高速公路边坡病害监测预警系统,包括:灰度处理单元、纹理特征提取单元、纹理增强单元、病害识别单元和预警单元;
所述灰度处理单元用于对高速公路边坡图像灰度化处理,得到灰度图;
所述纹理特征提取单元用于根据特征阈值,对灰度图提取纹理特征像素点,得到纹理特征图;
所述纹理增强单元用于对纹理特征图进行增强处理,得到增强纹理图;
所述病害识别单元用于识别增强纹理图上病害区域;
所述预警单元用于在存在病害区域时进行报警。
进一步地,所述灰度处理单元包括:通道矫正子单元和灰度量化子单元;
所述通道矫正子单元用于对高速公路边坡图像中像素点的每种通道值进行矫正处理,得到矫正通道值;
所述灰度量化子单元用于根据各矫正通道值,对高速公路边坡图像中像素点进行量化处理,得到灰度图。
上述进一步地方案的有益效果为:本发明中先对每种通道值进行矫正处理,削减异常通道值的影响,提高量化过程中量化的精度。
进一步地,所述矫正处理的公式为:
其中,为矫正后高速公路边坡图像中像素点的第/>种通道值,/>为矫正前高速公路边坡图像中像素点的第/>种通道值,/>为高速公路边坡图像中待矫正像素点的邻域范围内像素点的第/>种通道值的均值,/>为高速公路边坡图像中待矫正像素点的邻域范围内像素点的第/>种通道值的最大值,/>为高速公路边坡图像中待矫正像素点的邻域范围内像素点的第/>种通道值的最小值,/>取值范围1~3,/>表征R通道值,/>表征B通道值,/>表征G通道值。
上述进一步地方案的有益效果为:本发明邻域范围内像素点的数量通常设置为8,以待进行通道矫正像素点为中心,其周边8个像素点为其邻域范围内的像素点。本发明中在第种通道值/>与均值/>差值越大时,第/>种通道值/>异常度越高,均值对第/>种通道值/>的矫正效果越显著,在第/>种通道值/>与均值/>差值越小时,均值对第/>种通道值/>的影响较弱,本发明中通过矫正处理保障各个通道值的正常。
进一步地,所述量化处理的公式为:
其中,为灰度值,/>为矫正后高速公路边坡图像中像素点的第/>种通道值。
进一步地,所述纹理特征提取单元包括:像素特征计算子单元和像素点筛选子单元;
所述像素特征计算子单元用于设置图像滑动块,采用图像滑动块在灰度图上滑动,以图像滑动块下的中心像素点作为待处理像素点,根据图像滑动块下像素点的灰度分布情况,计算待处理像素点的像素特征值;
所述像素点筛选子单元用于根据灰度图上灰度值的灰度等级,计算特征阈值,在待处理像素点的像素特征值低于特征阈值时,丢弃待处理像素点,将所有保留的像素点构成纹理特征图。
上述进一步地方案的有益效果为:本发明设置了的图像滑动块,图像滑动块在灰度图上滑动,每滑动一次,判断待处理像素点的像素特征值是否低于特征阈值,在低于时丢弃待处理像素点,从而保留住特征明显的纹理区域,去除非纹理区域。
进一步地,所述像素特征值的公式为:
其中,为像素特征值,/>为图像滑动块下的像素点数量,/>为图像滑动块下第个像素点的灰度值,/>为图像滑动块下第/>个像素点的灰度值。
上述进一步地方案的有益效果为:本发明中根据图像滑动块中两两像素点灰度值的差值的平方,从而预估出整个图像滑动块下灰度值的分布情况,差值越大,纹理特征越明显,差值越小甚至为0,说明该待处理像素点及其周边像素点构成的区域为非纹理区域,可以去除待处理像素点,其上未有纹理特征。
进一步地,所述特征阈值的公式为:
其中,为特征阈值,/>为灰度图上的最大灰度值,/>为灰度图上的最小灰度值,/>为灰度等级,/>为调整系数。
上述进一步地方案的有益效果为:本发明中根据灰度图上的最大灰度值与灰度图上的最小灰度值的差值,确定整个灰度图上灰度差距,根据灰度等级对其进行均分,对其划分出各个纹理特征之间灰度的差距,再通过调整系数调整特征阈值,使其尽可能的筛选出具备纹理特征的像素点,去除非纹理像素点。
进一步地,所述纹理增强单元的表达式为:
其中,为增强纹理图上第/>个灰度值,/>为纹理特征图上第/>个灰度值,/>为纹理特征图上最大灰度值,/>为纹理特征图上最小灰度值,/>为增强系数,/>为纹理特征图上第/>个灰度值邻域范围内的第/>个灰度值。
上述进一步地方案的有益效果为:本发明中通过增强系数来表征灰度值/>处纹理变化剧烈程度,增强系数/>越大时,纹理变化越剧烈,灰度值增强比例越高,从而进一步地达到使得纹理变化剧烈的区域灰度值更明显,进一步地增强纹理特征。
进一步地,所述病害识别单元包括:第一卷积层、第二卷积层、第三卷积层、第四卷积层、第一特征拼接层、第二特征拼接层、最大池化层、平均池化层、注意力层、乘法器、全连接层和Softmax层;
所述第一卷积层的输入端作为病害识别单元的输入端,其输出端分别与第二卷积层的输入端和第一特征拼接层的第一输入端连接;所述第二卷积层的输出端分别与第三卷积层的输入端和第一特征拼接层的第二输入端连接;所述第三卷积层的输出端与注意力层的输入端连接;所述第四卷积层的输入端与第一特征拼接层的输出端连接,其输出端分别与最大池化层的输入端和平均池化层的输入端连接;所述第二特征拼接层的第一输入端与最大池化层的输出端连接,其第二输入端与平均池化层的输出端连接,其输出端与乘法器的第一输入端连接;所述乘法器的第二输入端与注意力层的输出端连接,其输出端与全连接层的输入端连接;所述Softmax层的输入端与全连接层的输出端连接,其输出端作为病害识别单元的输出端。
上述进一步地方案的有益效果为:本发明中通过第一卷积层输出浅层特征,再通过第二卷积层输出深层特征,第一特征拼接层将浅层特征和深层特征进行拼接处理,输入到第四卷积层,再通过最大池化层提取显著特征和平均池化层提取全局特征,将显著特征和全局特征进行拼接后输入乘法器中,通过注意力层根据特征的不同自适应的施加注意力,增强或削弱特征的关注度,提高识别的精度。
进一步地,所述注意力层的表达式为:
其中,为注意力层的输出,/>为双曲正切激活函数,/>为第三卷积层输出特征的最大值,/>为第三卷积层输出特征的平均值。
综上,本发明的有益效果为:本发明中对高速公路边坡图像进行灰度处理,得到灰度图,再基于特征阈值,提取具备纹理特征的像素点,得到纹理特征图,再对纹理特征图进行增强处理,增强纹理,提高纹理分辨率,再通过病害识别单元对增强纹理图进行识别,本发明中通过先提取出纹理图,降低了数据量,且增强了纹理信息,更便于病害识别单元对其进行识别,提高了监测病害的准确度。
附图说明
图1为一种高速公路边坡病害监测预警系统的系统框图;
图2为病害识别单元的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种高速公路边坡病害监测预警系统,包括:灰度处理单元、纹理特征提取单元、纹理增强单元、病害识别单元和预警单元;
所述灰度处理单元用于对高速公路边坡图像灰度化处理,得到灰度图;
所述纹理特征提取单元用于根据特征阈值,对灰度图提取纹理特征像素点,得到纹理特征图;
所述纹理增强单元用于对纹理特征图进行增强处理,得到增强纹理图;
所述病害识别单元用于识别增强纹理图上病害区域;
所述预警单元用于在存在病害区域时进行报警。
所述灰度处理单元包括:通道矫正子单元和灰度量化子单元;
所述通道矫正子单元用于对高速公路边坡图像中像素点的每种通道值进行矫正处理,得到矫正通道值;
所述灰度量化子单元用于根据各矫正通道值,对高速公路边坡图像中像素点进行量化处理,得到灰度图。
本发明中先对每种通道值进行矫正处理,削减异常通道值的影响,提高量化过程中量化的精度。
所述矫正处理的公式为:
其中,为矫正后高速公路边坡图像中像素点的第/>种通道值,/>为矫正前高速公路边坡图像中像素点的第/>种通道值,/>为高速公路边坡图像中待矫正像素点的邻域范围内像素点的第/>种通道值的均值,/>为高速公路边坡图像中待矫正像素点的邻域范围内像素点的第/>种通道值的最大值,/>为高速公路边坡图像中待矫正像素点的邻域范围内像素点的第/>种通道值的最小值,/>取值范围1~3,/>表征R通道值,/>表征B通道值,/>表征G通道值。
本发明邻域范围内像素点的数量通常设置为8,以待进行通道矫正像素点为中心,其周边8个像素点为其邻域范围内的像素点。本发明中在第种通道值/>与均值/>差值越大时,第/>种通道值/>异常度越高,均值对第/>种通道值/>的矫正效果越显著,在第/>种通道值/>与均值/>差值越小时,均值对第/>种通道值/>的影响较弱,本发明中通过矫正处理保障各个通道值的正常。
所述量化处理的公式为:
其中,为灰度值,/>为矫正后高速公路边坡图像中像素点的第/>种通道值。
所述纹理特征提取单元包括:像素特征计算子单元和像素点筛选子单元;
所述像素特征计算子单元用于设置图像滑动块,采用图像滑动块在灰度图上滑动,以图像滑动块下的中心像素点作为待处理像素点,根据图像滑动块下像素点的灰度分布情况,计算待处理像素点的像素特征值;
所述像素点筛选子单元用于根据灰度图上灰度值的灰度等级,计算特征阈值,在待处理像素点的像素特征值低于特征阈值时,丢弃待处理像素点,将所有保留的像素点构成纹理特征图。
在图像滑动块滑动过程中,先将准备丢弃的待处理像素点进行标记,在灰度图遍历完成后,将所有标记丢弃的待处理像素点进行丢弃,得到纹理特征图。
本发明设置了的图像滑动块,图像滑动块在灰度图上滑动,每滑动一次,判断待处理像素点的像素特征值是否低于特征阈值,在低于时丢弃待处理像素点,从而保留住特征明显的纹理区域,去除非纹理区域。
所述像素特征值的公式为:
其中,为像素特征值,/>为图像滑动块下的像素点数量,/>为图像滑动块下第个像素点的灰度值,/>为图像滑动块下第/>个像素点的灰度值。
本发明中根据图像滑动块中两两像素点灰度值的差值的平方,从而预估出整个图像滑动块下灰度值的分布情况,差值越大,纹理特征越明显,差值越小甚至为0,说明该待处理像素点及其周边像素点构成的区域为非纹理区域,可以去除待处理像素点,其上未有纹理特征。
所述特征阈值的公式为:
其中,为特征阈值,/>为灰度图上的最大灰度值,/>为灰度图上的最小灰度值,/>为灰度等级,/>为调整系数。
本发明中根据灰度图上的最大灰度值与灰度图上的最小灰度值的差值,确定整个灰度图上灰度差距,根据灰度等级对其进行均分,对其划分出各个纹理特征之间灰度的差距,再通过调整系数调整特征阈值,使其尽可能的筛选出具备纹理特征的像素点,去除非纹理像素点。
所述纹理增强单元的表达式为:
其中,为增强纹理图上第/>个灰度值,/>为纹理特征图上第/>个灰度值,/>为纹理特征图上最大灰度值,/>为纹理特征图上最小灰度值,/>为增强系数,/>为纹理特征图上第/>个灰度值邻域范围内的第/>个灰度值。
在本实施例中,邻域范围为距离目标最近的像素点或灰度值。
本发明中通过增强系数来表征灰度值/>处纹理变化剧烈程度,增强系数/>越大时,纹理变化越剧烈,灰度值增强比例越高,从而进一步地达到使得纹理变化剧烈的区域灰度值更明显,进一步地增强纹理特征。
如图2所示,所述病害识别单元包括:第一卷积层、第二卷积层、第三卷积层、第四卷积层、第一特征拼接层、第二特征拼接层、最大池化层、平均池化层、注意力层、乘法器、全连接层和Softmax层;
所述第一卷积层的输入端作为病害识别单元的输入端,其输出端分别与第二卷积层的输入端和第一特征拼接层的第一输入端连接;所述第二卷积层的输出端分别与第三卷积层的输入端和第一特征拼接层的第二输入端连接;所述第三卷积层的输出端与注意力层的输入端连接;所述第四卷积层的输入端与第一特征拼接层的输出端连接,其输出端分别与最大池化层的输入端和平均池化层的输入端连接;所述第二特征拼接层的第一输入端与最大池化层的输出端连接,其第二输入端与平均池化层的输出端连接,其输出端与乘法器的第一输入端连接;所述乘法器的第二输入端与注意力层的输出端连接,其输出端与全连接层的输入端连接;所述Softmax层的输入端与全连接层的输出端连接,其输出端作为病害识别单元的输出端。
本发明中通过第一卷积层输出浅层特征,再通过第二卷积层输出深层特征,第一特征拼接层将浅层特征和深层特征进行拼接处理,输入到第四卷积层,再通过最大池化层提取显著特征和平均池化层提取全局特征,将显著特征和全局特征进行拼接后输入乘法器中,通过注意力层根据特征的不同自适应的施加注意力,增强或削弱特征的关注度,提高识别的精度。
所述注意力层的表达式为:
其中,为注意力层的输出,/>为双曲正切激活函数,/>为第三卷积层输出特征的最大值,/>为第三卷积层输出特征的平均值。
本发明中对高速公路边坡图像进行灰度处理,得到灰度图,再基于特征阈值,提取具备纹理特征的像素点,得到纹理特征图,再对纹理特征图进行增强处理,增强纹理,提高纹理分辨率,再通过病害识别单元对增强纹理图进行识别,本发明中通过先提取出纹理图,降低了数据量,且增强了纹理信息,更便于病害识别单元对其进行识别,提高了监测病害的准确度。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (2)
1.一种高速公路边坡病害监测预警系统,其特征在于,包括:灰度处理单元、纹理特征提取单元、纹理增强单元、病害识别单元和预警单元;
所述灰度处理单元用于对高速公路边坡图像灰度化处理,得到灰度图;
所述纹理特征提取单元用于根据特征阈值,对灰度图提取纹理特征像素点,得到纹理特征图;
所述纹理增强单元用于对纹理特征图进行增强处理,得到增强纹理图;
所述病害识别单元用于识别增强纹理图上病害区域;
所述预警单元用于在存在病害区域时进行报警;
所述灰度处理单元包括:通道矫正子单元和灰度量化子单元;
所述通道矫正子单元用于对高速公路边坡图像中像素点的每种通道值进行矫正处理,得到矫正通道值;
所述灰度量化子单元用于根据各矫正通道值,对高速公路边坡图像中像素点进行量化处理,得到灰度图;
所述矫正处理的公式为:
;
其中,为矫正后高速公路边坡图像中像素点的第/>种通道值,/>为矫正前高速公路边坡图像中像素点的第/>种通道值,/>为高速公路边坡图像中待矫正像素点的邻域范围内像素点的第/>种通道值的均值,/>为高速公路边坡图像中待矫正像素点的邻域范围内像素点的第/>种通道值的最大值,/>为高速公路边坡图像中待矫正像素点的邻域范围内像素点的第/>种通道值的最小值,/>取值范围1~3,/>表征R通道值,/>表征B通道值,/>表征G通道值;
所述量化处理的公式为:
;
其中,为灰度值,/>为矫正后高速公路边坡图像中像素点的第/>种通道值;
所述纹理特征提取单元包括:像素特征计算子单元和像素点筛选子单元;
所述像素特征计算子单元用于设置图像滑动块,采用图像滑动块在灰度图上滑动,以图像滑动块下的中心像素点作为待处理像素点,根据图像滑动块下像素点的灰度分布情况,计算待处理像素点的像素特征值;
所述像素点筛选子单元用于根据灰度图上灰度值的灰度等级,计算特征阈值,在待处理像素点的像素特征值低于特征阈值时,丢弃待处理像素点,将所有保留的像素点构成纹理特征图;
所述像素特征值的公式为:
;
其中,为像素特征值,/>为图像滑动块下的像素点数量,/>为图像滑动块下第/>个像素点的灰度值,/>为图像滑动块下第/>个像素点的灰度值;
所述特征阈值的公式为:
;
其中,为特征阈值,/>为灰度图上的最大灰度值,/>为灰度图上的最小灰度值,/>为灰度等级,/>为调整系数;
所述纹理增强单元的表达式为:
;
;
其中,为增强纹理图上第/>个灰度值,/>为纹理特征图上第/>个灰度值,/>为纹理特征图上最大灰度值,/>为纹理特征图上最小灰度值,/>为增强系数,/>为纹理特征图上第/>个灰度值邻域范围内的第/>个灰度值;
所述病害识别单元包括:第一卷积层、第二卷积层、第三卷积层、第四卷积层、第一特征拼接层、第二特征拼接层、最大池化层、平均池化层、注意力层、乘法器、全连接层和Softmax层;
所述第一卷积层的输入端作为病害识别单元的输入端,其输出端分别与第二卷积层的输入端和第一特征拼接层的第一输入端连接;所述第二卷积层的输出端分别与第三卷积层的输入端和第一特征拼接层的第二输入端连接;所述第三卷积层的输出端与注意力层的输入端连接;所述第四卷积层的输入端与第一特征拼接层的输出端连接,其输出端分别与最大池化层的输入端和平均池化层的输入端连接;所述第二特征拼接层的第一输入端与最大池化层的输出端连接,其第二输入端与平均池化层的输出端连接,其输出端与乘法器的第一输入端连接;所述乘法器的第二输入端与注意力层的输出端连接,其输出端与全连接层的输入端连接;所述Softmax层的输入端与全连接层的输出端连接,其输出端作为病害识别单元的输出端。
2.根据权利要求1所述的高速公路边坡病害监测预警系统,其特征在于,所述注意力层的表达式为:
;
其中,为注意力层的输出,/>为双曲正切激活函数,/>为第三卷积层输出特征的最大值,/>为第三卷积层输出特征的平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310899505.5A CN116630899B (zh) | 2023-07-21 | 2023-07-21 | 一种高速公路边坡病害监测预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310899505.5A CN116630899B (zh) | 2023-07-21 | 2023-07-21 | 一种高速公路边坡病害监测预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116630899A CN116630899A (zh) | 2023-08-22 |
CN116630899B true CN116630899B (zh) | 2023-10-20 |
Family
ID=87597547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310899505.5A Active CN116630899B (zh) | 2023-07-21 | 2023-07-21 | 一种高速公路边坡病害监测预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116630899B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101640038A (zh) * | 2009-08-26 | 2010-02-03 | 广东威创视讯科技股份有限公司 | 显示设备颜色亮度补偿方法、补偿装置及补偿系统 |
CN102509291A (zh) * | 2011-10-31 | 2012-06-20 | 东南大学 | 基于无线网络视频传感器的公路路面病害检测及识别方法 |
EP2772883A2 (en) * | 2013-02-28 | 2014-09-03 | Ricoh Company, Ltd. | Road-surface height shape estimation method and system |
CN104134080A (zh) * | 2014-08-01 | 2014-11-05 | 重庆大学 | 一种道路路基塌陷和边坡坍塌的自动检测方法及系统 |
CN105809679A (zh) * | 2016-03-04 | 2016-07-27 | 李云栋 | 一种基于视觉分析的山区铁路边坡落石检测方法 |
CN111311720A (zh) * | 2018-12-12 | 2020-06-19 | 网易(杭州)网络有限公司 | 一种纹理图像的处理方法和装置 |
CN111310558A (zh) * | 2019-12-28 | 2020-06-19 | 北京工业大学 | 一种基于深度学习和图像处理法的路面病害智能提取方法 |
WO2020199538A1 (zh) * | 2019-04-04 | 2020-10-08 | 中设设计集团股份有限公司 | 基于图像监控数据的桥梁关键构件病害预警系统及方法 |
CN112560587A (zh) * | 2020-11-27 | 2021-03-26 | 贵州中建建筑科研设计院有限公司 | 一种卷积神经网络边坡裂缝变化的动态预警方法及系统 |
CN113537016A (zh) * | 2021-07-06 | 2021-10-22 | 南昌市微轲联信息技术有限公司 | 一种道路巡查中道路损伤自动检测预警的方法 |
WO2021249233A1 (zh) * | 2020-06-10 | 2021-12-16 | 中铁四局集团有限公司 | 一种图像处理方法、目标识别模型训练方法和目标识别方法 |
CN114627111A (zh) * | 2022-05-12 | 2022-06-14 | 南通英伦家纺有限公司 | 一种纺织品缺陷检测识别装置 |
CN114812528A (zh) * | 2022-06-24 | 2022-07-29 | 湖北高路公路工程监理咨询有限公司 | 一种运用在高速公路病害边坡上的自动监测系统 |
CN114998713A (zh) * | 2022-08-08 | 2022-09-02 | 中科视语(北京)科技有限公司 | 路面病害识别方法、装置、系统、电子设备及存储介质 |
CN115035141A (zh) * | 2022-06-13 | 2022-09-09 | 长安大学 | 基于图像处理的隧道裂缝远程监测与预警方法 |
CN115165886A (zh) * | 2022-09-05 | 2022-10-11 | 淄博齐华制衣有限公司 | 基于视觉的织物阻燃整理质量检测方法 |
CN116152239A (zh) * | 2023-04-18 | 2023-05-23 | 中铁九局集团第一建设有限公司 | 一种高速公路路面病害检测方法及系统 |
CN116245926A (zh) * | 2023-02-28 | 2023-06-09 | 陕西省交通规划设计研究院有限公司 | 一种确定岩体表面粗糙度的方法及相关组件 |
Family Cites Families (4)
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 |
US10480939B2 (en) * | 2016-01-15 | 2019-11-19 | Fugro Roadware Inc. | High speed stereoscopic pavement surface scanning system and method |
CN110487497B (zh) * | 2019-07-24 | 2021-09-24 | 广东工业大学 | 一种基于递归搜索的桥梁裂缝识别方法 |
CN110891172B (zh) * | 2019-12-31 | 2021-07-16 | 上海富瀚微电子股份有限公司 | 坏点检测及校正装置 |
-
2023
- 2023-07-21 CN CN202310899505.5A patent/CN116630899B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101640038A (zh) * | 2009-08-26 | 2010-02-03 | 广东威创视讯科技股份有限公司 | 显示设备颜色亮度补偿方法、补偿装置及补偿系统 |
CN102509291A (zh) * | 2011-10-31 | 2012-06-20 | 东南大学 | 基于无线网络视频传感器的公路路面病害检测及识别方法 |
EP2772883A2 (en) * | 2013-02-28 | 2014-09-03 | Ricoh Company, Ltd. | Road-surface height shape estimation method and system |
CN104134080A (zh) * | 2014-08-01 | 2014-11-05 | 重庆大学 | 一种道路路基塌陷和边坡坍塌的自动检测方法及系统 |
CN105809679A (zh) * | 2016-03-04 | 2016-07-27 | 李云栋 | 一种基于视觉分析的山区铁路边坡落石检测方法 |
CN111311720A (zh) * | 2018-12-12 | 2020-06-19 | 网易(杭州)网络有限公司 | 一种纹理图像的处理方法和装置 |
WO2020199538A1 (zh) * | 2019-04-04 | 2020-10-08 | 中设设计集团股份有限公司 | 基于图像监控数据的桥梁关键构件病害预警系统及方法 |
CN111310558A (zh) * | 2019-12-28 | 2020-06-19 | 北京工业大学 | 一种基于深度学习和图像处理法的路面病害智能提取方法 |
WO2021249233A1 (zh) * | 2020-06-10 | 2021-12-16 | 中铁四局集团有限公司 | 一种图像处理方法、目标识别模型训练方法和目标识别方法 |
CN112560587A (zh) * | 2020-11-27 | 2021-03-26 | 贵州中建建筑科研设计院有限公司 | 一种卷积神经网络边坡裂缝变化的动态预警方法及系统 |
CN113537016A (zh) * | 2021-07-06 | 2021-10-22 | 南昌市微轲联信息技术有限公司 | 一种道路巡查中道路损伤自动检测预警的方法 |
CN114627111A (zh) * | 2022-05-12 | 2022-06-14 | 南通英伦家纺有限公司 | 一种纺织品缺陷检测识别装置 |
CN115035141A (zh) * | 2022-06-13 | 2022-09-09 | 长安大学 | 基于图像处理的隧道裂缝远程监测与预警方法 |
CN114812528A (zh) * | 2022-06-24 | 2022-07-29 | 湖北高路公路工程监理咨询有限公司 | 一种运用在高速公路病害边坡上的自动监测系统 |
CN114998713A (zh) * | 2022-08-08 | 2022-09-02 | 中科视语(北京)科技有限公司 | 路面病害识别方法、装置、系统、电子设备及存储介质 |
CN115165886A (zh) * | 2022-09-05 | 2022-10-11 | 淄博齐华制衣有限公司 | 基于视觉的织物阻燃整理质量检测方法 |
CN116245926A (zh) * | 2023-02-28 | 2023-06-09 | 陕西省交通规划设计研究院有限公司 | 一种确定岩体表面粗糙度的方法及相关组件 |
CN116152239A (zh) * | 2023-04-18 | 2023-05-23 | 中铁九局集团第一建设有限公司 | 一种高速公路路面病害检测方法及系统 |
Non-Patent Citations (8)
Title |
---|
A review of monitoring systems of pavement condition in paved and unpaved roads;Journal of Traffic and Transportation Engineering;第7卷(第5期);629-638 * |
DeepCrack: Learning Hierarchical Convolutional Features for Crack Detection;Zou Qin等;IEEE Transactions on Image Processing;第28卷(第3期);1498-1512 * |
Development of Rejuvenator Using Waste Vegetable Oil and its Influence on Pavement Performance of Asphalt Binder under Ultraviolet Aging;Bo Li等;Case Studies in Construction Materials(第18期);1-18 * |
Road surface crack detection: Improved segmentation with pixel-based refinement;H. Oliveira 等;2017 25th European Signal Processing Conference (EUSIPCO);2026-2030 * |
Self-correcting neural network in road pavement diagnostics;Staniek M等;Automation in Construction(第96期);75-87 * |
基于深度学习的路面病害检测系统;赵玮玮;中国硕士学位论文全文数据库 (工程科技Ⅱ辑)(第(2022)04期);C034-65 * |
基于纹理特征与神经网络的路面病害检测技术研究;艾大航;中国硕士学位论文全文数据库 (工程科技Ⅱ辑)(第(2023)02期);C034-263 * |
基于色彩补偿及亮度均衡的水下图像融合算法研究;巩龙翔;中国优秀硕士学位论文全文数据库 信息科技辑(第(2023)02期);I138-1503 * |
Also Published As
Publication number | Publication date |
---|---|
CN116630899A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629775B (zh) | 一种热态高速线材表面图像处理方法 | |
CN116758059B (zh) | 一种用于路基路面的视觉无损检测方法 | |
CN114820773B (zh) | 基于计算机视觉的筒仓运输车辆车厢位置检测方法 | |
CN116245880B (zh) | 基于红外识别的电动车充电桩火灾风险检测方法 | |
CN103226819A (zh) | 一种基于分段统计的相对辐射校正方法 | |
WO2019072249A1 (zh) | 利用皮肤图像分析皮肤水分的方法及装置 | |
US20090074317A1 (en) | System and method for reducing halo effect in image enhancement | |
CN107067375A (zh) | 一种基于暗通道先验和边缘信息的图像去雾方法 | |
CN111027446A (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN116524196B (zh) | 一种基于图像识别技术的输电线智能检测系统 | |
CN111178193A (zh) | 一种车道线的检测方法、检测装置及计算机可读存储介质 | |
CN115631116B (zh) | 基于双目视觉的飞行器电力巡检系统 | |
CN114693682B (zh) | 一种基于图像处理的脊椎特征识别方法 | |
CN107133937B (zh) | 一种红外图像的自适应增强方法 | |
CN106407994A (zh) | 一种利用Hough变换与函数拟合的导线覆冰厚度图像识别方法 | |
CN114240925A (zh) | 一种文档图像清晰度的检测方法及其系统 | |
CN115032202A (zh) | 一种甜菊糖苷产品的残留杂质去除方法 | |
CN113808135B (zh) | 图像亮度异常检测方法、电子设备及存储介质 | |
CN107545557A (zh) | 粪便图像中的虫卵检测方法和装置 | |
CN116630899B (zh) | 一种高速公路边坡病害监测预警系统 | |
CN107194342A (zh) | 基于逆透视变换的车道线检测方法 | |
CN113252103A (zh) | 一种基于matlab图像识别技术计算物料堆体积及质量的方法 | |
CN117152163A (zh) | 一种桥梁施工质量视觉检测方法 | |
CN116934761A (zh) | 一种乳胶手套缺陷自适应检测方法 | |
CN111161291A (zh) | 基于目标景深信息的轮廓检测方法 |
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 |