CN116664572B - 基于图像数据的公路路面裂缝快速检测方法 - Google Patents
基于图像数据的公路路面裂缝快速检测方法 Download PDFInfo
- Publication number
- CN116664572B CN116664572B CN202310944249.7A CN202310944249A CN116664572B CN 116664572 B CN116664572 B CN 116664572B CN 202310944249 A CN202310944249 A CN 202310944249A CN 116664572 B CN116664572 B CN 116664572B
- Authority
- CN
- China
- Prior art keywords
- edge line
- crack
- sequence
- angle change
- calculating
- 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 21
- 238000000034 method Methods 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims description 120
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000011218 segmentation Effects 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
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及图像处理领域,提供基于图像数据的公路路面裂缝快速检测方法,包括:计算待检测图像中裂纹特征显著区域;将所述裂纹特征显著区域内的像素点作为初始像素点,利用CURE聚类算法基于初始像素点对所述待检测图像中像素点进行聚类,从而得到聚类簇;基于所述聚类簇确定待检测图像中的公路路面裂缝区域。该方法将裂纹特征显著区域内的像素点作为初始像素点,利用CURE聚类算法进行聚类,能够减少聚类算法的迭代次数,减少计算量,并且确定聚类时的初始像素点能够提高聚类准确性,进而提高检测精度。
Description
技术领域
本申请涉及图像处理领域,特别是涉及基于图像数据的公路路面裂缝快速检测方法。
背景技术
随着科技的进步,公路建设在发展迅速的同时,公路检测也暴露出许多问题,由于自然界环境的侵蚀以及大型汽车承载过重的碾压,公路上裂缝是最常见的公路缺陷之一。因此针对公路路面损坏进行检测是对公路进行养护和管理的关键步骤,因此快速并准确的检测出公路路面的缺陷信息非常重要。传统的针对公路裂纹进行图像处理的方法在准确性以及自适应性上效果较差,对公路裂纹的检测效果较差,影响后续对公路表面裂纹的维修和管理,并且现有技术计算量大。
发明内容
本发明提供基于图像数据的公路路面裂缝快速检测方法,该方法将裂纹特征显著区域内的像素点作为初始像素点,利用CURE聚类算法进行聚类,能够减少聚类算法的迭代次数,减少计算量,并且确定聚类时的初始像素点能够提高聚类准确性,进而提高检测精度。
第一方面,本申请提供基于图像数据的公路路面裂缝快速检测方法,包括:
计算待检测图像中裂纹特征显著区域;
将所述裂纹特征显著区域内的像素点作为初始像素点,利用CURE聚类算法基于初始像素点对所述待检测图像中像素点进行聚类,从而得到聚类簇;
基于所述聚类簇确定待检测图像中的公路路面裂缝区域。
可选地,计算待检测图像中裂纹特征显著区域,包括:
计算所述待检测图像中每一像素点的灰度值;
将灰度值小于第一阈值的像素点组成的区域作为疑似裂纹区域;
基于所述疑似裂纹区域确定裂纹特征显著区域。
可选地,基于所述疑似裂纹区域确定裂纹特征显著区域,包括:
提取疑似裂纹区域的骨架,并基于所述骨架得到所述疑似裂纹区域的第一边缘线和第二边缘线;
计算所述第一边缘线的第一裂纹方向性显著度,以及计算所述第二边缘线的第二裂纹方向性显著度;
如果所述第一裂纹方向性显著度大于第二阈值,且所述第二裂纹方向性显著度大于所述第二阈值,则将所述第一边缘线和所述第二边缘线确定为裂纹边缘线,所述第一边缘线和所述第二边缘线对应的疑似裂纹区域确定为裂纹特征显著区域。
可选地,计算所述第一边缘线的第一裂纹方向性显著度,以及计算所述第二边缘线的第二裂纹方向性显著度,包括:
基于所述第一边缘线两侧区域的灰度均值和二维熵值确定所述第一边缘线是否为疑似裂纹边缘线;以及基于所述第二边缘线两侧区域的灰度均值和二维熵值确定所述第二边缘线是否为疑似裂纹边缘线;
如果所述第一边缘线和所述第二边缘线为疑似裂纹边缘线,则计算所述第一边缘线和所述第二边缘线的方向一致性系数;
基于所述方向一致性系数计算所述第一边缘线的第一裂纹方向性显著度和所述第二边缘线的第二裂纹方向性显著度。
可选地,基于所述第一边缘线两侧区域的灰度均值和二维熵值确定所述第一边缘线是否为疑似裂纹边缘线,包括:
以所述第一边缘线上像素点为中心像素点设置预设大小的窗口,所述第一边缘线将所述窗口划分为第一区域和第二区域;
分别计算所述第一区域和所述第二区域的灰度均值和所述第一区域的二维熵值;
如果所述第一区域的灰度均值与所述第二区域的灰度均值的比值小于1,且所述第一区域的二维熵值与所述第二区域的二维熵值的比值小于1,则将所述中心像素点作为参考像素点;
如果所述第一边缘线上参考像素点的数量占第一边缘线上所有像素点的数量的比值大于第三预设值,则确定所述第一边缘线为疑似裂纹边缘线;
基于所述第二边缘线两侧区域的灰度均值和二维熵值确定所述第二边缘线是否为疑似裂纹边缘线,包括:
以所述第二边缘线上像素点为中心像素点设置预设大小的窗口,所述第二边缘线将所述窗口划分为第三区域和第四区域;
分别计算所述第三区域和所述第四区域的灰度均值和所述第一区域的二维熵值;
如果所述第三区域的灰度均值与所述第四区域的灰度均值的比值小于1,且所述第三区域的二维熵值与所述第四区域的二维熵值的比值小于1,则将所述中心像素点作为参考像素点;
如果所述第二边缘线上参考像素点的数量占第二边缘线上所有像素点的数量的比值大于第四预设值,则确定所述第二边缘线为疑似裂纹边缘线。
可选地,计算所述第一边缘线和所述第二边缘线的方向一致性系数,包括:
基于所述第一边缘线上的像素点进行直线拟合,得到第一直线,所述第一直线的斜率为第一斜率;
基于所述第二边缘线上的像素点进行直线拟合,得到第二直线,所述第二直线的斜率为第二斜率;
基于所述第一斜率和所述第二斜率的比值确定所述第一边缘线和所述第二边缘线的方向一致性系数。
可选地,基于所述方向一致性系数计算所述第一边缘线的第一裂纹方向性显著度,包括:
利用角点检测算法检测所述第一边缘线上的角点,确定相邻两个角点的边缘线的最小外接矩形的长边方向与水平方向的夹角信息,得到所述第一边缘线的第一方向序列,所述第一方向序列包括多个夹角信息;
基于所述第一方向序列确定所述第一方向序列中每一夹角信息的角度变化向量,进而得到所述第一方向序列对应的第一角度变化向量序列;
基于所述第一角度变化向量序列和所述方向一致性系数计算所述第一边缘线的第一裂纹方向性显著度;
基于所述方向一致性系数计算所述第二边缘线的第二裂纹方向性显著度,包括:
利用角点检测算法检测所述第二边缘线上的角点,确定相邻两个角点的边缘线的最小外接矩形的长边方向与水平方向的夹角,得到所述第二边缘线的第二方向序列,所述第二方向序列包括多个夹角信息;
基于所述第二方向序列确定所述第二方向序列中每一夹角信息的角度变化向量,进而得到所述第二方向序列对应的第二角度变化向量序列;
基于所述第二角度变化向量序列和所述方向一致性系数计算所述第二边缘线的第二裂纹方向性显著度。
可选地,基于所述第一方向序列确定所述第一方向序列中每一夹角信息的角度变化向量,进而得到所述第一方向序列对应的第一角度变化向量序列,包括:
基于角度变化向量的长度将第一方向序列分为多个第一序列段,计算第一序列段中首个夹角信息对应的角点与第一序列段中其余每一夹角信息对应的角点的边缘线的最小外接矩形的长边方向与水平方向的夹角,将所得的夹角作为第一序列段的角度变化向量,将所有第一序列段的角度变化向量作为所述第一角度变化向量序列;
基于所述第二方向序列确定所述第二方向序列中每一夹角信息的角度变化向量,进而得到所述第二方向序列对应的第二角度变化向量序列,包括:
基于角度变化向量的长度将第二方向序列分为多个第二序列段,计算第二序列段中首个夹角信息对应的角点与第二序列段中其余每一夹角信息对应的角点的边缘线的最小外接矩形的长边方向与水平方向的夹角,将所得的夹角作为第二序列段的角度变化向量,将所有第二序列段的角度变化向量作为所述第二角度变化向量序列。
可选地,基于所述第一角度变化向量序列和所述方向一致性系数计算所述第一边缘线的第一裂纹方向性显著度,包括:
基于所述第一角度变化向量序列内角度变化向量的方差、所述第一角度变化向量序列内角度变化向量的数量、所述方向一致性系数、所述第一角度变化向量序列内相邻两个角度变化向量的余弦相似度计算所述第一边缘线的第一裂纹方向性显著度;
基于所述第二角度变化向量序列和所述方向一致性系数计算所述第二边缘线的第二裂纹方向性显著度,包括:
基于所述第二角度变化向量序列内角度变化向量的方差、所述第二角度变化向量序列内角度变化向量的数量、所述方向一致性系数、所述第二角度变化向量序列内相邻两个角度变化向量的余弦相似度计算所述第二边缘线的第一裂纹方向性显著度。
可选地,基于所述聚类簇确定待检测图像中的公路路面裂缝区域,包括:
计算每一聚类簇的灰度值均值,如果所述聚类簇的灰度值均值小于灰度阈值,则将所述聚类簇作为公路路面裂缝区域。
本申请的有益效果,区别于现有技术,本申请的基于图像数据的公路路面裂缝快速检测方法,包括:计算待检测图像中裂纹特征显著区域;将所述裂纹特征显著区域内的像素点作为初始像素点,利用CURE聚类算法基于初始像素点对所述待检测图像中像素点进行聚类,从而得到聚类簇;基于所述聚类簇确定待检测图像中的公路路面裂缝区域。该方法将裂纹特征显著区域内的像素点作为初始像素点,利用CURE聚类算法进行聚类,能够减少聚类算法的迭代次数,减少计算量,并且确定聚类时的初始像素点能够提高聚类准确性,进而提高检测精度。
附图说明
图1为本发明基于图像数据的公路路面裂缝快速检测方法的一实施例的流程示意图;
图2为图1的步骤S11的本申请计算裂纹特征显著区域一实施例的流程示意图;
图3为边缘线分割窗口的一实施例的示意图;
图4为计算第一边缘线的第一裂纹方向性显著度的一实施例的流程示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
下面结合附图和实施例对本申请进行详细的说明。
请参见图1,图1为本发明基于图像数据的公路路面裂缝快速检测方法的一实施例的流程示意图,具体包括:
步骤S11:计算待检测图像中裂纹特征显著区域。
基于无人机非接触的方法使用CCD相机获取公路表面图像,得到公路表面的RGB空间图像。为了减少公路上建筑物以及植物等阴影的影响,通过阴影移除算法GSR对公路表面的RGB空间图像进行处理。由于光照、拍照角度和路面材质的影响,采集的公路表面图像会出现光照不均匀的现象,使用直方图均衡化来克服公路图像表面的光照影响,公路表面图像经过直方图均衡化后,会产生噪声,针对公路表面图像的噪声,通过高斯滤波消除图像中噪声的干扰,并对图像进行灰度化处理,将处理后的图像记为待检测图像F。
公路上的裂缝区域有明显的裂纹,裂口较大,裂口边缘线为连续的波折线,裂缝区域颜色比正常区域颜色较深。在纹理方向上,公路表面的裂缝通常呈现出一定方向性,即横向、纵向以及相互交叉的形状,同时裂缝区域在图像中的占比非常小。
本申请为了提高检测效果,并降低计算量,将裂纹特征显著区域内的像素点作为初始像素点,利用CURE聚类算法进行聚类,因此需要计算裂痕显著区域。
在一实施例中,计算所述待检测图像中每一像素点的灰度值;将灰度值小于第一阈值的像素点组成的区域作为疑似裂纹区域。基于所述疑似裂纹区域确定裂纹特征显著区域。
具体的,针对待检测图像F,通过OTSU大津算法对待检测图像进行分割,将待检测图像F分割为前景区域和背景区域,通常灰度值小于第一阈值的像素点被标记为前景区域,灰度值大于第一阈值的像素点被标记为背景区域,通常公路上的裂纹区域的灰度值小于公路表面区域,则将前景区域作为疑似裂纹区域。确定出疑似裂纹区域,可以减少后续检测面积,降低计算量。本申请进一步基于所述疑似裂纹区域确定裂纹特征显著区域。
具体的,请结合图2,图2为本申请计算裂纹特征显著区域的一实施例的流程示意图,具体包括:
步骤S21:提取疑似裂纹区域的骨架,并基于所述骨架得到所述疑似裂纹区域的第一边缘线和第二边缘线。
具体的,利用K3M骨架提取算法提取疑似裂纹区域的骨架,并基于所述骨架得到所述疑似裂纹区域的第一边缘线和第二边缘线/>。
步骤S22:计算所述第一边缘线的第一裂纹方向性显著度,以及计算所述第二边缘线的第二裂纹方向性显著度。
由于裂纹区域的像素点具有连续性和方向性,因此计算所述第一边缘线的第一裂纹方向性显著度,以及计算所述第二边缘线的第二裂纹方向性显著度。
具体的,基于所述第一边缘线两侧区域的灰度均值和二维熵值确定所述第一边缘线是否为疑似裂纹边缘线。在一实施例中,以所述第一边缘线上像素点为中心像素点设置预设大小的窗口,所述第一边缘线将所述窗口划分为第一区域h和第二区域f,如图3所示。分别计算所述第一区域h和所述第二区域f的灰度均值和所述第一区域的二维熵值,具体的,将第一区域h的灰度均值记为,第一区域h的二维熵值记为/>,将第二区域f的灰度均值记为/>,第二区域f的二维熵值记为/>。
需要说明的是,窗口的大小为5×5。可以理解的,边缘线的一侧为公路表面区域,另一侧为裂缝区域,裂缝区域的颜色比公路表面颜色深,同时由于材料和光线的影响,公路部分在图片上整体颜色较浅同时也较为混乱。在窗口中,第一边缘线将窗口分为了第一区域h和第二区域f,灰度值均值较大的区域可以理解为裂缝区域,灰度均值较小的区域可以理解为公路表面区域。
具体的,假设第一区域h为灰度均值较小的区域,第二区域f为灰度值均值较大的区域,如果所述第一区域h的灰度均值与所述第二区域f的灰度均值/>的比值/>小于1,即/>,且所述第一区域h的二维熵值与所述第二区域f的二维熵值的比值/>小于1,即,则将所述中心像素点作为参考像素点。
如果所述第一边缘线上参考像素点的数量a占第一边缘线上所有像素点的数量b的比值大于第三预设值,则确定所述第一边缘线为疑似裂纹边缘线,第三预设值取经验值0.9。
基于所述第二边缘线两侧区域的灰度均值和二维熵值确定所述第二边缘线是否为疑似裂纹边缘线,包括:以所述第二边缘线上像素点为中心像素点设置预设大小的窗口,所述第二边缘线将所述窗口划分为第三区域和第四区域;分别计算所述第三区域和所述第四区域的灰度均值和所述第一区域的二维熵值;如果所述第三区域的灰度均值与所述第四区域的灰度均值的比值小于1,且所述第三区域的二维熵值与所述第四区域的二维熵值的比值小于1,则将所述中心像素点作为参考像素点;如果所述第二边缘线上参考像素点的数量占第二边缘线上所有像素点的数量的比值大于第四预设值,则确定所述第二边缘线为疑似裂纹边缘线。该过程与上述确定第一边缘线为疑似裂纹边缘线的计算过程相同,在此不再赘述。
通过上述方式可以确定第一边缘线和第二边缘线是否为疑似裂纹边缘线。如果所述第一边缘线和所述第二边缘线为疑似裂纹边缘线,则计算所述第一边缘线和所述第二边缘线的方向一致性系数。
具体的,基于所述第一边缘线上的像素点进行直线拟合,得到第一直线/>,所述第一直线/>的斜率为第一斜率/>;基于所述第二边缘线/>上的像素点进行直线拟合,得到第二直线/>,所述第二直线/>的斜率为第二斜率/>。基于所述第一斜率/>和所述第二斜率/>的比值确定所述第一边缘线/>和所述第二边缘线/>的方向一致性系数。
在一具体实施例中,第一边缘线和第二边缘线/>的方向一致性系数计算方式为:
其中,表示第一边缘线/>和第二边缘线/>的方向一致性系数,/>表示反三角函数中的反正切函数。第一边缘线/>和第二边缘线/>的整体方向越一致,/>的值越接近1;若第一边缘线/>和第二边缘线/>的整体方向越偏离,/>的值越偏离1。
基于所述方向一致性系数计算所述第一边缘线的第一裂纹方向性显著度和所述第二边缘线的第二裂纹方向性显著度。
在一实施例中,请参见图4,以第一边缘线的第一裂纹方向性显著度为例进行说明,计算第一边缘线的第一裂纹方向性显著度具体包括:
步骤S41:利用角点检测算法检测所述第一边缘线上的角点,确定相邻两个角点的边缘线的最小外接矩形的长边方向与水平方向的夹角信息,得到所述第一边缘线的第一方向序列,所述第一方向序列包括多个夹角信息。
通过harris角点检测检测出第一边缘线上的角点,针对两相邻角点之间的边缘线进行分析。具体的,以第一边缘线为例,第一边缘线/>上检测的到的角点为点,n为第一边缘线/>上角点的总个数。以相邻角点/>和角点/>之间的边缘线为例,取相邻角点/>与角点/>之间的边缘线最小外接矩形,同理,得到所有相邻角点之间的边缘线的最小外接矩形,进而得到最小外接矩形的长边方向与水平方向的夹角信息为/>。假设相邻角点/>与角点/>之间的边缘线的最小外接矩形的长边方向与水平方向的夹角信息为/>,依次类推,相邻角点/>与角点/>之间的边缘线的最小外接矩形的长边方向与水平方向的夹角信息为/>,得到第一边缘线/>上所有角点之间边缘线长边方向与水平方向的夹角信息,进而得到第一边缘线的第一方向序列,设边缘线/>的第一方向序列为。
步骤S42:基于所述第一方向序列确定所述第一方向序列中每一夹角信息的角度变化向量,进而得到所述第一方向序列对应的第一角度变化向量序列。
具体的,基于角度变化向量的长度将第一方向序列分为多个第一序列段,计算第一序列段中首个夹角信息对应的角点与第一序列段中其余每一夹角信息对应的角点的边缘线的最小外接矩形的长边方向与水平方向的夹角,将所得的夹角作为第一序列段的角度变化向量,将所有第一序列段的角度变化向量作为所述第一角度变化向量序列。
在一具体实施例中,假设角度变化向量的长度为6,则计算第一序列段中首个夹角信息/>对应的角点a1与第一序列段中夹角信息/>的角点/>的边缘线的最小外接矩形的长边方向与水平方向的夹角,记为/>,然后计算角点/>与角点/>之间的边缘线的最小外接矩形的长边方向与水平方向的夹角,设为/>,同理,得到夹角/>、/>……/>,将角度/>、/>……/>组成角度变化向量/>;同理,从角度/>开始重复上述步骤,得到角度变化向量/>,直到遍历方向序列中所有元素,若最后构建的角度变化向量中元素个数不足/>,则在向量元素后补零。设得到的角度变化向量的个数为/>,/>个角度变化向量作为所述第一角度变化向量序列。
步骤S43:基于所述第一角度变化向量序列和所述方向一致性系数计算所述第一边缘线的第一裂纹方向性显著度。
具体的,基于所述第一角度变化向量序列内角度变化向量的方差、所述第一角度变化向量序列内角度变化向量的数量、所述方向一致性系数、所述第一角度变化向量序列内相邻两个角度变化向量的余弦相似度计算所述第一边缘线的第一裂纹方向性显著度。
在本申请一实施例中,利用角点检测算法检测所述第二边缘线上的角点,确定相邻两个角点的边缘线的最小外接矩形的长边方向与水平方向的夹角,得到所述第二边缘线的第二方向序列,所述第二方向序列包括多个夹角信息;基于所述第二方向序列确定所述第二方向序列中每一夹角信息的角度变化向量,进而得到所述第二方向序列对应的第二角度变化向量序列。
具体的,基于角度变化向量的长度将第二方向序列分为多个第二序列段,计算第二序列段中首个夹角信息对应的角点与第二序列段中其余每一夹角信息对应的角点的边缘线的最小外接矩形的长边方向与水平方向的夹角,将所得的夹角作为第二序列段的角度变化向量,将所有第二序列段的角度变化向量作为所述第二角度变化向量序列。第二角度变化向量序列的计算方式与上述第一角度变化向量序列的计算方式相同,在此不再赘述。
基于所述第二角度变化向量序列和所述方向一致性系数计算所述第二边缘线的第二裂纹方向性显著度。具体的,基于所述第二角度变化向量序列内角度变化向量的方差、所述第二角度变化向量序列内角度变化向量的数量、所述方向一致性系数、所述第二角度变化向量序列内相邻两个角度变化向量的余弦相似度计算所述第二边缘线的第一裂纹方向性显著度。
根据公路裂纹的特性,整体上公路裂纹的方向性呈现出变化的趋势,但是在裂纹上一小段部分裂纹方向较为相近,同时裂纹外形上表现为细长条纹,方向性比较明显,同时相邻两边缘线的整体行走方向应保持一致,构建裂纹方向性显著度,公式为:
其中,为角度变化向量序列内角度变化向量的方差,例如为第一角度变化向量序列内角度变化向量的方差或者第二角度变化向量序列内角度变化向量的方差。若边缘线为对应裂纹边缘线,则边缘线呈现出参差不齐的特征,在边缘线上一小部分中裂纹边缘线的方向变化相对较小,则对应角度变化向量内元素的方差越小。/>为角度变化向量序列内角度变化向量的个数,例如为第一角度变化向量序列内角度变化向量的数量或者为第二角度变化向量序列内角度变化向量的数量。/>表示第一边缘线和第二边缘线的方向一致性系数,其中/>为调参因子,防止分母为0,经验值取1。/>为两两角度变化向量的余弦相似度,为角度变化向量/>与角度变化向量/>的余弦相似度,例如/>为第一角度变化向量序列内角度变化向量/>与角度变化向量/>的余弦相似度,或者为第二角度变化向量序列内角度变化向量/>与角度变化向量/>的余弦相似度。/>的计算方式为:
其中,表示角度变化向量/>的长度,/>表示角度变化向量/>的长度,两角度变化向量之间的越不相似,对应的边缘线为裂纹边缘线的可能性越大。其中1.01为调参因子,保证余弦相似度的均值不为0。
至此,得到第一边缘线的第一裂纹方向性显著度和第二边缘线的第二裂纹方向性显著度。裂纹方向性显著度反映了公路裂纹在方向性上独有的特征,即边缘线的裂纹边缘特征越明显,对应的裂纹方向性显著度越大。
步骤S23:如果所述第一裂纹方向性显著度大于第二阈值,且所述第二裂纹方向性显著度大于所述第二阈值,则将所述第一边缘线和所述第二边缘线确定为裂纹边缘线,所述第一边缘线和所述第二边缘线对应的疑似裂纹区域确定为裂纹特征显著区域。
设第二阈值,经验值取0.9,将裂纹方向性显著度大于该阈值的边缘线设为裂纹边缘线。若疑似裂纹区域的两条边缘线即第一边缘线和第二边缘线对应的第一裂纹方向性显著度和第二裂纹方向性显著度都大于第二阈值,则第一边缘线和第二边缘线都为裂纹边缘线,所述第一边缘线和所述第二边缘线对应的疑似裂纹区域确定为裂纹特征显著区域。
步骤S12:将所述裂纹特征显著区域内的像素点作为初始像素点,利用CURE聚类算法基于初始像素点对所述待检测图像中像素点进行聚类,从而得到聚类簇。
步骤S13:基于所述聚类簇确定待检测图像中的公路路面裂缝区域。
具体的,计算每一聚类簇的灰度值均值,如果所述聚类簇的灰度值均值小于灰度阈值,则将所述聚类簇作为公路路面裂缝区域。
本发明对公路路面上的裂纹进行分析,裂纹区域通常颜色较暗,灰度值较小,并且具有一定的方向性,根据以上特征得到疑似裂纹区域,构建裂纹方向性显著度,从而得到裂纹特征明显的像素点,并将裂纹特征明显的像素点作为CURE聚类算法的初始数据集,减少了CURE聚类算法的迭代次数,同时提高了针对裂纹区域的检测精度,为后续的公路维护提供了便利。
以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (2)
1.基于图像数据的公路路面裂缝快速检测方法,其特征在于,包括:
计算待检测图像中裂纹特征显著区域;
将所述裂纹特征显著区域内的像素点作为初始像素点,利用CURE聚类算法基于初始像素点对所述待检测图像中像素点进行聚类,从而得到聚类簇;
基于所述聚类簇确定待检测图像中的公路路面裂缝区域;
计算待检测图像中裂纹特征显著区域,包括:
计算所述待检测图像中每一像素点的灰度值;
将灰度值小于第一阈值的像素点组成的区域作为疑似裂纹区域;
基于所述疑似裂纹区域确定裂纹特征显著区域;
基于所述疑似裂纹区域确定裂纹特征显著区域,包括:
提取疑似裂纹区域的骨架,并基于所述骨架得到所述疑似裂纹区域的第一边缘线和第二边缘线;
计算所述第一边缘线的第一裂纹方向性显著度,以及计算所述第二边缘线的第二裂纹方向性显著度;
如果所述第一裂纹方向性显著度大于第二阈值,且所述第二裂纹方向性显著度大于所述第二阈值,则将所述第一边缘线和所述第二边缘线确定为裂纹边缘线,所述第一边缘线和所述第二边缘线对应的疑似裂纹区域确定为裂纹特征显著区域;
计算所述第一边缘线的第一裂纹方向性显著度,以及计算所述第二边缘线的第二裂纹方向性显著度,包括:
基于所述第一边缘线两侧区域的灰度均值和二维熵值确定所述第一边缘线是否为疑似裂纹边缘线;以及基于所述第二边缘线两侧区域的灰度均值和二维熵值确定所述第二边缘线是否为疑似裂纹边缘线;
如果所述第一边缘线和所述第二边缘线为疑似裂纹边缘线,则计算所述第一边缘线和所述第二边缘线的方向一致性系数;
基于所述方向一致性系数计算所述第一边缘线的第一裂纹方向性显著度和所述第二边缘线的第二裂纹方向性显著度;
基于所述第一边缘线两侧区域的灰度均值和二维熵值确定所述第一边缘线是否为疑似裂纹边缘线,包括:
以所述第一边缘线上像素点为中心像素点设置预设大小的窗口,所述第一边缘线将所述窗口划分为第一区域和第二区域;
分别计算所述第一区域和所述第二区域的灰度均值和所述第一区域的二维熵值;
如果所述第一区域的灰度均值与所述第二区域的灰度均值的比值小于1,且所述第一区域的二维熵值与所述第二区域的二维熵值的比值小于1,则将所述中心像素点作为参考像素点;
如果所述第一边缘线上参考像素点的数量占第一边缘线上所有像素点的数量的比值大于第三预设值,则确定所述第一边缘线为疑似裂纹边缘线;
基于所述第二边缘线两侧区域的灰度均值和二维熵值确定所述第二边缘线是否为疑似裂纹边缘线,包括:
以所述第二边缘线上像素点为中心像素点设置预设大小的窗口,所述第二边缘线将所述窗口划分为第三区域和第四区域;
分别计算所述第三区域和所述第四区域的灰度均值和所述第一区域的二维熵值;
如果所述第三区域的灰度均值与所述第四区域的灰度均值的比值小于1,且所述第三区域的二维熵值与所述第四区域的二维熵值的比值小于1,则将所述中心像素点作为参考像素点;
如果所述第二边缘线上参考像素点的数量占第二边缘线上所有像素点的数量的比值大于第四预设值,则确定所述第二边缘线为疑似裂纹边缘线;
计算所述第一边缘线和所述第二边缘线的方向一致性系数,包括:
基于所述第一边缘线上的像素点进行直线拟合,得到第一直线,所述第一直线的斜率为第一斜率;
基于所述第二边缘线上的像素点进行直线拟合,得到第二直线,所述第二直线的斜率为第二斜率;
基于所述第一斜率和所述第二斜率的比值确定所述第一边缘线和所述第二边缘线的方向一致性系数;
基于所述方向一致性系数计算所述第一边缘线的第一裂纹方向性显著度,包括:
利用角点检测算法检测所述第一边缘线上的角点,确定相邻两个角点的边缘线的最小外接矩形的长边方向与水平方向的夹角信息,得到所述第一边缘线的第一方向序列,所述第一方向序列包括多个夹角信息;
基于所述第一方向序列确定所述第一方向序列中每一夹角信息的角度变化向量,进而得到所述第一方向序列对应的第一角度变化向量序列;
基于所述第一角度变化向量序列和所述方向一致性系数计算所述第一边缘线的第一裂纹方向性显著度;
基于所述方向一致性系数计算所述第二边缘线的第二裂纹方向性显著度,包括:
利用角点检测算法检测所述第二边缘线上的角点,确定相邻两个角点的边缘线的最小外接矩形的长边方向与水平方向的夹角,得到所述第二边缘线的第二方向序列,所述第二方向序列包括多个夹角信息;
基于所述第二方向序列确定所述第二方向序列中每一夹角信息的角度变化向量,进而得到所述第二方向序列对应的第二角度变化向量序列;
基于所述第二角度变化向量序列和所述方向一致性系数计算所述第二边缘线的第二裂纹方向性显著度;
基于所述第一方向序列确定所述第一方向序列中每一夹角信息的角度变化向量,进而得到所述第一方向序列对应的第一角度变化向量序列,包括:
基于角度变化向量的长度将第一方向序列分为多个第一序列段,计算第一序列段中首个夹角信息对应的角点与第一序列段中其余每一夹角信息对应的角点的边缘线的最小外接矩形的长边方向与水平方向的夹角,将所得的夹角作为第一序列段的角度变化向量,将所有第一序列段的角度变化向量作为所述第一角度变化向量序列;
基于所述第二方向序列确定所述第二方向序列中每一夹角信息的角度变化向量,进而得到所述第二方向序列对应的第二角度变化向量序列,包括:
基于角度变化向量的长度将第二方向序列分为多个第二序列段,计算第二序列段中首个夹角信息对应的角点与第二序列段中其余每一夹角信息对应的角点的边缘线的最小外接矩形的长边方向与水平方向的夹角,将所得的夹角作为第二序列段的角度变化向量,将所有第二序列段的角度变化向量作为所述第二角度变化向量序列;
基于所述第一角度变化向量序列和所述方向一致性系数计算所述第一边缘线的第一裂纹方向性显著度,包括:
基于所述第一角度变化向量序列内角度变化向量的方差、所述第一角度变化向量序列内角度变化向量的数量、所述方向一致性系数、所述第一角度变化向量序列内相邻两个角度变化向量的余弦相似度计算所述第一边缘线的第一裂纹方向性显著度;
基于所述第二角度变化向量序列和所述方向一致性系数计算所述第二边缘线的第二裂纹方向性显著度,包括:
基于所述第二角度变化向量序列内角度变化向量的方差、所述第二角度变化向量序列内角度变化向量的数量、所述方向一致性系数、所述第二角度变化向量序列内相邻两个角度变化向量的余弦相似度计算所述第二边缘线的第一裂纹方向性显著度。
2.根据权利要求1所述的基于图像数据的公路路面裂缝快速检测方法,其特征在于,基于所述聚类簇确定待检测图像中的公路路面裂缝区域,包括:
计算每一聚类簇的灰度值均值,如果所述聚类簇的灰度值均值小于灰度阈值,则将所述聚类簇作为公路路面裂缝区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310944249.7A CN116664572B (zh) | 2023-07-31 | 2023-07-31 | 基于图像数据的公路路面裂缝快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310944249.7A CN116664572B (zh) | 2023-07-31 | 2023-07-31 | 基于图像数据的公路路面裂缝快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116664572A CN116664572A (zh) | 2023-08-29 |
CN116664572B true CN116664572B (zh) | 2023-10-13 |
Family
ID=87722798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310944249.7A Active CN116664572B (zh) | 2023-07-31 | 2023-07-31 | 基于图像数据的公路路面裂缝快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664572B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274240B (zh) * | 2023-11-17 | 2024-01-23 | 资阳建工建筑有限公司 | 一种承台基础混凝土表面裂缝识别方法 |
CN118037279A (zh) * | 2024-04-12 | 2024-05-14 | 海宁昱天新能源科技有限公司 | 基于计算机视觉的光伏设备自动化运维管理系统及方法 |
Citations (9)
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 |
CN114723681A (zh) * | 2022-03-22 | 2022-07-08 | 江苏禹润智能科技有限公司 | 一种基于机器视觉的混凝土裂缝缺陷检测方法 |
CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
CN114998350A (zh) * | 2022-08-04 | 2022-09-02 | 山东泗水泰和石材有限公司 | 基于图像处理的石材缺陷检测方法 |
CN115861290A (zh) * | 2022-12-30 | 2023-03-28 | 南京林业大学 | 一种肤感木门表面缺陷检测方法 |
CN116030034A (zh) * | 2023-02-21 | 2023-04-28 | 青岛精锐机械制造有限公司 | 阀门表面缺陷的视觉识别方法 |
CN116051987A (zh) * | 2022-12-31 | 2023-05-02 | 吉兴信(广东)信息技术有限公司 | 一种基于聚类的路面裂缝图像提取装置及方法 |
WO2023083059A1 (zh) * | 2021-11-15 | 2023-05-19 | 中移(上海)信息通信科技有限公司 | 一种路面缺陷检测方法、装置、电子设备和可读存储介质 |
CN116485801A (zh) * | 2023-06-26 | 2023-07-25 | 山东兰通机电有限公司 | 基于计算机视觉的胶管质量在线检测方法及系统 |
-
2023
- 2023-07-31 CN CN202310944249.7A patent/CN116664572B/zh active Active
Patent Citations (9)
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 |
WO2023083059A1 (zh) * | 2021-11-15 | 2023-05-19 | 中移(上海)信息通信科技有限公司 | 一种路面缺陷检测方法、装置、电子设备和可读存储介质 |
CN114723681A (zh) * | 2022-03-22 | 2022-07-08 | 江苏禹润智能科技有限公司 | 一种基于机器视觉的混凝土裂缝缺陷检测方法 |
CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
CN114998350A (zh) * | 2022-08-04 | 2022-09-02 | 山东泗水泰和石材有限公司 | 基于图像处理的石材缺陷检测方法 |
CN115861290A (zh) * | 2022-12-30 | 2023-03-28 | 南京林业大学 | 一种肤感木门表面缺陷检测方法 |
CN116051987A (zh) * | 2022-12-31 | 2023-05-02 | 吉兴信(广东)信息技术有限公司 | 一种基于聚类的路面裂缝图像提取装置及方法 |
CN116030034A (zh) * | 2023-02-21 | 2023-04-28 | 青岛精锐机械制造有限公司 | 阀门表面缺陷的视觉识别方法 |
CN116485801A (zh) * | 2023-06-26 | 2023-07-25 | 山东兰通机电有限公司 | 基于计算机视觉的胶管质量在线检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
A critical review and comparative study on image segmentation-based techniques for pavement crack detection;Narges Kheradmandi et al.;《Construction and Building Materials》;第321卷;第1-26页 * |
基于优化卷积神经网络的木材缺陷检测;刘英 等;《林业工程学报》;第4卷(第1期);第115-120页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116664572A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116664572B (zh) | 基于图像数据的公路路面裂缝快速检测方法 | |
CN107230202B (zh) | 路面病害图像的自动识别方法和系统 | |
US11580647B1 (en) | Global and local binary pattern image crack segmentation method based on robot vision | |
Wei et al. | Urban building extraction from high-resolution satellite panchromatic image using clustering and edge detection | |
CN107092877B (zh) | 基于建筑物基底矢量的遥感影像屋顶轮廓提取方法 | |
CN108280450B (zh) | 一种基于车道线的高速公路路面检测方法 | |
US9734398B2 (en) | Method and apparatus for identifying object | |
CN106778551B (zh) | 一种高速路段及城市道路车道线识别方法 | |
CN110516550B (zh) | 一种基于fpga的车道线实时检测方法 | |
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 | |
US8396285B2 (en) | Estimating vanishing points in images | |
JP2006107462A (ja) | 地形の航空画像において道路を検出する方法 | |
US9524445B2 (en) | Methods and systems for suppressing non-document-boundary contours in an image | |
US10460458B1 (en) | Method for registration of partially-overlapped aerial imagery using a reduced search space methodology with hybrid similarity measures | |
CN108171695A (zh) | 一种基于图像处理的高速公路路面检测方法 | |
CN101964060B (zh) | 基于局部纹理特征的sar变体目标识别方法 | |
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 | |
CN113689429B (zh) | 一种基于计算机视觉的木板缺陷检测方法 | |
CN114596551A (zh) | 一种车载前视图像裂缝检测的方法 | |
CN117710399B (zh) | 一种基于视觉的地质调查中裂缝轮廓提取方法 | |
CN108961262B (zh) | 一种复杂场景下的条码定位方法 | |
KR101870084B1 (ko) | 그림자의 수직경계선을 이용한 원격탐사영상의 그림자 제거방법 | |
CN111523341B (zh) | 二维码图像的二值化方法及设备 | |
Brown et al. | A generalisable framework for saliency-based line segment detection | |
CN113793309B (zh) | 一种基于形态学特征的亚像素级椭圆检测方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Fast Detection Method for Highway Pavement Cracks Based on Image Data Granted publication date: 20231013 Pledgee: Liaocheng high tech Zone Luxi small loan Co.,Ltd. Pledgor: Liaocheng Hange Intelligent Technology Co.,Ltd. Registration number: Y2024980009555 |