CN116740072B - 基于机器视觉的道路表面缺陷检测方法及系统 - Google Patents

Abstract

本发明涉及图像数据处理技术领域，提出了基于机器视觉的道路表面缺陷检测方法及系统，包括：采集道路表面图像；对道路表面图像通过边缘检测得到若干明显裂缝，获取若干第一裂缝交点，根据每个第一裂缝交点相邻范围内梯度的分布，获取若干交点边缘及第一边缘及其边缘方向值；获取每个第一边缘与每个交点边缘的边缘距离，根据边缘方向值及边缘距离得到疑似裂缝，根据疑似裂缝及其他第一边缘的边缘方向值，得到第二边缘，对所有第一边缘进行判断，得到若干真实裂缝；根据明显裂缝及真实裂缝，完成道路表面的缺陷检测。本发明旨在解决道路裂缝中不明显裂缝无法通过边缘检测得到进而影响道路表面缺陷检测结果的问题。

Description

基于机器视觉的道路表面缺陷检测方法及系统

技术领域

本发明涉及图像数据处理技术领域，具体涉及基于机器视觉的道路表面缺陷检测方法及系统。

背景技术

对于道路表面缺陷，其主要缺陷即是道路表面的裂缝，道路裂缝由于相较于道路表面更深的颜色表现，通常采用边缘检测对道路裂缝进行检测；形成时间较长的裂缝由于存在一定宽度及深度，容易通过边缘检测得到；而形成时间较短的裂缝较为狭窄，同时深度较小，边缘检测过程中梯度变化并不明显，形成不明显裂缝，难以直接通过边缘检测获取；而对于不明显裂缝尤其需要及时进行修复，因此道路表面缺陷检测过程中并不能忽略不明显裂缝，则需要通过分析不明显裂缝的性质，实现边缘检测基础上对不明显裂缝的提取，进而提高道路表面缺陷检测结果的准确性。

发明内容

本发明提供基于机器视觉的道路表面缺陷检测方法及系统，以解决现有的道路裂缝中不明显裂缝无法通过边缘检测得到进而影响道路表面缺陷检测结果的问题，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了基于机器视觉的道路表面缺陷检测方法，该方法包括以下步骤：

采集道路表面图像；

对道路表面图像通过边缘检测得到若干明显裂缝及若干第一裂缝交点；根据每个第一裂缝交点的预设窗口内梯度的分布，获取若干交点边缘及第一边缘，以及每个交点边缘及第一边缘的边缘方向值；

根据交点边缘及第一边缘的边缘方向值，以及每个交点边缘及第一边缘的边缘距离，对第一边缘判断得到第二边缘；通过边缘距离及边缘方向值对所有第一边缘进行判断，得到若干真实裂缝；

根据明显裂缝及真实裂缝，完成道路表面的缺陷检测；

所述获取若干交点边缘及第一边缘，以及每个交点边缘及第一边缘的边缘方向值，包括的具体方法为：

对于任意一个第一裂缝交点，获取以该第一裂缝交点为中心，尺寸迭代增长的若干预设窗口；根据该第一裂缝交点的若干预设窗口内梯度的分布，获取若干初始聚簇及对应的若干匹配聚簇，以及每个初始聚簇及匹配聚簇的方向较大性；

以任意一个初始聚簇为目标初始聚簇，将目标初始聚簇的方向较大性作为序列的第一个元素，将目标初始聚簇的匹配聚簇的方向较大性按照匹配聚簇的获取顺序排列在序列中，得到的序列记为目标初始聚簇的较大性序列；

对较大性序列通过每个元素减去相邻前一个元素得到差值序列，将差值序列中小于等于0的元素数量与差值序列的元素数量的比值，记为目标初始聚簇的方向趋同性；若方向趋同性大于趋同性阈值，将目标初始聚簇在最后一个预设窗口的匹配聚簇对应的一段边缘，记为交点边缘；若方向趋同性小于等于趋同性阈值，将目标初始聚簇在最后一个预设窗口的匹配聚簇对应的一段边缘，记为第一边缘；

获取每个第一裂缝交点的若干初始聚簇，对每个初始聚簇进行判断得到若干交点边缘及第一边缘；根据初始聚簇的较大性序列，获取每个交点边缘及第一边缘的边缘方向值；

所述对第一边缘判断得到第二边缘，包括的具体方法为：

对每个第一边缘及交点边缘获取中点，计算每个第一边缘的中点与每个交点边缘的中点的距离，将中点的距离作为每个第一边缘与每个交点边缘的边缘距离，所有边缘距离组成一个边缘距离集合；

获取所有边缘距离的最小值，记为最小距离，将最小距离对应的第一边缘作为判断边缘，最小距离对应的交点边缘作为参考边缘，获取判断边缘的边缘方向值与参考边缘的边缘方向值的比值，将比值作为判断边缘的方向一致性，若方向一致性大于一致性阈值，将判断边缘作为疑似裂缝；

获取所有与疑似裂缝相连且长度小于疑似裂缝的若干第一边缘，作为疑似裂缝的相连边缘；获取疑似裂缝的边缘方向的垂直方向，垂直方向的值记为疑似裂缝的垂直方向值，获取所有相连边缘的边缘方向值的均值与疑似裂缝的垂直方向值的比值，将比值作为疑似裂缝的垂直一致性，若垂直一致性大于一致性阈值，将疑似裂缝作为第二边缘。

进一步的，所述对道路表面图像通过边缘检测得到若干明显裂缝及若干第一裂缝交点，包括的具体方法为：

对道路表面图像进行灰度化处理，得到灰度图像，对灰度图像通过canny算子进行边缘检测，得到若干边缘，每条边缘作为一个明显裂缝，得到若干明显裂缝；

获取所有明显裂缝的交点，将交点记为第一裂缝交点。

进一步的，所述获取若干初始聚簇及对应的若干匹配聚簇，以及每个初始聚簇及匹配聚簇的方向较大性，包括的具体方法为：

对于任意一个第一裂缝交点，获取该第一裂缝交点的第一个预设窗口内所有像素点的梯度幅值，对所有梯度幅值通过OTSU多阈值分割得到若干类别；对每个类别的像素点分别进行DBSCAN聚类，聚类距离采用像素点之间的欧式距离，得到若干聚簇；

以任意一个聚簇为目标聚簇，将目标聚簇中所有像素点的坐标作为PCA的输入，得到若干特征向量及对应的特征值，将最大特征值减去次大特征值得到的差值，与最大特征值的比值，作为目标聚簇的方向较大性；

获取该预设窗口所有聚簇的方向较大性，将方向较大性大于较大性阈值的聚簇进行保留，记为初始聚簇，初始聚簇对应的聚簇的方向较大性记为初始聚簇的方向较大性；

获取每个第一裂缝交点的若干初始聚簇及每个初始聚簇的方向较大性；通过对预设窗口的尺寸增长逐个分析，得到每个初始聚簇的匹配聚簇及每个匹配聚簇的方向较大性。

进一步的，所述得到每个初始聚簇的匹配聚簇及每个匹配聚簇的方向较大性，包括的具体方法为：

对于任意一个第一裂缝交点，将该第一裂缝交点的第二个预设窗口作为当前预设窗口，对当前预设窗口内所有像素点的梯度幅值通过OTSU多阈值分割及DBSCAN聚类，得到若干聚簇；

对每个聚簇分别与初始聚簇进行交集运算，对不存在交集的当前预设窗口中的聚簇进行剔除，对于任意一个存在交集的聚簇，将该聚簇作为交集元素数量最大所对应的初始聚簇的匹配聚簇，得到若干匹配聚簇，通过对匹配聚簇进行PCA分析得到若干特征向量及对应的特征值，获取每个匹配聚簇的方向较大性；

根据预设窗口的尺寸增长，逐个预设窗口获取聚簇，将每个聚簇与前一个预设窗口的若干匹配聚簇进行交集运算，获取前一个预设窗口的每个匹配聚簇的匹配聚簇，并作为前一个预设窗口的匹配聚簇对应的初始聚簇的匹配聚簇，逐个预设窗口获取匹配聚簇，计算每个匹配聚簇的方向较大性，直到遍历完预设窗口时停止，最终得到每个初始聚簇的若干匹配聚簇以及每个匹配聚簇的方向较大性。

进一步的，所述每个交点边缘及第一边缘的边缘方向值，具体的获取方法为：

对于任意一个初始聚簇，获取该初始聚簇的较大性序列中最大的方向较大性，将最大的方向较大性对应的若干特征值中最大的特征值对应的特征向量的方向，作为该初始聚簇的边缘方向值，得到该初始聚簇对应的交点边缘或第一边缘的边缘方向值；

获取每个交点边缘及第一边缘的边缘方向值。

进一步的，所述通过边缘距离及边缘方向值对所有第一边缘进行判断，得到若干真实裂缝，包括的具体方法为：

对所有第一边缘进行判断得到若干第二边缘，将交点边缘及第二边缘作为真实裂缝；对于疑似裂缝判断过程中得到的相连边缘，若疑似裂缝判断为第二边缘，将第二边缘对应的疑似裂缝的若干相连边缘作为真实裂缝，得到若干真实裂缝。

进一步的，所述对所有第一边缘进行判断得到若干第二边缘，包括的具体方法为：

最小距离的第一边缘判断完成后，若该第一边缘未更新为第二边缘，将该第一边缘对应的若干边缘距离从边缘距离集合中去除，将最小距离更新为边缘距离集合中的最小值，更新判断边缘与参考边缘，对于判断边缘，判断是否为第二边缘；

若第一次判断的第一边缘更新为第二边缘，将第二边缘对应的若干边缘距离从边缘距离集合中去除，计算每个第一边缘的中点与第二边缘的中点的距离，作为边缘距离添加到边缘距离集合中，将最小距离更新为边缘距离集合中的最小值，更新判断边缘与参考边缘，对于判断边缘，判断是否为第二边缘；

通过对边缘距离集合及最小距离的更新，不断对第一边缘进行是否为第二边缘的判断，最终完成对所有第一边缘是否为第二边缘的判断，得到若干第二边缘。

第二方面，本发明另一个实施例提供了基于机器视觉的道路表面缺陷检测系统，该系统包括存储器和处理器，所述处理器用于执行存储在所述存储器中的指令以实现上述介绍的基于机器视觉的道路表面缺陷检测方法，并达到与该方法相同的技术效果。

本发明的有益效果是：本发明首先通过边缘检测获取道路表面图像中的明显裂缝，再根据不明显裂缝的成因，通过明显裂缝的交点的相邻范围内梯度的分布，获取到若干为不明显裂缝的交点边缘以及可能为不明显裂缝的第一边缘，避免全图搜索不明显裂缝时计算量较大同时结果不准确的问题，保证交点边缘均是基于明显裂缝的交点得到，提高交点边缘作为不明显裂缝的准确性；再通过第一边缘与交点边缘的方向一致性，以及第一边缘上小裂缝得到的垂直一致性进行第二边缘判断，并迭代完成对所有第一边缘的判断，避免伪裂缝边缘作为第一边缘提取而影响后续道路裂缝检测结果，通过道路裂缝的表现特征来提高道路裂缝的检测精度，进而提高道路表明缺陷的检测结果准确性。

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，下面将对实施例或现有技术描述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为本发明一个实施例所提供的基于机器视觉的道路表面缺陷检测方法流程示意图；

图2为本发明另一个实施例所提供的基于机器视觉的道路表面缺陷检测系统结构框图；

图3为本发明中不明显裂缝的示意图。

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。

请参阅图1，其示出了本发明一个实施例所提供的基于机器视觉的道路表面缺陷检测方法流程图，该方法包括以下步骤：

步骤S001、采集道路表面图像。

本实施例的目的是对道路表面缺陷进行检测，主要针对道路裂缝进行检测，因此首先需要获取道路表面图像；本实施例通过无人机巡检获取若干道路表面图像，后续以任意一张无人机巡检拍摄到的道路表面图像为例，进行道路裂缝的分析及获取。

至此，获取到了道路表面图像。

步骤S002、对道路表面图像通过边缘检测得到若干明显裂缝，获取若干第一裂缝交点，根据每个第一裂缝交点相邻范围内梯度的分布，获取若干交点边缘及第一边缘，以及每个交点边缘及第一边缘的边缘方向值。

需要说明的是，通过对道路表面图像进行边缘检测可以得到明显裂缝，而对于不明显裂缝，请参阅图3，其示出了不明显裂缝的示意图，即图3中箭头标注的难检测裂缝；不明显裂缝与明显裂缝均有相连部分，而相连的区域通常位于多个明显裂缝的交点处，由于裂缝形成过程中，裂缝的交点处的开裂程度最大，因此会诱发尚未开裂部分发生开裂隐患，从而形成不明显裂缝；因此通过边缘检测获取到明显裂缝后，对明显裂缝的交点进行提取，通过对交点进行邻域范围的梯度分析，交点邻域范围内的纹理方向变化可以反映不明显裂缝的分布特性，不明显裂缝整体梯度相近，且局部近似直线，整体近似曲线，通过这种性质根据交点的邻域范围的梯度分布，完成作为不明显裂缝的交点边缘及可能是不明显裂缝的第一边缘的获取。

具体的，首先对道路表面图像进行灰度化处理，得到灰度图像，对灰度图像通过canny算子进行边缘检测，得到若干边缘，每条边缘作为一个明显裂缝，则得到了若干明显裂缝，需要说明的是，本实施例中获取的道路表面图像不考虑车道线等干扰因素，因此得到的边缘均是明显裂缝。

进一步的，获取所有明显裂缝的交点，将交点记为第一裂缝交点；同时在边缘检测过程中，已经获取到了灰度图像中每个像素点的梯度，包括梯度幅值及梯度方向；以任意一个第一裂缝交点为例，以该第一裂缝交点为中心，获取若干尺寸为的预设窗口，其中的初始值本实施例设置为5，增长步长设置为2，/>的最大值设置为49，则可以获取以该第一裂缝交点为中心的若干预设窗口，需要说明的是，若第一裂缝交点由于靠近灰度图像的边界部分而无法获取部分预设窗口，则以能获取到的预设窗口进行分析，超出边界的预设窗口不再进行后续分析处理；预设窗口即为第一裂缝交点的相邻范围。

进一步的，首先对该第一裂缝交点的梯度幅值根据四邻域像素点的梯度幅值，通过二次线性插值进行替换，避免第一裂缝交点的梯度幅值影响预设窗口内的梯度分析；以该第一裂缝交点的第一个预设窗口，即的预设窗口为例，获取该预设窗口内所有像素点的梯度幅值，对所有梯度幅值通过OTSU多阈值分割得到若干类别，相同类别中像素点的梯度幅值相近，不同类别中像素点的梯度幅值相差较大；对每个类别的像素点分别进行DBSCAN聚类，聚类距离采用像素点之间的欧式距离，得到若干聚簇，需要说明的是，由于通过梯度幅值进行阈值分割，同时通过距离进行聚类，每个聚簇实际上即是预设窗口内一小段梯度幅值相近的边缘部分；以任意一个聚簇为例，将该聚簇中所有像素点的坐标作为PCA的输入，得到若干特征向量及对应的特征值，将最大特征值减去次大特征值得到的差值，与最大特征值的比值，作为该聚簇的方向较大性；方向较大性表明了一小段边缘的局部直线的表现程度，方向较大性越大，一小段边缘越趋近于局部直线；获取该预设窗口所有聚簇的方向较大性，预设一个较大性阈值，本实施例较大性阈值采用0.65进行叙述，将方向较大性大于较大性阈值的聚簇进行保留，记为初始聚簇，初始聚簇对应的聚簇的方向较大性记为初始聚簇的方向较大性，方向较大性小于等于较大性阈值的聚簇进行剔除。

进一步的，对该第一裂缝交点的下一个预设窗口作为当前预设窗口进行分析，按照上述方法通过OTSU多阈值分割及DBSCAN聚类，同样得到若干聚簇，对每个聚簇分别与初始聚簇进行交集运算，聚簇及交集中的元素即为像素点，对不存在交集的当前预设窗口中的聚簇进行剔除，对于任意一个存在交集的聚簇，将其作为交集元素数量最大所对应的初始聚簇的匹配聚簇，则得到若干匹配聚簇，按照上述方法获取每个匹配聚簇的方向较大性；根据预设窗口的尺寸增长，逐个预设窗口获取聚簇，并将每个聚簇与前一个预设窗口的若干匹配聚簇进行交集运算，按照上述方法获取前一个预设窗口的每个匹配聚簇的匹配聚簇，并作为前一个预设窗口的匹配聚簇对应的初始聚簇的匹配聚簇，逐个预设窗口获取匹配聚簇，并计算每个匹配聚簇的方向较大性，直到遍历完预设窗口时停止，需要说明的是，初始聚簇的匹配聚簇的获取过程，实际是对一小段边缘的延伸过程，最后一次获取到的匹配聚簇，即是最后一个预设窗口中的一段边缘。

进一步的，以任意一个初始聚簇为例，将初始聚簇的方向较大性作为序列的第一个元素，将匹配聚簇的方向较大性按照匹配聚簇的获取顺序排列在序列中，得到的序列记为该初始聚簇的较大性序列；对该较大性序列中每个元素分别减去相邻前一个元素得到差值，第一个元素不计算差值，将差值按照对应元素的顺序进行排列，得到的序列记为该初始聚簇的差值序列，将差值序列中小于等于0的元素数量与差值序列的元素数量的比值，记为该初始聚簇的方向趋同性，预设一个趋同性阈值，本实施例趋同性阈值采用0.7进行叙述，若方向趋同性大于趋同性阈值，将该初始聚簇在最后一个预设窗口的匹配聚簇对应的一段边缘，记为交点边缘；若方向趋同性小于等于趋同性阈值，将该初始聚簇在最后一个预设窗口的匹配聚簇对应的一段边缘，记为第一边缘；按照上述方法对该第一裂缝交点获取到的所有初始聚簇进行判断，得到该第一裂缝交点的若干交点边缘及第一边缘；按照上述方法对所有第一裂缝交点进行初始聚簇的获取，并得到若干交点边缘及第一边缘。

进一步的，对于每个交点边缘或第一边缘，其都分别对应一个初始聚簇，以任意一个初始聚簇为例，获取该初始聚簇的较大性序列中最大的方向较大性，方向较大性对应的是某个预设窗口下初始聚簇或初始聚簇的匹配聚簇得到的若干特征向量及特征值，将最大的方向较大性对应的若干特征值中最大的特征值对应的特征向量的方向，作为该初始聚簇的边缘方向值，即得到了该初始聚簇对应的交点边缘或第一边缘的边缘方向值；按照上述方法获取每个交点边缘及第一边缘的边缘方向值。

至此，通过获取明显裂缝得到第一裂缝交点，根据第一裂缝交点相邻范围内梯度的分布，量化得到若干初始聚簇，对初始聚簇进行判断得到若干交点边缘及第一边缘，以及对应的边缘方向值；交点边缘满足了不明显裂缝的局部直线及整体曲线的特征，为后续的真实裂缝；第一边缘仅满足了局部直线特征，需要进一步在后续判断是否为真实裂缝。

步骤S003、获取每个第一边缘与每个交点边缘的边缘距离，根据边缘方向值及边缘距离得到疑似裂缝，根据疑似裂缝及其他第一边缘的边缘方向值，得到第二边缘，对所有第一边缘进行判断，得到若干真实裂缝。

需要说明的是，获取到交点边缘及第一边缘后，仍需要对第一边缘进行是否为真实裂缝的分析；此时的第一边缘可能是道路本身的纹理特征或噪声干扰形成的伪裂缝边缘，因此需要结合交点边缘完成对第一边缘是否为裂缝的判断；对于不明显裂缝，其可能存在不连续情况，进而形成多个距离较近的交合边缘或第一边缘的边缘方向值差异较小，即可能是同一段不明显裂缝因为不连续中断成了若干段边缘；同时对于不明显裂缝，由于其形成时间较短，在不明显裂缝的垂直方向上分布有较多细小的小裂缝，这些小裂缝在步骤S002中已经提取为第一边缘，通过对这些小裂缝的第一边缘的边缘方向值，判断其他第一边缘的垂直方向值与其差异，进而完成第二边缘获取，得到真实裂缝，即通过边缘方向一致性获取疑似裂缝，再通过疑似裂缝上的垂直方向与小裂缝的边缘方向进行分析，完成真实裂缝的获取。

具体的，首先对每个第一边缘及交点边缘获取中点，计算每个第一边缘的中点与每个交点边缘的中点的距离，即空间距离，中点及空间距离获取为公知技术，本实施例不再赘述；将中点的距离作为每个第一边缘与每个交点边缘的边缘距离，所有边缘距离组成一个边缘距离集合；获取所有边缘距离的最小值，记为最小距离，将最小距离对应的第一边缘作为判断边缘，最小距离对应的交点边缘作为参考边缘，获取判断边缘的边缘方向值与参考边缘的边缘方向值的比值，其中比值由小值比大值得到，将比值作为判断边缘的方向一致性，预设一个一致性阈值，本实施例一致性阈值采用0.8进行叙述，若方向一致性大于一致性阈值，将判断边缘作为疑似裂缝进行后续分析；若方向一致性小于等于一致性阈值，则判断边缘的判断停止，并进行下一个第一边缘的分析；需要说明的是，方向一致性用于判断第一边缘是否与距离最近的交点边缘存在边缘方向相近，距离相近且边缘方向差异较小，为不明显裂缝的可能性越大。

进一步的，判断边缘作为疑似裂缝后，获取所有与疑似裂缝相连且长度小于疑似裂缝的若干第一边缘，作为疑似裂缝的相连边缘，相连即是存在相同像素点，长度比较通过像素点数量进行比较；获取疑似裂缝的边缘方向的垂直方向，垂直方向的值记为疑似裂缝的垂直方向值，获取所有相连边缘的边缘方向值的均值与疑似裂缝的垂直方向值的比值，其中比值由小值比大值得到，将比值作为疑似裂缝的垂直一致性，若垂直一致性大于一致性阈值，将疑似裂缝作为第二边缘进行后续分析，若垂直一致性小于等于一致性阈值，对疑似裂缝的判断停止，其仍为第一边缘，并进行下一个第一边缘的分析；需要说明的是，垂直一致性用于判断疑似裂缝上是否存在小裂缝，若没有获取到相连边缘，则将垂直一致性设置为0，垂直一致性越大，小裂缝越多，疑似裂缝即为真实裂缝即第二边缘。

进一步的，最小距离的第一边缘判断完成后，若该第一边缘未更新为第二边缘，将该第一边缘对应的若干边缘距离从边缘距离集合中去除，并将最小距离更新为此时的边缘距离集合中的最小值，并更新判断边缘与参考边缘，并按照上述方法对此时的判断边缘进行判断，判断是否为第二边缘；

若第一次判断的第一边缘更新为第二边缘，则将第二边缘对应的若干边缘距离从边缘距离集合中去除，同时计算此时每个第一边缘的中点与第二边缘的中点的距离，并作为边缘距离添加到边缘距离集合中，将最小距离更新为此时边缘距离集合中的最小值，并更新判断边缘与参考边缘（此时参考边缘可能为交点边缘或第二边缘），并按照上述方法对此时的判断边缘进行判断，判断是否为第二边缘；按照上述方法通过对边缘距离集合及最小距离的更新，不断对第一边缘进行是否为第二边缘的判断，且每次判断过程中均会去除已经判断完成的第一边缘的边缘距离，则可以通过迭代判断，最终完成对所有第一边缘是否为第二边缘的判断，且每次判断均是对第一边缘与距离最小的交点边缘或第二边缘进行判断，则最终得到了若干第二边缘。

进一步的，将交点边缘及第二边缘作为真实裂缝，同时对于疑似裂缝判断过程中得到的相连边缘，若疑似裂缝判断为第二边缘，将第二边缘对应的疑似裂缝的若干相连边缘也作为真实裂缝进行获取，即第二边缘对应的疑似裂缝的若干相连边缘实际为小裂缝，同样作为真实裂缝进行获取，则得到了若干真实裂缝。

至此，对所有第一边缘进行了是否为第二边缘的判断，并最终得到了若干真实裂缝。

步骤S004、根据明显裂缝及真实裂缝，完成道路表面的缺陷检测。

获取到真实裂缝后，结合在步骤S002获取的明显裂缝，即为道路表面图像中的裂缝区域，在道路表面图像中将明显裂缝及真实裂缝对应的部分进行标记，则实现了对于道路裂缝的检测；而由于无人机巡检会获取若干道路表面图像，通过对所有道路表面图像获取到的道路裂缝进行提取，完成了道路表面的缺陷检测。

至此，通过边缘检测获取明显裂缝，并根据明显裂缝的交点邻域范围内梯度的分布，得到交点边缘及第一边缘，根据不明显裂缝的特性，完成对第一边缘是否为真实裂缝的判断，结合交点边缘作为真实裂缝，实现道路表面图像中道路裂缝的检测，完成道路表面的缺陷检测。

请参阅图2，其示出了本发明另一个实施例所提供的基于机器视觉的道路表面缺陷检测系统结构框图，该系统包括：

道路表面图像采集模块101，采集道路表面图像。

道路裂缝分析获取模块102：

（1）对道路表面图像通过边缘检测得到若干明显裂缝，获取若干第一裂缝交点，根据每个第一裂缝交点相邻范围内梯度的分布，获取若干交点边缘及第一边缘，以及每个交点边缘及第一边缘的边缘方向值；

（2）获取每个第一边缘与每个交点边缘的边缘距离，根据边缘方向值及边缘距离得到疑似裂缝，根据疑似裂缝及其他第一边缘的边缘方向值，得到第二边缘，对所有第一边缘进行判断，得到若干真实裂缝。

道路表面缺陷检测模块103，根据明显裂缝及真实裂缝，完成道路表面的缺陷检测。

容易理解的是，在另一个系统实施例中，基于机器视觉的道路表面缺陷检测系统所包含的上述各个模块还可以是以逻辑指令的形式存储的纯软件模块，并存储于存储器中，然后由处理器对存储于存储器中的逻辑指令进行调用，以实现基于机器视觉的道路表面缺陷检测方法，该基于机器视觉的道路表面缺陷检测方法在方法实施例中已做了详细介绍，故此处不再赘述。

以上所述仅为本发明的较佳实施例而已，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.基于机器视觉的道路表面缺陷检测方法，其特征在于，该方法包括以下步骤：

采集道路表面图像；

对道路表面图像通过边缘检测得到若干明显裂缝及若干第一裂缝交点；根据每个第一裂缝交点的预设窗口内梯度的分布，获取若干交点边缘及第一边缘，以及每个交点边缘及第一边缘的边缘方向值；

根据交点边缘及第一边缘的边缘方向值，以及每个交点边缘及第一边缘的边缘距离，对第一边缘判断得到第二边缘；通过边缘距离及边缘方向值对所有第一边缘进行判断，得到若干真实裂缝；

根据明显裂缝及真实裂缝，完成道路表面的缺陷检测；

所述获取若干交点边缘及第一边缘，以及每个交点边缘及第一边缘的边缘方向值，包括的具体方法为：

对于任意一个第一裂缝交点，获取以该第一裂缝交点为中心，尺寸迭代增长的若干预设窗口；根据该第一裂缝交点的若干预设窗口内梯度的分布，获取若干初始聚簇及对应的若干匹配聚簇，以及每个初始聚簇及匹配聚簇的方向较大性；

以任意一个初始聚簇为目标初始聚簇，将目标初始聚簇的方向较大性作为序列的第一个元素，将目标初始聚簇的匹配聚簇的方向较大性按照匹配聚簇的获取顺序排列在序列中，得到的序列记为目标初始聚簇的较大性序列；

对较大性序列通过每个元素减去相邻前一个元素得到差值序列，将差值序列中小于等于0的元素数量与差值序列的元素数量的比值，记为目标初始聚簇的方向趋同性；若方向趋同性大于趋同性阈值，将目标初始聚簇在最后一个预设窗口的匹配聚簇对应的一段边缘，记为交点边缘；若方向趋同性小于等于趋同性阈值，将目标初始聚簇在最后一个预设窗口的匹配聚簇对应的一段边缘，记为第一边缘；

获取每个第一裂缝交点的若干初始聚簇，对每个初始聚簇进行判断得到若干交点边缘及第一边缘；根据初始聚簇的较大性序列，获取每个交点边缘及第一边缘的边缘方向值；

所述对第一边缘判断得到第二边缘，包括的具体方法为：

对每个第一边缘及交点边缘获取中点，计算每个第一边缘的中点与每个交点边缘的中点的距离，将中点的距离作为每个第一边缘与每个交点边缘的边缘距离，所有边缘距离组成一个边缘距离集合；

获取所有边缘距离的最小值，记为最小距离，将最小距离对应的第一边缘作为判断边缘，最小距离对应的交点边缘作为参考边缘，获取判断边缘的边缘方向值与参考边缘的边缘方向值的比值，将比值作为判断边缘的方向一致性，若方向一致性大于一致性阈值，将判断边缘作为疑似裂缝；

获取所有与疑似裂缝相连且长度小于疑似裂缝的若干第一边缘，作为疑似裂缝的相连边缘；获取疑似裂缝的边缘方向的垂直方向，垂直方向的值记为疑似裂缝的垂直方向值，获取所有相连边缘的边缘方向值的均值与疑似裂缝的垂直方向值的比值，将比值作为疑似裂缝的垂直一致性，若垂直一致性大于一致性阈值，将疑似裂缝作为第二边缘；

所述每个交点边缘及第一边缘的边缘方向值，具体的获取方法为：

对于任意一个初始聚簇，获取该初始聚簇的较大性序列中最大的方向较大性，将最大的方向较大性对应的若干特征值中最大的特征值对应的特征向量的方向，作为该初始聚簇的边缘方向值，得到该初始聚簇对应的交点边缘或第一边缘的边缘方向值；

获取每个交点边缘及第一边缘的边缘方向值；

所述获取若干初始聚簇及对应的若干匹配聚簇，以及每个初始聚簇及匹配聚簇的方向较大性，包括的具体方法为：

对于任意一个第一裂缝交点，获取该第一裂缝交点的第一个预设窗口内所有像素点的梯度幅值，对所有梯度幅值通过OTSU多阈值分割得到若干类别；对每个类别的像素点分别进行DBSCAN聚类，聚类距离采用像素点之间的欧式距离，得到若干聚簇；

以任意一个聚簇为目标聚簇，将目标聚簇中所有像素点的坐标作为PCA的输入，得到若干特征向量及对应的特征值，将最大特征值减去次大特征值得到的差值，与最大特征值的比值，作为目标聚簇的方向较大性；

获取该预设窗口所有聚簇的方向较大性，将方向较大性大于较大性阈值的聚簇进行保留，记为初始聚簇，初始聚簇对应的聚簇的方向较大性记为初始聚簇的方向较大性；

获取每个第一裂缝交点的若干初始聚簇及每个初始聚簇的方向较大性；通过对预设窗口的尺寸增长逐个分析，得到每个初始聚簇的匹配聚簇及每个匹配聚簇的方向较大性。

2.根据权利要求1所述的基于机器视觉的道路表面缺陷检测方法，其特征在于，所述对道路表面图像通过边缘检测得到若干明显裂缝及若干第一裂缝交点，包括的具体方法为：

对道路表面图像进行灰度化处理，得到灰度图像，对灰度图像通过canny算子进行边缘检测，得到若干边缘，每条边缘作为一个明显裂缝，得到若干明显裂缝；

获取所有明显裂缝的交点，将交点记为第一裂缝交点。

3.根据权利要求1所述的基于机器视觉的道路表面缺陷检测方法，其特征在于，所述得到每个初始聚簇的匹配聚簇及每个匹配聚簇的方向较大性，包括的具体方法为：

对于任意一个第一裂缝交点，将该第一裂缝交点的第二个预设窗口作为当前预设窗口，对当前预设窗口内所有像素点的梯度幅值通过OTSU多阈值分割及DBSCAN聚类，得到若干聚簇；

对每个聚簇分别与初始聚簇进行交集运算，对不存在交集的当前预设窗口中的聚簇进行剔除，对于任意一个存在交集的聚簇，将该聚簇作为交集元素数量最大所对应的初始聚簇的匹配聚簇，得到若干匹配聚簇，通过对匹配聚簇进行PCA分析得到若干特征向量及对应的特征值，获取每个匹配聚簇的方向较大性；

根据预设窗口的尺寸增长，逐个预设窗口获取聚簇，将每个聚簇与前一个预设窗口的若干匹配聚簇进行交集运算，获取前一个预设窗口的每个匹配聚簇的匹配聚簇，并作为前一个预设窗口的匹配聚簇对应的初始聚簇的匹配聚簇，逐个预设窗口获取匹配聚簇，计算每个匹配聚簇的方向较大性，直到遍历完预设窗口时停止，最终得到每个初始聚簇的若干匹配聚簇以及每个匹配聚簇的方向较大性。

4.根据权利要求1所述的基于机器视觉的道路表面缺陷检测方法，其特征在于，所述通过边缘距离及边缘方向值对所有第一边缘进行判断，得到若干真实裂缝，包括的具体方法为：

对所有第一边缘进行判断得到若干第二边缘，将交点边缘及第二边缘作为真实裂缝；对于疑似裂缝判断过程中得到的相连边缘，若疑似裂缝判断为第二边缘，将第二边缘对应的疑似裂缝的若干相连边缘作为真实裂缝，得到若干真实裂缝。

5.根据权利要求4所述的基于机器视觉的道路表面缺陷检测方法，其特征在于，所述对所有第一边缘进行判断得到若干第二边缘，包括的具体方法为：

最小距离的第一边缘判断完成后，若该第一边缘未更新为第二边缘，将该第一边缘对应的若干边缘距离从边缘距离集合中去除，将最小距离更新为边缘距离集合中的最小值，更新判断边缘与参考边缘，对于判断边缘，判断是否为第二边缘；

若第一次判断的第一边缘更新为第二边缘，将第二边缘对应的若干边缘距离从边缘距离集合中去除，计算每个第一边缘的中点与第二边缘的中点的距离，作为边缘距离添加到边缘距离集合中，将最小距离更新为边缘距离集合中的最小值，更新判断边缘与参考边缘，对于判断边缘，判断是否为第二边缘；

通过对边缘距离集合及最小距离的更新，不断对第一边缘进行是否为第二边缘的判断，最终完成对所有第一边缘是否为第二边缘的判断，得到若干第二边缘。

6.基于机器视觉的道路表面缺陷检测系统，其特征在于，包括存储器和处理器，所述处理器用于执行存储在所述存储器中的指令以实现如权利要求1-5任一项所述的基于机器视觉的道路表面缺陷检测方法。