CN117115576B - 一种基于图像的路面裂缝能量分析方法 - Google Patents
一种基于图像的路面裂缝能量分析方法 Download PDFInfo
- Publication number
- CN117115576B CN117115576B CN202311336753.5A CN202311336753A CN117115576B CN 117115576 B CN117115576 B CN 117115576B CN 202311336753 A CN202311336753 A CN 202311336753A CN 117115576 B CN117115576 B CN 117115576B
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- energy
- pixel
- pavement
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 230000006870 function Effects 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000004590 computer program Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000012854 evaluation process Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 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
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于图像的路面裂缝能量分析方法,属于路面裂缝能量分析技术领域。包括以下步骤:S1.采集路面图像,对裂缝图像进行识别和提取,得到二值化图像;S2.将二值化图像转换为坐标系,拆分为若干正弦函数和余弦函数的组合,获得裂缝图像的能量分布,对路面裂缝能量进行分析;S21.将二值化图像转换为坐标系;S22.将二值化图像拆分为若干正弦函数和余弦函数的组合,将二值化图像拆分成若干频率、振幅已知的正、余弦函数的和;S23.获得裂缝图像的能量分布,分析不同频率函数对应的能量大小。解决路面裂缝评价过程中,仅关注几何信息,缺乏用于分析裂缝进一步发育能力的裂缝能量分析方法的问题。实现路面裂缝能量的计算。
Description
技术领域
本申请涉及裂缝能量分析方法,尤其涉及一种基于图像的路面裂缝能量分析方法,属于路面裂缝能量分析技术领域。
背景技术
道路运营过程中,由于车辆荷载、周围环境的作用以及材料性能衰退等因素的影响,道路表面会逐渐出现裂缝、坑槽、车辙、松散等病害,其中,线性裂缝出现最早、数量最多,伴随着道路的整个使用期,并随着路龄的增长而加重。道路裂缝的危害不仅仅是影响路容美观和行车舒适度,如果不及时对裂缝进行密封修补,更容易进一步扩展,使雨水和其它杂物沿裂缝进入面层结构与路基,对道路造成结构性的破坏,导致路面承载能力下降,加速路面局部或成片损坏,从而缩短道路的使用寿命。
道路养护人员在针对道路线性裂缝的养护工作中,将线性裂缝的长度和宽度指标作为重要的参考依据;裂缝的长度和宽度仅能表示裂缝的整体几何特性,而裂缝的发育和延伸需要依据对裂缝能量的评估,即,当裂缝某一区域能量较大时,表明此处进一步扩展和延伸的概率较大。
现有技术主要通过图像处理的方式,显示从背景图像中识别裂缝的目的,并未考虑从能量角度分析裂缝进一步扩展的能量,沥青路面运营过程中,易出现多类病害,其中,裂缝出现最早、数量最多,伴随着道路的整个使用期,并随着路龄的增长而加重。路面裂缝如不及时做出养护和维修决策,将会进一步发育,并演化为其它类型病害,对路面行驶舒适性、安全性、养护成本等产生影响。因此,道路养护决策过程中,结合路面裂缝的能量,优化养护方案,合理规划养护成本,提高养护质量尤为关键。
发明内容
在下文中给出了关于本发明的简要概述,以便提供关于本发明的某些方面的基本理解。应当理解,这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分,也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
鉴于此,为解决现有技术中存在路面裂缝评价过程中,仅关注几何信息,缺乏用于分析裂缝进一步发育能力的裂缝能量分析方法的技术问题,本发明提供一种基于图像的路面裂缝能量分析方法。本发明中基于二维图像提出的路面裂缝能量,是从图像角度计算裂缝的能量特征。裂缝能量越大,表明裂缝部分与非裂缝部分间的灰度值变化梯度越大,图像中高频部分占据的能量更大,裂缝劣化程度更大,进一步发育和延伸的潜力更大。
方案一、一种基于图像的路面裂缝能量分析方法,包括以下步骤:
S1.采集路面图像,对裂缝图像进行识别和提取,得到二值化图像;
S2.将二值化图像转换为坐标系,拆分为若干正弦函数和余弦函数的组合,获得裂缝图像的能量分布,对路面裂缝能量进行分析,包括以下步骤:
S21.将二值化图像转换为坐标系:以图像左上角点为坐标原点建立坐标系,以水平向右为x轴正方向,以竖直向下为y轴正方向,由二值化图像形成的图像矩阵记为g(x,y);
S22.将二值化图像拆分为若干正弦函数和余弦函数的组合,将二值化图像拆分成若干频率、振幅已知的正、余弦函数的和;
S23.获得裂缝图像的能量分布,分析不同频率函数对应的能量大小。
优选的,采集路面图像,对裂缝图像进行识别和提取的方法包括以下步骤:
S11.采用道路检测车搭载工业相机的方式,采集路面图像;
S12.利用神经网络识别包含裂缝的图像,将图像依次编码为A1-An,n为含线性裂缝图像的总数量;
S13.将RGB图像转变为灰度图像;将RGB图像转变为灰度图像的方法是:提取RGB图像在R、G、B三个通道的数值,依次记为a、b、c,结合由心理学公式确定的彩色图像与灰度图像间的关系,采用下式计算图像灰度值d:
d=0.299×a+0.587×b+0.114×c
S14.对灰度图像进行线性裂缝区域和背景区域的区分,得到新的二值化图像,将二值化图像依次编码为F1-Fn,n为含线性裂缝图像的总数量。
优选的,对灰度图像进行线性裂缝区域和背景区域的区分,得到新的二值化图像的方法包括以下步骤:
S141.统计全部图像像素值,确定像素值的分布范围,最小值记为dmin,最大值记为dmax,像素分布范围即为(dmin,dmax);
S142.设灰度值阈值dt,以灰度值阈值dt为初始临界点,将像素分布范围划分为两个区间:C区间(dmin,dt)和D区间(dt,dmax),统计C区间和D区间范围内像素的数量n1和n2,并计算C、D两个区间像素数量在整个图像中的权重e1和e2,计算两个区间的平均像素值dc1和dd2,计算C、D区间图像像素方差E:
E=e1×e2×(dc1-dc2)2
其中,灰度值阈值dt取值范围为[dmin,dmax],且像素增加步长为1个像素;
S143.遍历全部灰度值阈值dt,依次得到C、D区间图像像素方差,记录方差中最大值Emax,方差对应的灰度值阈值dt为线性裂缝图像背景与线性裂缝区域的临界像素值,将线性裂缝图像背景与线性裂缝区域的临界像素值对应的灰度值阈值记为最终灰度值阈值dtm;
S144.以最终灰度值阈值dtm为最终分界点,将图像划分为由像素值0和1组成的二值化图像,其中,灰度值小于dtm的像素点,全部变为0;灰度值大于等于dtm的像素点,像素值变为1,从而得到新的二值化图像,将二值化图像依次编码为F1-Fn,n为含线性裂缝图像的总数量。
优选的,将二值化图像拆分成若干频率、振幅已知的正、余弦函数的和,求解方法是:
式中,j为虚数单位,e=0,1,2,…,J-1;f=0,1,2,…,K-1;J为图像矩阵Bi(x,y)沿x轴方向的像素数量,K为图像矩阵Bi(x,y)沿y轴方向的像素数量;JS为x方向的角频率,KS为y方向的角频率。
优选的,获得裂缝图像的能量分布,分析不同频率函数对应的能量大小方法是:图像在一个周期信号的能量分布计算如下:
式中,L为x方向图像信号周期,M为y方向图像信号周期;
各个频率对应的能量值为裂缝图像的能量分布,将第i个频率记为Pi,其对应的能量记为Hi,图像中频率数量记为h;提出裂缝平均能量指标Ha:
裂缝平均能量指标表征图像中,路面裂缝的能量大小,能量越大,表明严重程度越大,裂缝进一步扩展的潜力越大。
方案二、一种电子设备,包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现方案一所述的一种基于图像的路面裂缝能量分析方法的步骤。
方案三、一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现方案一所述的一种基于图像的路面裂缝能量分析方法。
本发明的有益效果如下:本发明基于智能识别算法识别路面裂缝;为了提高裂缝图像的处理效率,将路面裂缝RGB图像转变为灰度图像;将裂缝图像划分为裂缝区域和背景区域,消除了背景因素的干扰,增强了裂缝的特征。基于二维图像与正弦函数和余弦函数的关系,将裂缝图像拆分成具备频率和振幅特征的正弦函数和余弦函数的组合;在此基础上,提出裂缝能量分析方法,并提出裂缝平均能量指标,实现路面裂缝能量的计算,能量越大,裂缝劣化程度更大,进一步发育和延伸的潜力更大,同时可用于预估裂缝出现的位置,以及裂缝进一步发育和延伸的潜力,进而优化道路养护方案,提高道路养护效果。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为一种基于图像的路面裂缝能量分析方法流程示意图;
图2为S2流程示意图。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例1、参照图1-图2说明本实施方式,一种基于图像的路面裂缝能量分析方法,包括以下步骤:
S1.采集路面图像,对裂缝图像进行识别和提取,得到二值化图像,方法包括以下步骤:
S11.采用道路检测车搭载工业相机的方式,采集路面图像;
S12.利用神经网络识别包含裂缝的图像,将图像依次编码为A1-An,n为含线性裂缝图像的总数量;
具体的,算法选用常规的卷积神经网络,首先选择路面裂缝数据集对模型进行训练,确定模型中全部参数,包含网络层数、各层神经元节点数量、学习率、权重、偏置、激活函数、损失函数、卷积核等。采用训练好的卷积神经网络模型,进行图像的智能识别,提取出全部包含裂缝的图像,图像依次编码为A1~An,n为含线性裂缝图像的总数量;
S13.将RGB图像转变为灰度图像;RGB图像类型在图像处理过程中,难度较大,因此,将RGB图像转变为灰度图像进行处理:提取RGB图像在R、G、B三个通道的数值,依次记为a、b、c,结合由心理学公式确定的彩色图像与灰度图像间的关系,采用下式计算图像灰度值d:
d=0.299×a+0.587×b+0.114×c
S14.为了消除背景的干扰,将裂缝区域和背景区域进行区分,通过确定裂缝区域和背景区域的像素灰度值阈值dt,对两部分区域进行划分;
具体的,对灰度图像进行线性裂缝区域和背景区域的区分,得到新的二值化图像,将二值化图像依次编码为F1-Fn,n为含线性裂缝图像的总数量,方法包括以下步骤:
S141.统计全部图像像素值,确定像素值的分布范围,最小值记为dmin,最大值记为dmax,像素分布范围即为(dmin,dmax);
S142.设灰度值阈值dt,以灰度值阈值dt为初始临界点,将像素分布范围划分为两个区间:C区间(dmin,dt)和D区间(dt,dmax),统计C区间和D区间范围内像素的数量n1和n2,并计算C、D两个区间像素数量在整个图像中的权重e1和e2,计算两个区间的平均像素值dc1和dd2,计算C、D区间图像像素方差E:
E=e1×e2×(dc1-dc2)2
其中,灰度值阈值dt取值范围为[dmin,dmax],且像素增加步长为1个像素;
S143.遍历全部灰度值阈值dt,依次得到C、D区间图像像素方差,记录方差中最大值Emax,方差对应的灰度值阈值dt为线性裂缝图像背景与线性裂缝区域的临界像素值,将线性裂缝图像背景与线性裂缝区域的临界像素值对应的灰度值阈值记为最终灰度值阈值dtm;
S144.以最终灰度值阈值dtm为最终分界点,将图像划分为由像素值0和1组成的二值化图像,其中,灰度值小于dtm的像素点,全部变为0;灰度值大于等于dtm的像素点,像素值变为1,从而得到新的二值化图像,将二值化图像依次编码为F1-Fn,n为含线性裂缝图像的总数量。
S2.将二维图像拆分为若干正弦函数和余弦函数的组合,为了方便表达,基于欧拉公式,将正弦函数和余弦函数转变为复指数函数进行表达。对于正弦函数和余弦函数而言,最重要的是确定函数的频率、振幅;
具体的,将二值化图像转换为坐标系,拆分为若干正弦函数和余弦函数的组合,获得裂缝图像的能量分布,对路面裂缝能量进行分析,包括以下步骤:
S21.将二值化图像转换为坐标系:以图像左上角点为坐标原点建立坐标系,以水平向右为x轴正方向,以竖直向下为y轴正方向,由二值化图像形成的图像矩阵记为g(x,y);
S22.将二值化图像拆分为若干正弦函数和余弦函数的组合,将二值化图像拆分成若干频率、振幅已知的正、余弦函数的和,求解方法是:
式中,j为虚数单位,e=0,1,2,…,J-1;f=0,1,2,…,K-1;J为图像矩阵Bi(x,y)沿x轴方向的像素数量,K为图像矩阵Bi(x,y)沿y轴方向的像素数量;JS为x方向的角频率,KS为y方向的角频率。
S23.裂缝的二值图像由多个频率和振幅的正弦函数和余弦函数构成,因此,接下来,将分析不同频率函数对应的能量大小。分析过程中,为了保证图像信号能量计算有解,选取函数的一个周期进行分析;
具体的,获得裂缝图像的能量分布,分析不同频率函数对应的能量大小,方法是:图像在一个周期信号的能量分布计算如下:
式中,L为x方向图像信号周期,M为y方向图像信号周期;
各个频率对应的能量值为裂缝图像的能量分布,将第i个频率记为Pi,其对应的能量记为Hi,图像中频率数量记为h;提出裂缝平均能量指标Ha:
裂缝平均能量指标表征图像中,路面裂缝的能量大小,能量越大,表明严重程度越大,裂缝进一步扩展的潜力越大,养护维修时需要重点关注。同时,道路养护决策过程中,可结合路面裂缝的能量,优化养护方案,合理规划养护成本,提高养护质量。
实施例2、本发明的计算机装置可以是包括有处理器以及存储器等装置,例如包含中央处理器的单片机等。并且,处理器用于执行存储器中存储的计算机程序时实现上述的一种基于图像的路面裂缝能量分析方法的步骤。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例3、计算机可读存储介质实施例
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质,包括但不限于非易失性存储器、易失性存储器、铁电存储器等,计算机可读存储介质上存储有计算机程序,当计算机装置的处理器读取并执行存储器中所存储的计算机程序时,可以实现上述的一种基于图像的路面裂缝能量分析方法的步骤。
所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
Claims (4)
1.一种基于图像的路面裂缝能量分析方法,其特征在于,包括以下步骤:
S1.采集路面图像,对裂缝图像进行识别和提取,得到二值化图像,方法包括以下步骤:
S11.采用道路检测车搭载工业相机的方式,采集路面图像;
S12.利用神经网络识别包含裂缝的图像,将图像依次编码为A1-An,n为含线性裂缝图像的总数量;
S13.将RGB图像转变为灰度图像;将RGB图像转变为灰度图像的方法是:提取RGB图像在R、G、B三个通道的数值,依次记为a、b、c,结合由心理学公式确定的彩色图像与灰度图像间的关系,采用下式计算图像灰度值d:
d=0.299×a+0.587×b+0.114×c
S14.对灰度图像进行线性裂缝区域和背景区域的区分,得到新的二值化图像,将二值化图像依次编码为F1-Fn;
S2.将二值化图像转换为坐标系,拆分为若干正弦函数和余弦函数的组合,获得裂缝图像的能量分布,对路面裂缝能量进行分析,包括以下步骤:
S21.将二值化图像转换为坐标系:以图像左上角点为坐标原点建立坐标系,以水平向右为x轴正方向,以竖直向下为y轴正方向,由二值化图像形成的图像矩阵记为g(x,y);
S22.将二值化图像拆分为若干正弦函数和余弦函数的组合,将二值化图像拆分成若干频率、振幅已知的正、余弦函数的和,求解方法是:
式中,j为虚数单位;J为图像矩阵g(x,y)沿x轴方向的像素数量,K为图像矩阵g(x,y)沿y轴方向的像素数量;
S23.获得裂缝图像的能量分布,分析不同频率函数对应的能量大小,方法是:图像在一个周期信号的能量分布计算如下:
式中,L为x方向图像信号周期,M为y方向图像信号周期;
各个频率对应的能量值为裂缝图像的能量分布,将第i个频率记为Pi,其对应的能量记为Hi,图像中频率数量记为h;提出裂缝平均能量指标Ha:
裂缝平均能量指标表征图像中,路面裂缝的能量大小,能量越大,表明严重程度越大,裂缝进一步扩展的潜力越大。
2.根据权利要求1所述一种基于图像的路面裂缝能量分析方法,其特征在于,对灰度图像进行线性裂缝区域和背景区域的区分,得到新的二值化图像的方法包括以下步骤:
S141.统计全部图像像素值,确定像素值的分布范围,最小值记为dmin,最大值记为dmax,像素分布范围即为(dmin,dmax);
S142.设灰度值阈值dt,以灰度值阈值dt为初始临界点,将像素分布范围划分为两个区间:C区间(dmin,dt)和D区间(dt,dmax),统计C区间和D区间范围内像素的数量n1和n2,并计算C、D两个区间像素数量在整个图像中的权重e1和e2,计算两个区间的平均像素值dc1和dc2,计算C、D区间图像像素方差E:
E=e1×e2×(dc1-dc2)2
其中,灰度值阈值dt取值范围为[dmin,dmax],且像素增加步长为1个像素;
S143.遍历全部灰度值阈值dt,依次得到C、D区间图像像素方差,记录方差中最大值Emax,方差对应的灰度值阈值dt为线性裂缝图像背景与线性裂缝区域的临界像素值,将线性裂缝图像背景与线性裂缝区域的临界像素值对应的灰度值阈值记为最终灰度值阈值dtm;
S144.以最终灰度值阈值dtm为最终分界点,将图像划分为由像素值0和1组成的二值化图像,其中,灰度值小于dtm的像素点,像素值全部变为0;灰度值大于等于dtm的像素点,像素值变为1,从而得到新的二值化图像,将二值化图像依次编码为F1-Fn,n为含线性裂缝图像的总数量。
3.一种电子设备,其特征在于,包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现权利要求1或2所述的一种基于图像的路面裂缝能量分析方法的步骤。
4.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1或2所述的一种基于图像的路面裂缝能量分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311336753.5A CN117115576B (zh) | 2023-10-17 | 2023-10-17 | 一种基于图像的路面裂缝能量分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311336753.5A CN117115576B (zh) | 2023-10-17 | 2023-10-17 | 一种基于图像的路面裂缝能量分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117115576A CN117115576A (zh) | 2023-11-24 |
CN117115576B true CN117115576B (zh) | 2024-03-26 |
Family
ID=88805743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311336753.5A Active CN117115576B (zh) | 2023-10-17 | 2023-10-17 | 一种基于图像的路面裂缝能量分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117115576B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060037972A (ko) * | 2004-10-29 | 2006-05-03 | 인하대학교 산학협력단 | 크랙실링 장비의 크랙 인식 및 제어 시스템 |
CN110954033A (zh) * | 2019-12-16 | 2020-04-03 | 福建博海工程技术有限公司 | 混凝土裂缝深度检测方法及其系统 |
CN112001359A (zh) * | 2020-09-09 | 2020-11-27 | 郑州航空工业管理学院 | 基于模式识别和最优分配的启发式多叉线修补方法 |
CN115656177A (zh) * | 2022-08-11 | 2023-01-31 | 西北工业大学 | 基于条纹图像统计分布规律的镜面物体表面缺陷检测方法 |
-
2023
- 2023-10-17 CN CN202311336753.5A patent/CN117115576B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060037972A (ko) * | 2004-10-29 | 2006-05-03 | 인하대학교 산학협력단 | 크랙실링 장비의 크랙 인식 및 제어 시스템 |
CN110954033A (zh) * | 2019-12-16 | 2020-04-03 | 福建博海工程技术有限公司 | 混凝土裂缝深度检测方法及其系统 |
CN112001359A (zh) * | 2020-09-09 | 2020-11-27 | 郑州航空工业管理学院 | 基于模式识别和最优分配的启发式多叉线修补方法 |
CN115656177A (zh) * | 2022-08-11 | 2023-01-31 | 西北工业大学 | 基于条纹图像统计分布规律的镜面物体表面缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
Image-based crack detection approaches: a comprehensive survey;Priyanka Gupta et al.;《Multimedia Tools and Applications (2022)》;第40181–40229页 * |
基于图像的桥梁裂缝检测算法;董安国 等;《自动化仪表》;第34卷(第8期);第1-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117115576A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Pavement crack detection and classification based on fusion feature of LBP and PCA with SVM | |
Shi et al. | Automatic road crack detection using random structured forests | |
Huyan et al. | Illumination compensation model with k-means algorithm for detection of pavement surface cracks with shadow | |
Safaei et al. | Efficient road crack detection based on an adaptive pixel-level segmentation algorithm | |
CN107527067A (zh) | 一种基于探地雷达的铁路路基病害智能识别方法 | |
CN109785301B (zh) | 一种基于图像处理的钢轨波磨周期评估方法 | |
Zhou et al. | Deep learning-based crack segmentation for civil infrastructure: Data types, architectures, and benchmarked performance | |
US20210350517A1 (en) | Robust roadway crack segmentation using encoder-decoder networks with range images | |
CN117078738B (zh) | 一种线性裂缝宽度计算方法 | |
Bosurgi et al. | An automatic pothole detection algorithm using pavement 3D data | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN114283383A (zh) | 一种智慧城市公路养护方法、计算机设备及介质 | |
CN117115576B (zh) | 一种基于图像的路面裂缝能量分析方法 | |
CN102509265B (zh) | 基于灰度值差和局部能量的数字图像去噪方法 | |
CN112785548B (zh) | 一种基于车载激光点云的路面裂缝检测方法 | |
CN117115665B (zh) | 一种基于路面裂缝分析方法的静态影响参数分析方法 | |
CN111199228B (zh) | 一种车牌定位的方法及装置 | |
CN117079062B (zh) | 一种基于路面裂缝分析方法的动静态影响参数分析方法 | |
CN117094703B (zh) | 一种面向道路裂缝的路网养护维修顺序确定方法 | |
CN117078233B (zh) | 一种基于路网养护综合评价指标的养护决策方法 | |
CN115690431A (zh) | 条码图像二值化方法、装置、存储介质及计算机设备 | |
CN115376106A (zh) | 基于雷达图的车型识别方法、装置、设备及介质 | |
CN117078737B (zh) | 一种线性裂缝长度计算方法 | |
CN116242774A (zh) | 适用于农村公路的轻量化三维检测方法及装置 | |
CN101751663A (zh) | 以像素的区域特征为基础的影像分割标记方法与系统 |
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 |